買專利賣專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費(fèi)！專利年費(fèi)監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)恭喜太原理工大學(xué)申請的專利一種基于混合Transformer的多類型肺結(jié)節(jié)精準(zhǔn)分割方法及模型獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識產(chǎn)權(quán)局授予，授權(quán)公告號為：CN115731387B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-05-13發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請?zhí)?專利號為：202211662984.0，技術(shù)領(lǐng)域涉及：G06V10/26；該發(fā)明授權(quán)一種基于混合Transformer的多類型肺結(jié)節(jié)精準(zhǔn)分割方法及模型是由降愛蓮;戴鳶;李嘯天;李曉峰設(shè)計(jì)研發(fā)完成，并于2022-12-23向國家知識產(chǎn)權(quán)局提交的專利申請。

本一種基于混合Transformer的多類型肺結(jié)節(jié)精準(zhǔn)分割方法及模型在說明書摘要公布了：本發(fā)明提供了一種基于混合Transformer的多類型肺結(jié)節(jié)精準(zhǔn)分割方法及模型，屬于肺部CT影像肺結(jié)節(jié)分割技術(shù)領(lǐng)域；解決了現(xiàn)有肺結(jié)節(jié)分割模型特征提取能力不夠強(qiáng)、模型泛化性差的問題；包括如下步驟：構(gòu)建數(shù)據(jù)集；構(gòu)建肺結(jié)節(jié)分割模型：設(shè)計(jì)模型編碼器中的多尺度卷積模塊和通道注意力卷積模塊；構(gòu)建模型編碼器中的Transformer模塊：改進(jìn)傳統(tǒng)的Transformer結(jié)構(gòu)，將池化操作和Transformer中的自注意力層結(jié)合；融合所設(shè)計(jì)的卷積模塊和Transformer模塊；構(gòu)建模型解碼器中的上采樣模塊；構(gòu)建特征雙向自適應(yīng)融合模塊：控制特征信息的雙向融合過程；訓(xùn)練并保存分割模型；本發(fā)明用于肺部CT影像肺結(jié)節(jié)分割。

本發(fā)明授權(quán)一種基于混合Transformer的多類型肺結(jié)節(jié)精準(zhǔn)分割方法及模型在權(quán)利要求書中公布了：1.一種基于混合Transformer的多類型肺結(jié)節(jié)精準(zhǔn)分割方法，其特征在于：包括如下步驟：步驟S1：構(gòu)建數(shù)據(jù)集：獲取肺部CT影像，通過DicomViewer軟件完成肺結(jié)節(jié)病灶區(qū)域的逐像素的標(biāo)注工作，并對圖像進(jìn)行數(shù)據(jù)增強(qiáng)和數(shù)據(jù)增廣；構(gòu)建肺結(jié)節(jié)分割模型，具體包括：步驟S2：構(gòu)建模型編碼器中的卷積模塊：根據(jù)圖像分辨率和特征通道數(shù)間的關(guān)系，設(shè)計(jì)多尺度卷積模塊（Module_Multi）和通道注意力卷積模塊（Module_SE）；所述步驟S2中構(gòu)建模型編碼器中的卷積模塊的具體步驟如下：步驟S2-1：構(gòu)建多尺度卷積模塊（Module_Multi）：在編碼器淺層構(gòu)建多尺度卷積模塊提取局部鄰域及鄰域外的信息，包括以下子步驟：步驟S2-1-1：使用卷積核為1、3和5的三種卷積構(gòu)成多尺度卷積單元，并在每個(gè)卷積后面使用批正則化和ReLU激活函數(shù)；步驟S2-1-2：使用卷積核為3的卷積、批正則化和ReLU激活函數(shù)組成普通卷積單元；步驟S2-1-3：使用一個(gè)多尺度卷積單元和兩個(gè)普通卷積單元組成多尺度卷積模塊；步驟S2-2：構(gòu)建通道注意力卷積模塊（Module_SE）：在編碼器深層構(gòu)建通道注意力卷積模塊評判每個(gè)通道的重要程度，使各通道有效融合，包括以下子步驟：步驟S2-2-1：使用一個(gè)全局平均池化、兩個(gè)卷積核為1的卷積、一個(gè)ReLU激活函數(shù)、一個(gè)Sigmoid激活函數(shù)構(gòu)成通道注意力單元；步驟S2-2-2：使用卷積核為3的卷積、批正則化和ReLU激活函數(shù)組成普通卷積單元；步驟S2-2-3：使用一個(gè)通道注意力單元和三個(gè)普通卷積單元組成通道注意力卷積模塊；步驟S3：構(gòu)建模型編碼器中的Transformer模塊（Attention_Pool）：改進(jìn)傳統(tǒng)的Transformer結(jié)構(gòu)，將池化操作和Transformer中的自注意力層結(jié)合；步驟S4：在模型編碼器中融合S2構(gòu)建的卷積模塊和S3構(gòu)建的Transformer模塊；步驟S5：構(gòu)建模型解碼器中的上采樣模塊：對空洞卷積后的特征圖進(jìn)行分組和通道重排；步驟S6：構(gòu)建特征雙向自適應(yīng)融合模塊：通過在模型編解碼器中間添加可學(xué)習(xí)的卷積模塊，控制特征信息的雙向融合過程；步驟S7：利用S1處理后的數(shù)據(jù)集對肺結(jié)節(jié)分割模型進(jìn)行n折交叉訓(xùn)練，并用測試集輸出肺結(jié)節(jié)分割圖像，計(jì)算損失值；步驟S8：根據(jù)損失值的大小以及訓(xùn)練階段的性能表現(xiàn)調(diào)整模型參數(shù)，生成并保存訓(xùn)練好的肺結(jié)節(jié)分割模型，使用評價(jià)指標(biāo)評估肺結(jié)節(jié)的分割效果。

如需購買、轉(zhuǎn)讓、實(shí)施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請人或?qū)＠麢?quán)人太原理工大學(xué)，其通訊地址為：030024 山西省太原市迎澤西大街79號；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。