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！

龙图腾网获悉西安理工大学申请的专利基于生成对抗网络的脑神经元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：CN116310312B 。

龙图腾网通过国家知识产权局官网在2025-11-21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：202310060716.X，技术领域涉及：G06V10/26；该发明授权基于生成对抗网络的脑神经元分割方法是由尤珍臻;姜明;石争浩;赵明华;都双丽设计研发完成，并于2023-01-19向国家知识产权局提交的专利申请。

本基于生成对抗网络的脑神经元分割方法在说明书摘要公布了：本发明公开了一种基于生成对抗网络的脑神经元分割方法，首先建立脑神经元分割数据库，将脑神经元分割数据库内的数据随机分成训练集和测试集，并标记神经元像素，构建对应的训练集真值图和测试集真值图；对训练集和测试集分别进行预处理，得到归一化的训练集图像和测试集图像；构建生成对抗网络，然后将测试集图像送入训练好的基于生成对抗网络的脑神经元分割模型的输入端，生成器得到的分割结果即为预测的测试集中神经元的概率图；提取神经元的概率图中概率大于0的像素，即为得到的神经元分割结果。本发明解决了现有技术中存在的全脑神经元分割精度有限的问题。

本发明授权基于生成对抗网络的脑神经元分割方法在权利要求书中公布了：1.基于生成对抗网络的脑神经元分割方法，其特征在于，具体按照以下步骤实施： 步骤1、建立脑神经元分割数据库，将脑神经元分割数据库内的数据随机分成训练集和测试集，并标记神经元像素，构建对应的训练集真值图和测试集真值图； 步骤2、对步骤1建立的训练集和测试集分别进行预处理，得到归一化的训练集图像和测试集图像； 步骤3、构建生成对抗网络，其中，生成对抗网络的生成器采用MSEG-iCNN网络，生成对抗网络的判别器采用多层卷积操作，使用步骤2的训练集图像作为生成对抗网络生成器的输入，将生成器生成的分割结果和步骤1训练集真值图分别与步骤2训练集图像相乘，作为生成对抗网络判别器的两个输入，通过计算两个输入的多尺度特征差异，以及生成器生成的分割结果和步骤1训练集真值图的Dice损失、交叉熵损失、误差损失，用于区分生成器得到的分割结果和步骤1训练集真值图，训练过程中先固定生成器参数，训练更新判别器参数，然后固定判别器参数，训练更新生成器参数，通过Q次训练后得到训练好的基于生成对抗网络的脑神经元分割模型； 所述步骤3具体按照以下步骤实施： 步骤3.1、采用MSEG-iCNN网络作为生成对抗网络的生成器； 步骤3.2、构建生成对抗网络的判别器； 所述步骤3.2具体按照以下步骤实施： 步骤3.2.1、将步骤3.1构建的生成对抗网络的生成器生成的分割结果Iseg和步骤1训练集标记真值图Igt分别与步骤2得到的训练集图像I相乘，得到Isegm和Igtm，作为生成对抗网络判别器的两个输入图像； 步骤3.2.2、使用大小为7×7像素、步长为2像素、填充大小为3像素的64个卷积核对生成器的两个输入图像Isegm和Igtm分别做卷积操作和激活操作，得到两个特征图，记为，m和n代表特征图的长和宽，d代表特征图的维数，具体的，两个特征图为 步骤3.2.3、对步骤3.2.2得到的两个特征图分别使用大小为5×5像素、步长为2像素、填充大小为2像素的128个卷积核顺序执行卷积操作、批量归一化和激活操作，得到特征图 步骤3.2.4、对步骤3.2.3得到的两个特征图分别使用大小为4×4像素、步长为2像素、填充大小为1像素的256个卷积核顺序执行卷积操作、批量归一化和激活操作，得到特征图和； 步骤3.2.5、对步骤3.2.4得到的两个特征图和分别使用大小为4×4像素、步长为2像素、填充大小为1像素的512个卷积核顺序执行卷积操作、批量归一化和激活操作，得到特征图和； 步骤3.2.6、对步骤3.2.5得到的两个特征图和分别使用大小为4×4像素、步长为2像素、填充大小为1像素的512个卷积核顺序执行卷积操作、批量归一化和激活操作，得到特征图和； 步骤3.2.7、对步骤3.2.6得到的两个特征图和分别使用大小为3×3像素、步长为2像素、填充大小为1像素的512个卷积核顺序执行卷积操作、批量归一化和激活操作，得到特征图和； 步骤3.3、计算生成对抗网络的损失函数； 所述步骤3.3具体按照以下步骤实施： 步骤3.3.1、计算Dice损失函数： 式中，为损失函数，i对应MSEG-iCNN网络中的编码模块的层数，i={1,2,3,4}，i=1时，为训练集真值图，i1时为下采样处理后的训练集真值图，分别为MSEG-iCNN网络3个支路预测的概率，3个支路为分割支路、假阴误差支路、假阳误差支路，N为图像的像素数， 步骤3.3.2、计算交叉熵损失函数： 式中，为超参数，设置为0.01； 步骤3.3.3、计算误差损失函数： 式中，、为超参数，分别设置为1； 步骤3.3.4、计算多尺度损失函数： 式中，分别代表生成器和判别器的参数，为原始输入图像，即步骤2得到的训练集图像，为对应真值图，代表平均绝对误差，代表输入图像与生成器生成的结果相乘，代表输入图像与对应真值图相乘，代表判别器从图像x中提取的特征，为判别器层数，为图像在判别器第层的特征； 步骤3.3.5、计算基于生成对抗网络的脑神经元分割模型的损失函数： ； 步骤3.4、生成对抗网络的生成器和判别器学习率设置为0.00001，均选择Adam作为优化器，将步骤3.1构建的生成对抗网络的生成器生成的分割结果和步骤1训练集真值图分别与步骤2训练集图像相乘，作为步骤3.2生成对抗网络判别器的两个输入，根据步骤3.3计算的损失函数，使用反向传播和随机梯度下降法最小化该损失函数，训练过程中先固定生成器参数，训练更新判别器参数，然后固定判别器参数，训练更新生成器参数，通过5000次训练后得到训练好的生成对抗网络的模型； 步骤4、将步骤2的测试集图像送入步骤3训练好的基于生成对抗网络的脑神经元分割模型的输入端，生成器得到的分割结果即为预测的测试集中神经元的概率图； 步骤5、提取步骤4的神经元的概率图中概率大于0的像素，即为得到的神经元分割结果。

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西安理工大学，其通讯地址为：710048 陕西省西安市碑林区金花南路5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。