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！

龙图腾网恭喜安徽大学申请的专利基于对比学习和空间编码的弱监督医学图像分割配准协同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：CN115018856B 。

龙图腾网通过国家知识产权局官网在2025-04-29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：202210755316.6，技术领域涉及：G06T7/10；该发明授权基于对比学习和空间编码的弱监督医学图像分割配准协同方法是由屈磊;陶在洋;吴军;欧阳磊;朱铃菲;刘仲文;赵靖雨;姚亚虎设计研发完成，并于2022-06-29向国家知识产权局提交的专利申请。

本基于对比学习和空间编码的弱监督医学图像分割配准协同方法在说明书摘要公布了：本发明提供了一种基于对比学习和空间编码的弱监督医学图像分割配准协同方法，通过先构建图像分割模型，用少量标注图像预训练分割模型；获取医学图像数据及其器官分割标注，将其划分为浮动图像和固定图像；使用分割模型预测没有分割标注的图像分割标注；使用预测的分割标注计算图像的空间编码用于配准网络的训练；使用分割标注计算结构对应信息用于像素级Siamese网络的训练；使用配准模型生成增广数据结合Siamese网络进行分割模型的再训练，重复训练直到多个模型收敛。通过以上的配准和分割模型，大大提升了小样本情况下医学图像分割和配准任务的表现，实现了医学图像配准和分割任务之间的协同联合处理。

本发明授权基于对比学习和空间编码的弱监督医学图像分割配准协同方法在权利要求书中公布了：1.一种基于对比学习和空间编码的弱监督医学图像分割配准协同方法,其特征在于，所述方法包括：获取待处理医学图像；根据预先训练的配准和分割模型执行对所述医学图像执行配准和分割的协同处理；所述配准和分割模型基于如下步骤预先训练生成：S1，用少量有标注的医学图像数据搭建分割模型，进行预训练，使用预训练的分割模型预测其余图像的分割标注；S2，将获取的医学图像数据以是否拥有手工分割标注划分为浮动图像和固定图像；S3，使用分割模型预测图像的分割标注，用预测的分割标注生成相应的空间编码，并使用该编码信息训练Voxel-Morph配准模型；所述S3，使用分割模型预测图像的分割标注，用预测的分割标注生成相应的空间编码，并使用该编码信息训练Voxel-Morph配准模型，包括：S31，将每对图像中的固定图像送入分割模型中，得到预测的分割标注；S32，将图像对中图像的分割标注转为one-hot编码，方便后面的计算；S33，对三维医学图像中的每一个体素都进行空间编码的计算，计算方式如下式： 如上式所示，每个体素的空间编码有三位组成，表示三维图像中坐标为x,y,z的体素的第n位编码，labelone-shot表示图像的one-hot编码形式的分割标注，其数学表示为一个四维矩阵，i、l、w、h分别表示为所属的解剖结构、长度、宽度和高度；S34，将每张图像的编码与原图像在相互连接，成为一张四通道的图像，其中原图像占据一个通道，空间编码占据三个通道；S35，搭建的配准模型采用Voxel-Morph网络架构，将原本的2输入通道修改为6输入通道以便适应增添了空间编码之后新的输入类型；S36，训练好的配准模型会输出能够将浮动图像配准至固定图像的形变场，如下式所示：Φ＝RegerImov,Ifix 其中Reger表示配准模型，Imov和I′mov分别表示浮动图像和浮动图像向固定图像配准后的结果，Φ表示网络输出的形变场，符号表示通过形变场对图像进行变形操作；S4，将数据集中的图像进行随机配对，使用配对的两张图像预测的分割标签来生成纹理对应图，使用纹理对应图来训练像素级Siamese模型；所述S4，将数据集中的图像进行随机配对，使用配对的两张图像预测的分割标签来生成纹理对应图，使用纹理对应图来训练像素级Siamese模型，包括：S41，由于Siamese网络的处理对象是一对图像，所以首先将用于训练的医学图像数据集进行随机两两配对，将这两张图像的分割标注转换成one-hot编码；S42，使用分割模型所预测出的分割标注来计算两张图像之间的结构对应情况，计算过程如下式： 其中，Ppos和Pnat分别表示两张配对的两张图像结构相对应的区域和结构不对应的区域；和分别表示两张图像的one-hot分割标注；S43，使用由分割标注计算得到的监督信息进行Siamese网络的训练，其目标函数由两部分组成，第一部分是对比损失函数，计算公式如下：L＝meanPpos·d2+Pnat·maxmargan-d,02其中，L表示最终用于反向传播的目标函数数值，d表示两张图片在经过Siamese网络编码之后的特征向量的欧氏距离，margin是一个人为设置的阈值；上述目标函数能够约束Siamese网络将图像对应的结构区域的编码结果一致，反之则将差异变大；S44，第二部分的目标函数是用来约束网络最终的输出结果，使得我们能够通过Siamese网络得到一个反应输入图像对之间相同位置上纹理对应情况的一个置信图，其公式如下： 其中，N表示图像矩阵中的体素数量，Pacm表示Siamese网络输出的置信图；S5，使用Voxel-Morph配准模型为分割网络生成增广数据，其中包括全监督数据与弱监督数据，使用Siamese网络对其中的弱监督数据进行筛选加权，降低其中错误信息的影响，并使用这些信息对分割网络进行再训练；S6，重复步骤S3到步骤S5，直到配准模型和分割模型收敛，以生成配准和分割模型。

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安徽大学，其通讯地址为：230601 安徽省合肥市经济技术开发区九龙路111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”。