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)獲悉浙江工業(yè)大學(xué)申請(qǐng)的專利基于空洞卷積和多尺度融合的黑色素瘤分割方法獲國(guó)家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國(guó)家知識(shí)產(chǎn)權(quán)局授予，授權(quán)公告號(hào)為：CN112446890B 。

龍圖騰網(wǎng)通過(guò)國(guó)家知識(shí)產(chǎn)權(quán)局官網(wǎng)在2025-05-16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(qǐng)?zhí)?專利號(hào)為：202011094831.1，技術(shù)領(lǐng)域涉及：G06T7/11；該發(fā)明授權(quán)基于空洞卷積和多尺度融合的黑色素瘤分割方法是由張聚;潘偉棟;俞倫端;陳德臣;牛彥;施超設(shè)計(jì)研發(fā)完成，并于2020-10-14向國(guó)家知識(shí)產(chǎn)權(quán)局提交的專利申請(qǐng)。

本基于空洞卷積和多尺度融合的黑色素瘤分割方法在說(shuō)明書摘要公布了：基于空洞卷積和多尺度融合的黑色素瘤分割方法，包括：步驟1醫(yī)學(xué)圖像預(yù)處理；步驟2構(gòu)建具有靈活感受野的多尺度聚合網(wǎng)絡(luò)模型；步驟3將訓(xùn)練集數(shù)據(jù)輸入模型中進(jìn)行訓(xùn)練；步驟4皮膚鏡圖像病灶區(qū)域分割。本發(fā)明提出的通道注意空洞卷積模塊可以根據(jù)圖像特征自適應(yīng)的擴(kuò)大感受野，獲取更加緊密的上下文信息，緩解固定感受野引起的特征不充分問(wèn)題；聚合交互模塊可以將編碼層輸出的特征與相鄰編碼層的特征進(jìn)行聚合，獲得多尺度信息，并且降低了編碼層和對(duì)應(yīng)的解碼層之間的語(yǔ)義差距，抑制直接聚合引起的噪聲。本發(fā)明能夠分割精確的皮膚鏡圖像，起到輔助作用。

