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！

龙图腾网恭喜江西师范大学申请的专利一种基于混合模型的结肠镜息肉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：CN119048763B 。

龙图腾网通过国家知识产权局官网在2025-04-08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：202411529326.3，技术领域涉及：G06V10/26；该发明授权一种基于混合模型的结肠镜息肉图像分割方法是由陈华;吴子煌;王千;叶友辉;李宏伟;周新宇设计研发完成，并于2024-10-30向国家知识产权局提交的专利申请。

本一种基于混合模型的结肠镜息肉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混合模型的结肠镜息肉图像分割方法，方法包括：步骤S1：构建数据集；步骤S2：构建息肉图像分割网络，导入步骤S1中数据集的结肠镜息肉图像至Res2Net骨干，获取图像的多级特征；步骤S3:导入步骤S2的图像的多级特征至特征提取模块；步骤S4：通过专家路由模块对步骤S3中的特征分别进行通道维度拼接，获取对应的权重图，并进一步获取组合特征图；步骤S5：特征融合模块对步骤S4的组合特征图进行池化卷积获取分割图像。本发明设计的特征提取模块能捕获息肉图像中不同的特征，这些特征的有效融合成功提升了模型的性能；基于此将息肉图像进行分割解耦，在推理过程中能减少特征之间的干扰从而获取更准确的分割图像。

本发明授权一种基于混合模型的结肠镜息肉图像分割方法在权利要求书中公布了：1.一种基于混合模型的结肠镜息肉图像分割方法，其特征在于，所述方法包括：步骤S1：构建数据集，数据集包括若干结肠镜息肉图像；步骤S2：构建息肉图像分割网络，息肉图像分割网络包括Res2Net骨干、特征提取模块、专家路由模块和特征融合模块，导入步骤S1中数据集的结肠镜息肉图像至Res2Net骨干，获取图像的多级特征，分别为第一图像多级特征、第二图像多级特征、第三图像多级特征和第四图像多级特征；步骤S3：导入步骤S2的图像的多级特征至特征提取模块，分别获取用于边界感知的第一空间图像特征、保留丰富息肉内部特征的第二空间图像特征、保留外部空间细节的第三空间图像特征和多尺度的全局空间图像特征；步骤S4：通过专家路由模块对步骤S3中的第一空间图像特征、第二空间图像特征、第三空间图像特征和全局空间图像特征分别进行通道维度拼接，获取对应的权重图，并进一步获取组合特征图；步骤S5：特征融合模块对步骤S4的组合特征图进行池化卷积获取最终的分割图像；步骤S6：构建损失函数，最小化损失函数以优化息肉图像分割网络的参数；步骤S2中的Res2Net骨干包括若干串联的编码器块；编码器块分别为第一、第二、第三、第四和第五编码器块；步骤S2中的获取图像的多级特征的过程具体为；导入步骤S1中数据集的图像,通过Res2Net骨干的编码器块，获得图像的多级特征,其中，，表示实数集，表示图像的高度，表示图像的宽度，表示每层编码器块对应的通道数；剔除大空间分辨率的多级特征，获得第一图像多级特征、第二图像多级特征、第三图像多级特征和第四图像多级特征；步骤S3中的特征提取模块包括第一空间专家组件、第二空间专家组件、第三空间专家组件和全局空间专家组件；步骤S3具体为：步骤S31：第一空间专家组件对步骤S2中的第一图像多级特征进行特征提取，获取高频的用于边界感知的第一空间图像特征；步骤S31具体为：步骤S311：将步骤S2中产生的第一图像多级特征分离成高频特征和低频特征；表示为： ； ；其中，表示卷积核大小为3的卷积操作，表示内核大小为，步长为2的平均池化操作；步骤S312:通过八度卷积将具有丰富边界和轮廓信息的高频特征与具有全局结构的低频特征进行特征交互，获取高频边界信息和低频边界信息，表示为： ； ；其中，表示具有可学习参数的卷积操作，表示对高频特征内核大小为的平均池化操作，表示用于从高频输入到高频输出的卷积核，表示用于从低频输入到高频输出的卷积核，表示用于从高频输入到低频输出的卷积核，表示用于从低频输入到低频输出的卷积核，表示通过对卷积获取的最近邻插值进行倍上采样的操作；步骤S313：舍弃低频边界信息，仅保留高频边界信息作为图像的用于边界感知的第一空间图像特征，表示为： ；步骤S32：第二空间专家组件和第三空间专家组件分别接收第二图像多级特征和第三图像多级特征作为输入，获取保留丰富息肉内部特征的第二空间图像特征和保留外部空间细节的第三空间图像特征；步骤S32具体为：步骤S321：通过一个卷积核大小为1的卷积操作来压缩第二图像多级特征和第三图像多级特征的通道数，减少信息冗余和计算量，表示为： ； ；其中，表示卷积核大小为1的卷积操作,表示第二压缩图像多级特征，表示第三压缩图像多级特征；步骤S322：然后分别采用水平池化和垂直池化来捕捉第二压缩图像多级特征和第三压缩图像多级特征在水平方向和垂直方向的上下文信息，并使用广播加法来建模矩形感兴趣区域；获取水平方向和垂直方向的上下文信息的过程表示为： ； ； ；其中，和分别表示水平池化和垂直池化操作，和分别表示水平方向和垂直方向的上下文信息，共同构成粗略区域；步骤S323：将获得的粗略区域通过卷积以进行细化，并得到空间注意力图，也即矩形感兴趣区域，表示为： ；其中，表示卷积核大小为3的卷积操作，表示广播加法操作；步骤S324：将获得的空间注意力图与第二图像多级特征和第三图像多级特征相乘，获取第二空间图像特征和第三空间图像特征；表示为： ；其中，，表示逐元素相乘；步骤S33：通过全局空间专家组件获取多尺度的全局空间图像特征；步骤S33具体为：步骤S331：全局空间专家组件分别通过不同的池化层和卷积层，以及使用不同的卷积核大小和步长来提取第四图像多级特征的多尺度特征，分别为第一多尺度特征、第二多尺度特征、第三多尺度特征和第四多尺度特征，表示为： ； ； ； ；其中，表示全局平均池化，表示内核大小为5，步长为2的平均池化操作,表示内核大小为3，步长为1的平均池化操作，表示卷积核大小为1的卷积操作；步骤S332：利用第四多尺度特征进一步分别引导第一多尺度特征、第二多尺度特征和第三多尺度特征，并进一步通过卷积获取第个尺度上的交互多尺度特征，表示为： ； ；其中，表示上采样操作；步骤S333：将第个尺度上的交互多尺度特征彼此相互连接并进行卷积以减少通道数量；最后与输入的第四图像多级特征相加，获得全局空间图像特征，表示为： ；其中，表示在通道维度上拼接；步骤S4具体为：步骤S41：将第一空间图像特征、第二空间图像特征、第三空间图像特征和全局空间图像特征沿通道维度拼接，并通过多层感知机和激活函数层，将拼接的特征处理为权重图，表示为： ；其中，表示多层感知机，表示激活函数层；获得四个权重图,每个权重图的大小为，表示图像的高度，表示图像的宽度；权重图的约束条件表示为： ；步骤S42：对上采样的第一空间图像特征、第二空间图像特征、第三空间图像特征和全局空间图像特征根据权重图进行重新加权，生成组合特征图，表示为： ； ；其中，表示逐像素相乘。

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江西师范大学，其通讯地址为：330000 江西省南昌市高新技术开发区紫阳大道99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”。