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！

龙图腾网获悉华东师范大学申请的专利一种正则化残差学习的甲状腺超声影像结节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：CN115375709B 。

龙图腾网通过国家知识产权局官网在2025-09-12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：202211043256.1，技术领域涉及：G06T7/11；该发明授权一种正则化残差学习的甲状腺超声影像结节分割方法是由全红艳;湛长青;张宇;汪巧;周新恒设计研发完成，并于2022-08-29向国家知识产权局提交的专利申请。

本一种正则化残差学习的甲状腺超声影像结节分割方法在说明书摘要公布了：本发明公开了一种正则化残差学习的甲状腺超声影像结节分割方法，本发明的特点是，基于编码解码的网络结构，采用正则化残差学习，利用半监督学习策略实现甲状腺超声影像结节的分割。本发明能够有效地产生甲状腺超声影像结节的分割结果，由于采用半监督学习策略，该方法能够在少量标签学习的情况下实现甲状腺超声影像结节分割，为医学临床甲状腺疾病的诊断提供有效解决的方案。

本发明授权一种正则化残差学习的甲状腺超声影像结节分割方法在权利要求书中公布了：1.一种正则化残差学习的甲状腺超声影像结节分割方法，其特征在于，该方法输入一个甲状腺超声影像序列，其影像分辨率为M×N，100≤M≤1000，100≤N≤1000，甲状腺超声影像结节分割包括以下步骤： 步骤1：构建数据集 采样甲状腺超声影像a个序列，构建采样数据集，其中每个序列中的帧数为b，并且10≤a≤50，40≤b≤80，从每个序列的b帧影像中均随机选取c帧影像进行标注，给出甲状腺结节的标签，利用选取的c帧影像及标签构建标注数据集C，其中20≤c≤30，再利用采样数据集中剩余影像构建无标签数据集D，从标注数据集C中随机选取n个序列影像，3≤n≤10，从所述n个序列影像的每个序列中随机选取75％的影像，利用所述选取的75％影像及对应标签构建总训练集，利用标注数据集C除去总训练集数据后剩余的影像及标签构建测试数据集G，进一步从总训练集中随机选取m个序列数据及对应的标签,用于构建训练集E,其中2≤mn，再利用所述总训练集中的剩余影像及对应标签构建训练集F，进一步从测试数据集G中随机选取10％的影像及对应标签数据分别补充到训练集E及训练集F； 步骤2：构建神经网络 神经网络输入的影像分辨率为p×q，p为宽度，q为高度，以像素为单位，100≤p≤1000，100≤q≤1000； 1基本分割网络A 张量G作为输入，尺度为α×o×p×1，张量g作为输出,尺度为α×o×p×1，α为批次数量； 基本分割网络A由编码器和解码器组成，对于张量G，依次经过编码和解码处理后，获得输出张量g； 编码器由28个单元组成，第1个单元为卷积单元，包含16个卷积核，卷积核的形状均为3×3，卷积的水平方向及垂直方向的步长均为2；第2至第13个单元的结构相同，包括激活处理，1次卷积运算，包含12个卷积核，卷积核的形状均为3×3，卷积的水平方向及垂直方向的步长均为1；第14个单元为卷积运算，包括激活处理，1次卷积运算，包含160个卷积核，卷积核的形状均为1×1，一次空间池化处理，池化的尺度为2×2；第15至第26个单元的结构相同，包括激活处理，1次卷积运算，包含12个卷积核，卷积核的形状均为3×3；第27个单元为批归一化处理；第28个单元为卷积单元，包含304个卷积核，卷积核的形状均为1×1，卷积的水平方向及垂直方向的步长均为1； 解码器由3个单元组成，第1个单元为反卷积单元，包含128个卷积核，卷积核的形状均为4×4，卷积的水平方向及垂直方向的步长均为2；第2个单元为反卷积单元，包含64个卷积核，卷积核的形状均为4×4，卷积的水平方向及垂直方向的步长均为2；第3个单元为卷积单元，包含2个卷积核，卷积核的形状均为1×1，卷积的水平方向及垂直方向的步长均为1； 