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！

龙图腾网获悉北京理工大学申请的专利一种基于深度学习的局部微小特征结构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：CN117115122B 。

龙图腾网通过国家知识产权局官网在2026-01-13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：202311122024.X，技术领域涉及：G06T7/00；该发明授权一种基于深度学习的局部微小特征结构分割方法是由肖登宝;张杨;李旭设计研发完成，并于2023-09-01向国家知识产权局提交的专利申请。

本一种基于深度学习的局部微小特征结构分割方法在说明书摘要公布了：本发明提供一种基于深度学习的局部微小特征结构分割方法，首先将输入的序列样本图像分割为多份图像进行数据增强，将增强后的数据进行多次下采样得到多种尺度图像，将处理好的数据输入到包含有注意力机制的图像分割模块中，将获得的最终预测图与图像分割模块中输出的隐藏值共同输入到图像重建模块中进行原始图像的合成以完成预训练，随后加入判别器进行图像分割图像重建模块与判别器的交替训练，利用判别器来进行图像判别；本发明利用加入了注意力机制的图像分割模块以更好的关注局部微小结构，可应用于工业CT及医学CT识别中，能够更好的识别到CT图像中的细微以及连通区域，拥有更高的准确率。

本发明授权一种基于深度学习的局部微小特征结构分割方法在权利要求书中公布了：1.一种基于深度学习的局部微小特征结构分割方法，其特征在于： 采用的深度学习网络模型包括预处理模块、图像分割模块、图像重建模块以及判别器； 所述预处理模块对输入的CT图像切割为多份完成数据增强后，再以不同尺度进行下采样，得到两组以上不同尺度图像； 所述图像分割模块包括多个尺度的图像分割模块，对应处理不同尺度图像；每个图像分割模块均包括顺次连接的编码器、ConvLSTM模块以及解码器；其中，编码器包括顺次连接的四个编码处理；编码器的每个编码处理包括顺次连接的卷积层和3个残差块，其中每个残差块包含两个卷积层以及两个BN层，同时使用Relu作为激活函数；解码器包括一个残差块以及其后顺次连接的4个解码处理通道和一个普通卷积层；每个解码处理通道均包括顺次连接的反卷积层和3个残差块； 所述图像重建模块顺次包括2个全连接层、尺寸修正层、三个上采样层、加法模块以及三个卷积层； 所述判别器包括顺次连接的4个卷积层、一个平均池化层以及一个全连接层； 在除最大尺度的图像分割模块中，图像首先进行一次卷积后得到特征图，再将得到的特征图经过四个编码处理后，对应得到特征图fm1、fm2、fm3和fm4；将最后一次输出的特征图fm4输入至ConvLSTM模块中，ConvLSTM模块会输出一个隐藏值Hl作为下一个尺度的图像分割模块中的ConvLSTM模块以达到信息融合的目的； ConvLSTM模块的另一个输出值送入其后的解码器，经解码器的四个解码处理通道处理后，分别对应得到特征图fd1、fd2、fd3和fd4；特征图fd4即为该图像分割模块最后输出的中尺度的预测图； 在各尺度的图像分割模块中还包括注意力模块，其包括顺次连接的1×1×1卷积层、加法模块、ReLu激活函数、1×1×1卷积层、sigmoid激活函数、Resamaler函数以及乘法模块；针对当前第i个解码处理通道，注意力模块将解码器中上一解码处理通道输出的特征图fdi-1通过一个1×1×1卷积层以及编码器中与此解码处理通道对称的编码处理通道输出的特征图Wg通过1×1×1卷积层后进行相加，将相加后的结果通过ReLu激活函数以后再通过一个1×1×1卷积块，最后通过sigmoid激活函数和Resamaler函数，即获得上一解码处理通道特征图的权重矩阵，该权重矩阵乘以上一个解码处理通道的特征图就可以让网络能够不断的关注重点区域； 在最大尺度的图像分割模块中，将每一个解码处理通道得到的特征图fd1、fd2、fd3和fd4在通道上进行相加，随后进行同样的卷积操作得到最大尺度图像的预测图； 随后将大尺度，即原始尺度图像分割预测图输入到图像重建模块的通道加法器中，将大尺度分割模块的编码器输出的特征图输入到图像重建模块的第一个全连接层中，经过图像重建模块处理后以合成原始图像，得到一个预测原图； 判别器的输入为标签图与真实原图，同时还输入了原始尺度图像分割预测图以及预测原图，经过判别器最后的全连接层以输出0和1，其中0代表假，1代表真； 在对所述深度学习网络模型进行训练时，首先对图像分割模块以及图像重建模块进行初步训练，分割模块训练过程中的损失函数为Diceloss，重建模块的损失函数为MSEloss，计算三种尺度图片进入模型后生成的三种预测图与真实标签之间的差异以及合成图与实际原图之间的差距；对图像分割模块的初步训练完成后，再对整个网络模型进行训练，此时整个网络模型的loss为图像分割模块的Diceloss、图像重建模块的MSEloss以及判别器的MSEloss三者之和； 在完成所述深度学习网络模型进行训练后，将输入图像输入到最大尺度的图像分割模块，得到最大尺度图像的预测图，即为图像分割结果。

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北京理工大学，其通讯地址为：100081 北京市海淀区中关村南大街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。