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！

龙图腾网获悉西南医科大学附属医院申请的专利面向宫颈癌放疗靶区及危及器官的智能化勾画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：CN121331396B 。

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：202511841674.9，技术领域涉及：G16H30/40；该发明授权面向宫颈癌放疗靶区及危及器官的智能化勾画方法是由徐媛媛;文庆莲;王传庆;李丹;何勤婧;章桦;尹帮会;庞皓文;张振华;曾理设计研发完成，并于2025-12-09向国家知识产权局提交的专利申请。

本面向宫颈癌放疗靶区及危及器官的智能化勾画方法在说明书摘要公布了：本发明公开了面向宫颈癌放疗靶区及危及器官的智能化勾画方法，涉及医学图像技术领域，所述方法包括如下步骤：获取宫颈癌患者的CT和MRI图像数据集；将所述含金属伪影的CT和MRI图像输入至预训练的金属伪影去除模型，得到去除金属伪影的CT和MRI图像；将所述去除金属伪影的CT和MRI图像输入至包含跨模态注意力融合门控模块的双编码器U‑Net网络，得到最终融合特征；将所述最终融合特征通过U‑Net解码器进行处理，并构建小样本自适应混合损失函数优化网络参数，输出分割掩膜；对分割掩膜进行轮廓处理完成靶区及危及器官的勾画。本发明通过高精度和高效率的自动勾画，能让病人获得更高质量、更高效率的治疗，同时减轻医生的工作强度。

本发明授权面向宫颈癌放疗靶区及危及器官的智能化勾画方法在权利要求书中公布了：1.面向宫颈癌放疗靶区及危及器官的智能化勾画方法，其特征在于，包括如下步骤： 步骤S1、获取宫颈癌患者的CT和MRI图像数据集； 步骤S2、将含金属伪影的CT和MRI图像输入至预训练的金属伪影去除模型，得到去除金属伪影的CT和MRI图像； 步骤S3、将所述去除金属伪影的CT和MRI图像输入至包含跨模态注意力融合门控模块的双编码器U-Net网络，得到最终融合特征； 步骤S4、将所述最终融合特征通过U-Net解码器进行处理，并构建小样本自适应混合损失函数优化网络参数，输出分割掩膜； 步骤S5、对分割掩膜进行轮廓处理完成靶区及危及器官的勾画； 其中，所述步骤S2中，所述预训练的金属伪影去除模型基于CycleGAN架构，生成器采用包含8层编码器和8层解码器的带有残差连接的U-Net结构，判别器采用5层卷积的PatchGAN结构； 所述CycleGAN架构采用耦合的双CycleGAN架构，分别处理CT和MRI模态的金属伪影去除，其中，CT路径和MRI路径的生成器、判别器参数独立，通过双路径一致性联合损失函数进行联合优化； 所述预训练的金属伪影去除模型中，所述双路径一致性联合损失函数包括对抗损失项、循环一致性损失项和语义一致性损失项，所述双路径一致性联合损失函数的具体公式为： 其中，表示双路径一致性联合损失函数，表示对抗损失项，表示循环一致性损失项，表示语义一致性损失项，、和分别表示对应损失项的权重系数； 其中，对抗损失项的具体公式为： 其中，表示判别器对真实图像的判别结果，即判别器网络对从真实数据分布中采样的、无金属伪影的图像输出的概率值，表示判别器对生成图像的判别结果，即判别器网络对生成器产生的去伪影图像输出的概率值，表示期望值运算符； 其中，判别器网络输出30×30的矩阵，每个元素代表图像中一个局部区域为真的概率； 循环一致性损失项的具体公式为： 其中，表示从CT域到MRI域的生成器，即将含金属伪影的CT图像转换为无伪影的MRI图像，表示从MRI域到CT域的生成器，即将含金属伪影的MRI图像转换为无伪影的CT图像，表示含金属伪影的CT图像输入，表示含金属伪影的MRI图像输入，表示L1范数； 所述语义一致性损失项的计算公式为： 其中，表示批次中的样本数量，表示批次中的第i个样本，表示第i个样本去金属伪影后的CT图像，表示第i个样本去金属伪影后的MRI图像，表示预训练的CT图像特征提取网络，表示预训练的MRI图像特征提取网络，表示L2范数的平方，表示结构损失权重系数，表示结构相似性指数，表示对MRI图像进行可学习的灰度变换，表示学习的线性变换矩阵，用于将MRI图像的灰度空间粗略对齐到CT图像的灰度空间； 所述跨模态注意力融合门控模块通过计算交叉注意力图和动态融合权重实现CT和MRI特征的自适应融合，具体包括以下步骤： 分别计算从CT特征到MRI特征的交叉注意力图和从MRI特征到CT特征的交叉注意力图； 利用交叉注意力图对原始特征进行调制，得到调制后的特征，具体公式为： 其中，表示调制后的CT特征，表示调制后的MRI特征，和表示来自同一层级的CT和MRI特征，表示CT特征到MRI特征的交叉注意力图，表示从MRI特征到CT特征的交叉注意力图，表示逐元素相乘，即Hadamard积； 将调制后的CT和MRI特征进行拼接，并通过可学习的权重网络生成动态融合权重，计算公式为： 其中，表示动态生成的CT特征重要性权重，表示Sigmoid激活函数，和表示可学习的权重矩阵和偏置向量，表示调制后的CT特征，表示调制后的MRI特征，表示通道维度上的拼接操作； 使用所述动态融合权重对CT和MRI特征进行加权求和，得到最终融合特征，计算公式为： 其中，表示最终融合特征，和表示来自同一层级的CT和MRI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西南医科大学附属医院，其通讯地址为：646099 四川省泸州市江阳区太平街25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。