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！

龙图腾网获悉沈阳工业大学申请的专利一种基于COD频域引导的医学图像模糊边界分割系统及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：CN120125599B 。

龙图腾网通过国家知识产权局官网在2025-09-19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：202510203032.X，技术领域涉及：G06T7/11；该发明授权一种基于COD频域引导的医学图像模糊边界分割系统及方法是由张胜男;崔新明;陈思羽设计研发完成，并于2025-02-24向国家知识产权局提交的专利申请。

本一种基于COD频域引导的医学图像模糊边界分割系统及方法在说明书摘要公布了：本发明公开了一种基于COD频域引导的医学图像模糊边界分割系统及方法。针对医学图像在复杂背景下边界模糊的分割难题，本发明创新性地将频域特征处理与改进的伪装目标检测COD算法相结合，设计了一种渐进式边界优化的分割框架FEA‑Net。该框架设计了四个关键模块：语义边缘增强模块SEEM通过空间‑通道自注意力实现边界初步定位；在SEEM基础上，频域特征引导增强模块FTEM利用傅里叶变换和自适应频率选择进一步提升边界预测精度；自适应边缘特征模块AEFM突出关键边界特征；上下文注意力聚合模块CAAM实现特征融合。实验表明，本发明在Kvasir‑SEG、ISIC2018、KPIs2024数据集上的评估指标均获得显著提升，特别是在处理边界模糊区域时展现出明显优势，为医学图像精确分割提供了可靠支持。

本发明授权一种基于COD频域引导的医学图像模糊边界分割系统及方法在权利要求书中公布了：1.一种基于COD频域引导的医学图像模糊边界分割方法，其特征在于，包括： 步骤1：数据预处理：对输入的医学图像I进行标准化处理，获取标准图像； 步骤2：模型初始化：建立FEA-Net图像数据处理模型，预训练的PVTv2，使用预训练的PVTv2权重初始化FEA-Net模型； 步骤3：图像处理：将图像输入至FEA-Net模型中，对输入的标准图像进行语义边缘增强处理，对标准图像的边界特征继续进行初步定位与提取，输出处理后的图像数据，而后对处理后的图像数据进行频域特征引导增强，强化边界特征表示，提升边界预测的精确度，然后对增强后的图像进行自适应边缘特征处理，对增强后的图像输出的特征进行自适应优化，突出关键边界信息，实现边界特征的细粒度表达，最后将经过以上处理的图像数据特征进行上下文注意力聚合，将获取的多尺度特征进行注意力引导下的自适应融合，最终输出精确的分割结果； 步骤4：损失函数计算：分别计算分割任务的交叉熵损失LCE、衡量形态学相似性的Dice损失LDice以及用于增强边界学习的边界损失LEdge，然后通过加权系数α、β、γ将这三项损失组合为综合损失函数L＝α·LCE+β·LDice+γ·LEdge，以实现对分割结果的分割精度和边界准确性的优化； 步骤5：迭代训练：对FEA-Net模型进行迭代训练，在每个训练迭代中，执行前向传播计算多任务损失，随后通过反向传播更新模型参数，并通过验证集性能评估选择最优模型参数，再将测试图像输入训练好的模型，生成分割预测图，该预测图清晰地展示了目标区域的边界轮廓；最后输出医学图像的最终分割结果； 步骤6：验证评估：定期在验证集上进行模型性能评估，计算meanPixelAccuracy、meanIntersectionoverUnion、meanDicecoefficient和F1-score的相关指标，以衡量模型的分割性能；每轮评估后，将根据验证结果保存性能最佳的模型参数； 所述步骤3中，对处理后的图像数据进行频域特征引导增强，强化边界特征表示，提升边界预测的精确度，具体包括： 频域特征引导增强中采用自适应频域增强的Token融合机制，其关键步骤包括如下数学表达： 首先，通过二维快速傅里叶变换将特征转换至频域空间： Xreshape＝ReshapeXf,[B,Nb,Sb,H,W] 其中，表示正交归一化的二维傅里叶变换，B为批次大小，Nb＝8为分块数量，Sb为块大小，H和W分别为特征图的高度和宽度；Reshape表示张量重塑操作； 通过频域块对角矩阵变换实现特征增强： X′real＝σW1·Xreal-W2·Ximag+b1 X′imag＝σW1·Ximag+W2·Xreal+b2 其中，Xreal、Ximag分别表示频域特征的实部和虚部，W1和W2为可学习的复数域块对角权重矩阵，b1和b2为偏置项，σ表示激活函数； 接着，采用软阈值函数进行频域特征的去噪和选择： Xλ＝SλX＝signXmax|X|-λ,0 其中，Sλ表示软阈值函数，signX表示符号函数，λ＝0.01为稀疏性阈值参数，用于控制频域特征的稀疏程度； 最后，通过Hadamard积和逆傅里叶变换恢复空间域特征： 其中，表示逆傅里叶变换，⊙表示Hadamard积，b为最终的偏置项，Xλ表示经过软阈值处理后的特征，Xf表示原始的频域特征，实现频域特征的自适应增强和空间域特征的重建。

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沈阳工业大学，其通讯地址为：110870 辽宁省沈阳市铁西区经济技术开发区沈辽西路111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”。