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！

龙图腾网获悉南昌大学第一附属医院申请的专利一种基于领域自适应的腋路神经超声图像语义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：CN119229128B 。

龙图腾网通过国家知识产权局官网在2025-09-30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：202411714123.1，技术领域涉及：G06V10/26；该发明授权一种基于领域自适应的腋路神经超声图像语义分割方法是由孙文杰;陈世彪;尹世平;黄坚设计研发完成，并于2024-11-27向国家知识产权局提交的专利申请。

本一种基于领域自适应的腋路神经超声图像语义分割方法在说明书摘要公布了：本发明公开了一种基于领域自适应的腋路神经超声图像语义分割方法，包括以下：S1：采集腋路神经超声图像，对部分腋路神经超声图像进行标注，接着对所有图像进行预处理，并以此构建数据集；S2：构建语义分割模型并初步监督微调，基于已有的标注数据，获得初步优化的语义分割模型；S3：对S2中获得初步优化的语义分割模型进行聚类原型的自训练；S4：构建领域分类器，进行类别区分；S5：根据编码器的输出引入扰动特征张量，构建一致性损失函数。本发明通过充分挖掘无标注超声图像数据的隐藏信息，减少了对大规模标注数据的依赖。通过自适应聚类生成的伪标签，模型能够自动学习分割特征，显著降低了人工标注的成本，提高了训练效率。

