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！

龙图腾网获悉南京航空航天大学申请的专利一种基于高阶神经网络的大脑MR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：CN115526894B 。

龙图腾网通过国家知识产权局官网在2026-02-17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：202211271582.8，技术领域涉及：G06T7/10；该发明授权一种基于高阶神经网络的大脑MR图像分割方法是由孙亮;张道强;赵俊勇设计研发完成，并于2022-10-18向国家知识产权局提交的专利申请。

本一种基于高阶神经网络的大脑MR图像分割方法在说明书摘要公布了：本发明公开了一种基于高阶神经网络的大脑MR图像分割方法，通过高阶卷积操作学习图像体素之间的高阶特征表示；通过传统卷积操作学习局部感受野的低阶均值特征，获得图像的纹理特征表示；通过高阶卷积操作学习图谱图像提供的高阶大脑解剖结构先验知识；通过传统卷积操作学习图谱图像提供的低阶大脑解剖结构先验知识；通过通道注意力模型自适应获得通道融合的权重，融合学习到的特征表示和先验知识，获得更优的大脑图像特征表示；通过剩余的高阶神经网络，利用融合的大脑图像特征表示分割大脑核磁共振图像。本发明能够学习图像高阶信息的卷积操作，使得卷积能够学习体素之间的高阶关系；通过有效利用图像的高阶信息，从而获得精准的大脑分割结果。

本发明授权一种基于高阶神经网络的大脑MR图像分割方法在权利要求书中公布了：1.一种基于高阶神经网络的大脑MR图像分割方法，其特征在于，包括以下步骤： 1对预先获取的大脑MR图像，通过高阶卷积操作建立卷积局部感受野内体素之间的关联，并提取图像的高阶特征； 2通过传统卷积操作学习局部感受野的低阶均值特征，获得图像的纹理特征表示； 3通过高阶卷积操作学习图谱图像提供的高阶大脑解剖结构先验知识，输入为多张配准到待分割图像空间的图谱图像标签图； 4通过传统卷积操作学习图谱图像提供的大脑解剖结构先验知识，输入为多张配准到待分割图像空间的图谱图像标签图； 5通过通道注意力模型自适应获得通道融合的权重，融合步骤1至步骤4学习到的特征表示和先验知识，获得更优的大脑图像特征表示； 6通过剩余的高阶神经网络，利用步骤5融合的大脑图像特征表示分割大脑核磁共振图像； 步骤1所述高阶卷积为： 其中，wk和fi分别表示感受野内的卷积核第k个参数和对应的特征图上的第i个特征，表示对应的高阶神经网络输出的第j个的高阶特征输出； 所述高阶卷积的结构如下： 输入特征被分成G组，分别对每个组执行提出的高阶卷积操作，学习到的高阶成对依赖特征图连接起来；并利用1×1×1的卷积运算更改特征图的通道数； 所述步骤6实现过程如下： 首先使用步长为2的2×2×2最大池化操作对融合的多阶特征进行下采样；剩余的高阶神经网络由高阶特征学习路径和低阶特征学习路径组成，高阶特征学习路径，用于对局部感受野内体素的成对依赖关系进行建模，低阶特征学习路径用于学习图像的高级上下文特征；高阶特征学习路径中的每个编码路径块由一个高阶卷积块和一个传统卷积层组成，其中高阶卷积块用于学习局部感受野内体素之间的高阶成对依赖特征，高阶和传统卷积操作都使用3×3×3卷积核；低阶特征学习路径中的每个编码路径块由两个一个传统卷积层组成，每个卷积层之后进一步进行批量归一化和ReLU非线性操作；然后，采用通道注意融合块来融合由高阶特征学习路径和低阶特征学习路径提取的特征图；最后，执行步幅为2的2×2×2最大池化操作，以对融合的特征图进行下采样； 在高阶特征学习路径的解码路径中，每个解码路径块由一个反卷积层、一个高阶卷积块和一个传统卷积层组成；具有2×2×2内核的反卷积层用于将低分辨率特征图恢复为高分辨率特征图，同时，通过使用的跳跃连接，将反卷积层导出的特征图与编码路径中相应的高分辨率特征图结合起来；然后，将输出的特征图输入到一个3×3×3高阶卷积层和一个3×3×3的传统卷积层；在低阶特征学习路径的解码路径，每个块由一个2×2×2的反卷积层、两个3×3×3传统卷积层组成；同样使用跳链接，将反卷积层导出的特征图与编码路径中相应的高分辨率特征图结合起来；每个卷积层之后进一步进行批量归一化和ReLU；此外，每个解码路径块之后的通道注意模块用于将上采样的高阶特征图和高级上下文特征图融合到网络中，用于大脑感兴趣区域分割； 最后，使用跟有softmax非线性单元的1×1×1的卷积层来生成分割概率图，然后使用最大后验概率获得最终的分割图像。

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南京航空航天大学，其通讯地址为：210016 江苏省南京市秦淮区御道街29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。