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！

龙图腾网恭喜黑龙江大学申请的专利一种基于图对比学习的自动化医疗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：CN118071771B 。

龙图腾网通过国家知识产权局官网在2025-04-18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：202410212470.8，技术领域涉及：G06T7/11；该发明授权一种基于图对比学习的自动化医疗图像分割方法是由朱敬华;吴杰;奚赫然设计研发完成，并于2024-02-27向国家知识产权局提交的专利申请。

本一种基于图对比学习的自动化医疗图像分割方法在说明书摘要公布了：本发明提出一种基于图对比学习的自动化医疗图像分割方法，包括：步骤1：对医疗图像进行尺度划分；步骤2：基于尺度划分后的医疗图像块构建基于图对比学习的ViG‑CNNBlock；步骤3：基于图对比学习的ViG‑CNNBlock构建多尺度双分支混合编码器；步骤4：基于多尺度双分支混合编码器提取医疗图像特征；步骤5：设计含有Transformer的BottleNeck模块，基于BottleNeck模块更新医疗图像特征的状态；步骤6：设计基于卷积的特征解码器，将更新后的医疗图像特征输入解码器，完成医疗图像的自动分割。本发明通过逐阶段传递高级语义信息和低级细节信息，增强encoder的学习能力,并在encoder和decoder中加入BottleNeck,在心脏、多器官和脑部不同模态的数据集上的实验结果充分证明了GCV‑UNet的优越性能。

本发明授权一种基于图对比学习的自动化医疗图像分割方法在权利要求书中公布了：1.一种基于图对比学习的自动化医疗图像分割方法，其特征在于，所述基于图对比学习的自动化医疗图像分割方法的步骤包括：步骤1：对医疗图像进行尺度划分；步骤2：基于所述尺度划分后的医疗图像块构建基于图对比学习的ViG-CBlock；步骤2中构建基于图对比学习的ViG-CBlock的步骤包括：步骤2.1：基于K近邻算法对尺度划分后的医疗图像块进行图卷积操作；步骤2.2：在所述图卷积操作后插入非线性激活函数，并对图卷积操作后的医疗图像块中每个节点利用含有两个全链接层的前馈网络进行特征转换；步骤2.3：基于图对比学习算法和所述ViG-CBlock获取尺度划分后的医疗图像块的子图G1和子图G2；步骤2.4：基于所述尺度划分后的医疗图像块的相似子图G1和相似子图G2捕获医疗图像的结构信息并计算图对比损失，完成图对比学习的ViG-CBlock的构建；非线性激活函数的表达式为：Y＝GeLUGraphConvXW1W2+X1公式1中，W1和W2均为线性层的权重，GeLU为激活函数，X为图卷积操作后的医疗图像块；尺度划分后的医疗图像块进行特征转换的表达式为：Z＝GeLUYW1′W2′+Y2公式2中，W1′和W2′均为全链接层的权重，Y为非线性激活函数；步骤2.4中计算图对比损失的步骤包括：步骤2.4.1：获取所述相似子图G1和相似子图G2的特征向量x1和x2，并将特征向量x1和x2分别输入ViG-CBlock中获取特征向量z1和z2；步骤2.4.2：将特征向量z1输入MLP层的预测头，得到预测向量p1，并通过梯度停止防止ViG-CBlock坍塌；步骤2.4.3：基于预测向量p1和特征向量z2计算相似子图G1和相似子图G2的对比损失；步骤2.4.4：基于所述相似子图G1和相似子图G2的对比损失计算编码器的全局对比损失；相似子图G1和相似子图G2的对比损失的表达式为： 公式7中，p1为特征向量z1的预测向量；编码器的全局对比损失的计算表达式为： 公式8中，Lc为编码器的全局对比损失，p2为特征向量z2的预测向量；步骤3：基于所述图对比学习的ViG-CBlock构建多尺度双分支混合编码器；步骤4：基于所述多尺度双分支混合编码器提取医疗图像特征；步骤5：设计含有Transformer的BottleNeck模块，基于BottleNeck模块更新所述医疗图像特征的状态；步骤6：设计基于卷积的特征解码器，将所述更新后的医疗图像特征输入解码器，完成医疗图像的自动分割。

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黑龙江大学，其通讯地址为：150000 黑龙江省哈尔滨市南岗区学府路74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”。