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！

龙图腾网获悉西安理工大学申请的专利基于桥接编码器-解码器的腹部多器官分割方法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：CN116310336B 。

龙图腾网通过国家知识产权局官网在2026-03-06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：202310261940.5，技术领域涉及：G06V10/26；该发明授权基于桥接编码器-解码器的腹部多器官分割方法是由石争浩;王茹;尤珍臻;葛飞航设计研发完成，并于2023-03-17向国家知识产权局提交的专利申请。

本基于桥接编码器-解码器的腹部多器官分割方法在说明书摘要公布了：本发明公开了一种基桥接编码器‑解码器的腹部多器官分割方法，具体按照如下步骤实施：步骤1、对图像进行预处理；步骤2、搭建由粗到细两阶段分割方法框架，粗分割阶段选择SegNet网络，细分割阶段构建BridgeNet网络；步骤3、用预处理好的训练数据训练SegNet网络；步骤4、用训练好的SegNet分割预训练好的训练数据后得到粗分割结果，再将其与预训练好的训练数据点乘得到细分割阶段的训练数据，训练BridgeNet网络；步骤5、用训练好的SegNet和BridgeNet分割测试集得到初步分割结果，再对初步分割的结果应用联通分量分析，获得精确的腹部CT多器官分割图。

本发明授权基于桥接编码器-解码器的腹部多器官分割方法在权利要求书中公布了：1.基于桥接编码器-解码器的腹部多器官分割方法，其特征在于：具体包括如下步骤： 步骤1，对FLARE2021数据集中已划分好的训练集和测试集中的图像进行预处理，得到预处理好的训练集和测试集的图像； 所述步骤1的具体过程为： 步骤1.1，输入FLARE2021数据集，将数据集中已经划分好的训练集和测试集图像依次重新定向为目标方向； 步骤1.2，将数据集中所有图像重采样为固定大小； 步骤1.3，将数据集中的所有图像剪切到[-325,325]的强度，最后基于强度值的平均值和标准差应用z-score归一化； 步骤2，搭建由粗到细的两阶段的腹部多器官分割网络框架，包括粗分割模型SegNet和细分割模型BridgeNet； 所述步骤2中，细分割模型BridgeNet的搭建方式为：在编码器和解码器之间嵌入桥接模块，该桥接模块包括多到一融合模块MSFM和双流自适应模块DSAM； 所述细分割模型BridgeNet对图像的分割过程为： 步骤A，用SegNet的编码器作为BridgeNet的编码器进行特征提取，得到提取到的特征； 步骤B，对编码器处理的特征进行卷积-正则-激活处理，得到处理好的特征，然后将送入多到一融合模块MSFM，多到一融合模块MSFM包括多尺度全局子模块MSG和多维度局部子模块MDL，通过多尺度全局子模块MSG并行提取三个尺度的全局信息、、；通过多维度局部子模块MDL并行提取三个维度的局部信息、、，具体公式如下： 1 2 3 4 5 6 其中，GAP为全局平均池化操作，GMP为全局最大池化操作，； 步骤C，将MSG子模块提取的三个并行的分支特征进一步进行卷积-正则化ConvIN，然后上采样Upsample为同样的尺寸后相加，接着将相加后的结果进一步ReLU激活，卷积-正则-激活ConvINReLU处理，得到融合了三个尺度全局特征的多尺度特征； 步骤D，将MDL子模块提取的三个并行的分支特征进一步进行卷积-正则化ConvIN，然后上采样Upsample为同样的尺寸后相加，接着将相加后的结果进一步ReLU激活，卷积-正则-激活ConvINReLU处理，得到融合了三个维度局部特征的多维度特征； 步骤E，将步骤C得到的多尺度特征和步骤D得到的多维度特征拼接Concatenate后接着卷积-正则化ConvIN，得到融合的多尺度多维度特征， 步骤F，在步骤E得到的多尺度多维度特征中添加一个输入特征，得到最终特征； 步骤G，采用双流自适应模块DSAM动态处理特征，C代表特征的通道数，D代表了特征的深度，H代表了特征的高度，W代表了特征的宽度，即得初步分割好的腹部多器官图像； 步骤3，用步骤1预处理好的训练数据训练粗分割阶段网络SegNet，得到训练好的粗分割阶段网络SegNet； 步骤4，基于步骤3的结果对步骤2构建的细分割模型BridgeNet进行训练，得到训练好的BridgeNet； 步骤5，用步骤3训练好的粗分割模型SegNet和步骤4训练好的BridgeNet来分割步骤1预处理好的测试集数据，得到分割好的测试集数据；对分割好的测试集数据应用联通分量分析，得到精确的腹部多器官分割结果； 所述步骤G的具体过程为： 步骤G1，将多到一融合模块MSFM提取的特征拆分为两个部分和，然后分别馈入空间注意流和通道注意流获取MSFM提取的特征的注意力权重，两个注意流和由如下公式7和公式8计算，之后，将两条两个注意流和合并并采用通道随机散装ChannelShuffle操作来启用沿通道维度的跨组信息流： 7 8 其中，σ表示sigmoid激活函数，FC代表全连接层； 步骤G2，使用两个卷积层和softmax激活函数来生成k个卷积内核的归一化注意力权重，公式如下： 9 其中，是第二个卷积层的输出，τ是温度； 步骤G3，通过得到的权重进行k个卷积内核的线性组合，采用双流自适应模块DSAM对MSFM提取到的多尺度全局特征和多维度局部特征进行信息挖掘，挖掘的信息Y采用如下公式表示： 10 其中，表示了由第i个卷积核，；是加权的注意标量，表示卷积操作； 步骤G4，用SegNet的解码器作为BridgeNet的解码器Decoder，将步骤G3所得的挖掘信息送入Decoder不断上采样直到恢复输入原图尺寸，即得到初步分割好的腹部多器官图像。

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西安理工大学，其通讯地址为：710048 陕西省西安市碑林区金花南路5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。