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！

龙图腾网恭喜东华大学申请的专利基于自注意机制和稳定学习的淋巴瘤超声图像语义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：CN114972266B 。

龙图腾网通过国家知识产权局官网在2025-04-04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：202210604099.0，技术领域涉及：G06T7/00；该发明授权基于自注意机制和稳定学习的淋巴瘤超声图像语义分割方法是由韩迎康;陈德华;潘乔;王梅设计研发完成，并于2022-05-31向国家知识产权局提交的专利申请。

本基于自注意机制和稳定学习的淋巴瘤超声图像语义分割方法在说明书摘要公布了：本发明涉及一种基于自注意机制和稳定学习的淋巴瘤超声图像语义分割方法，针对淋巴瘤超声图像构建分割网络，对该网络进行训练得到淋巴瘤图像分割模型，利用该模型对淋巴瘤超声图像进行分割。通过数据预处理模块，对标注之后的仪器扫描图像裁剪感兴趣区域、调整像素间距得到新的数据集，用于模型的训练。采用自注意力机制实现编码器编码特征之间的非局部交互，缓解多次采样造成的信息衰退问题，得到更精确的分割目标对象的结构边界；采用稳定学习方法通过随机傅里叶特征和对样本加权的方式消除环境特征和本质特征之间的依赖关系，减少虚假相关问题，提高分割精度；采用反事实解释方法，对模型结果进行实例级别的解释，提高模型的可信度。

本发明授权基于自注意机制和稳定学习的淋巴瘤超声图像语义分割方法在权利要求书中公布了：1.一种基于自注意机制和稳定学习的淋巴瘤超声图像语义分割方法，其特征在于包括：获取淋巴瘤超声图像，并将图像处理作为训练样本；构建淋巴瘤超声图像分割网络：所述淋巴瘤超声图像分割网络包括数据预处理模块、特征提取网络模块、自注意力机制模块、稳定学习模块、反事实解释模块；自注意力机制模块，具体的运行步骤为：将编码器编码的最后一层特征输入到TSA模块，TSA模块将输入的特征图和生成的位置嵌入向量进行不同的线性变化生成queryQ、keyK、valueV三个向量，用于attention的计算；将Q与K的转置相乘得到Q与K元素之间的相似程度，除以向量Q的维度dk的开方保证softmax的梯度并通过softmax进行归一化，得到一个上下文注意力图A，将A与V相乘得到注意力加权的值，公式如下所示： 将注意力机制模块得到的返回值与最后一层特征进行逐元素相加得到一个融合的特征图F用于解码器的输入；稳定学习模块，具体的运行步骤包括：将特征图输入稳定学习模块，通过随机傅里叶特征将输入的特征从低维度映射到高维度空间，消除特征之间的相关性，随机傅里叶特征公式如下所示： h是对输入的低维度特征x进行随机傅里叶变换后得到的高维空间特征，ω是从标准正态分布中采样的随机变量，ωx表示随机变量ω与x相乘进行变换，是从均匀分布中采样的随机变量；通过计算两个随机变量之间的协方差的最小值得到样本加权权重的最优值w*，公式如下所示： 式子中的n为输入的批次数，即传入的样本特征图的数目，Xi和Xj分别为样本空间中的不同样本的特征图，wi和wj分别为样本Xi和Xj对应的加权权重；通过一个可学习的参数αi来进行全局权重和特征的更新，权重更新公式如下所示：X′Gi＝αiXGi+1-αiXL，W′Gi＝αiWGi+1-αiWL，XGi和XL分别为全局样本特征和当前样本特征，WGi和WL分别为全局样本权重和当前样本权重；将计算出的最优权重与样本的loss值相乘得到新的loss用于模型的训练，loss更新公式如下所示：loss＝SoftDiceLossSR,GT.view1,-1.mmw*.view1， SR和GT分别为模型给出的预测值和真实值；反事实解释模块，具体的运行步骤包括：通过快速位移图像分割算法生成图像的分割片段通过对分割片段进行遮掩，寻找一组不可约片段使得模型的IoU评分减少最多，公式如下所示： TI\STIIoUreduce，I表示生成图像的分割片段，S表示过度分割片段，T表示分割模型；将这组片段映射到原图，生成对模型结果的实例级别的解释。

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东华大学，其通讯地址为：201103 上海市长宁区延安西路1882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”。