買(mǎi)專(zhuān)利賣(mài)專(zhuān)利找龍圖騰，真高效！ 查專(zhuān)利查商標(biāo)用IPTOP,全免費(fèi)！專(zhuān)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(qǐng)的專(zhuān)利融合卷積與多層感知機(jī)神經(jīng)網(wǎng)絡(luò)的結(jié)直腸息肉分割方法獲國(guó)家發(fā)明授權(quán)專(zhuān)利權(quán)，本發(fā)明授權(quán)專(zhuān)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：CN114511508B 。

龍圖騰網(wǎng)通過(guò)國(guó)家知識(shí)產(chǎn)權(quán)局官網(wǎng)在2025-06-10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(zhuān)利申請(qǐng)?zhí)?專(zhuān)利號(hào)為：202210028910.5，技術(shù)領(lǐng)域涉及：G06T7/00；該發(fā)明授權(quán)融合卷積與多層感知機(jī)神經(jīng)網(wǎng)絡(luò)的結(jié)直腸息肉分割方法是由胡奕標(biāo);金燕;賈立新;姜智偉;鄭秋富設(shè)計(jì)研發(fā)完成，并于2022-01-11向國(guó)家知識(shí)產(chǎn)權(quán)局提交的專(zhuān)利申請(qǐng)。

本融合卷積與多層感知機(jī)神經(jīng)網(wǎng)絡(luò)的結(jié)直腸息肉分割方法在說(shuō)明書(shū)摘要公布了：本發(fā)明公開(kāi)了一種融合卷積與多層感知機(jī)神經(jīng)網(wǎng)絡(luò)的結(jié)直腸息肉分割方法，包括：1收集多種類(lèi)型內(nèi)窺鏡下結(jié)直腸息肉圖像，并通過(guò)圖像隨機(jī)水平翻轉(zhuǎn)、隨機(jī)對(duì)比度增強(qiáng)、0.75～1.25倍隨機(jī)多尺度放大縮小和0～360度隨機(jī)旋轉(zhuǎn)等方法進(jìn)行圖像增強(qiáng)，組成訓(xùn)練樣本；2構(gòu)建融合卷積與多層感知機(jī)神經(jīng)網(wǎng)絡(luò)，其中包含卷積與多層感知機(jī)編碼器、平行自注意力模塊、級(jí)聯(lián)語(yǔ)義特征聚合模塊和通道引導(dǎo)分組逆向注意力模塊；3利用訓(xùn)練樣本訓(xùn)練所述神經(jīng)網(wǎng)絡(luò)，優(yōu)化網(wǎng)絡(luò)參數(shù)，確定網(wǎng)絡(luò)參數(shù)后與神經(jīng)網(wǎng)絡(luò)共同組成模型；4應(yīng)用時(shí)，采集內(nèi)窺鏡下結(jié)直腸圖像，并輸入至模型中，經(jīng)計(jì)算輸出結(jié)直腸息肉分割圖像。該方法提升結(jié)直腸息肉的分割效果。

