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！

龙图腾网获悉电子科技大学申请的专利一种基于双分支特征融合的级联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：CN119850637B 。

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：202411912146.3，技术领域涉及：G06T7/10；该发明授权一种基于双分支特征融合的级联医学图像分割方法是由周柳江;罗佳英;田野;范崇锋;刘骏驰设计研发完成，并于2024-12-24向国家知识产权局提交的专利申请。

本一种基于双分支特征融合的级联医学图像分割方法在说明书摘要公布了：本发明属于医学图像分割技术领域，具体为一种基于双分支特征融合的级联医学图像分割方法，用以在减少网络参数的情况下提高医学图像的特征利用率，从而提高医学图像的分割质量。本发明构建双分支特征融合的级联医学图像分割网络，主要包括双分支特征编码器、特征交互融合模块EA‑CBAIM及解码器，双分支特征编码器中CNN分支与VSSD分支分别获取多分辨率特征，并由EA‑CBAIM特征交互融合模块实现重要特征增强，最后通过解码器捕捉和组合多个尺度的特征信息，逐步精细化结果，提高分割质量。综上，本发明能够有效提取医学图像中的病理特征，实现对病灶的自动分割，提升医学图像分割模型的泛化能力。

本发明授权一种基于双分支特征融合的级联医学图像分割方法在权利要求书中公布了：1.一种基于双分支特征融合的级联医学图像分割方法，其特征在于，包括以下步骤： 获取公开医学图像数据集，并对医学图像数据集中原始图像与标签图像进行数据预处理，构成训练集； 建立基于双分支特征融合的级联医学图像分割网络，包括：双分支编码器、特征交互融合模块与解码器；其中，双分支编码器包括：CNN分支与VSSD分支；CNN分支与VSSD分支分别提取多分辨率特征，并由特征交互融合模块进行特征增强，得到融合特征；融合特征通过解码器进行级联解码，得到分割结果； 所述特征交互融合模块包括：4个特征交互融合单元，特征交互融合单元包括：边缘注意力模块、卷积注意力模块和特征交互模块； 将CNN分支与VSSD分支获取的特征图输入至特征交互融合模块，对于第i、i＝1,2,3,4个特征交互融合单元： 将CNN分支的特征图输入边缘注意力模块，得到特征图其中，Conv表示卷积，BN表示批标准化，ReLU表示ReLU激活函数； 将VSSD分支的特征图输入卷积注意力模块，卷积注意力模块由通道注意力与空间注意力构成，卷积注意力模块的输出特征图其中，AdaptiveAvgPool表示自适应平均池化，AdaptiveMaxPool表示自适应最大池化，ReLU表示ReLU激活函数，Sigmoid表示Sigmoid激活函数，concat表示特征拼接，Conv表示卷积层，Mean表示沿特征第一维计算均值，Max表示沿特征第一维计算最大值； 将特征图与特征图输入特征交互模块进行特征交互融合，具体表示为： 其中，AdaptiveMaxPool表示自适应最大池化； 最终得到融合特征图Mi，具体表示为： 其中，Sigmoid表示Sigmoid激活函数； 所述解码器采用级联注意力的方式融合多尺度特征，最后进行预测输出；在解码过程中，融合特征图M4经过MSCB模块得到特征图再通过EUCB模块进行上采样得到特征图特征图与融合特征图M3同时输入LGAG模块，得到特征图将特征图与特征图相加得到特征图特征图作为下一级MSCB模块的输入，经过MSCB模块得到特征图经过EUCB模块得到特征图特征图与融合特征图M2同时输入LGAG模块，得到特征图将特征图与特征图相加得到特征图特征图作为下一级MSCB模块的输入，经过MSCB模块得到特征图经过EUCB模块得到特征图特征图与融合特征图M1同时输入LGAG模块，得到特征图将特征图与特征图相加得到特征图特征图作为下一级MSCB模块的输入，经过MSCB多尺度卷积块得到特征图将特征图i＝2,3,4进行卷积，将通道数量调节到与特征图相同；再对卷积结果分别进行2倍上采样、4倍上采样和8倍上采样，将上采样结果与特征图逐元素相加，得到特征恢复图Mup； 将特征恢复图Mup进行卷积，并对卷积结果进行4倍上采样，得到最终的分割输出； 根据训练集对基于双分支特征融合的级联医学图像分割网络完成训练，得到医学图像分割模型； 将待分割医学图像进行数据预处理后输入医学图像分割模型，由医学图像分割模型输出分割结果。

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电子科技大学，其通讯地址为：611731 四川省成都市高新区(西区)西源大道2006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。