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！

龙图腾网获悉沈阳工业大学申请的专利一种基于SCAF-TransUNet的肝脏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：CN119399461B 。

龙图腾网通过国家知识产权局官网在2025-05-30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：202411445414.5，技术领域涉及：G06V10/26；该发明授权一种基于SCAF-TransUNet的肝脏肿瘤分割方法是由穆子晗;原野;刘金玉;姜昕彤;刁兆硕设计研发完成，并于2024-10-16向国家知识产权局提交的专利申请。

本一种基于SCAF-TransUNet的肝脏肿瘤分割方法在说明书摘要公布了：本发明公开了一种基于SCAF‑TransUNet的肝脏肿瘤分割方法，首先，SLIC超像素预处理通过将肝脏图像分割为语义相关的超像素区域，使模型能够更准确地聚焦于肿瘤等关键区域，减少计算冗余，提升特征提取的效率和精度。其次，在跳跃连接中引入的CECA模块通过一维卷积替代传统全连接层，简化了通道间的注意力机制，增强了通道依赖关系的捕捉，同时保持了特征提取的精度。最后，在解码器中加入FPN，进一步增强了多尺度特征的融合能力。FPN通过逐层融合不同分辨率的特征图，使得模型在上采样前就能有效结合全局语义信息和局部细节特征，提升对复杂肝脏边界和细小肿瘤的处理能力。最终，这些改进显著提高了肝脏肿瘤分割任务的准确性和稳健性。

本发明授权一种基于SCAF-TransUNet的肝脏肿瘤分割方法在权利要求书中公布了：1.一种基于SCAF-TransUNet的肝脏肿瘤分割方法，其特征在于，包括：步骤一、输入肝脏肿瘤图像，首先采用超像素预处理算法，该算法将图像分割为多个具有相似特征的超像素区域，减少冗余信息并保留图像局部细节，形成超像素图像；步骤二、对于经过超像素预处理得到的超像素图像输入编码器部分，通过卷积神经网络CNN来提取输入图像的多尺度特征，并通过SCAF-TransUNet的TransformerLayer将CNN特征图划分为小块patches，并使用自注意力机制来捕捉图像中长距离依赖关系；步骤三、在每一层的解码器阶段，解码器上采样后的特征图与通过跳跃连接传递的底层编码器特征图相结合，编码器特征图在传递过程中通过通道高效卷积注意力模块进行处理，最后输出通道注意力和空间注意力加权后的特征图；步骤四、在解码器的最后一层，经过上采样和特征融合后的特征图通过1x1卷积将通道数压缩至目标类别数，随后，通过Softmax激活，为每个像素生成类别概率分布，最终输出为每个像素的分割结果，实现肝脏肿瘤图像分割；所述步骤三中还包括：在解码器的每一层，上采样后的特征图与跳跃连接传递过来的经过Channel-EfficientConvolutionalAttention模块处理的特征图进行融合，融合后的特征图Ffusion将作为输入传递到PFN模块，进行进一步处理以提升特征的表达与优化效果：特征提取：在编码器部分，使用卷积神经网络提取不同分辨率的特征图；对于SCAF-TransUNet，通过卷积和池化操作，图像的分辨率逐级下降，生成不同层次的特征图；假设输入图像的大小为H×W，特征图的分辨率逐级减少，这些多尺度特征图将被用作后续FPN的输入；每一个特征图Ci都包含不同层次的空间信息和语义信息；横向连接：在每个分辨率层次上，特征图通过1x1卷积进行通道数的压缩，得到降维后的特征图Pi；1x1卷积的作用是减少特征图的通道数，降低计算复杂度，同时保留最重要的关键信息：P5＝Conv1x1C5，P4＝Conv1x1C4，P3＝Conv1x1C3，P2＝Conv1x1C2；自上而下的特征融合：FPN采用自上而下的特征融合策略；最高层的特征图P5具有最小的空间分辨率和最丰富的语义信息，而低层的特征图则具有较高的分辨率和更多的空间细节；在特征融合时，首先将低分辨率特征图上采样到较高分辨率，然后与较高分辨率的特征图进行逐元素相加：P4＝P4+UpsampleP5P5＝P5+UpsampleP4P2＝P2+UpsampleP3通过这种自上而下的方式，高层次特征图的全局语义信息被逐级传播到低层次特征图，同时保留了低层次的细节信息；上采样操作：上采样操作通过双线性插值或反卷积将低分辨率的特征图放大到与高分辨率特征图相匹配的尺寸；融合后的卷积：每次上采样并进行特征融合后，FPN会应用3x3卷积操作对融合后的特征图进行进一步处理；该卷积操作有助于平滑特征图并减少混叠效应，同时保持全局语义信息和局部细节的结合：Pi＝Conv3x3Ci；FPN与跳跃连接的结合：改进后的SCAF-TransUNet中，跳跃连接部分已经引入了Channel-EfficientConvolutionalAttention模块；FPN生成的特征图将与来自编码器的跳跃连接特征图相结合：Pi＝Pi+SkipConnectionCECACi。

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沈阳工业大学，其通讯地址为：110870 辽宁省沈阳市铁西区经济技术开发区沈辽西路111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”。