2残差学习网络B 张量G及张量g作为输入，尺度均为α×o×p×1，张量h作为输出,尺度为α×o×p×1，α为批次数量； 残差学习网络B由3层残差编码单元和3层残差解码单元组成； 对于张量G，经过1次卷积运算，具体地，包含3个卷积核，卷积核的形状均为1×1，卷积的水平方向及垂直方向的步长均为1，将得到的结果与张量g按照灰度通道进行串接后，得到张量I1；将张量I1依次进行以下3层残差编码单元处理和3层残差解码单元处理： 第1层残差编码单元处理为1次卷积运算，包含64个卷积核，卷积核的形状均为3×3，卷积的水平方向及垂直方向的步长均为1，激活处理后再进行1次卷积运算，包含64个卷积核，卷积核的形状均为3×3，卷积的水平方向及垂直方向的步长均为1，得到张量I2；再将张量I1进行1次卷积运算，包含64个卷积核，卷积核的形状均为3×3，卷积的水平方向及垂直方向的步长均为1，批归一化处理，激活处理后得到张量I3；将张量I2和张量I3相加后，得到张量I4；将张量I4输入到如下第2层残差编码单元处理； 第2层残差编码单元处理时，将张量I4批归一化处理、激活处理，之后，进行1次卷积运算，包含128个卷积核，卷积核的形状均为3×3，卷积的水平方向及垂直方向的步长均为2，然后再归一化处理、激活处理，之后，进行1次卷积运算，包含128个卷积核，卷积核的形状均为3×3，卷积的水平方向及垂直方向的步长均为1，得到张量I5；再将张量I4进行1次卷积运算，包含128个卷积核，卷积核的形状均为3×3，卷积的水平方向及垂直方向的步长均为2，再进行批归一化处理，激活处理之后得到张量I6；将张量I5和张量I6相加后，得到张量I7，将张量I7输入到如下第3层残差编码单元处理； 第3层残差编码单元处理时，将I7批归一化处理、激活处理，之后，进行1次卷积运算，包含256个卷积核组成，卷积核的形状均为3×3，卷积的水平方向及垂直方向的步长均为2，然后再归一化处理、激活处理，再进行1次卷积运算，包含256个卷积核，卷积核的形状均为3×3，卷积的水平方向及垂直方向的步长均为1，得到张量I8；再将张量I7进行1次卷积运算，包含256个卷积核，卷积核的形状均为3×3，卷积的水平方向及垂直方向的步长均为2，然后再归一化处理、激活处理，得到张量I9，进一步将张量I8和张量I9相加，得到张量I10； 将张量I10进行批归一化处理，激活处理之后进行1次卷积运算，包含512个卷积核，卷积核的形状均为3×3，卷积的水平方向及垂直方向的步长均为1，然后再归一化处理、激活处理，再进行1次卷积运算，包含512个卷积核，卷积核的形状均为3×3，卷积的水平方向及垂直方向的步长均为1，得到张量I11，再将张量I11按照如下进行第1层残差解码单元处理： 在第1层残差解码单元处理时，将张量I10和张量I11按照第3通道进行串接，得到张量I12，将张量I12进行批归一化处理、激活处理之后进行1次卷积运算，包含256个卷积核，卷积核的形状均为3×3，卷积的水平方向及垂直方向的步长均为1，然后再归一化处理、激活处理，再进行1次卷积运算，包含512个卷积核，卷积核的形状均为3×3，卷积的水平方向及垂直方向的步长均为1，得到张量I13；再将张量I12进行1次卷积运算，包含256个卷积核，卷积核的形状均为3×3，卷积的水平方向及垂直方向的步长均为1，再归一化处理、激活处理，得到张量I14，将张量I13和张量I14相加，得到张量I15，再将张量I15按照如下进行第2层残差解码单元处理： 在第2层残差解码单元处理时，对I15进行上采样得到的结果与张量I7进行串接得到张量I16，将得到的结果进行批归一化处理、激活处理之后进行卷积运算，包含128个卷积核，卷积核的形状均为3×3，卷积的水平方向及垂直方向的步长均为1，将得到的结果进行批归一化处理、激活处理之后进行卷积运算，包含128个卷积核，卷积核的形状均为3×3，卷积的水平方向及垂直方向的步长均为1，得到张量I17；再将张量I16进行卷积运算，包含128个卷积核，卷积核的形状均为3×3，卷积的水平方向及垂直方向的步长均为1，将得到的结果进行批归一化处理、激活处理之后进行卷积运算，得到张量I18，将张量I17与张量I18相加，得到张量I19；再将张量I19按照如下进行第3层残差解码单元处理： 