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！

龍圖騰網恭喜南昌大學申請的專利一種基于深度學習的三維MRI腦腫瘤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：CN114359293B 。

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：202111516472.9，技術領域涉及：G06T7/10；該發明授權一種基于深度學習的三維MRI腦腫瘤分割方法是由鄒艷妮;王澤坤;劉小平;劉捷設計研發完成，并于2021-12-10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三維MRI腦腫瘤分割方法在說明書摘要公布了：本發明公開了一種基于深度學習的三維MRI腦腫瘤分割方法，包括以下步驟：S1：對三維MRI腦部數據進行預處理并劃分數據集，使其滿足模型的輸入條件。S2：構建并訓練深度卷積神經網絡，網絡框架采用編碼器和解碼器的形式，并加入了多尺度卷積聯合模塊和全局上下文聚合模塊。S3：對得到的預測數據后處理，進一步提高分割效果。本發明提出的分割方法結合了分割對象的低級特征和高級特征，有效融合了多尺度信息和全局上下文信息并減少了學習到的冗余特征的影響，從而改善了腦腫瘤的分割結果。

本發明授權一種基于深度學習的三維MRI腦腫瘤分割方法在權利要求書中公布了：1.一種基于深度學習的三維MRI腦腫瘤分割方法，其特征在于，包括以下步驟：S1、對三維MRI腦部數據進行預處理并劃分數據集；MRI圖像有4個不同的模態包括T1、T1ce、T2和FLAIR，把4個數據拼接在一起形成4個輸入通道，并做一些必要的數據預處理并劃分數據集，數據集劃分為訓練集、驗證集和測試集；S2、構建并訓練深度卷積神經網絡模型；利用所述訓練集對深度卷積神經網絡進行訓練并利用所述驗證集隨時對訓練的網絡進行驗證；其中，所述的深度卷積神經網絡有一個編碼器和對應的解碼器，解碼器通過跳躍連接獲取編碼器的特征；S3、對得到的預測數據后處理；將測試數據送入訓練好的深度卷積神經網絡模型進行預測，輸出的特征圖經過后處理后，得到最終的腫瘤，通常增強腫瘤區域較難預測，容易產生假陽性的預測結果，所以當預測的增強腫瘤區域過小時，將增強腫瘤區域替換為壞死水腫區域；S2所述的編碼器包含3組下采樣卷積模塊和1組多尺度卷積聯合模塊，對應的解碼器包含3個全局上下文聚合模塊；經過預處理的數據輸入下采樣卷積模塊，然后輸入到多尺度卷積聯合模塊完成編碼過程；所述的下采樣卷積模塊包括兩個3*3*3卷積，每個卷積后面跟著一個組數為8的組歸一化層和一個用來增加非線性的ReLu單元，然后是一個2*2*2最大池化層，每個維度的步幅均為2；所述的多尺度卷積聯合模塊包含兩組不同膨脹率的卷積；這兩組卷積以級聯的方式組合，每組卷積由3個卷積核大小為3且空洞率不同的空洞卷積和1個1*1*1的卷積以并行的方式疊加；第一組空洞卷積的空洞率為1，2，4；第二組空洞卷積的空洞率為1，2，5；此外，每個卷積核為3*3*3的卷積后面都跟著1個組數為8的組歸一化層和一個ReLu線性單元；組內每個卷積都產生相同數量的輸出維數；完成編碼的特征圖輸入到由3個全局上下文聚合模塊構成的解碼器中進行解碼，最終輸出分割結果；特征圖首先由每個維度步幅為2，卷積核為2*2*2的反卷積進行上采樣，然后通過元素求和的方式對編碼路徑和解碼路徑中具有相同分辨率特征信息進行融合；融合的特征經過2個1*1*1的卷積后得到2個特征圖記為特征圖A和特征圖B，同時也形成了兩個分支，記為分支Z1和分支Z2；為了高效地收集每個空間位置的背景信息，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與A相加；然后，得到的特征應用Sigmoid層得到特征權重圖S，最后，S與經過卷積操作的特征圖A進行元素相乘得到特征圖D，隨后，特征圖D送入到卷積核大小為3*3*3的三維卷積內，并且后面跟著1個組數為8的組卷積以及1個非線性激活函數ReLu，最終得到重新校準后的特征Y1；在Z2分支，讓特征圖B經過1個各個方向步長為2，卷積核大小為3的3D卷積操作，得到特征圖Y2，最后將兩個分支的輸出Y1和Y2沿著通道的方向拼接在一起形成全局上下文聚合模塊輸出Y。

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南昌大學，其通訊地址為：330000 江西省南昌市紅谷灘新區學府大道999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”。