本發(fā)明授權(quán)基于空洞卷積和多尺度融合的黑色素瘤分割方法在權(quán)利要求書中公布了：1.基于空洞卷積和多尺度融合的黑色素瘤分割方法，包括以下步驟：步驟1預(yù)處理醫(yī)學(xué)圖像；對(duì)采集到的皮膚鏡圖像的數(shù)據(jù)按照7：1：2劃分為訓(xùn)練集，驗(yàn)證集和測(cè)試集，并將圖像像素大小設(shè)置為128*128；對(duì)用于網(wǎng)絡(luò)訓(xùn)練的訓(xùn)練集圖像做數(shù)據(jù)增廣處理，在-30°至30°范圍隨機(jī)旋轉(zhuǎn)，隨機(jī)水平翻轉(zhuǎn)和隨機(jī)縮放至原圖0.8和1.2倍之間；步驟2構(gòu)建具有靈活感受野的多尺度聚合網(wǎng)絡(luò)模型；2.1構(gòu)建通道注意空洞卷積模塊用于特征提取；以通道注意空洞卷積層代替U-Net中的編碼層，將步驟1中的皮膚鏡圖像作為輸入，輸出提取到的特征圖featuremap為后續(xù)網(wǎng)絡(luò)提供輸入；每一層都使用三個(gè)平行的空洞卷積提取特征，每個(gè)空洞卷積的擴(kuò)張率都不同；然后對(duì)提取到的特征圖進(jìn)行全局平均池化操作，通過(guò)考慮每個(gè)通道及其k個(gè)鄰居通道，捕獲跨通道交互信息，為特征圖的每個(gè)通道重新分配權(quán)重，然后將三個(gè)特征圖相加得到這一層的輸出特征圖；淺層通常學(xué)習(xí)到簡(jiǎn)單的紋理信息，隨著層數(shù)越深，將捕獲到復(fù)雜的抽象信息；下采樣共采用5個(gè)通道注意空洞卷積層，每層使用三個(gè)平行的空洞卷積的卷積核大小均為3*3，擴(kuò)張率分別設(shè)置為1、2、3，步長(zhǎng)stride＝1，填充padding與各自的擴(kuò)張率相同，池化pooling操作均采用2*2最大池化；輸入128*128*3的圖片，同時(shí)經(jīng)過(guò)64個(gè)卷積核的三個(gè)空洞卷積得到三個(gè)通道數(shù)為64的特征圖featuremap，之后經(jīng)過(guò)通道關(guān)注模塊全局平均池化操作得到1*1*C大小的向量，然后采用卷積核大小為3的1*1卷積獲得跨通道信息，之后用Sigmoid函數(shù)激活，與原先特征圖系數(shù)相乘為每個(gè)通道分配各自的權(quán)重，最后相加得到128*128*64的特征圖，采用一個(gè)pooling操作作為下一層編碼層的輸入；重復(fù)這樣的五次操作，編碼層分別得到通道數(shù)為64、128、256、512、1024的特征圖；模塊可以描述為： 其中D表示空洞卷積，u表示擴(kuò)張率，C表示通道關(guān)注模塊，f表示輸入的特征；2.2構(gòu)建聚合交互模塊，即AIM；聚合交互模塊的提出是為了彌補(bǔ)編碼層和對(duì)應(yīng)的解碼層的特征圖之間的語(yǔ)義差距，抑制跳躍連接可能引起的噪聲；U-Net中將兩者直接聚合，由于兩者之間的語(yǔ)義信息相差較大，會(huì)產(chǎn)生信息冗余的噪聲，因此會(huì)影響最終的分割結(jié)果；AIM從相鄰的編碼層接收特征圖fi-1、fi、fi+1，通過(guò)一個(gè)3*3的卷積層降低特征的通道數(shù)以減少計(jì)算量；接著每一分支B采用池化或插值操作縮放至相鄰分支特征圖大小，每個(gè)分支融合采用系數(shù)相加；最后，所有分支被整合到一個(gè)卷積層中，為了訓(xùn)練更容易優(yōu)化，輸出加入了殘差模塊；整個(gè)模塊過(guò)程可以寫成： 其中I和M分別表示殘差映射和分支合并，Bi表示i分支的操作，f表示輸入的特征；2.3構(gòu)建解碼層；解碼層將編碼層得到的特征圖進(jìn)行上采樣操作，然后與聚合交互模塊輸出的特征圖進(jìn)行系數(shù)相加，經(jīng)過(guò)兩次3*3的卷積層操作后得到輸出特征圖；在最后一解碼層后接一個(gè)1*1的卷積層以及Sigmoid函數(shù)處理得到最終的分割結(jié)果；Sigmoid函數(shù)定義如下： 步驟3將訓(xùn)練集數(shù)據(jù)輸入模型中進(jìn)行訓(xùn)練；將步驟1中的處理好的訓(xùn)練集輸入到步驟2中構(gòu)建好的網(wǎng)絡(luò)模型中，采用隨機(jī)初始化和Adam優(yōu)化方法；設(shè)置初始化學(xué)習(xí)率、動(dòng)量、迭代次數(shù)，根據(jù)設(shè)置好的訓(xùn)練策略進(jìn)行訓(xùn)練；首先將輸入的訓(xùn)練集進(jìn)行數(shù)據(jù)增廣處理然后進(jìn)行訓(xùn)練，然后將驗(yàn)證集在訓(xùn)練后的網(wǎng)絡(luò)模型上得到驗(yàn)證結(jié)果，之后按梯度更新一次，重復(fù)這樣的步驟直到達(dá)到迭代次數(shù)；批次大小為12，epoch為80，初始學(xué)習(xí)率為0.0001，動(dòng)量為0.9；對(duì)訓(xùn)練得到的prediction與groundtruth采用tverskyloss+consistency-enhancedloss進(jìn)行訓(xùn)練，損失函數(shù)可以寫成： Ltotal＝Ltverpi,gi,α,β+Lcelpi,gi7其中α設(shè)置為0.3，β設(shè)置為0.7，p和g分別表示預(yù)測(cè)圖和標(biāo)定好的標(biāo)準(zhǔn)圖；步驟4皮膚鏡圖像病灶區(qū)域分割；將測(cè)試集數(shù)據(jù)輸入步驟3中訓(xùn)練好的預(yù)測(cè)模型中，得到分割結(jié)果，由評(píng)估指標(biāo)評(píng)價(jià)分割結(jié)果好壞，包括精確度AC，骰子系數(shù)DI，雅卡爾指標(biāo)JA，靈敏度SE，評(píng)估指標(biāo)計(jì)算方式如下： 其中，TP為真陽(yáng)性，TN為真陰性，F(xiàn)P為假陽(yáng)性，F(xiàn)N為假陰性。

如需購(gòu)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(qǐng)人或?qū)＠麢?quán)人浙江工業(yè)大學(xué)，其通訊地址為：310014 浙江省杭州市下城區(qū)潮王路18號(hào)；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)”。