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！

龙图腾网获悉中国人民解放军总医院海南医院申请的专利一种多光谱内窥镜图像智能融合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：CN120746866B 。

龙图腾网通过国家知识产权局官网在2025-12-02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：202511212857.4，技术领域涉及：G06T5/50；该发明授权一种多光谱内窥镜图像智能融合方法是由史涛坪设计研发完成，并于2025-08-28向国家知识产权局提交的专利申请。

本一种多光谱内窥镜图像智能融合方法在说明书摘要公布了：一种多光谱内窥镜图像智能融合方法，涉及医学图像处理技术领域，主要包括以下步骤：图像分通道定向增强；确定图像融合网络设计的目标；以U‑Net网络架构为基础，引入多专家编码器、医学先验增强的跨通道注意力机制、病灶自适应的光谱注意力解码器、以及物理驱动的反射率‑光照解耦模块，构建具有病理学解释性的深度学习融合网络架构；联合优化图像质量与医学先验知识构建损失函数；采集多组四通道内窥镜图像，进行分阶段渐进式训练与优化。该方法兼具多光谱特征融合能力与物理可解释性，能通过交叉注意力机制实现深层血管与黏膜纹理的跨尺度融合，显著提升早期病变的视觉辨识度与诊断特异性。

本发明授权一种多光谱内窥镜图像智能融合方法在权利要求书中公布了：1.一种多光谱内窥镜图像智能融合方法，其特征在于，包括以下步骤： S1，确定图像融合网络设计的目标； S2，以U-Net网络架构为基础，引入多专家编码器、医学先验增强的跨通道注意力机制、病灶自适应的光谱注意力解码器、以及物理驱动的反射率-光照解耦模块，构建具有病理学解释性的深度学习融合网络架构； S3，联合优化图像质量与医学先验知识构建损失函数； S4，采集多组四通道内窥镜图像，进行分阶段渐进式训练与优化，包括：物理解耦模块预训练、专家编码器差异化训练、全网络端到端微调； 所述步骤S2中的深度学习融合网络架构具体包括： 1多专家编码器： 其中，每个专家编码器包含特定领域的卷积核组与注意力模块： Eanatomy：用于白光通道解剖结构提取； Evessel：用于红光和绿光通道的血管分析； Emucosa：用于蓝光通道的黏膜纹理特征分析； Eintegration：用于跨专家特征整合分析； 各专家输出经过门控网络动态融合： 其中，Ei为第i个专家编码器，Iinput为输入图像，Gi为基于全局特征Fglobal的动态门控函数： ； Wi为第i个专家的权重矩阵，MLPFglobal为多层感知机处理后的全局特征，为归一化因子，对所有四个专家的指数值求和，确保所有门控值之和为1； 2医学先验增强的跨通道注意力： 引入基于医学先验的注意力增强机制，使网络能利用医学先验知识，针对性地关注不同光谱通道中最具诊断价值的特征；具体地： 除了标准的Query-Key-Value交互外，还融入组织-光谱耦合矩阵： 其中，Q为查询矩阵，K为键矩阵，V为值矩阵，为标准注意力机制中的相似度计算，d是特征维度，是为了缩放相似度值，防止梯度消失；α为平衡系数，用于控制医学先验知识在注意力计算中的影响程度；softmax为归一化函数，将相似度转换为概率分布； 耦合矩阵用于反映不同组织类型在各光谱通道的区分度： ； 其中Ptissuei∣spectralj：给定光谱通道j的情况下，观察到组织类型i的条件概率；Ptissuei为组织类型i的先验概率； 3病灶自适应的光谱注意力解码器： 在解码器中，采用考虑病灶类型的自适应光谱通道注意力： Fc为特征图，表示当前层中所有空间位置的特征表示；AvgPoolFc是对特征图Fc进行全局平均池化操作，将空间维度压缩成一个向量，提取全局上下文信息；FC1为第一个全连接层，对池化后的特征向量进行线性变换，用于降维和特征变换；ReLU是修正线性单元激活函数，引入非线性，增强模型表达能力，同时保持计算简单高效；FC2是第二个全连接层，对第一层输出进行进一步变换，最终生成通道注意力的初始值；σ为Sigmoid激活函数，将输出压缩到0到1之间，使其适合作为注意力权重； 其中，Dlesionc为病灶类型相关的通道偏置函数： 其中，Elesion为病灶编码向量，Wlesion为学习的映射矩阵，β为强度系数； 该解码器针对不同病变类型，自动调整各光谱通道的重要性权重，其中包括： 炎症：特征为毛细血管扩张，增强绿光通道权重； 肠化生：特征为表面腺体形态变化，增强蓝光通道权重； 早期肿瘤：血管与表面形态共同变化，平衡红光和蓝光通道； 从而使解码器根据检测到的病灶类型，动态调整特征融合策略，提升特定病变的检出灵敏度； 4物理驱动的反射率-光照解耦模块： 将物理光学理论引入深度学习网络，通过可学习的物理参数化分解模型，将图像分离为反射率分量和光照分量： Iobservedx,y,λ为在位置x,y处、波长λ下观察到的图像强度；Rx,y,λ为位置x,y处、波长λ下的反射率分量，代表组织本身的光学特性；Lx,y,λ为位置x,y处、波长λ下的光照分量，表征照明条件；⊙为逐元素乘法操作符； 其中，反射率分量通过多尺度特征聚合网络生成： Freflectancex,y为反射率特征图，是通过深度网络提取的多尺度特征表示；Conv为波长特定的卷积操作； 光照分量采用基于局部一致性约束的估计模型： 其中，为泊松方程求解器，Iinitialx,y,λ为初始图像估计，Msmoothness为结构感知平滑度掩码： ∇Ix,y为图像梯度的幅度，参数γ和α分别设为10.0和0.8，控制边缘保持与平滑度的平衡； 此外，引入基于光谱物理学的波长相关性约束，使解耦后的反射率在物理上符合组织光谱特性，避免数学解与物理解的偏离： 其中Rx,y,λi为位置x,y处在波长λi和λj下的反射率估计；Rrefx,y,λi、Rrefx,y,λj为参考反射率图。

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人民解放军总医院海南医院，其通讯地址为：572000 海南省三亚市海棠湾；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。