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！

龙图腾网恭喜杭州师范大学申请的专利一种基于多模态特征融合的MRI脑肿瘤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：CN119850961B 。

龙图腾网通过国家知识产权局官网在2025-06-13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：202510336310.9，技术领域涉及：G06V10/26；该发明授权一种基于多模态特征融合的MRI脑肿瘤分割方法是由周同雪;朱杉;李铭杨设计研发完成，并于2025-03-21向国家知识产权局提交的专利申请。

本一种基于多模态特征融合的MRI脑肿瘤分割方法在说明书摘要公布了：本发明属于医学影像处理与分析技术领域，涉及一种基于多模态特征融合的MRI脑肿瘤分割方法，构建一个包含编码器和解码器的图像分割模型；编码器部分，首先通过标准卷积归一化激活模块和空洞卷积编码增强模块对输入的T1、T1c、T2和Flair四种模态的MRI图像进行初步特征提取，然后通过模态级特征融合模块对提取的特征进行重要性加权和选择，得到融合后的特征；解码器部分，则通过空间和通道级特征融合模块进一步提取和优化特征表示，最终通过上采样通道与空间特征融合卷积模块输出预测分割图像。本发明提高了MRI脑肿瘤分割的精度，为临床准确诊断、制定治疗计划和患者监测提供了有力的技术支持。

本发明授权一种基于多模态特征融合的MRI脑肿瘤分割方法在权利要求书中公布了：1.一种基于多模态特征融合的MRI脑肿瘤分割方法，其特征在于，将同一脑肿瘤的T1图像、T1c图像、T2图像和Flair图像共同输入到训练后的图像分割模型中，由其输出预测分割图像； 预测分割图像即通过预测得到的具有3个分割区域的脑肿瘤MRI图像，3个分割区域分别为完整肿瘤区域、肿瘤核心区域和增强瘤区域； 图像分割模型包括编码器和解码器； 编码器的工作流程如下： ⅰ图像Mi依次经过标准卷积归一化激活模块、空洞卷积编码增强模块得到fi，i＝1,…,4，M1、M2、M3、M4分别为T1图像、T1c图像、T2图像和Flair图像，f1、f2、f3、f4分别从T1图像、T1c图像、T2图像和Flair图像中提取得到； 标准卷积归一化激活模块由依次连接的卷积层、实例归一化层、LeakyReLU激活函数层组成； 空洞卷积编码增强模块对输入特征依次进行扩张率为2的3×3×3空洞卷积、实例归一化、LeakyRelu激活函数处理、比率为0.3的丢弃处理、扩张率为4的3×3×3空洞卷积、实例归一化、LeakyRelu激活函数处理后，与标准卷积归一化激活模块的结果相加，输出编码结果； ⅱ将f1、f2、f3、f4同时输入到模态级特征融合模块，由其输出f1'、f2'、f3'、f4'；模态级特征融合模块的工作流程如下： a对特征fi应用3×3×3的卷积层操作，产生查询向量qi、键向量ki、值向量vi； b将qi与ki进行逐元素相乘后，经过激活函数softmax产生注意力分数attii； c将v1与v2进行逐元素相加，同时将v3与v4进行逐元素相加后，将二者所得结果进行逐元素相加，得到的结果记为vc； d将vc与attii进行逐元素相乘后，将所得结果与fi进行逐元素相加，得到特征fi'； ⅲfi'依次经过下采样卷积归一化激活模块、空洞卷积编码增强模块得到新的fi； 下采样卷积归一化激活模块由依次连接的步长为2的卷积层、实例归一化层、LeakyReLU激活函数层组成； ⅳ将新的f1、f2、f3、f4同时输入到模态级特征融合模块，由其输出新的f1'、f2'、f3'、f4'； ⅴ重复步骤ⅲ～ⅳ4次，将最后一次输出的f1'、f2'、f3'、f4'串联，得到f； 解码器的工作过程为：f经空间和通道级特征融合模块得到混合信道表示ff，ff依次经5个上采样通道与空间特征融合卷积模块，第1～4个上采样通道与空间特征融合卷积模块的输出分为两部分，第一部分作为下一个上采样通道与空间特征融合卷积模块的输入，第1～4个上采样通道与空间特征融合卷积模块的输出的第二部分以及第5个上采样通道与空间特征融合卷积模块的输出各自先经过1×1×1卷积，再依次进行逐元素相加，得到预测分割图像； 上采样通道与空间特征融合卷积模块由沿数据流向从前至后依次连接的上采样模块、空间和通道级特征融合模块、标准卷积归一化激活模块、空洞卷积编码增强模块组成； 空间和通道级特征融合模块的工作流程如下： a对特征f应用卷积核i进行扩张卷积操作后，经过激活函数sigmoid得到空间级注意力权重attsi，i＝1,…,4，卷积核1的扩张率为4，卷积核2的扩张率为3，卷积核3的扩张率为2，卷积核4的扩张率为1； 将attsi与f进行逐元素相乘，得到空间级特征表示fsi； 将fs1、fs2、fs3、fs4进行逐元素相加，得到空间级特征表示fs； 对f依次应用平均池化操作和多层感知机操作，同时对f依次应用最大池化操作和多层感知机操作后，将二者所得结果进行逐元素相加后，经过激活函数sigmoid得到通道级注意力权重attc； 将attc与f进行逐元素相乘，得到通道级特征表示fc； b将fs和fc进行逐元素相加，得到混合信道表示ff。

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师范大学，其通讯地址为：310000 浙江省杭州市余杭区余杭塘路2318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”。