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！

龙图腾网获悉南昌大学申请的专利一种基于双重Encoder-Decoder结构的脑卒中病灶区域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：CN116486081B 。

龙图腾网通过国家知识产权局官网在2026-04-17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：202310403391.0，技术领域涉及：G06V10/26；该发明授权一种基于双重Encoder-Decoder结构的脑卒中病灶区域分割方法是由刘继忠;徐文斌设计研发完成，并于2023-04-17向国家知识产权局提交的专利申请。

本一种基于双重Encoder-Decoder结构的脑卒中病灶区域分割方法在说明书摘要公布了：本发明公开了一种基于双重Encoder‑Decoder结构的脑卒中病灶区域分割方法，首先获取脑部3D‑MRI图像，对图像数据进行预处理，获得待分割的2D脑部切片图；搭建深度学习分割模型，使用训练集训练分割模型；利用训练好的分割模型对图像数据进行图像分割，得到与图像对应的脑卒中病灶区域分割结果；其中所述分割模型为具有双重Encoder‑Decoder结构的深度学习分割模型，该结构在Encoder‑Decoder结构基础上进行延伸并结合多重跳跃连接，使浅层特征与深层特征信息进行多重深度融合，达到对目标区域的逐步定位和不断细化。本发明方法搭建的模型结构简单，抗干扰能力强，能够很好的拟合脑卒中病灶的不规则边界,对于细小的病灶也可以识别并进行精确的分割，在提升分割精度的同时还降低了病灶的遗漏率。

本发明授权一种基于双重Encoder-Decoder结构的脑卒中病灶区域分割方法在权利要求书中公布了：1.一种基于双重Encoder-Decoder结构的脑卒中病灶区域分割方法，其特征在于，包括以下步骤： 步骤S1、图像预处理：从公开数据集中获取脑部3D-MRI图像以及3D-MRI图像对应于病灶区域的分割掩码，用于模型训练以及在测试阶段评判模型性能，对原始3D-MRI图像以及分割掩码图像进行预处理； 步骤S2、搭建基于双重Encoder-Decoder结构的深度学习模型，模型的双重Encoder-Decoder结构由两个Encoder-Decoder结构串联而成，模型的搭建过程具体可分为以下几步： 步骤S21、搭建第一个Encoder-Decoder结构：第一个Encoder-Decoder结构由卷积部分、下采样部分和上采样部分构成，卷积部分的输出特征图为下采样部分的输入特征图，卷积部分具体操作为一次卷积操作+BatchNormalization+ReLU，下采样部分的输出特征图即为上采样部分的输入特征图，下采样部分含有四次下采样——最大池化操作，每次采样后对特征图进行一次卷积操作+BatchNormalization+ReLU，上采样部分含有三次上采样——转置卷积操作，每次采样后都需要使用Concatenate操作将转置卷积操作后的特征图与通过跳跃连接复制过来的下采样部分中ReLU激活函数输出的相同分辨率特征图在通道维度叠加以组成新的特征图，之后再对新的特征图进行一次卷积操作+BatchNormalization+ReLU； 步骤S22、搭建双重Encoder-Decoder结构：第一个Encoder-Decoder结构的最后一次卷积操作+BatchNormalization+ReLU的输出即为第二个Encoder-Decoder结构的输入特征图；第二个Encoder-Decoder结构同样由下采样部分和上采样部分构成；第二个Encoder-Decoder结构的下采样部分，简称第二下采样部分，第二个Encoder-Decoder结构的上采样部分简称第二上采样部分，第二下采样部分的输出为第二上采样部分的输入； 第二个Encoder-Decoder结构的下采样部分共包含有三次下采样——通过最大池化操作对上层的输出执行下采样，每次下采样后，首先通过跨结构跳跃连接复制第一个Encoder-Decoder结构中同层级的下采样模块和上采样模块中的ReLU激活函数输出的相同分辨率特征图，然后使用Concatenate操作将最大池化后的特征图与通过跨结构跳跃连接复制的相同分辨率特征图在通道维度上拼接以组成新的特征图，再对新的特征图依次进行卷积操作+BatchNormalization+ReLU，从而将第一个Encoder-Decoder结构提取的浅层细节信息融入第二个Encoder-Decoder结构的下采样过程； 第二个Encoder-Decoder结构的上采样部分共包含有四次上采样——通过对下层输出的特征图进行转置卷积操作完成上采样，每次上采样后，通过多层次跳跃连接复制第一个Encoder-Decoder结构中对应层级的下采样模块和上采样模块中的ReLU激活函数输出的相同分辨率特征图和第二下采样部分的同层级模块中ReLU激活函数输出的相同分辨率特征图，然后使用Concatenate操作将转置卷积后的特征图与通过多层次跳跃连接复制的相同分辨率特征图在通道维度上拼接以组成新的特征图，其中顶层上采样模块中，上采样后的特征图仅与第一个Encoder-Decoder结构的卷积部分输出的特征图在通道维度拼接，对新的特征图依次进行卷积操作+BatchNormalization+ReLU，从而在同一上采样阶段融合来自不同网络层级、不同深度的特征信息； 步骤S23、组建完整的双重Encoder-Decoder结构的深度学习模型：对双重Encoder-Decoder结构的输出添加一次通道为2、核为3×3、步长为1、填充为1的卷积操作和Softmax激活函数，到此完整的双重Encoder-Decoder结构的深度学习分割模型构建完成； 所述Softmax激活函数表达如下： =Softmax=1； 上式中，i,j为特征图中坐标为i,j的点，c为特征图在通道维度上的第c层，为输入特征图的第c层坐标为i,j的点的值，C为特征图的通道数，即需要分类的总类别数，1≤c≤C； 步骤S3、利用训练集数据对搭建的深度学习模型进行训练：训练集中每次输入模型用于训练的数据批量大小为6，当训练集中所有数据都训练过模型记为1个训练轮次，以平衡交叉熵损失函数结合Dice损失函数得到模型损失函数L=LBCE+LDice来降低数据集分类不平衡的影响，并使用Adam优化器来优化模型损失函数L，以获得最小的损失值，训练集中所有数据都基于该优化器训练60个轮次，并且在模型训练过程中，每20个数据批训练过模型后，使用验证集数据对当前训练状态的模型进行评估验证，记录模型在验证集上的评估结果并保存评估结果最优时所对应的模型参数，60个训练轮次结束后，将保存的模型参数导入至模型中，得到训练好的分割模型； 所述平衡交叉熵损失函数为： 2； 上式中，C为总类别数，W为类别权重系数，i,j表示坐标为i,j的点，N为图像在x轴或y轴上的像素点数，为掩码图像展开为one-hot矩阵后，其中第c层的坐标为i,j的点的值，为模型预测矩阵中第c层的坐标为i,j的点的值； 所述Dice损失函数为： 3； 上式中，为一极小值常数； 步骤S4、将测试集图像数据输入训练好的分割模型，得到模型最后Softmax激活函数输出的预测概率矩阵，所述概率矩阵共两层，每层分辨率与输入图像相同，提取概率矩阵两层中每个点最大值的位置后，即可得到模型对测试集图像数据中脑卒中病灶区域的二值预测分割图。

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南昌大学，其通讯地址为：330000 江西省南昌市红谷滩新区学府大道999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。