本發(fā)明授權(quán)融合卷積與多層感知機(jī)神經(jīng)網(wǎng)絡(luò)的結(jié)直腸息肉分割方法在權(quán)利要求書(shū)中公布了：1.一種融合卷積與多層感知機(jī)神經(jīng)網(wǎng)絡(luò)的結(jié)直腸息肉分割方法，其特征在于，包括以下步驟：1收集多種類(lèi)型內(nèi)窺鏡下結(jié)直腸息肉圖像，并進(jìn)行圖像增強(qiáng)，組成訓(xùn)練樣本；2構(gòu)建包含卷積與多層感知機(jī)的神經(jīng)網(wǎng)絡(luò)，其中包含卷積與多層感知機(jī)編碼器、平行自注意力模塊、級(jí)聯(lián)語(yǔ)義特征聚合模塊和通道引導(dǎo)分組逆向注意力模塊；步驟2中卷積與多層感知機(jī)編碼器、平行自注意力模塊、級(jí)聯(lián)語(yǔ)義特征聚合模塊和通道引導(dǎo)分組逆向注意力模塊的構(gòu)建具體過(guò)程如下：步驟2.1構(gòu)建卷積與多層感知機(jī)編碼器：先構(gòu)建一個(gè)純卷積層，包含一個(gè)1×1卷積、3×3卷積、1×1卷積，重復(fù)序列；再構(gòu)建卷積與多層感知機(jī)混合層，依次包含通道感知機(jī)、3×3深度可分離卷積、通道感知機(jī)，分別重復(fù)序列，以此構(gòu)成3個(gè)卷積、感知機(jī)混合層；步驟2.2構(gòu)建平行自注意力模塊：平行自注意力模塊包含通道注意力分支和空間注意力分支，其中通道注意力分支描述為AttchX＝Mzσ1MvX×δσ2MqX 是實(shí)數(shù)域，Mv,Mq和Mz是1×1卷積，σ1,σ2是整形操作，δ是sofmax操作；最后通道注意力分支的輸出是⊙是Hadamard乘積；再構(gòu)建空間注意力分支： C表示卷積通道數(shù)，H表示特征圖的高度，W表示特征圖的寬度；σ1,σ2和σ3為整形操作，Mv,Mq是1×1卷積，ρ是全局平均池化操作,δ是sofmax操作；空間注意力分支的最終輸出是最后整個(gè)模塊輸出是步驟2.3構(gòu)建級(jí)聯(lián)語(yǔ)義特征聚合模塊：先將高級(jí)特征H3和H2進(jìn)行矩陣相乘后和低級(jí)特征L1進(jìn)行通道相加，同時(shí)高級(jí)特征H1和低級(jí)特征L1進(jìn)行矩陣相乘后將和高級(jí)特征H3和H2融合后的結(jié)果進(jìn)行通道相加；最后經(jīng)過(guò)3×3和1×1卷積操作將通道維度降低；最后模塊的輸出為G:G＝M1M3ConcatM3M3ConcatM3H3×M3H2M3H1M3L1×M3H1M1是1×1卷積，M3是3×3卷積，Concat是通道相加操作；步驟2.4構(gòu)建通道引導(dǎo)分組逆向注意力模塊：首先來(lái)自級(jí)聯(lián)語(yǔ)義特征聚合模塊的全局特征圖通過(guò)sigmoid操作形成一個(gè)顯著性特征圖；然后通過(guò)逆向注意力操作得到反向注意力引導(dǎo)圖R：R＝φ[σμS,E]μ是雙線性插值操作，σx＝11+e-x是sigmoid函數(shù)，φ是逆向注意力操作，E是全1矩陣；然后高級(jí)特征H1,H2,H3會(huì)在通道維度被分成多個(gè)組；這個(gè)過(guò)程可以描述為:FsHi＝{Hi,1,...,Hi,m}然后將反向注意力引導(dǎo)圖R循環(huán)插入到各個(gè)分組中，這個(gè)過(guò)程可以描述為:Yi＝Fc{Hi,1,R}...,{Hi,m,R}其中i表示高級(jí)特征的序號(hào)，與分組通道數(shù)m一一對(duì)應(yīng)；Fs代表通道分離操作,Fc代表通道相加；最后通過(guò)Hi和Yi得到最后模塊的輸出圖；3利用訓(xùn)練樣本訓(xùn)練所述神經(jīng)網(wǎng)絡(luò)，優(yōu)化網(wǎng)絡(luò)參數(shù)，確定網(wǎng)絡(luò)參數(shù)后與神經(jīng)網(wǎng)絡(luò)共同組成模型；4應(yīng)用時(shí)，采集內(nèi)窺鏡下結(jié)直腸圖像，并輸入至模型中，經(jīng)計(jì)算輸出結(jié)直腸息肉分割圖像。

如需購(gòu)買(mǎi)、轉(zhuǎn)讓、實(shí)施、許可或投資類(lèi)似專(zhuān)利技術(shù)，可聯(lián)系本專(zhuān)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 浙江省杭州市拱墅區(qū)朝暉六區(qū)；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(huà)0551-65771310或微信搜索“龍圖騰網(wǎng)”。