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)恭喜廈門大學(xué)附屬第一醫(yī)院(廈門市第一醫(yī)院、廈門市紅十字會醫(yī)院、廈門市糖尿病研究所);廈門智融合科技有限公司申請的專利基于偽標(biāo)簽的無源無監(jiān)督域適應(yīng)醫(yī)學(xué)圖像分割方法及裝置獲國家發(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：CN119649039B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-06-03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：202510182194.X，技術(shù)領(lǐng)域涉及：G06V10/26；該發(fā)明授權(quán)基于偽標(biāo)簽的無源無監(jiān)督域適應(yīng)醫(yī)學(xué)圖像分割方法及裝置是由陳四方;張龍暉;鐘平;謝河富;黃晨曦;陳榕燦;奚丹設(shè)計(jì)研發(fā)完成，并于2025-02-19向國家知識產(chǎn)權(quán)局提交的專利申請。

本基于偽標(biāo)簽的無源無監(jiān)督域適應(yīng)醫(yī)學(xué)圖像分割方法及裝置在說明書摘要公布了：本發(fā)明公開了一種基于偽標(biāo)簽的無源無監(jiān)督域適應(yīng)醫(yī)學(xué)圖像分割方法及裝置，涉及計(jì)算機(jī)技術(shù)領(lǐng)域，方法包括：有監(jiān)督的源域模型訓(xùn)練階段、無監(jiān)督自適應(yīng)的目標(biāo)域模型訓(xùn)練階段和分割階段，具體為運(yùn)用偽標(biāo)簽像素級不確定性估計(jì)對源域醫(yī)學(xué)圖像進(jìn)行像素級自標(biāo)記生成可靠的偽標(biāo)簽，并在此基礎(chǔ)上使用強(qiáng)弱增強(qiáng)的教師學(xué)生目標(biāo)域模型充分利用高質(zhì)量的偽標(biāo)簽來訓(xùn)練目標(biāo)域醫(yī)學(xué)圖像來使網(wǎng)絡(luò)適應(yīng)特定于目標(biāo)域醫(yī)學(xué)圖像的表示。本發(fā)明在已知源域模型和目標(biāo)域未標(biāo)記數(shù)據(jù)的前提下對目標(biāo)域數(shù)據(jù)圖進(jìn)行無監(jiān)督地分割，不需要訪問源域數(shù)據(jù)且可以合理地利用上源域模型特征，能很好地緩解SFUDA存在的問題，在比UDA方法更少數(shù)據(jù)可用的情況下仍然保持在目標(biāo)域上的準(zhǔn)確分割能力。

本發(fā)明授權(quán)基于偽標(biāo)簽的無源無監(jiān)督域適應(yīng)醫(yī)學(xué)圖像分割方法及裝置在權(quán)利要求書中公布了：1.一種基于偽標(biāo)簽的無源無監(jiān)督域適應(yīng)醫(yī)學(xué)圖像分割方法，其特征在于，包括：有監(jiān)督的源域模型訓(xùn)練階段，構(gòu)建基于U-net網(wǎng)絡(luò)模型的證據(jù)分割網(wǎng)絡(luò)作為源域模型；基于證據(jù)理論的不確定性估計(jì)方法，生成偽標(biāo)簽與不確定性、信息熵及相對特征距離的映射，生成可靠的偽標(biāo)簽；使用證據(jù)分割網(wǎng)絡(luò)輸出的預(yù)測概率及來自源域的醫(yī)學(xué)圖像標(biāo)簽之間的第一證據(jù)損失和第一Dice損失以監(jiān)督的方式訓(xùn)練源域模型；源域模型訓(xùn)練完成后，將訓(xùn)練好的源域模型的參數(shù)傳遞到目標(biāo)域模型訓(xùn)練階段；無監(jiān)督自適應(yīng)的目標(biāo)域模型訓(xùn)練階段，構(gòu)建由訓(xùn)練好的源域模型的參數(shù)初始化的教師模型和學(xué)生模型組成的目標(biāo)域模型；對于給定目標(biāo)域的未標(biāo)記醫(yī)學(xué)圖像的弱增強(qiáng)圖像，通過教師模型生成可靠的偽標(biāo)簽；使用給定目標(biāo)域的未標(biāo)記醫(yī)學(xué)圖像的強(qiáng)增強(qiáng)圖像及教師模型生成的偽標(biāo)簽作為輸入數(shù)據(jù)對學(xué)生模型進(jìn)行訓(xùn)練；隨著學(xué)生模型的學(xué)習(xí)進(jìn)度以移動平均的方式更新教師模型的參數(shù)；使用目標(biāo)域模型分割損失和第二證據(jù)損失以無監(jiān)督的方式訓(xùn)練目標(biāo)域模型，通過目標(biāo)域模型分割損失促使學(xué)生模型從教師模型中學(xué)習(xí)可靠的偽標(biāo)簽，通過第二證據(jù)損失促使教師模型從學(xué)生模型的預(yù)測標(biāo)簽中生成潛在的證據(jù)；分割階段，使用訓(xùn)練好的目標(biāo)域模型對待處理醫(yī)學(xué)圖像進(jìn)行分割；源域的醫(yī)學(xué)圖像標(biāo)簽在第i個(gè)像素點(diǎn)的偽標(biāo)簽表示如下： 其中，為像素點(diǎn)i的預(yù)測概率，為源域模型對像素點(diǎn)i關(guān)于第k類的預(yù)測概率，K表示分割類別數(shù)；pi＝Fxi，F(xiàn)xi是證據(jù)分割網(wǎng)絡(luò)對于源域醫(yī)學(xué)圖像標(biāo)簽x的第i個(gè)像素的輸出；mi∈{0,1}為一個(gè)二進(jìn)制向量的標(biāo)簽選擇掩碼，表示如下：mi＝1[uiη1]×1[entiη2]×1[diη3]；其中，ui表示不確定性；enti表示信息熵；di表示相對特征距離；η1是不確定性閾值，η2是低熵閾值，η3是低距離閾值；第一Dice損失LeDice，表示如下： 其中，K表示分割類別數(shù)；為源域醫(yī)學(xué)圖像標(biāo)簽x在像素點(diǎn)i關(guān)于第k類的標(biāo)簽；為信念質(zhì)量bi經(jīng)過softmax函數(shù)的softmaxbi結(jié)果。

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)人廈門大學(xué)附屬第一醫(yī)院(廈門市第一醫(yī)院、廈門市紅十字會醫(yī)院、廈門市糖尿病研究所);廈門智融合科技有限公司，其通訊地址為：361000 福建省廈門市思明區(qū)鎮(zhèn)海路55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)”。