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！

龙图腾网恭喜重庆邮电大学申请的专利一种基于知识与数据融合驱动的多模态医学影像目标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：CN115115662B 。

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：202210767851.3，技术领域涉及：G06T7/12；该发明授权一种基于知识与数据融合驱动的多模态医学影像目标分割方法是由赵立明;黄涛;张亚博;黄俊之;孙浩文设计研发完成，并于2022-07-01向国家知识产权局提交的专利申请。

本一种基于知识与数据融合驱动的多模态医学影像目标分割方法在说明书摘要公布了：本发明属于医学图像处理领域，特别涉及一种基于知识与数据融合驱动的多模态医学影像目标分割方法，该方法包括：获取待检测的医学图像，对待检测的医学图像进行增强处理；将增强后的医学图像输入到训练好的目标分割模型中，得到分割结果；所述目标分割模型包括骨干网络和分割网络；本发明提出了面向深度神经网络高效训练的2D3D数据处理技术，最大化保留图像特征的同时有效扩充数据集，提高深度神经网络的泛化性能；本发明还利用可分离卷积和空洞卷积进行跃层连接得到更优的骨干网络，有效扩大感受野的同时时间复杂度较小。

本发明授权一种基于知识与数据融合驱动的多模态医学影像目标分割方法在权利要求书中公布了：1.一种基于知识与数据融合驱动的多模态医学影像目标分割方法，其特征在于，该方法包括：获取待检测的医学图像，对待检测的医学图像进行增强处理；将增强后的医学图像输入到训练好的目标分割模型中，得到分割结果；所述目标分割模型包括骨干网络和分割网络；对目标分割模型进行训练的过程包括：S1：获取不同用户的多模态医学影像数据，并对每个多模态医学影像数据标注出组织器官轮廓；S2：对划分出组织器官轮廓的多模态医学影像数据进行数据增强，得到训练数据集；S3：以人体解剖结构模型图库为先验知识，构建不同身体区域的最优层次结构树；S4：将训练数据集中的数据输入到对应的最优层次结构树中，从最优层次结构树的根节点出发进行层序遍历，得到定位框；S5：采用骨干网络对增强后的图像进行特征提取，得到特征图；骨干网络为全卷积神经网络，该网络结构由初始层、跃层连接块、非线性层、转换层以及卷积层构成；采用骨干网络对增强后的图像进行特征提取的过程包括：S51：根据定位框对增强后的图像数据进行定位；S52：对定位框内的图像进行尺寸归一化处理，得到尺寸一致的待分割图像区域；S52：将待分割图像区域输入到初始层中捕获底层细节，得到特征图C1；S53：将特征图C1输入第一卷积层中，得到非线性信息和跃层信息；S54：将非线性信息和跃层信息输入到第一转换层中增加通道数，并进行2倍下采样，得到特征图C2；S55：将特征图C2顺序输入到第二卷积层、第二转换层以及第三卷积层中得到最终的特征图C3；S6：根据定位框采用分割网络对特征图进行定位分割处理，得到分割结果；分割网络包括全卷积神经网络和全连接分类网络；采用分割网络对特征图进行分割处理的过程包括：S61：根据目标区域在最优结构层次树中的位置，动态选择全卷积神经网络FCCN分支或全连接分类网络FCNN分支对特征图C3进行分割；其中，FCCN分支负责分割稀疏的细长器官，FCNN分支负责分割大体积组织器；S62：将特征图C3输入到FCCN分支中，经过第一卷积层和第二卷积层后得到特征图C4；将特征图C4输入到第三卷积层中，得到特征图C5；对特征图C5进行平均池化后输入到全连接层和softmax层中，得到分割结果；S63：将特征图C3输入到FCNN分支进行卷积和最大池化操作，得到特征图C4；将特征图C4作为输入重新进行卷积和最大池化操作，得到特征图C5；将特征图C5作为输入重新进行卷积和最大池化操作，得到特征图C6；最后对特征图C6进行上采样恢复到原图尺寸，并输入到softmax层，得到分割结果；S7：根据分割结果计算模型的损失函数，不断调整参数，当损失函数收敛时完成模型的训练。

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重庆邮电大学，其通讯地址为：400065 重庆市南岸区南山街道崇文路2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”。