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)恭喜浙江工業(yè)大學(xué)申請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：CN112446890B 。

龍圖騰網(wǎng)通過國家知識產(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?zhí)?專利號為：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向國家知識產(chǎn)權(quán)局提交的專利申請。

本基于空洞卷積和多尺度融合的黑色素瘤分割方法在說明書摘要公布了：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應(yīng)的解碼層之間的語義差距，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)證集和測試集，并將圖像像素大小設(shè)置為128*128；對用于網(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；每一層都使用三個平行的空洞卷積提取特征，每個空洞卷積的擴(kuò)張率都不同；然后對提取到的特征圖進(jìn)行全局平均池化操作，通過考慮每個通道及其k個鄰居通道，捕獲跨通道交互信息，為特征圖的每個通道重新分配權(quán)重，然后將三個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個通道注意空洞卷積層，每層使用三個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64個卷積核的三個空洞卷積得到三個通道數(shù)為64的特征圖featuremap，之后經(jīng)過通道關(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)編碼層和對應(yīng)的解碼層的特征圖之間的語義差距，抑制跳躍連接可能引起的噪聲；U-Net中將兩者直接聚合，由于兩者之間的語義信息相差較大，會產(chǎn)生信息冗余的噪聲，因此會影響最終的分割結(jié)果；AIM從相鄰的編碼層接收特征圖fi-1、fi、fi+1，通過一個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，每個分支融合采用系數(shù)相加；最后，所有分支被整合到一個卷積層中，為了訓(xùn)練更容易優(yōu)化，輸出加入了殘差模塊；整個模塊過程可以寫成： 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，動量為0.9；對訓(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；將測試集數(shù)據(jù)輸入步驟3中訓(xùn)練好的預(yù)測模型中，得到分割結(jié)果，由評估指標(biāo)評價(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，評估指標(biāo)計(jì)算方式如下： 其中，TP為真陽性，TN為真陰性，F(xiàn)P為假陽性，F(xiàn)N為假陰性。

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；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)”。