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特征极化和边界回归的眼底OCT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：CN117011251B 。

龙图腾网通过国家知识产权局官网在2025-10-24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：202310898630.4，技术领域涉及：G06T7/00；该发明授权一种基于特征极化和边界回归的眼底OCT图像分割方法是由李永杰;谭玉博;杨开富设计研发完成，并于2023-07-20向国家知识产权局提交的专利申请。

本一种基于特征极化和边界回归的眼底OCT图像分割方法在说明书摘要公布了：本发明公开了一种基于特征极化和边界回归的眼底OCT图像分割方法，首先对眼底OCT图像进行预处理，把眼底OCT图像分别输入卷积骨干神经网络和变形器骨干网络提取相应特征，并将提取的特征进行融合，输入解码器得到输出概率图，再对提取的所有特征进行特征极化约束，然后对输出概率图进行边界回归约束，利用损失函数基于反向传播训练OCT分割模型，最后基于训练好的权重预测新的眼底OCT图像。本发明的方法设计了卷积网络和变形器网络混合作为编码器的分割模型，能够对OCT中视网膜层的形状和细节进行捕获，提出特征极化损失能够增强编码器特征提取的鲁棒性，提出的边界回归损失能够优化解码器对于视网膜层边界的精确定位，非常适合眼底OCT图像的视网膜层分割。

本发明授权一种基于特征极化和边界回归的眼底OCT图像分割方法在权利要求书中公布了：1.一种基于特征极化和边界回归的眼底OCT图像分割方法，具体步骤如下： S1、对眼底OCT图像进行预处理； S2、把眼底OCT图像输入卷积骨干神经网络提取相应特征； S3、把眼底OCT图像输入变形器骨干网络提取相应特征； S4、对步骤S2和步骤S3提取的特征进行融合，并输入解码器得到输出概率图； 由深层到浅层，依次把步骤S2、S3得到的卷积神经网络特征{Fcnn}和变形器特征{Fvit}进行融合得到编码器特征{FE}，同级特征直接相加，邻级特征中较深层的特征经过双线性插值后和较浅层特征相加，依次迭代并输入解码器；解码器包含五个阶段的方形卷积模块Square-Block；在Square-Block中，输入特征F经过3*3的卷积层、BatchNorm层、LeakyReLU层得到F1，F+F1被输入到另一个3*3卷积层得到输出解码器特征FD，FD经过1*1卷积层和Softmax层得到输出概率图P； S5、对步骤S2、步骤S3和步骤S4中提取的特征进行特征极化约束，求取特征极化损失； 初始化互相均匀排斥的原型单位向量组{t}，根据输出概率图P和金标准G对编码器特征{FE}与解码器特征{FD}集合中的单阶段编码器特征FE和单阶段解码器特征FD按照置信度排序进行分组和采样，求得采样特征和原型向量之间的损失LFPL； S6、对步骤S4中提取的输出概率图进行边界回归约束，求取边界回归损失； 基于可微分的soft-argmax算法，计算输出概率图P每层中视网膜层边界的预测坐标，求得所述预测坐标与真实坐标的差值，记为边界回归损失LBRL； 边界回归损失包括边界坐标回归损失和边界梯度回归损失两部分；一方面，首先对输出的概率图P计算纵向加权系数 其中，η表示噪声扰动，h∈[1,H]，H表示输出概率图P的高度，Pi,h表示输出概率图P在第i个通道第h行的数据； 然后计算边缘预测值根据金标准G得到边界坐标回归损失 其中，k∈[1,K]，K表示眼底OCT图像边界数量，表示预测的第k个OCT层边缘位置，Gk表示真实的第k个OCT层边缘位置； 另一方面，定义▽v为竖直图像梯度，abs为绝对值函数，σ为Sigmoid函数，CC为两层卷积层，计算边界梯度回归损失Lbrl-grad＝||σCCP-abs▽vG||2； 最后，总的边界回归损失即LBRL＝Lbrl-pos+Lbrl-grad； S7、损失函数基于反向传播训练OCT分割模型； S8、基于训练好的权重预测新的眼底OCT图像，获得眼底OCT图像中视网膜层的分割结果。

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。