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！

龙图腾网恭喜杭州电子科技大学申请的专利一种基于特征重排和门控轴向注意力的医学图像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：CN114049314B 。

龙图腾网通过国家知识产权局官网在2025-05-13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：202111262731.X，技术领域涉及：G06V10/26；该发明授权一种基于特征重排和门控轴向注意力的医学图像分割方法是由俞俊;于云杰设计研发完成，并于2021-10-28向国家知识产权局提交的专利申请。

本一种基于特征重排和门控轴向注意力的医学图像分割方法在说明书摘要公布了：本发明公开了一种基于特征重排和门控轴向注意力的医学图像分割方法。首先，把所有的原始图像和真实分割图像统一为相同大小的尺寸，再对调整后的训练图像进行随机的水平垂直翻转，提高了样本的多样性。其次，采用特征重排进行下采样，更好的保留了原始图像的特征，采用逆向特征重排进行上采样，提高的网络的解码能力。然后，协同训练全局分支与局部分支，分别提取图像的全局信息交互与局部信息交互。最后，合并两部分信息来对图像进行分割。同时，通过优化参数设置，利用适当的训练技巧，实现了更精确的医学图像分割效果。

本发明授权一种基于特征重排和门控轴向注意力的医学图像分割方法在权利要求书中公布了：1.一种基于特征重排和门控轴向注意力的医学图像分割方法，其特征在于包括如下步骤：步骤1.数据集获取；从现有的公开医学图像分割数据集中，选择3种数据集；步骤2.数据处理；在步骤1所获取的医学图像分割数据集上，把数据集中图像调整为相同的尺寸；再对调整后的训练样本图像进行随机的水平垂直翻转，从而增加训练样本的多样性；步骤3.定义基于特征重排和门控轴向注意力的医学图像分割模型，该模型包括全局分支和局部分支；以步骤2处理后的训练图像以及训练图像的真实分割图作为输入；步骤4.损失函数；损失函数的作用则是用来衡量预测值与真实样本标记之间的误差；此处采用交叉熵损失函数；步骤5.定义Adam优化器，给模型设定一个合理的学习率，初始学习率设定为0.001，模型训练过程中，学习率随批次数增加而减缓，每50个批次学习率调整为原来的0.8，从而有效抑制振荡，找到更优的网络参数；同时采用L2正则化来有效降低过拟合；步骤6.网络训练与测试，协同训练步骤3中的全局分支和局部分支，在训练的同时在每个数据集提供的测试集上进行评估，评估采用的是平均IoU以及平均F1score；步骤2所述的数据处理，具体实现如下：首先，将数据集中的原始图像与真实分割图通过resize成128×128大小尺寸；最后，把经过resize后的训练图像以及对应的分割图像进行概率为50％的随机水平垂直翻转；步骤3所述的模型全局分支和局部分支，具体实现如下：全局分支编码部分：3-1.把输入的训练样本图像使用7×7卷积核，步长为1，Padding设为3，保留输入的高度H与宽度W，再经过BatchNorm层以及ReLU激活函数映射得到特征块；3-2.对特征块进行特征重排，把H和W面片分为2×2的面片块，把B,C,H,W下采样为B,4C,H2,W2；其中B是一次输入图片的张数，C为特征块的通道数，H和W分别为特征块的高度与宽度；特征重排能够把相邻元素的特征保留在C通道上，相比采用池化层能更好的保留信息；3-3.将特征重排后的特征块经过2次不改变高度与宽度的卷积加BatchNorm层以及ReLU激活函数映射得到特征块x，增强局部面片块的信息流通；3-4.把特征块x输入门控轴向注意力块；一个门控轴向注意力块首先经过一个1×1的卷积加BatchNorm层以及ReLU激活函数映射；其次在沿着张量的宽度轴施加门控轴向注意力，公式如下式1: 其中，N表示上一次下采样后的宽度，qij＝Wq′x,kij＝Wk′x,vij＝Wv′x分别为查询、键和值；W为线性变换，x为输入，y为输出；qij＝Wq′x,表示第i行第j个元素，Wq′表示对x线性变换的参数；kij＝Wk′x,表示第i行第j个元素，Wk′表示对x线性变换的参数；vij＝Wv′x,表示第i行第j个元素，Wv′表示对x线性变换的参数；其中均为可学习的位置偏差项，通常称为相对位置编码；其中G为可学习的门控参数，用来控制所学习的相对位置编码对编码非局部上下文的影响；然后，在沿着张量的高度轴施加的门控轴向注意力；方法与在宽度轴施加的门控轴向注意力一致；最后经过一个1×1的卷积加BatchNorm层以及ReLU激活函数映射，并且特征块在经过每个门控轴向注意力块前后建立残差连接；3-5.将经过1个门控轴向注意力后得到的特征块，再进行特征重排来下采样，最后经过两个门控轴向注意力块；得到具有长程依赖和全局信息的紧凑特征值块x1；全局分支解码部分:首先将特征块x1经过两个门控轴向注意力块，再使用1×1的卷积对C通道扩容，以便使用逆向特征重排来进行上采样；然后进行逆向特征重排来进行上采样；与采用双线性插值上采样相比，特征重排灵活性强，其参数可由网络学习获得，而双线性插值由公式得出；其次，再经过一个门控轴向注意力块，再使用1×1的卷积对C通道扩容，然后进行逆向特征重排来进行上采样得到具有长程依赖和全局信息且与输入的原始图像同尺寸的特征块x2，所有解码部分与编码部分对应块间均采用跳连接，连接方式为相加；局部分支部分：301.输入的训练样本图像在H和W面片上划分成32×32的面片块，其次对每一个面片块做如下操作：7×7卷积核，步长为1，Padding设为3，保留输入的高度与宽度，再经过BatchNorm层以及ReLU激活函数映射得到特征块；302.把步骤301得到的特征块进行特征重排下采样，再经过2次不改变高度与宽度的卷积加BatchNorm层以及ReLU激活函数映射得到特征块x'；303.把x'经过3次门控轴向注意力块加特征重排下采样，每次采用的门控轴向注意力块分别为3、4、1；得到特征块x1'；再把x1'经过3次门控轴向注意力块加逆向特征重排上采样，每次采用的门控轴向注意力块分别为1、4、3；304.把每一个面片块按原有次序拼接，得到具有局部信息且与输入的原始图像同尺寸的特征块x'2。

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杭州电子科技大学，其通讯地址为：310018 浙江省杭州市下沙高教园区2号大街；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”。