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！

龙图腾网获悉西南石油大学申请的专利一种基于改进U-Net和自适应混合损失的骨显像自动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：CN116433585B 。

龙图腾网通过国家知识产权局官网在2025-12-19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：202310138341.4，技术领域涉及：G06T7/00；该发明授权一种基于改进U-Net和自适应混合损失的骨显像自动分割方法是由罗仁泽;余泓;罗任权;吴涛;王清松;曹瑞;易玺;廖波;赵丹设计研发完成，并于2023-02-20向国家知识产权局提交的专利申请。

本一种基于改进U-Net和自适应混合损失的骨显像自动分割方法在说明书摘要公布了：本发明公开了一种基于改进U‑Net和自适应混合损失的骨显像自动分割方法，针对骨显像图像信噪比低、病灶小难以提取和人工勾画病灶耗时等问题。以多尺度密集连接卷积块为基本卷积单位，提出了一种基于改进U‑Net的骨显像自动分割网络。在U‑Net的编码部分引入使用多尺度密集连接卷积块与最大池化层对骨显像病灶进行特征提取；在解码部分使用转置卷积进行上采样；在网络训练时使用自适应混合损失优化分割结果。本发明公开的骨显像病灶自动分割方法，比原始的分割方法更优秀，有效地提升了骨显像病灶的分割精度。

本发明授权一种基于改进U-Net和自适应混合损失的骨显像自动分割方法在权利要求书中公布了：1.一种基于改进U-Net和自适应混合损失的骨显像自动分割方法，其特征在于包括以下步骤： 步骤1：对骨显像进行预处理，具体处理方式为： 1对骨显像进行归一化，将原始骨显像文件转化为可见灰度图像； 2手动对骨显像进行病灶标注，将标注好的图像并转化为掩膜图像； 3对骨显像进行阈值去噪、中值滤波、开闭运算及裁剪等操作，并选取病灶集中的肩部至盆骨区域； 4将图像调至N×N像素大小，N为正整数，统计掩膜图像中不同类别像素点个数，记为pixi，i为类别数； 5将预处理后的骨显像数据集按照C：V的比例划分为训练集和测试集，C和V都为小于10的正整数； 步骤2：构建多尺度密集连接卷积块，多尺度密集连接卷积块分为多尺度残差卷积和密集连接两个部分，在多尺度残差卷积包含三个分支，3个分支分别使用1×1、3×3、连续的两个3×3卷积来提取不同尺度的病灶特征；然后将3个分支卷积后的结果进行特征拼接，并使用1×1卷积来压缩通道数，减少网络运算量，最后利用残差结构将经过1×1卷积输入的特征与拼接压缩后的特征进行融合来恢复原有的部分特征，模块中从输入到输出的计算流程如下： x1＝Conv1x1xin x2＝Conv3x3Conv1x1xin x3＝Conv3x3Conv3x3Conv1x1xin xc＝concatx1,x2,x3 xout＝xin+xc 式中：Conv1×1·、Conv3×3·分别代表1×1卷积和3×3卷积运算，xin为输入多尺度残差卷积块的骨显像，x1、x2、x3分别为经过卷积计算后的结果，即骨显像特征图，xout为多尺度残差卷积的输出特征图；concat表示特征拼接，设x1为c1×h×w、x2为c2×h×w、x3为c3×h×w，则concatx1,x2,x3的计算结果为c1+c2+c3×h×w；+表示融合；xc为x1、x2、x3进行特征拼接后的特征图； 采用i个多尺度残差卷积，每个卷积之间利用密集连接的方式进行连接，第i层卷积的输入为： xi＝Hi[x0,x1,…,xi-1],i∈[1,M] 式中：xi代表第i层多尺度残差卷积的输入，[x0,x1,....,xi-1]代表第i层之前的所有特征图拼接后的特征；Hi代表非线性映射，即批量归一化和ReLU激活函数运算的组合； 步骤3：设计一种改进的U-Net模型，其特征在于编码过程由M×M、共5种不同尺度的多尺度密集连接卷积块构成，M为正整数，每组卷积块由5个卷积层和1个池化层构成；解码过程与编码过程对称，由M×M、组不同尺度的多尺度密集连接卷积块构成，每组残差块由1个反卷积层和5个卷积层构成，并融合对应编码阶段提取的骨显像病灶特征； 步骤4：使用步骤1得到的训练集对步骤3搭建好的网络模型进行训练，并构建一种自适应混合损失函数来计算训练损失，使用Adam优化器优化网络训练过程； 自适应混合损失函数采用了交叉熵损失与LovaszSoftmax损失结合的方式，其表达式如下： LH＝w1Lce+w2Lls 式中：Lce代表交叉熵损失；Lls代表LovaszSoftmax损失；w1、w2为设计的调节因子，w1用于自适应调节每张骨显像中不同类别像素点的权重，w2用于调节LovaszSoftmax损失的权重，w2为大于0的常数； w1的计算公式为： 式中：c代表类别数，为正整数；pixi代表第i个类别的像素点个数；代表所有像素点的个数；代表除背景外的像素点的总个数；为惩罚项； 交叉熵计算公式为： 式中：p代表真实标签；q代表预测概率；Hp,q代表p、q之间的差异； LovaszSoftmax损失计算公式为： 式中：C为类别数；为Jaccard运算； mc计算公式为： 式中：fic表示softmax函数输出概率分布； 平均交并比计算公式为： 式中：TP为真阳性，表示预测为正样本的正样本；FP为假阳性，表示预测为负样本的正样本；FN为真阴性，表示预测为负样本的正样本；TN为假阴性，表示预测为负样本的负样本，TP、FP、FN、TN均为正整数； 步骤5：将步骤1预处理后的测试集数据，送入步骤3搭建的网络模型中，利用步骤4中设计的自适应混合损失函计算损失值，并通过平均交并比对模型的分割效果进行评估，平均交并比值越高表示模型分割效果越好，并保存最终的网络模型，记为ImprovedU-Net模型； 步骤6：将测试集中的骨显像输入ImprovedU-Net模型，输出的分割图像。

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南石油大学，其通讯地址为：610500 四川省成都市新都区新都大道8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。