买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉山东省计算中心(国家超级计算济南中心);齐鲁工业大学(山东省科学院)申请的专利一种基于解耦学习的乳腺超声图像分割方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN121190505B 。

龙图腾网通过国家知识产权局官网在2026-02-13发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202511724800.2，技术领域涉及：G06T7/11；该发明授权一种基于解耦学习的乳腺超声图像分割方法及系统是由于福强;王凯;徐丽娟;仝丰华;赵大伟设计研发完成，并于2025-11-24向国家知识产权局提交的专利申请。

本一种基于解耦学习的乳腺超声图像分割方法及系统在说明书摘要公布了：本发明提供了一种基于解耦学习的乳腺超声图像分割方法及系统，涉及乳腺超声图像处理与分析技术领域，包括：获取待分割的乳腺超声图像；将乳腺超声图像输入到解耦学习的分割模型中，生成预测概率图，将预测概率图映射为最终病灶分割结果；解耦学习是采用二阶段训练方法，分别训练分割模型的编码器和解码器，在第一阶段训练过程中，基于区域重组实现的模糊性激活，用模糊块动态替换高置信区域，通过扰动稳定的上下文来增强梯度流动，在高置信区域中生成结构冲突和语义变异性，迫使编码器在上下文变化下学习语义不变性。本发明应对当前乳腺超声图像分割方法在处理模糊区域优化不足、特征表示碎片化和边界质量下降的挑战，以提升分割精度和鲁棒性。

本发明授权一种基于解耦学习的乳腺超声图像分割方法及系统在权利要求书中公布了：1.一种基于解耦学习的乳腺超声图像分割方法，其特征在于，包括： 获取待分割的乳腺超声图像； 将乳腺超声图像输入到解耦学习的分割模型中，生成预测概率图，将预测概率图映射为最终病灶分割结果； 其中，所述分割模型基于U‑Net构建，所述解耦学习是采用二阶段训练方法，分别训练分割模型的编码器和解码器，在对编码器的第一阶段训练过程中，基于区域重组实现的模糊性激活，用模糊块动态替换高置信区域，通过扰动稳定的上下文来增强梯度流动，在高置信区域中生成结构冲突和语义变异性，迫使编码器在上下文变化下学习语义不变性； 所述区域重组实现的模糊性激活，用于构建新的第一阶段训练样本，具体为：获取原始训练样本，包括乳腺超声图像及对应的真实分割掩模和预测概率图；对于每个预测概率图，计算不确定性图；从乳腺超声图像中分割前景区域，构建模糊块；在不确定性图上执行滑动窗口搜索，选择平均不确定性最低的区域，作为高置信区域；将模糊块插入同一乳腺超声图像的高置信区域，得到新的训练样本； 所述解码器包括通过感知歧义的语义对齐模块和聚焦歧义的边界恢复模块； 所述语义对齐模块，用于对编码器的多尺度特征和来自上一级解码器的上采样特征，执行跨层级特征对齐、上下文增强和歧义感知调制，生成语义对齐特征； 所述边界恢复模块，用于对来自语义对齐模块的语义对齐特征和上一级解码器的上采样特征，进行多尺度特征提取、梯度增强与注意力引导的精细化处理，生成精细化特征； 所述生成语义对齐特征，具体步骤为：通过卷积和批归一化，将编码器的多尺度特征和来自上一级解码器的上采样特征投影到一个统一的嵌入空间；通过逐元素相加，融合这两个投影后的特征；对融合后的特征进行平均池化、卷积和上采样，得到新的特征；采用一种残差注意力机制，根据各空间区域的语义模糊性，对新的特征进行自适应重加权，生成注意力图；用注意力图调制编码器的多尺度特征，得到语义对齐特征； 所述生成精细化特征，具体步骤为：将语义对齐特征和来自上一级解码器的上采样特征，通过逐元素相加进行融合；采用两个并行的卷积分支对融合后的特征进行卷积，将卷积结果进行聚合；通过减去特征图的局部平均版本来分离出高频梯度信息；引入一种空间注意力机制，以引导特征响应关注具有信息量的边界区域；通过空间平均池化和最大池化计算通道注意力图，并接一个共享的变换函数；通过结合自适应尺度融合与注意力引导的精细化过程，得到精细化特征。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人山东省计算中心(国家超级计算济南中心);齐鲁工业大学(山东省科学院)，其通讯地址为：250000 山东省济南市历下区科院路19号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。