本发明授权一种基于领域自适应的腋路神经超声图像语义分割方法在权利要求书中公布了：1.一种基于领域自适应的腋路神经超声图像语义分割方法，其特征在于，包括以下步骤： 步骤S1：采集腋路神经超声图像，对其中部分腋路神经超声图像进行标注，对所有腋路神经超声图像进行预处理，并以此构建数据集； 步骤S2：构建语义分割模型并初步监督微调，基于步骤S1中的标注数据，获得初步优化的语义分割模型； 其中，语义分割模型包括串联的编码器、解码器和语义分割头，导入步骤S1中的腋路神经超声图像至语义分割模型中进行处理获取语义分割结果； 步骤S3：对步骤S2中获得初步优化的语义分割模型进行聚类原型的自训练；具体为： 通过编码器对步骤S1数据集中的未标注的腋路神经超声图像和已标注的腋路神经超声图像分别进行特征提取，分别对应获取无标注提取特征和有标注提取特征，并通过聚类算法在高维特征空间中对有标注提取特征进行聚类，生成多个聚类原型，将聚类原型作为未标注的腋路神经超声图像的伪标签，根据伪标签和无标注提取特征对获得初步优化的语义分割模型进行自训练； 步骤S4：构建领域分类器，领域分类器对步骤S3中的未标注的腋路神经超声图像和已标注的腋路神经超声图像进行类别区分；具体为：将未标注的腋路神经超声图像作为目标领域，将已标注的腋路神经超声图像作为源领域； 基于此构建对抗训练函数，最小化对抗训练函数以最大化源领域与目标领域特征分布的一致性； 步骤S5：根据编码器的输出引入扰动特征张量，将编码器的输出和扰动特征张量一同导入解码器中，构建一致性损失函数，通过最小化一致性损失函数以提高语义分割模型的抗噪能力； 步骤S1具体为： 步骤S11：获取不同患者在不同设备条件下的腋路神经超声图像； 步骤S12：对步骤S11中的部分腋路神经超声图像中的腋路神经进行标注，获取标注后的腋路神经超声图像； 步骤S13：通过高斯滤波以及直方图均衡化对获取到的所有腋路神经超声图像进行数据预处理，再进行灰度标准化和RGB标准化，接着将所有腋路神经超声图像的分辨率调整到统一尺寸； 步骤S2具体为：步骤S21：将腋路神经超声图像输入编码器后获取编码器特征图，在此过程中，编码器结构的每一层获取对应的特征图，表示为： ； ； 其中，表示卷积操作，表示下采样操作，表示编码器的结构的总层数，表示第一层编码器特征图，表示第层编码器特征图； 步骤S22：获取编码器的中间层的第层编码器特征图后，通过多头自注意力机制对第层编码器特征图进行处理，获取多头注意力特征图，表示为： ； ； ； ； ； 其中，均为可学习的权重矩阵，表示第层编码器特征图对应的查询向量，表示第层编码器特征图对应的键向量，表示第层编码器特征图对应的值向量； 表示多头自注意力机制；具体为： ；  ； ；其中，为缩放因子，表示注意力头的数量，表示预设的权重矩阵，表示自注意力函数，表示归一化函数，表示第个注意力头，表示第个注意力头，表示拼接函数，表示第层编码器特征图对应的查询向量，表示第层编码器特征图对应的键向量，表示第层编码器特征图对应的值向量； 步骤S23：通过基于多头交叉卷积注意力机制的解码器对多头注意力特征图进行处理，获取第层解码器特征图，表示为： ； ； ； ； ； 其中，表示上采样操作，表示多头交叉卷积注意力机制； 步骤S24：通过语义分割头对第层解码器特征图进行预测，获取语义分割结果； 步骤S25：构建损失函数，基于步骤S12的标注最小化损失函数以优化模型； 步骤S3具体为： 步骤S31：对数据集中的已标注的腋路神经超声图像以及未标注的腋路神经超声图像进行随机变化操作以进行预处理，随机变化操作包括旋转、反转、裁剪和灰度变换； 将预处理后的已标注的腋路神经超声图像以及未标注的腋路神经超声图像输入到编码器中进行特征提取操作，获取有标注提取特征和无标注提取特征； 步骤S32：利用密度聚类算法对有标注提取特征和无标注提取特征进行无监督聚类；具体为： 对于每个数据点，计算该数据点的邻域，表示为： ； 其中，表示的邻域，表示欧式距离，表示数据点的相邻数据点； 将数据点作为核心点，将其邻域内的点归为同一簇，并继续对邻域进行扩展：对相邻数据点，如果也可作为核心点，继续扩展邻域；表示为： ； ；其中，为聚类核心点的最小点数约束，表示邻域； 重复扩展过程，直到不能满足约束条件；在此过程中，标记不是核心点且也不属于任何核心点的邻域内的点为噪声点，对于噪声点不做处理； 步骤S33：完成聚类操作之后，获取聚类原型，表示为： ； 其中，是被分配到第个聚类的特征集合；是第个聚类中包含的特征数量；是分配到第个聚类中的特征； 步骤S34：将聚类原型作为伪标签，根据伪标签构建自监督损失函数，最小化自监督损失函数以进一步优化语义分割模型； 其中，自监督损失函数包括对比损失函数和均方误差一致性损失函数，对比损失函数表示为： ； 其中，表示样本和样本对应的伪标签，表示样本和样本对应的无标注提取特征，为指示函数，表示欧几里得距离； 其中，均方误差一致性损失函数表示为： ； 其中，表示样本的总数量； 步骤S4中的领域分类器由2层全连接层构成； 步骤S4具体为： 步骤S41：领域分类器对有标注提取特征和无标注提取特征进行区分的过程，表示为： ； 其中，表示领域分类器，表示领域分类器对有标注提取特征的预测输出，表示领域分类器对无标注提取特征的预测输出；步骤S42：构建对抗损失函数并通过最小化损失函数来最大化领域分类器的预测准确性，同时最小化编码器的损失，使得源领域和目标领域的特征不可区分；对抗损失函数包括领域分类器损失和编码器损失； 领域分类器损失表示为： ； 编码器损失表示为： ； 其中，表示源领域样本的数量，表示目标领域样本的数量，表示目标领域样本属于源领域的概率，表示源领域样本属于目标领域的概率，表示目标领域样本被错误分类为源领域的概率，表示源领域样本被错误分类为目标领域的概率。

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南昌大学第一附属医院，其通讯地址为：330000 江西省南昌市东湖区永外正街17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。