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！

龙图腾网获悉天津大学申请的专利关注边缘和拓扑特征的DSA冠脉血管分割深度学习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：CN116993763B 。

龙图腾网通过国家知识产权局官网在2026-03-20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：202310891376.5，技术领域涉及：G06T7/12；该发明授权关注边缘和拓扑特征的DSA冠脉血管分割深度学习方法是由余辉;高慧;汪光普;王硕;孙敬来;秦泽伟设计研发完成，并于2023-07-20向国家知识产权局提交的专利申请。

本关注边缘和拓扑特征的DSA冠脉血管分割深度学习方法在说明书摘要公布了：本发明涉及一种关注边缘和拓扑特征的DSA冠脉血管分割深度学习方法，包括下列步骤：获取DSA冠脉造影图像数据集和对应的冠脉血管标签数据集；将数据输入深度学习网络，所述深度学习网络为端到端的U型深度学习网络，包含改进的双向Transformer模块和多尺度语义融合模块，编码器和解码器之间通过跳跃连接和多尺度语义融合模块进行连接；使用包含Dice损失、Focal损失、边缘损失和拓扑损失的复合损失函数分三阶段训练冠脉血管分割模型，所述训练完成的分割模型能对DSA冠脉造影图片中的冠脉血管进行完整分割；使用复合评估指标，综合评估分割模型的整体分割精度、边缘分割精度和保留拓扑一致性的能力。

本发明授权关注边缘和拓扑特征的DSA冠脉血管分割深度学习方法在权利要求书中公布了：1.一种关注边缘和拓扑特征的DSA冠脉血管分割深度学习方法，包括下列步骤： 步骤一：获取DSA冠脉造影图像数据集和对应的冠脉血管标签数据集，用于输入深度学习网络，所述DSA冠脉造影图像数据集包含多个体位的冠脉造影图像； 步骤二：将数据输入深度学习网络，所述深度学习网络为端到端的U型深度学习网络，包含改进的双向Transformer模块和多尺度语义融合模块，使用包含改进的双向Transformer模块的深度学习网络进行特征编码和特征解码，生成各级特征表示和各级简洁语义图，特征编码部分称为编码器，特征解码部分称为解码器，编码器和解码器之间通过跳跃连接和多尺度语义融合模块进行连接； 步骤三：使用包含Dice损失、Focal损失、边缘损失和拓扑损失的复合损失函数分三阶段训练冠脉血管分割模型，分三阶段训练分割模型，使模型在避免过拟合的同时达到最佳的收敛状态，训练完成的分割模型能对DSA冠脉造影图片中的冠脉血管进行完整分割，其中，所构建分段复合损失函数如下： 其中，Ld为Dice损失，Lf为Focal损失，Lb为边缘损失，Lt为拓扑损失，α为拓扑损失的权重，x1和x2分别为设定的分界点； 步骤四：使用复合评估指标，综合评估分割模型的整体分割精度、边缘分割精度和保留拓扑一致性的能力； 所述编码器分为四层对输入数据进行特征编码： ①第一层包含两个3×3卷积层和四次下采样操作，对输入图像局部语义关系进行建模，使输入图像的分辨率降低4×，得到第一级特征表示，同时通过主要由3×3卷积构成的语义图生成模块将第一级特征表示映射成一个简洁语义图，用于在计算交差注意力时降低计算复杂度； ②第二层由一个改进的双向Transformer模块组成，输入是第一级特征表示和第一级简洁语义图，输出第二级特征表示和第二级简洁语义图； ③第三层和第四层都由一个完成下采样操作的批融合块和两个改进的双向Transformer模块组成，分别生成第三、四级特征表示和第三、四级简洁语义图； U型深度学习网络的编码器和解码器之间通过跳跃连接和多尺度语义融合模块进行特征连接，减少特征信息的丢失，包括： ①跳跃连接：编码器的各级特征表示通过跳跃连接与对应的解码器各级特征解码后的结果相连接，连接的方式为将对应像素点的像素值相加； ②多尺度语义融合模块：将编码器的第二、三、四级简洁语义图一维化并连接成一个序列，然后将一维序列馈送到一个由多头自注意机制MHSA和前馈网络FFN组成的标准Transformer模块中进行多尺度语义融合，之后重新塑造成三个语义图，分别馈送到解码器的对应层； 编码器和解码器各层中的双向Transformer模块用于计算交叉注意力，促进特征表示和简洁语义图的特征融合，滤除背景噪声，包括： ①将编码器和解码器每一层输出的特征表示通过批融合块完成下采样后和简洁语义图一起使用1×1卷积操作映射到不同的空间，并通过flatten操作转化成一维序列，即： QKV＝flattenConvX,k Q'K'V'＝flattenConvM,k 其中，X表示各级特征表示，M表示各级二维简洁语义图，Conv表示卷积，k表示卷积核的大小，QQ'、KK'、VV'分别表示查询、键和值空间； ②计算交叉注意力：使用点积计算查询和键之间的相似度得分并归一化得到注意力权重，然后将注意力权重与值相乘并求和得到加权的值X'和M'，作为双向Transformer模块的输出： 其中，Q'KT＝QK'TT。

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天津大学，其通讯地址为：300072 天津市南开区卫津路92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。