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！

龙图腾网恭喜南昌大学申请的专利一种基于深度学习的三维MRI脑肿瘤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：CN114359293B 。

龙图腾网通过国家知识产权局官网在2025-05-16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：202111516472.9，技术领域涉及：G06T7/10；该发明授权一种基于深度学习的三维MRI脑肿瘤分割方法是由邹艳妮;王泽坤;刘小平;刘捷设计研发完成，并于2021-12-10向国家知识产权局提交的专利申请。

本一种基于深度学习的三维MRI脑肿瘤分割方法在说明书摘要公布了：本发明公开了一种基于深度学习的三维MRI脑肿瘤分割方法，包括以下步骤：S1：对三维MRI脑部数据进行预处理并划分数据集，使其满足模型的输入条件。S2：构建并训练深度卷积神经网络，网络框架采用编码器和解码器的形式，并加入了多尺度卷积联合模块和全局上下文聚合模块。S3：对得到的预测数据后处理，进一步提高分割效果。本发明提出的分割方法结合了分割对象的低级特征和高级特征，有效融合了多尺度信息和全局上下文信息并减少了学习到的冗余特征的影响，从而改善了脑肿瘤的分割结果。

本发明授权一种基于深度学习的三维MRI脑肿瘤分割方法在权利要求书中公布了：1.一种基于深度学习的三维MRI脑肿瘤分割方法，其特征在于，包括以下步骤：S1、对三维MRI脑部数据进行预处理并划分数据集；MRI图像有4个不同的模态包括T1、T1ce、T2和FLAIR，把4个数据拼接在一起形成4个输入通道，并做一些必要的数据预处理并划分数据集，数据集划分为训练集、验证集和测试集；S2、构建并训练深度卷积神经网络模型；利用所述训练集对深度卷积神经网络进行训练并利用所述验证集随时对训练的网络进行验证；其中，所述的深度卷积神经网络有一个编码器和对应的解码器，解码器通过跳跃连接获取编码器的特征；S3、对得到的预测数据后处理；将测试数据送入训练好的深度卷积神经网络模型进行预测，输出的特征图经过后处理后，得到最终的肿瘤，通常增强肿瘤区域较难预测，容易产生假阳性的预测结果，所以当预测的增强肿瘤区域过小时，将增强肿瘤区域替换为坏死水肿区域；S2所述的编码器包含3组下采样卷积模块和1组多尺度卷积联合模块，对应的解码器包含3个全局上下文聚合模块；经过预处理的数据输入下采样卷积模块，然后输入到多尺度卷积联合模块完成编码过程；所述的下采样卷积模块包括两个3*3*3卷积，每个卷积后面跟着一个组数为8的组归一化层和一个用来增加非线性的ReLu单元，然后是一个2*2*2最大池化层，每个维度的步幅均为2；所述的多尺度卷积联合模块包含两组不同膨胀率的卷积；这两组卷积以级联的方式组合，每组卷积由3个卷积核大小为3且空洞率不同的空洞卷积和1个1*1*1的卷积以并行的方式叠加；第一组空洞卷积的空洞率为1，2，4；第二组空洞卷积的空洞率为1，2，5；此外，每个卷积核为3*3*3的卷积后面都跟着1个组数为8的组归一化层和一个ReLu线性单元；组内每个卷积都产生相同数量的输出维数；完成编码的特征图输入到由3个全局上下文聚合模块构成的解码器中进行解码，最终输出分割结果；特征图首先由每个维度步幅为2，卷积核为2*2*2的反卷积进行上采样，然后通过元素求和的方式对编码路径和解码路径中具有相同分辨率特征信息进行融合；融合的特征经过2个1*1*1的卷积后得到2个特征图记为特征图A和特征图B，同时也形成了两个分支，记为分支Z1和分支Z2；为了高效地收集每个空间位置的背景信息，在Z1分支首先采取全局平均池化的操作，生成全局上下文特征表示之后再与A相加；然后，得到的特征应用Sigmoid层得到特征权重图S，最后，S与经过卷积操作的特征图A进行元素相乘得到特征图D，随后，特征图D送入到卷积核大小为3*3*3的三维卷积内，并且后面跟着1个组数为8的组卷积以及1个非线性激活函数ReLu，最终得到重新校准后的特征Y1；在Z2分支，让特征图B经过1个各个方向步长为2，卷积核大小为3的3D卷积操作，得到特征图Y2，最后将两个分支的输出Y1和Y2沿着通道的方向拼接在一起形成全局上下文聚合模块输出Y。

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南昌大学，其通讯地址为：330000 江西省南昌市红谷滩新区学府大道999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”。