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！

龙图腾网获悉中国科学院沈阳自动化研究所申请的专利基于协同外观和语义适应的无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：CN116596834B 。

龙图腾网通过国家知识产权局官网在2025-10-31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：202310176993.7，技术领域涉及：G06T7/00；该发明授权基于协同外观和语义适应的无监督医学图像分割方法是由范慧杰;谢萱花;王强;丁乃达;唐延东设计研发完成，并于2023-02-28向国家知识产权局提交的专利申请。

本基于协同外观和语义适应的无监督医学图像分割方法在说明书摘要公布了：本发明涉及一种基于协同外观和语义适应的无监督医学图像分割方法。针对医学数据集标注成本高及医学领域不匹配的问题，提出了一种无监督域适应框架协同外观和语义适应对医学图像进行分割。该方法首先通过特征传输模块捕获目标域的像素信息和源域的感兴趣区域外观，然后通过表示传输模块学习两个域之间的图像表示，最后通过外观级和语义级知识对齐来学习源域和目标域之间的域不变知识对医学图像进行分割处理。与现有的域适应医学图像分割方法相比，此方法利用外观和语义适应来克服域转移问题，在未标记的目标医学图像中能够更加精准、有效的提取感兴趣区域。

本发明授权基于协同外观和语义适应的无监督医学图像分割方法在权利要求书中公布了：1.基于协同外观和语义适应的无监督医学图像分割方法，其特征在于，包括以下步骤： 建立特征传输模块，捕获目标域的像素信息和源域的感兴趣区域特征； 1从源图像中提取关于对象和语义关系的高级上下文信息；给定一个源域和一个目标域其中Ns表示源域样本数量，表示第i个源域样本，表示第i个源域样本的分类标签，Nt表示目标域样本数量，表示第j个目标域样本；将具有源域样本中的语义上下文和目标域样式的白噪声图像迭代地转发到预训练的卷积神经网络中生成源适应样本 2提取所有目标样本的低级特征并将其视为目标域的风格，目标域的风格被认为是一种统计信息并与不同响应图之间的语义关系有关；在第l个卷积层中，有Cl个响应图，因此，第j个目标域样本在第l个卷积层上的风格样式被定义为： 其中，⊙代表内积，代表向量化响应图的连接； 同样利用该方法获取第i个源适应样本在第l个卷积层上的风格样式 3在CNN中，低级别的卷积层能够探索到图像的外观信息，因此使用CNN中的前两层卷积层探索目标域样本的风格，并将目标域风格整合到域适应样本图像中： 该函数鼓励源适应样本学习目标域样本的风格；其中，代表平衡参数，L是CNN中前两层卷积层；为第l个卷积层目标域的风格样式；为第i个源应样本第l个卷积层上的风格样式； 4利用优化公式LCTM优化特征传输模块： 其中，和分别是第i个源适应样本和源域样本在第l个卷积层的特征图； 特征传输模块利用该公式获得具有域不变外观转移的源自适应样本其中μ是超参数； 建立表示传输模块，学习两个域之间的图像表示，通过外观级和语义级知识对齐来学习源域和目标域之间的域不变知识对医学图像中感兴趣区域进行分割，提取感兴趣区域； 所述表示传输模块学习两个域之间的图像表示,包括以下步骤： 构建条件生成器G·，用于对源域样本学习生成输出特征图 构建特征提取器E·，用于获取源适应样本的特征图 构建判别器D·，建立判别优化函数LGAN，用于区分源适应样本的特征图和输出特征图 构建像素分类器C·，建立分类优化函数LSEG，用于对源样本特征图进行语义分割，提取感兴趣区域； 建立表示传输模块的综合优化函数LRTM；用于以该函数最小时的生成器G·作为最终结果获取特征图由像素分类器C·提取感兴趣区域； 其中,σ是超参数。

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中国科学院沈阳自动化研究所，其通讯地址为：110016 辽宁省沈阳市沈河区南塔街114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。