買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網恭喜杭州電子科技大學申請的專利一種基于特征重排和門控軸向注意力的醫學圖像分割方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN114049314B 。

龍圖騰網通過國家知識產權局官網在2025-05-13發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202111262731.X，技術領域涉及：G06V10/26；該發明授權一種基于特征重排和門控軸向注意力的醫學圖像分割方法是由俞俊;于云杰設計研發完成，并于2021-10-28向國家知識產權局提交的專利申請。

本一種基于特征重排和門控軸向注意力的醫學圖像分割方法在說明書摘要公布了：本發明公開了一種基于特征重排和門控軸向注意力的醫學圖像分割方法。首先，把所有的原始圖像和真實分割圖像統一為相同大小的尺寸，再對調整后的訓練圖像進行隨機的水平垂直翻轉，提高了樣本的多樣性。其次，采用特征重排進行下采樣，更好的保留了原始圖像的特征，采用逆向特征重排進行上采樣，提高的網絡的解碼能力。然后，協同訓練全局分支與局部分支，分別提取圖像的全局信息交互與局部信息交互。最后，合并兩部分信息來對圖像進行分割。同時，通過優化參數設置，利用適當的訓練技巧，實現了更精確的醫學圖像分割效果。

本發明授權一種基于特征重排和門控軸向注意力的醫學圖像分割方法在權利要求書中公布了：1.一種基于特征重排和門控軸向注意力的醫學圖像分割方法，其特征在于包括如下步驟：步驟1.數據集獲取；從現有的公開醫學圖像分割數據集中，選擇3種數據集；步驟2.數據處理；在步驟1所獲取的醫學圖像分割數據集上，把數據集中圖像調整為相同的尺寸；再對調整后的訓練樣本圖像進行隨機的水平垂直翻轉，從而增加訓練樣本的多樣性；步驟3.定義基于特征重排和門控軸向注意力的醫學圖像分割模型，該模型包括全局分支和局部分支；以步驟2處理后的訓練圖像以及訓練圖像的真實分割圖作為輸入；步驟4.損失函數；損失函數的作用則是用來衡量預測值與真實樣本標記之間的誤差；此處采用交叉熵損失函數；步驟5.定義Adam優化器，給模型設定一個合理的學習率，初始學習率設定為0.001，模型訓練過程中，學習率隨批次數增加而減緩，每50個批次學習率調整為原來的0.8，從而有效抑制振蕩，找到更優的網絡參數；同時采用L2正則化來有效降低過擬合；步驟6.網絡訓練與測試，協同訓練步驟3中的全局分支和局部分支，在訓練的同時在每個數據集提供的測試集上進行評估，評估采用的是平均IoU以及平均F1score；步驟2所述的數據處理，具體實現如下：首先，將數據集中的原始圖像與真實分割圖通過resize成128×128大小尺寸；最后，把經過resize后的訓練圖像以及對應的分割圖像進行概率為50％的隨機水平垂直翻轉；步驟3所述的模型全局分支和局部分支，具體實現如下：全局分支編碼部分：3-1.把輸入的訓練樣本圖像使用7×7卷積核，步長為1，Padding設為3，保留輸入的高度H與寬度W，再經過BatchNorm層以及ReLU激活函數映射得到特征塊；3-2.對特征塊進行特征重排，把H和W面片分為2×2的面片塊，把B,C,H,W下采樣為B,4C,H2,W2；其中B是一次輸入圖片的張數，C為特征塊的通道數，H和W分別為特征塊的高度與寬度；特征重排能夠把相鄰元素的特征保留在C通道上，相比采用池化層能更好的保留信息；3-3.將特征重排后的特征塊經過2次不改變高度與寬度的卷積加BatchNorm層以及ReLU激活函數映射得到特征塊x，增強局部面片塊的信息流通；3-4.把特征塊x輸入門控軸向注意力塊；一個門控軸向注意力塊首先經過一個1×1的卷積加BatchNorm層以及ReLU激活函數映射；其次在沿著張量的寬度軸施加門控軸向注意力，公式如下式1: 其中，N表示上一次下采樣后的寬度，qij＝Wq′x,kij＝Wk′x,vij＝Wv′x分別為查詢、鍵和值；W為線性變換，x為輸入，y為輸出；qij＝Wq′x,表示第i行第j個元素，Wq′表示對x線性變換的參數；kij＝Wk′x,表示第i行第j個元素，Wk′表示對x線性變換的參數；vij＝Wv′x,表示第i行第j個元素，Wv′表示對x線性變換的參數；其中均為可學習的位置偏差項，通常稱為相對位置編碼；其中G為可學習的門控參數，用來控制所學習的相對位置編碼對編碼非局部上下文的影響；然后，在沿著張量的高度軸施加的門控軸向注意力；方法與在寬度軸施加的門控軸向注意力一致；最后經過一個1×1的卷積加BatchNorm層以及ReLU激活函數映射，并且特征塊在經過每個門控軸向注意力塊前后建立殘差連接；3-5.將經過1個門控軸向注意力后得到的特征塊，再進行特征重排來下采樣，最后經過兩個門控軸向注意力塊；得到具有長程依賴和全局信息的緊湊特征值塊x1；全局分支解碼部分:首先將特征塊x1經過兩個門控軸向注意力塊，再使用1×1的卷積對C通道擴容，以便使用逆向特征重排來進行上采樣；然后進行逆向特征重排來進行上采樣；與采用雙線性插值上采樣相比，特征重排靈活性強，其參數可由網絡學習獲得，而雙線性插值由公式得出；其次，再經過一個門控軸向注意力塊，再使用1×1的卷積對C通道擴容，然后進行逆向特征重排來進行上采樣得到具有長程依賴和全局信息且與輸入的原始圖像同尺寸的特征塊x2，所有解碼部分與編碼部分對應塊間均采用跳連接，連接方式為相加；局部分支部分：301.輸入的訓練樣本圖像在H和W面片上劃分成32×32的面片塊，其次對每一個面片塊做如下操作：7×7卷積核，步長為1，Padding設為3，保留輸入的高度與寬度，再經過BatchNorm層以及ReLU激活函數映射得到特征塊；302.把步驟301得到的特征塊進行特征重排下采樣，再經過2次不改變高度與寬度的卷積加BatchNorm層以及ReLU激活函數映射得到特征塊x'；303.把x'經過3次門控軸向注意力塊加特征重排下采樣，每次采用的門控軸向注意力塊分別為3、4、1；得到特征塊x1'；再把x1'經過3次門控軸向注意力塊加逆向特征重排上采樣，每次采用的門控軸向注意力塊分別為1、4、3；304.把每一個面片塊按原有次序拼接，得到具有局部信息且與輸入的原始圖像同尺寸的特征塊x'2。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人杭州電子科技大學，其通訊地址為：310018 浙江省杭州市下沙高教園區2號大街；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。