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！

龙图腾网恭喜江苏济远医疗科技有限公司申请的专利一种基于多步迭代优化的医学图像小目标异常检测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：CN118396943B 。

龙图腾网通过国家知识产权局官网在2025-05-06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：202410480509.4，技术领域涉及：G06T7/00；该发明授权一种基于多步迭代优化的医学图像小目标异常检测方法是由曹黎俊;张云飞;蔡占毅;谢元涛设计研发完成，并于2024-04-22向国家知识产权局提交的专利申请。

本一种基于多步迭代优化的医学图像小目标异常检测方法在说明书摘要公布了：本发明公开了一种基于多步迭代优化的医学图像小目标异常检测方法，该方法包括以下步骤：1将预处理后的图像，通过物理模型将其分离为低秩背景和稀疏目标；2提取到的特征低秩背景B和稀疏目标T，通过约束稀疏目标T来恢复能与给定D配对的低秩背景B；3参数通过N个合成阶段传递，每个阶段对应于一个迭代矩阵低秩稀疏分解过程，以模拟模型驱动方法中多次迭代的更新操作；4网络模型的损失，进行模型参数更新，并输出结果。属于图像处理技术领域。本发明方法提高检测的准确性和解释性，并通过网络模拟来解决优化步骤，架构有效地指导神经层学习低秩背景和稀疏目标，以近乎“白盒”的方式促进检测任务。

本发明授权一种基于多步迭代优化的医学图像小目标异常检测方法在权利要求书中公布了：1.一种基于多步迭代优化的医学图像小目标异常检测方法，其特征在于：包含以下步骤：步骤1：输入一张医学图像，将其转换为灰度图像，并进行预处理，包含有：图像缩放，Gamma变换，随机水平翻转，随机垂直翻转，中心裁剪，随机角度旋转，标准化；步骤2：将预处理后的图像D，通过物理模型将其分离为低秩背景B和稀疏目标T；步骤3：更新参数初始化为D0＝D，T0＝0；所述步骤3中图像D∈RH×W，其中R表示图像矩阵，H和W分别为图像的高和宽；步骤4：将步骤3中更新参数初始化为D0，T0，送入背景估计模块、目标提取模块和图像重建模块；所述步骤4中背景估计模块的表达式为：Bn＝Dn-1-Tn-1+FnDn-1-Tn-1其中：Fn·是一个3×3卷积组，其包括一个lB由卷积层、归一化层和ReLU激活函数层构成的中间层构成；两个卷积层，分别是特征提取层和图像重构层；目标提取模块采用更新后的背景Bn、目标Tn-1和重建结果Dn-1作为输入，将参数学习任务指派给ε，记作εn，这是一个可学习的标量，独立于每个重建阶段，并且不共享参数；此处目标提取模块的表达式为：Tn＝Tn-1+Dn-1-Bn-εnGnTn-1+Dn-1-Bn其中，Gn·包括一个初始卷积层、lT个中间层和一个重建层，中间层由卷积层和ReLU激活函数层构成；图像重建模块它将分解任务转换为一个图像重建任务，该模块采用了一个简单的且合适的CNN架构来学习图像特征并有效地映射分解后的背景和目标；此处图像重建模块的表达式为：Dn＝MnBn+Tn其中，Mn·与Fn·相似，它具有三种类型的卷积层，分别是特征提取层、中间层lD、图像重构层，其中lD＝3；步骤5：将步骤4中的参数通过N个合成阶段传递，每个阶段按照所述的背景估计模块、目标提取模块和图像重建模块进行迭代更新，生成新的重构图像Dn，其中n∈{1,...,N}；步骤6：将步骤5中所有分解阶段完成后，通过约束背景RB优化Bn以更好地匹配给定图像D，并通过目标图像的先验知识ST先验约束进一步优化目标Tn；所述步骤6中将检测问题转化为： 其中，μ是一个惩罚系数，α表示一个正的权衡参数，‖·‖F表示F-范数，F-范数的定义为Xij是矩阵X中第i行和第j列的元素；RB和ST分别是约束背景和目标图像的先验知识；在优化过程中，通过迭代方法交替更新背景Bn和目标Tn的估计；每次迭代都旨在最小化LB,T，同时满足图像的约束条件；步骤7：将输出低秩背景Bn和稀疏目标Tn计算目标分割损失函数Ls；步骤8：将图像重建模块的输出Dn，使用与原始图像D的最小二乘误差来衡量图像重建性能，图像重建损失函数Lb；步骤9:由上述的两种损失Ls、Lb计算得到整个网络模型的损失，计算得到Ltotal；步骤10：根据整个网络模型的损失和Ltotal，进行模型参数更新；步骤11：重复步骤2-步骤10，直到训练次数达到预期值。

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苏济远医疗科技有限公司，其通讯地址为：225300 江苏省泰州市海陵区梅兰东路59号中节能(泰州)环保科技产业园48幢厂房；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”。