在第3层残差解码单元处理时，对I19进行上采样得到的结果与张量I4进行串接得到张量I20，将得到的结果进行批归一化处理、激活处理之后进行卷积运算，包含64个卷积核，卷积核的形状均为3×3，卷积的水平方向及垂直方向的步长均为1，将得到的结果进行批归一化处理、激活处理之后进行卷积运算，包含64个卷积核，卷积核的形状均为3×3，卷积的水平方向及垂直方向的步长均为1，得到张量I21；再将张量I20进行卷积运算，包含64个卷积核，卷积核的形状均为3×3，卷积的水平方向及垂直方向的步长均为1，将得到的结果进行卷积运算，包含64个卷积核，卷积核的形状均为3×3，卷积的水平方向及垂直方向的步长均为1，将得到的结果进行批归一化处理、激活处理之后，得到张量I22；将张量I21与张量I22相加，将得到的张量进行卷积运算，包含2个卷积核，卷积核的形状均为3×3，卷积的水平方向及垂直方向的步长均为1，得到张量h； 步骤3：神经网络的训练 在神经网路训练过程中，每批次的交叉熵损失是利用网络输出的分割结果与网络输入数据的标签计算，具体为： 其中，i表示第i个像素，Si表示第i个像素标签，ti表示网络输出张量中第i个像素属于甲状腺结节区域的概率，W表述像素的个数； 1对基本分割网络A训练20000次 从训练集E中获取训练数据，统一缩放到分辨率p×o，输入到网络A训练，迭代优化，通过不断修改网络A的模型参数，使得每批次的损失达到最小，根据网络A的输出及网络A输入数据的标签，利用公式1计算每批次的交叉熵损失； 2对残差学习网络B训练20000次 利用步骤1中得到的网络A的参数将网络初始化，从训练集F中获取训练数据，输入到网络A，得到张量g，再将张量G和张量g输入到网络B，迭代优化，通过不断修改网络B的模型参数，使得每批次的损失达到最小，根据网络B的输出及网络A输入数据的标签，根据公式1计算每批次的交叉熵损失； 3对基本分割网络A和网络B联合训练20000次 利用步骤1和步骤2中训练得到的网络A和网络B的参数将网络初始化，取一个批次数据，其中所述一个批次数据的前一半批次有监督数据从训练集F获取，所述一个批次数据的后一半批次无监督数据从无标签数据集D获取，再将所述前一半批次有监督数据和所述后一半批次无监督数据按照灰度通道进行串接，将所得的张量输入到网络A，然后将网络A输出的张量g按照灰度通道分成网络A的有监督数据输出结果和网络A的无监督数据输出结果，再将张量G和张量g输入到网络B，然后将网络B输出的张量h按照灰度通道分成网络B的有监督数据输出结果和网络B的无监督数据输出结果； 训练过程迭代优化，通过不断修改和网络A网络B的模型参数，使得每批次的正则化残差损失Z达到最小，正则化残差损失Z利用公式2计算： Z＝L+U+V2 其中，L是根据网络A的有监督数据输出结果及所述有监督数据的标签，利用公式1计算得到的交叉熵损失，U是根据网络B的有监督数据输出结果及所述有监督数据的标签，利用公式1计算得到的交叉熵损失，V是根据网络A的无监督数据输出结果和网络B的无监督数据输出结果，利用结构相似性计算得到的正则化残差一致性损失； 步骤4：对甲状腺超声影像结节分割 从甲状腺超声影像采集数据中取出1个批次为α的影像数据，并将影像的分辨率缩放为为p×q，p为宽度，q为高度，以像素为单位，100≤p≤1000，100≤q≤1000，构建张量G作为网络A的输入，利用训练步骤3中得到的模型参数初始化模型A，利用模型A进行预测，得到张量g即为甲状腺超声影像结节区域分割结果。

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华东师范大学，其通讯地址为：200241 上海市闵行区东川路500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”。