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！

龙图腾网恭喜吉林大学申请的专利一种基于深度学习的脊柱区域超声图像语义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：CN119625322B 。

龙图腾网通过国家知识产权局官网在2025-05-30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：202510157012.3，技术领域涉及：G06V10/26；该发明授权一种基于深度学习的脊柱区域超声图像语义分割方法是由王昌龙;周柚;金颖;李沅书;王鏐璞;杜伟设计研发完成，并于2025-02-13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脊柱区域超声图像语义分割方法在说明书摘要公布了：本发明适用于医学图像处理技术领域，提供了一种基于深度学习的脊柱区域超声图像语义分割方法，包括以下步骤：将采集到的脊柱侧弯患者的脊柱区域超声视频数据转换为JPG格式的图片集合，对棘突和横突区域清晰的图像进行预处理；标注棘突和横突区域，得到用来语义分割的标签，利用棘突类和横突类的标签生成辅助类标签，构建出脊柱区域超声图像数据集；将数据集划分为训练集、验证集和测试集；生成反映先验知识的概率热图；设计特定的神经网络模型结构；在数据集上训练和测试模型，以实现对图像中棘突类和横突类的精准分割。本发明不仅实现了脊柱区域超声图像的精准分割，更为后续的脊柱模型重建及Cobb角的测量工作提供了强有力的支持。

本发明授权一种基于深度学习的脊柱区域超声图像语义分割方法在权利要求书中公布了：1.一种基于深度学习的脊柱区域超声图像语义分割方法，其特征在于，包括以下步骤：步骤A、构建数据集：将采集到的脊柱区域超声视频数据转换成JPG格式的图片集合，选择棘突和横突区域清晰的图像进行预处理，并对图像中的棘突和横突区域进行标注，得到对应标签图，即棘突类标签和横突类标签，利用棘突类标签和横突类标签生成辅助类标签，构建出脊柱区域超声图像数据集，数据集中图像尺寸为448pix×448pix；步骤B、划分数据集：将得到的数据集划分成三个部分，即训练集、验证集和测试集；步骤C、生成概率热图：利用步骤B中得到的训练集中各类标签生成可反映先验知识的概率热图；步骤D、搭建神经网络模型：设计可结合步骤C中得到的概率热图以提高分割性能的神经网络模型SpineHNet；步骤E、模型训练与验证：使用步骤B中划分的训练集和验证集对步骤D中设计的神经网络模型SpineHNet进行训练和验证；步骤F、模型测试：使用步骤B中划分的测试集对训练好的神经网络模型SpineHNet的性能进行测试；所述步骤C中，生成概率热图的具体操作为：设置一个与数据集中图像尺寸相同的全0矩阵Z和初始中心点坐标CO；对于训练集中每一张存在辅助类的标签图，得到图中非背景类点的坐标集合M1，计算标签图中辅助类区域的质心PA，并计算PA与CO之间的横坐标差值dx、纵坐标差值dy，将M1中各项的横、纵坐标分别与dx、dy相减，得到新的坐标集合M2，将M2中各项坐标对应到矩阵Z中，对于不超出矩阵Z范围的坐标位置，将其值加1；将矩阵Z中各项值除以训练集中存在辅助类标签的图像的总数，得到概率热图H；所述步骤D中，神经网络模型SpineHNet包括两个处理阶段，两个处理阶段均以Encoder-Decoder类型的网络作为骨干网络；神经网络模型SpineHNet的处理流程为：输入图像经过第一阶段的网络处理，输出辅助类的预测图；通过预测图确定辅助类质心PA'，计算概率热图H的初始中心点坐标CO与PA'之间的横坐标差值dx'、纵坐标差值dy'；设置一个与概率热图H形状相同的矩阵H'，定义M3是概率热图H中所有非0项的坐标集合，如果M3中的坐标与dx'、dy'相加后的位置仍在H范围中，则H'中对应坐标位置的值设为H中该坐标的横、纵坐标与dx'、dy'相加后的位置的值，否则H'中对应坐标位置的值为0，遍历完M3后，得到重定位后的热图H'；将Sigmoid函数处理后的H'与输入图像在通道维度上拼接后输入到第二阶段的网络中进行处理，得到目标类的预测图。

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吉林大学，其通讯地址为：130012 吉林省长春市前进大街2699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”。