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扩散模型的颈椎椎骨分割及关键点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：CN119180954B 。

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：202411219880.1，技术领域涉及：G06V10/26；该发明授权一种基于扩散模型的颈椎椎骨分割及关键点检测方法是由赵悦;汪雯笛;陈鑫柠;柳银设计研发完成，并于2024-09-02向国家知识产权局提交的专利申请。

本一种基于扩散模型的颈椎椎骨分割及关键点检测方法在说明书摘要公布了：本发明提供一种基于扩散模型的颈椎椎骨分割及关键点检测方法，涉及医学图像处理技术领域，本发明通过扩散模型对颈椎骨图像进行去噪处理，提升了图像质量，为后续分割和关键点检测奠定了基础；结合深度学习技术的模型能精确提取颈椎骨区域和关键点位置，为骨龄分期提供了可靠的数据支持；基于这些结果进行的骨龄分期，能够客观、量化地评估患者的生长发育程度，辅助医生制定个性化正畸治疗方案，此外，结合生物力学模型生成的应力分布图和预处理图像的自适应分割模型，能够根据个体差异调整分割策略，提高精度和鲁棒性；同时，血流速度和温度分布等参数纳入机器学习模型，为颈椎骨龄分期提供了新指标，增强了评估的个性化和准确性。

本发明授权一种基于扩散模型的颈椎椎骨分割及关键点检测方法在权利要求书中公布了：1.一种基于扩散模型的颈椎椎骨分割及关键点检测方法，其特征在于，具体步骤包括：获取头颅侧位片图像数据集，对图像数据集进行预处理，并将预处理后的图像数据集划分为训练集和测试集；具体包括：预处理包括对头颅侧位片图像转为RGB的统一格式；之后对头颅侧位片图像进行归一化处理；对图像数据集中每个头颅侧位片图像样本的颈椎骨节进行标注，包括颈椎骨节关键点和分割区域的标注，得到多个包括标注好的颈椎区域图像的数据；采集颈椎区域的生物力学参数，生物力学参数包括椎骨间的应力分布、旋转角度和位移数据，将采集的生物力学数据与经过预处理后的图像数据集进行整合，形成一个增强特征集；具体包括：对于生物力学参数的采集：采用有限元分析软件来模拟颈椎区域的生物力学行为；利用从图像数据集中提取的几何信息，构建三维颈椎模型；并设置各材料的力学属性，力学属性为杨氏模量和泊松比；设置边界条件和加载条件，以模拟实际生理条件下颈椎的运动和负荷情况；利用有限元分析软件对三维颈椎模型进行有限元分析，计算在不同载荷和运动条件下各椎骨的应力分布、旋转角度和位移；应力分布计算公式： 其中，σ′为应力，Fz为作用力，As为作用面积；使用以下公式计算位移和旋转角度： 其中，Δx和Δy为位移差，θ为旋转角度，xnew为当前位置的横坐标，xoriginal为原始位置的横坐标，ynew为当前位置的纵坐标，yoriginal为原始位置的纵坐标；arctan为反正切函数；其中，当患者自然站立时，颈椎的正常生理曲度对应位置是原始位置；对于生物力学参数数据与图像数据的整合：将通过有限元分析获得的三维生物力学数据投影到预处理后的二维头颅侧位片图像上；对于增强特征集的生成：将每个预处理后的图像像素点与相应的生物力学参数融合，生成一个包含多模态信息的增强特征向量v，定义为：v＝[Ix,y,σ′x,y,θx,y,Δxx,y,Δyx,y]其中，Ix,y为x,y处的图像像素值，σ′x,y为应力值，θx,y为x,y处的旋转角度，Δxx,y和Δyx,y为x,y处的位移差；对增强特征集进行标准化处理，使所有特征均具有相同的尺度；获取增强特征集，将增强特征集输入到基于Transformer和CNN的颈椎骨分割模型中，并引入扩散模型，通过迭代优化逐步细化分割结果，进而对颈椎骨进行分割；对预处理图像的训练集和测试集进行多尺度特征提取，并将不同尺度的特征进行上采样和融合，生成关键点热力图；结合红外热成像技术获取颈椎区域的微循环血流特征，并提取微循环血流特征中的关键参数，关键参数包括血流速度和温度分布，将关键参数整合入关键点热力图中，得到增强热力图；利用基于温度梯度和血流速度的多变量回归模型，结合图像分割结果，进行颈椎骨龄分期的多尺度分析；具体包括：对于红外热成像数据获取与预处理：使用高分辨率红外热成像设备对患者颈椎区域进行成像，获取微循环血流特征的热成像图像；将热成像图像与颈椎骨分割结果图像进行配准；对于提取微循环血流特征：从热成像图像中提取颈椎区域的温度分布数据；对于每个像素点，定义温度矩阵Tx′,y′表示位置x′,y′处的温度值；根据温度分布的梯度估算血流速度；首先计算温度梯度 