买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜安徽大学申请的专利一种显著性参考和解耦的食管肿瘤CT影像扩散分割方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119273704B 。

龙图腾网通过国家知识产权局官网在2025-04-04发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411807262.9，技术领域涉及：G06T7/11；该发明授权一种显著性参考和解耦的食管肿瘤CT影像扩散分割方法是由徐凯;马业成;汪帮俊;贾兆红;黄勇设计研发完成，并于2024-12-10向国家知识产权局提交的专利申请。

本一种显著性参考和解耦的食管肿瘤CT影像扩散分割方法在说明书摘要公布了：本发明提供了一种显著性参考和解耦的食管肿瘤CT影像扩散分割方法，通过结合显著性伪标签和扩散去噪网络，提高肿瘤分割的准确性。首先，对食管肿瘤CT图像进行预处理，并生成显著性伪标签，增强网络对肿瘤区域的关注。然后，构建显著性参考的分割网络和扩散去噪网络，采用条件扩散模型逐步加噪和去噪还原图像。设计了分割与去噪任务解耦的多任务学习框架，通过一致性约束确保任务之间的协同优化。通过联合优化交叉熵损失、Dice损失、均方误差和一致性损失，提高分割性能。实验结果表明，该方法能有效提升食管肿瘤的分割精度，具有较强的临床应用潜力。

本发明授权一种显著性参考和解耦的食管肿瘤CT影像扩散分割方法在权利要求书中公布了：1.一种显著性参考和解耦的食管肿瘤CT影像扩散分割方法，其特征在于，包括以下步骤：11显著性参考和解耦的食管肿瘤CT影像扩散分割网络的准备工作：对食管肿瘤CT影像数据进行预处理，包括归一化、裁剪、显著性标签生成及优化步骤，确保输入数据的一致性及显著区域标注的准确性；12构建显著性参考和解耦的食管肿瘤CT影像扩散分割网络的分割网络和扩散网络：构建输入为预处理后的CT图像及显著性伪标签的分割网络，网络由多层编码器、解码器、跳跃连接模块以及显著性特征融合模块组成；扩散模型，构建输入为加噪CT图像及显著性伪标签的扩散网络；扩散网络包含多层卷积模块，完成正向添加和反向去噪操作；具体步骤如下：121构建显著性参考和解耦的食管肿瘤CT影像扩散分割网络的分割网络，其步骤如下：1211构建空间降采样结构，空间降采样结构包括一个编码器模块，由4层下采样单元组成，每层具体结构如下：12111两个3*3卷积层，步长设置为1，填充方式为same；12112每层卷积层后加入一个RELU线性激活单元进行激活；12113一个最大池化层，核大小为2*2；1212构建空间上采样结构，空间上采样结构包括一个解码器模块，由4层上采样单元组成，每层具体结构如下：12121一个反卷积层，卷积核大小为2*2；12122两个3*3卷积层，步长设置为1，填充方式为same；12123每层卷积层后加入一个RELU线性激活单元进行激活；1213构建降采样结构和上采样结构的交互结构，具体结构如下：12131使用四个跳跃连接，将每层下采样层的输出的特征图与上采样层的输出拼接起来；12132最后一层下采样后再经过两个3*3卷积层；1214构建显著性融合模块，其具体结构如下：显著性伪标签通过跳跃连接嵌入解码器每一层，融合公式如下：Fenhanced＝Fdecoder+λ·Fsaliency，其中，Fenhanced表示融合后的解码器特征，Fdecoder表示融合前解码器特征，Fsaliency表示显著性伪标签特征，λ＝0.5表示显著性特征的权重；具体步骤如下：CT影像经过显著性检测网络得到显著性伪标签；显著性伪标签经过四层编码器结构，与分割网络的编码器结构一致；再通过跳跃连接把每个经过编码器层的显著性伪标签和分割网络编码器的输入拼接起来；122构建显著性参考和解耦的食管肿瘤CT影像扩散分割网络的扩散网络，其步骤如下：1221正向扩散过程：正向扩散过程逐步向输入CT图像Iinput添加高斯噪声，使其从结构化数据逐渐变为随机噪声，具体公式如下： 其中αt＝1-βt，表示信号强度；βt∈[0.0001，0.02]，为每步添加噪声的强度；N为正态分布；采用线性方差时间表，经过T＝1000步扩散，初始图像xo转变为完全随机噪声xT；1222反向去噪过程：反向去噪通过神经网络预测噪声并逐步还原图像，公式如下： 其中是方差，代表扩散过程中的噪声规模；μθxt是均值，表示从当前噪声图像xt预测出下一步xt-1的中心位置；均值计算公式为： 其中，εθxt，t是神经网络预测的噪声分布；是累计的信号强度；反向生成从随机噪声xT开始，逐步去噪生成还原的图像xo；1223显著性参考和解耦的食管肿瘤CT影像扩散分割方法的扩散网络采用UNet的编码器-解码器架构，并结合时间嵌入和残差块进行设计，其具体结构如下：12231编码器通过逐层下采样提取多尺度特征，编码器模块包含以下组件：122311卷积层，每层包含两个3*3卷积操作，卷积核填充方式为same，每个卷积层后接批归一化BN和一个RELU线性激活单元；122312最大池化层，用于下采样，池化核大小为2*2；12232解码器模块通过逐层上采样逐步恢复图像尺寸，包含以下组件：122321一个反卷积层，采用2*2大小的反卷积和，回复特征图的空间分辨率；122322卷积层，每层包含两个3*3卷积操作，卷积核填充方式为same，每个卷积层后接批归一化BN和一个RELU线性激活单元；12233时间嵌入模块，时间嵌入贯穿整个编码器核解码器，负责将时间信息t映射为特征向量，通过线性层然后经过注入每层卷积的特征图中，确保模型对每一步噪声的动态感知能力；12234跳跃连接结构，编码器每层通过跳跃连接将对应层的特征拼接到解码器特征图；13训练显著性参考和解耦的食管肿瘤CT影像扩散分割网络：确保分割与去噪任务的互补优化，结合交叉熵损失函数、Dice损失函数、均方误差函数以及一致性损失设计联合优化策略；14对显著性参考和解耦的食管肿瘤CT影像扩散分割网络的测试与求解：通过训练好的网络推理未标注数据，结合形态学操作提升分割边界的精确度。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人安徽大学，其通讯地址为：230039 安徽省合肥市蜀山区肥西路3号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。