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！

龙图腾网恭喜陕西科技大学申请的专利基于形状引导对偶一致性的3D心房图像分割方法及系统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：CN115082493B 。

龙图腾网通过国家知识产权局官网在2025-03-28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：202210625204.9，技术领域涉及：G06T7/10；该发明授权基于形状引导对偶一致性的3D心房图像分割方法及系统是由雷涛;刘虎林;张栋;杜晓刚;何熙设计研发完成，并于2022-06-02向国家知识产权局提交的专利申请。

本基于形状引导对偶一致性的3D心房图像分割方法及系统在说明书摘要公布了：本发明公开的一种基于形状引导对偶一致性的3D心房图像分割方法及系统，属于心房分割图像处理及模式识别领域。在心房图像分割系统的训练阶段，通过引入基于对偶一致性的无监督形状约束模块，从大量无标注数据中学习目标器官的边界距离信息；通过引入基于深度监督的知识转移模块，在3D卷积神经网络的解码器末尾添加辅助的监督分支，将网络中间层特征表示作为知识在单个神经网络内部转移，使得心房图像分割系统能够从少量有标注数据中学习更多具有鉴别性的特征。在推理阶段无需增加任何额外计算成本和存储空间的情况下，本发明能够提高心房图像的分割精度，显著增强心房图像分割系统的鲁棒性和泛化性。本发明能够显著优化心房图像的分割过程。

本发明授权基于形状引导对偶一致性的3D心房图像分割方法及系统在权利要求书中公布了：1.一种形状引导对偶一致性的3D心房图像分割方法，其特征在于：包括以下步骤，步骤一：根据心房图像的先验信息，制作心房图像分割训练数据集；步骤二：根据步骤一制作的包括不同特点的心房图像数据集，基于半监督学习方法对心房图像分割系统进行训练；步骤2.1：在有标注数据上执行有监督学习；对于有标注的训练数据集Dl，每个3D卷积神经网络主要由有监督损失来指导学习分割目标的可靠表示，具体如下： 其中，表示预测的分割概率映射图和对应的标签之间的联合损失，表示由有符号距离图转换而来的分割概率映射图和对应的标签之间的有监督损失，具体转换函数为σk×z＝11+exp-k×z，k是一个尽可能大的转换因子，Ldice表示广泛使用的Dice损失函数，Lbce表示二分类的交叉熵损失函数；步骤2.2：在有标注数据和无标注数据上执行基于形状引导对偶一致性的半监督学习；对于整个训练数据集Dl∪Du上执行无监督的跨任务一致性，鼓励对于相同输入的一致预测来利用大量的无标注数据；在整个训练过程中，通过联合学习分割概率映射图和具有几何形状感知能力的有符号距离图，所述心房图像分割系统能够加强几何形状约束，并且从大量无标注数据中挖掘更多具有鉴别性的几何形状特征；加强分割概率映射图和有符号距离图之间基于形状引导的对偶一致性，具体如下： 其中λsdc表示加权系数，使用高斯上升函数λsdct＝exp-5×1-ttmax2来平衡有监督的分割损失和无监督的一致性损失，t表示当前迭代步数，tmax表示最大训练步数；BDL·表示几何空间的边界距离损失函数，用来衡量两个边界之间的变化；由于边界距离损失在形状表示上采用距离度量的形式而不是区域，因此在训练过程中更加注重未标注数据中具有挑战性的区域，缓解分割概率映射图中边缘模糊的问题；步骤2.3：在有标注数据上执行基于深度监督知识转移模块的半监督学习；深度监督知识转移模块，通过在3D卷积神经网络的解码器上附加辅助的监督分支，将网络中间特征表示作为知识在单一的3D卷积神经网络内部进行传递，可以显著增强心房图像分割系统从少量有标注数据中学习具有鉴别性特征的能力；对于有标注的训练数据集Dl，将通过深度监督得到的网络中间特征图纳入心房图像分割系统的优化过程，分别计算每个深度监督分支的网络中间特征表示和对应标签之间的有监督损失，具体如下： 其中hk表示第k个深度监督分支；与现有基于半监督学习的3D心房图像分割方法的不同之处在于，通过添加辅助的监督分支来高效地利用少量的有标注数据，从而使心房图像分割系统的优化过程更加高效；步骤三：根据通用的半监督学习任务设置，配置心房图像分割系统训练所需参数；步骤四：通过对心房图像分割系统进行推理与三维重建，得到心房图像分割的三维效果图。

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陕西科技大学，其通讯地址为：710021 陕西省西安市未央区草滩街道陕西科技大学；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”。