建立一个基于温度梯度的血流速度估算模型，设置血流速度vx′,y′与温度梯度成正比，表示为： 其中，k′为比例系数，表示温度梯度与血流速度之间的关系；对于将关键参数整合入关键点热力图：构建一个基于温度梯度和血流速度的多变量回归模型，多变量回归模型的公式为：Rx′,y′＝α·vx′,y′+β·Tx′,y′+γ其中，Rx′,y′为热力图响应值，vx′,y′为血流速度，Tx′,y′为温度值，α、β、γ为回归系数；将回归模型的输出值与之前生成的关键点热力图进行融合，得到最终的增强热力图；增强热力图表示为：Henhancedx′,y′＝SigmoidHoriginalx′,y′+Rx′,y′其中，Henhancedx′,y′为增强热力图在位置x′,y′处的值，Horiginalx′,y′为初始关键点热力图在位置x′,y′处的值，Rx′,y′为多变量回归模型的输出值；Sigmoid函数用于将增强热力图的输出值归一化到0到1之间；对于颈椎骨龄分期的多尺度分析：将增强后的热力图与分割后的颈椎骨图像特征结合，形成一个联合特征向量；该向量包括颈椎骨的几何形状特征、微循环血流特征和温度分布特征；通过以下公式组合：Fcombined＝[Fbone,Henhanced,Tx′,y′,vx′,y′]其中，Fbone为颈椎骨分割图像的几何形状特征，Fcombined为联合特征向量；利用形成的联合特征向量，使用基于多尺度分析的回归模型进行颈椎骨龄分期预测；多尺度回归模型的公式为：Agepredicted＝w1·Fbone+w2·Henhanced+w3·Tx′,y′+w4·vx′,y′+b″其中，Agepredicted为预测的骨龄，w1、w2、w3、w4为学习到的正权重系数，b″为偏置项，基于增强热力图进行不确定性分布，用最大似然估计的方法从增强热力图中拟合出每个关键点的高斯分布参数，用多个关键点的高斯分布参数来构造高斯混合模型，作为初始的不确定性分布；构建一个可学习的高斯混合模型来模拟扩散过程，捕捉关键点位置的不确定性演化特性，将高斯混合模型的参数作为输入，通过可学习的扩散模型来迭代模拟不确定性的动态演化；具体包括：将初始的高斯混合模型作为输入，通过可学习的扩散模型来迭代模拟不确定性的动态演化；利用初始化的不确定性分布HK的参数，运行高斯混合噪声的期望最大化算法，进而拟合出每个关键点位置的协方差矩阵；定义高斯混合模型的高斯分量数量为M′，用来表示关键点不确定性分布的混合成分数，其次，使用EM算法优化高斯混合模型参数φGMM；获取手动标注的关键点分布H0，设定每个关键点位置都是一个确定的颈椎关键点坐标值，利用拟合好的GMM模型φGMM，计算出每个关键点位置对应的高斯分布参数；在H0上进行正向扩散过程，经过K步后，定义最终的关键点不确定性分布等于拟合的GMM分布φGMM；将预处理图像包括的训练集和测试集输入到背景编码器中，以提取全局的语义特征向量和局部空间特征，并用注意力机制进行特征融合，得到最终的融合特征；将融合后的特征作为输入，利用图像的全局和局部上下文信息，通过反向扩散的方式来约束关键点的生成过程，从而实现关键点检测；将当前待测的头颅侧位片图像数据集输入到上述构建的扩散模型中，利用该模型对图像数据集进行颈椎椎骨分割及关键点检测，生成分割结果和关键点位置。

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 重庆市南岸区黄桷垭崇文路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”。