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！

龙图腾网恭喜深圳先进技术研究院;深圳理工大学申请的专利脑部CT图像的分割模型的训练方法、分割方法和训练装置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：CN113808085B 。

龙图腾网通过国家知识产权局官网在2025-05-02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：202110996998.5，技术领域涉及：G06T7/00；该发明授权脑部CT图像的分割模型的训练方法、分割方法和训练装置是由黄成健;胡庆茂设计研发完成，并于2021-08-27向国家知识产权局提交的专利申请。

本脑部CT图像的分割模型的训练方法、分割方法和训练装置在说明书摘要公布了：本发明公开了一种脑部CT图像的分割模型的训练方法、分割方法和训练装置。该训练方法包括：获取待训练的编码网络根据带标签信息的脑部CT样本图像得到的输入特征图，获取待训练的解码网络根据输入特征图得到的分割结果，解码网络对若干不同通道数的特征图进行空间信息融合处理和通道信息融合处理，并对得到的空间融合特征和通道融合特征进行聚合处理，得到分割结果；计算分割结果与脑部CT样本图像的标签信息之间的差异，并根据差异更新编码网络和解码网络的模型参数。在训练过程中通过空间信息融合提取编码阶段丰富的空间信息，提高分割的精度，同时通过通道信息融合建立通道之间的动态非依赖关系，简化学习过程，显著地增强了模型的表征能力。

本发明授权脑部CT图像的分割模型的训练方法、分割方法和训练装置在权利要求书中公布了：1.一种脑部CT图像的分割模型的训练方法，其特征在于，待训练的分割模型包括编码网络和解码网络，所述训练方法包括：获取待训练的编码网络根据带标签信息的脑部CT样本图像得到的输入特征图，所述输入特征图包括若干不同通道数的特征图，包括：对所述带标签信息的脑部CT样本图像进行卷积处理得到底层特征图；对所述底层特征图依次进行若干次卷积池化处理，得多若干份通道数递增的中间层特征图，其中第一次卷积池化处理的输入为所述底层特征图，每次卷积池化处理后输出一份中间层特征图并作为下一次卷积池化处理的输入；对最后一次卷积池化处理后输出的中间层特征图进行非局部注意力处理，得到高层特征图，所述底层特征图、除最后一次卷积池化处理后输出的中间层特征图之外的其他中间层特征图、所述高层特征图构成所述输入特征图；获取待训练的解码网络根据所述输入特征图得到的分割结果，其中所述解码网络对若干不同通道数的特征图进行空间信息融合处理和通道信息融合处理，并对得到的空间融合特征和通道融合特征进行聚合处理，得到分割结果；计算所述分割结果与脑部CT样本图像的标签信息之间的差异，并根据所述差异更新所述编码网络和所述解码网络的模型参数；所述解码网络包括由高级别至低级别依次级联的若干融合模块，每个所述融合模块包括空间融合单元、通道融合单元、聚合单元和上采样卷积单元，所述空间融合单元用于对特征图的空间信息进行加权处理，所述通道融合单元用于对特征图的通道信息进行加权处理，所述聚合单元用于聚合所述空间融合单元和所述通道融合单元的输出数据，所述上采样卷积单元用于对上一级所述融合模块的聚合单元输出的数据进行上采样、反卷积和卷积处理，并将得到的数据作为所述通道融合单元的输入数据，其中最高级的融合模块的上采样卷积单元的输入数据为所述高层特征图，各个融合模块的空间融合单元的输入数据为所述输入特征图中除所述高层特征图之外的其他特征图，且空间融合单元的输入数据的通道数随着级别递减，最低级的融合模块的聚合单元的输出数据为分割结果；所述空间融合单元对特征图的空间信息进行加权处理的方法包括：分别计算输入的特征图各像素的空间信息集合的平均值和最大值，得到平均值特征图和最大值特征图；分别对所述平均值特征图和所述最大值特征图进行卷积处理，并通过PReLu函数激活，得到空间信息权重；根据将所述空间信息权重与所述输入的特征图进行矩阵乘法运算，得到所述空间融合单元的输出数据；所述通道融合单元对特征图的通道信息进行加权处理的方法包括：分别对输入的特征图进行全局最大化处理和全局平均池化处理，并对全局最大化处理和全局平均池化处理得到结果进行矩阵加法运算，得到通道信息权重；根据所述通道信息权重对所述输入的特征图进行sigmoid变换，得到所述通道融合单元的输出数据。

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深圳先进技术研究院;深圳理工大学，其通讯地址为：518055 广东省深圳市南山区西丽大学城学苑大道1068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”。