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！

龙图腾网获悉西安电子科技大学申请的专利基于多视角对齐与伪标签优化的无监督域适应医学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：CN120953610B 。

龙图腾网通过国家知识产权局官网在2026-02-27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：202511070025.3，技术领域涉及：G06V10/26；该发明授权基于多视角对齐与伪标签优化的无监督域适应医学图像分割方法是由谢琨;叶文琦;陈泽华;宋建锋;卢子祥;苗启广;权义宁;郑海红设计研发完成，并于2025-07-31向国家知识产权局提交的专利申请。

本基于多视角对齐与伪标签优化的无监督域适应医学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多视角对齐与伪标签优化的无监督域适应医学图像分割方法，旨在解决域偏移导致的分割精度不足及伪标签质量低下问题。其技术方案是：首先，通过频域平滑融合模块执行图像级对齐，生成类目标域图像；利用该图像预训练分割网络并生成初始伪标签；然后，通过一个两阶段优化流程，该过程通过基于原型的潜在前景补全与基于SAM的结构感知增强，提升伪标签的完整性与结构合理性；最后，基于优化后的高质量伪标签，构建多视角原型对比学习框架进行最终的特征级对齐训练。本发明提升了模型在无标签目标域上的分割精度，为解决医学图像分割中标注数据稀缺的挑战提供了有效方案。

本发明授权基于多视角对齐与伪标签优化的无监督域适应医学图像分割方法在权利要求书中公布了：1.一种基于多视角对齐与伪标签优化的无监督域适应医学图像分割方法，用于对无标签的目标域医学图像进行分割，其特征在于，包括以下步骤： S1：通过频域平滑融合的风格迁移模块，将源域图像转换为类目标域图像，实现源域与目标域的图像级对齐； S2：将所述类目标域图像输入图像分割网络，以源域真实标签为监督进行预训练；预训练完成后，输入真实目标域图像，输出初始伪标签； S3：执行两阶段的伪标签优化过程，对所述初始伪标签进行处理，以提升其结构完整性与边界准确性，得到优化后的伪标签； S4：执行特征级对齐，基于所述源域的真实标签和所述优化后的伪标签，构建一个多视角原型对比学习框架，具体地，基于源域真实标签和目标域优化伪标签，分别计算各自的类别原型，并融合生成一个混合的全局类别原型，同时，通过形态学操作提取边界区域，并构建独立的边界原型；并利用该框架对所述图像分割网络进行训练，通过训练得到的图像分割网络进行医学图像分割； 所述S3中两阶段优化策略的第一阶段为基于重构的潜在前景补全，包括： 31a在初始伪标签的指导下，计算类质心作为初始原型： 其中，为目标域第类像素的总数量，为特征图高度，为特征图宽度，为目标域高层语义特征的第个像素值，为初始伪标签的第个像素值； 31b基于图像分割网络输出的初始伪标签，构建一个背景引导掩码，以定位模型初步判断为背景的区域，其中； 31c将背景引导掩码与目标域高层语义特征进行特征融合，得到一个经过背景加权的特征表示： 其中，为逐元素相乘； 31d计算中的局部特征与各类原型之间的相似度，当某个像素特征与某一前景原型的相似度超过预设阈值时，该像素即被识别为潜在前景，公式表示为： 其中，用于计算余弦相似度，为一预设阈值，C是类别总数，是所有像素类别判定结果； 31e将所有像素类别判定结果整合到初始的伪标签中，对原始分割结果中被误判的前景进行校正，得到粗优化伪标签，如下： 其中，为取两个掩码的并集； 所述S3中两阶段优化策略的第二阶段为基于结构感知的增强策略，包括： 32a引入预训练的分割一切模型作为结构感知分支； 32b从经过前景补全的粗优化伪标签中，采用网格稀疏采样策略提取点提示集； 32c分割一切模型模型在点提示集的引导下，生成具有结构完整性的分割预测图； 32d通过一致性校验模块过滤分割假设，保留与粗优化伪标签形成共识的区域，以得到所述优化后的伪标签： 式中，为优化后的伪标签，为分割预测图的第个像素值，为粗优化伪标签的第个像素值； 32e引入结构性损失约束优化后的伪标签与分割网络预测的结构与一致性： 其中，为损失函数，为结构损失；为权重系数。

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电子科技大学，其通讯地址为：710071 陕西省西安市雁塔区太白南路2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。