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！

龙图腾网恭喜成都信息工程大学申请的专利一种基于深度学习的医疗图像增强处理方法及系统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：CN119671884B 。

龙图腾网通过国家知识产权局官网在2025-05-16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：202510175817.0，技术领域涉及：G06T5/60；该发明授权一种基于深度学习的医疗图像增强处理方法及系统是由文成玉;文展;任德昊;李文藻设计研发完成，并于2025-02-18向国家知识产权局提交的专利申请。

本一种基于深度学习的医疗图像增强处理方法及系统在说明书摘要公布了：本发明涉及医疗图像处理技术领域，具体涉及一种基于深度学习的医疗图像增强处理方法及系统，根据是否需要进行样本数量的扩充，选择图像增强的模型；若需要进行样本数量的扩充，则采用生成对抗网络进行图像增强，否则采用自编码器进行图像增强；采用联邦学习架构训练模型，模型在多个分散的设备或服务器上进行训练。使用生成对抗网络，生成多样化的医疗图像样本，提高样本的多样性。自编码器提取关键特征并生成新的样本，增加数据的多样性。通过联邦学习架构，利用分散的数据源，增强模型的训练样本多样性，同时保护数据隐私。有效增加样本的多样性，从而提升模型的泛化能力，使其在实际应用中更具鲁棒性和准确性。

本发明授权一种基于深度学习的医疗图像增强处理方法及系统在权利要求书中公布了：1.一种基于深度学习的医疗图像增强处理方法，其特征在于，包括以下步骤：根据是否需要进行样本数量的扩充，选择图像增强的模型；若需要进行样本数量的扩充，则采用生成对抗网络进行图像增强，否则采用自编码器进行图像增强；所述生成对抗网络采用基于局部特征增强的生成对抗网络进行训练，在传统的生成对抗网络的基础上，通过采用多层非线性变换和局部特征增强机制，生成器不仅依赖噪声向量，还融合图像的历史生成状态和局部特征；采用联邦学习架构训练模型，模型在多个分散的设备或服务器上进行训练，其中，设备或服务器持有本地医疗图像数据样本，而无需交换这些医疗图像数据；所述基于局部特征增强的生成对抗网络进行训练，所述步骤还包括：初始化生成器和判别器；在生成器网络中加入多层非线性变换和局部特征增强机制，生成器的非线性变换操作依赖于输入的噪声和图像的历史生成状态，以实现更加复杂的图像生成，表示为： 式中，为生成器第层的权重矩阵；为生成器的偏置项；为生成器第层的生成图像的局部特征；为第一非线性函数，具体为Sigmoid，为第二非线性函数，为生成器的层数；在每一轮训练中，首先使用真实的医疗图像输入判别器进行训练，然后输入随机噪声向量到生成器生成图像，并将生成的图像送入判别器进行评估，判别器的目标是区分真实图像和生成图像，而生成器的目标是最大化判别器的判断错误，判别器和生成器交替训练，判别器的损失函数基于对抗性损失计算，并采用基于梯度域的自适应调整机制增强判别器对细节特征的敏感度，表示为： 式中，为真实医疗图像，为判别器的权重，为判别器函数，为真实的医疗图像数据的分布，为噪声向量的分布，为判别器的损失函数，表示期望，表示服从于特定分布，为生成的医疗图像数据的分布，为L2范数，为判别器对生成图像的梯度；为生成器生成的医疗图像；通过扩散过程和非线性逼近方法增加生成器生成图像的多样性，扩散过程将生成器的噪声向量从低维空间扩展到高维空间，以增加样本生成的多样性，并通过对生成器输出图像的逐步优化来增强图像的细节，其中，扩散过程表示为： 式中，为第次迭代的扩散后的图像，为第次迭代的扩散过程；在训练过程中，采用梯度域自适应调整策略，根据图像的梯度信息调整网络中的梯度传播方式，并自动调整梯度大小以稳定收敛，其中，生成器和判别器的梯度更新规则分别表示为： 、式中，为生成器的梯度调整项，为判别器的梯度调整项，为生成器的损失函数，为判别器的损失函数，为生成器的自适应梯度调整函数，为判别器的自适应梯度调整函数，表示Hadamard积，为对生成图像的梯度；在生成器的生成过程中，采用局部特征增强损失函数动态加强图像中关键信息区域的特征表达，局部特征增强损失函数的计算方式表示为： 式中，为局部特征增强损失函数，为生成图像在第个局部区域上的表示，为真实图像在第个局部区域上的表示，为第个区域的权重，衡量该区域对图像整体质量的重要性，其中，区域的权重基于图像的局部梯度和高频特征进行计算，根据梯度的大小和区域特征的高频部分进行自适应调整，表示为： 式中，表示区域在生成图像上的梯度，为控制局部区域重要性灵敏度的参数，表示第个局部区域范围；通过不断迭代优化生成器和判别器的参数，直到生成器能够产生高质量的图像，并且判别器对真假图像的辨别能力达到最优，更新方式表示为： 式中，为第次迭代的生成器的学习率，为第次迭代的判别器的学习率，为生成器的损失函数关于权重参数的梯度，为判别器的损失函数关于权重参数的梯度，为参数更新操作，为局部特征增强损失函数，为局部特征增强损失函数关于生成器权重参数的梯度，为局部特征增强损失函数关于判别器权重参数的梯度，并采用自适应动态学习率优化策略增强训练过程中梯度更新的精度与效率，计算方式表示为： 式中，为生成器的初始学习率，为判别器的初始学习率，是动态学习率调整因子，控制学习率的衰减速度，是学习率正则化常数，防止在极小梯度情况下学习率过大，是调整因子的幂指数，用于控制学习率衰减的非线性特性。

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成都信息工程大学，其通讯地址为：610000 四川省成都市西南航空港经济开发区学府路1段24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”。