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！

龙图腾网获悉河北工业大学申请的专利基于增强自注意力特征的半监督医学图像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：CN120219422B 。

龙图腾网通过国家知识产权局官网在2025-09-23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：202510695896.8，技术领域涉及：G06T7/11；该发明授权基于增强自注意力特征的半监督医学图像分割方法是由许铮铧;王贺宁;刘卫朋;孙昊;邢凌霄;李单青设计研发完成，并于2025-05-28向国家知识产权局提交的专利申请。

本基于增强自注意力特征的半监督医学图像分割方法在说明书摘要公布了：本发明为基于增强自注意力特征的半监督医学图像分割方法，该方法包括以下内容：构建基于增强自注意力特征的半监督医学图像分割网络，利用卷积网络提取的局部特征来增强Transformer网络提取的医学图像全局特征表达能力，提升Transformer网络生成的伪标注质量；通过交叉熵损失函数和骰子损失函数计算监督损失和无监督损失值，利用两种损失的权重加和训练并优化半监督分割模型。该方法经过实验测试证明了在仅利用部分标注数据的条件下，就能达到较好的分割效果，便于辅助医生进行病情诊断。

本发明授权基于增强自注意力特征的半监督医学图像分割方法在权利要求书中公布了：1.一种基于增强自注意力特征的半监督医学图像分割方法，其特征在于，所述方法包括以下内容： 获取病例数据库，每个病例对应着病灶医学图像和真实标注图像；标注图像为四分类，分别是全肿瘤WT区域、肿瘤增强ET区域、肿瘤核心TC区域和图像背景； 构建基于增强自注意力特征的半监督医学图像分割网络： 所述基于增强自注意力特征的半监督医学图像分割网络包括Transformer网络和卷积网络；卷积网络的编码器用于提取图像的多尺度局部特征； 所述Transformer网络包括图像分块嵌入编码模块、位置编码器、若干堆叠的Transformer编码器、以及与每个Transformer编码器跳跃连接的Transformer解码器；所述Transformer编码器包括依次连接的多头自注意力、层归一化、自注意力特征增强模块、前馈神经网络、层归一化和图像块合并模块，其中自注意力特征增强模块的输入为卷积网络输出的中间尺度的局部特征和多头自注意力经层归一化处理后与多头自注意力的输入残差连接的结果；自注意力特征增强模块的输出经前馈神经网络、层归一化处理后再与自注意力特征增强模块的输出残差连接，之后经图像块合并模块处理获得当前Transformer编码器的输出；Transformer编码器的数量与卷积网络所提取的多尺度局部特征的中间尺度的个数一致； 所述自注意力特征增强模块包括全局平均池化操作、平均池化操作、最大池化操作、1×1卷积操作、ReLU激活函数和Sigmoid函数；将卷积网络输出的一个中间尺度的局部特征和Transformer编码器的多头自注意力经层归一化处理后与多头自注意力的输入残差连接的结果，进行拼接得到特征Zl，对特征Zl分别进行最大值池化操作、平均值池化操作和全局平均池化操作，全局平均池化操作处理后的结果经1×1卷积操作、ReLU激活函数、1×1卷积操作处理得到第一支路结果； 最大值池化操作和平均值池化操作处理后的结果进行拼接后经1×1卷积操作、ReLU激活函数、1×1卷积操作处理得到第二支路结果； 第一支路结果与第二支路结果通过广播机制后进行逐元素相加，再通过Sigmoid函数将输出值映射到0,1区间，生成注意力权重图； 将生成的注意力权重图与特征Zl进行逐元素相乘操作，得到自注意力特征增强模块的输出Zl+1； 自注意力特征增强模块强化病变区域的表征显著性，在保持计算效率的同时，显著提升对微小病灶与复杂解剖结构的识别精度； 训练基于增强自注意力特征的半监督医学图像分割网络： 将病例数据库中的病例样本按设定比率划分为标注数据和无标注数据，标注数据循环利用并与无标注数据打包被送入基于增强自注意力特征的半监督医学图像分割网络中，标注数据和无标注数据同时输入Transformer网络和卷积网络中； 在训练过程中，针对标注数据计算预测标注与真实标注间的交叉熵损失和骰子损失的均值，针对无标注数据在卷积网络和Transformer网络的预测标注之间计算骰子损失，利用深度学习梯度反向传播更新参数，不断训练并优化获得训练好的卷积网络； 以训练好的卷积网络，进行医学图像分割。

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河北工业大学，其通讯地址为：300401 天津市北辰区西平道5340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”。