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！

龍圖騰網恭喜成都信息工程大學申請的專利一種基于深度學習的醫療圖像增強處理方法及系統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：CN119671884B 。

龍圖騰網通過國家知識產權局官網在2025-05-16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：202510175817.0，技術領域涉及：G06T5/60；該發明授權一種基于深度學習的醫療圖像增強處理方法及系統是由文成玉;文展;任德昊;李文藻設計研發完成，并于2025-02-18向國家知識產權局提交的專利申請。

本一種基于深度學習的醫療圖像增強處理方法及系統在說明書摘要公布了：本發明涉及醫療圖像處理技術領域，具體涉及一種基于深度學習的醫療圖像增強處理方法及系統，根據是否需要進行樣本數量的擴充，選擇圖像增強的模型；若需要進行樣本數量的擴充，則采用生成對抗網絡進行圖像增強，否則采用自編碼器進行圖像增強；采用聯邦學習架構訓練模型，模型在多個分散的設備或服務器上進行訓練。使用生成對抗網絡，生成多樣化的醫療圖像樣本，提高樣本的多樣性。自編碼器提取關鍵特征并生成新的樣本，增加數據的多樣性。通過聯邦學習架構，利用分散的數據源，增強模型的訓練樣本多樣性，同時保護數據隱私。有效增加樣本的多樣性，從而提升模型的泛化能力，使其在實際應用中更具魯棒性和準確性。

本發明授權一種基于深度學習的醫療圖像增強處理方法及系統在權利要求書中公布了：1.一種基于深度學習的醫療圖像增強處理方法，其特征在于，包括以下步驟：根據是否需要進行樣本數量的擴充，選擇圖像增強的模型；若需要進行樣本數量的擴充，則采用生成對抗網絡進行圖像增強，否則采用自編碼器進行圖像增強；所述生成對抗網絡采用基于局部特征增強的生成對抗網絡進行訓練，在傳統的生成對抗網絡的基礎上，通過采用多層非線性變換和局部特征增強機制，生成器不僅依賴噪聲向量，還融合圖像的歷史生成狀態和局部特征；采用聯邦學習架構訓練模型，模型在多個分散的設備或服務器上進行訓練，其中，設備或服務器持有本地醫療圖像數據樣本，而無需交換這些醫療圖像數據；所述基于局部特征增強的生成對抗網絡進行訓練，所述步驟還包括：初始化生成器和判別器；在生成器網絡中加入多層非線性變換和局部特征增強機制，生成器的非線性變換操作依賴于輸入的噪聲和圖像的歷史生成狀態，以實現更加復雜的圖像生成，表示為： 式中，為生成器第層的權重矩陣；為生成器的偏置項；為生成器第層的生成圖像的局部特征；為第一非線性函數，具體為Sigmoid，為第二非線性函數，為生成器的層數；在每一輪訓練中，首先使用真實的醫療圖像輸入判別器進行訓練，然后輸入隨機噪聲向量到生成器生成圖像，并將生成的圖像送入判別器進行評估，判別器的目標是區分真實圖像和生成圖像，而生成器的目標是最大化判別器的判斷錯誤，判別器和生成器交替訓練，判別器的損失函數基于對抗性損失計算，并采用基于梯度域的自適應調整機制增強判別器對細節特征的敏感度，表示為： 式中，為真實醫療圖像，為判別器的權重，為判別器函數，為真實的醫療圖像數據的分布，為噪聲向量的分布，為判別器的損失函數，表示期望，表示服從于特定分布，為生成的醫療圖像數據的分布，為L2范數，為判別器對生成圖像的梯度；為生成器生成的醫療圖像；通過擴散過程和非線性逼近方法增加生成器生成圖像的多樣性，擴散過程將生成器的噪聲向量從低維空間擴展到高維空間，以增加樣本生成的多樣性，并通過對生成器輸出圖像的逐步優化來增強圖像的細節，其中，擴散過程表示為： 式中，為第次迭代的擴散后的圖像，為第次迭代的擴散過程；在訓練過程中，采用梯度域自適應調整策略，根據圖像的梯度信息調整網絡中的梯度傳播方式，并自動調整梯度大小以穩定收斂，其中，生成器和判別器的梯度更新規則分別表示為： 、式中，為生成器的梯度調整項，為判別器的梯度調整項，為生成器的損失函數，為判別器的損失函數，為生成器的自適應梯度調整函數，為判別器的自適應梯度調整函數，表示Hadamard積，為對生成圖像的梯度；在生成器的生成過程中，采用局部特征增強損失函數動態加強圖像中關鍵信息區域的特征表達，局部特征增強損失函數的計算方式表示為： 式中，為局部特征增強損失函數，為生成圖像在第個局部區域上的表示，為真實圖像在第個局部區域上的表示，為第個區域的權重，衡量該區域對圖像整體質量的重要性，其中，區域的權重基于圖像的局部梯度和高頻特征進行計算，根據梯度的大小和區域特征的高頻部分進行自適應調整，表示為： 式中，表示區域在生成圖像上的梯度，為控制局部區域重要性靈敏度的參數，表示第個局部區域范圍；通過不斷迭代優化生成器和判別器的參數，直到生成器能夠產生高質量的圖像，并且判別器對真假圖像的辨別能力達到最優，更新方式表示為： 式中，為第次迭代的生成器的學習率，為第次迭代的判別器的學習率，為生成器的損失函數關于權重參數的梯度，為判別器的損失函數關于權重參數的梯度，為參數更新操作，為局部特征增強損失函數，為局部特征增強損失函數關于生成器權重參數的梯度，為局部特征增強損失函數關于判別器權重參數的梯度，并采用自適應動態學習率優化策略增強訓練過程中梯度更新的精度與效率，計算方式表示為： 式中，為生成器的初始學習率，為判別器的初始學習率，是動態學習率調整因子，控制學習率的衰減速度，是學習率正則化常數，防止在極小梯度情況下學習率過大，是調整因子的冪指數，用于控制學習率衰減的非線性特性。

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成都信息工程大學，其通訊地址為：610000 四川省成都市西南航空港經濟開發區學府路1段24號；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”。