5号并非指单一专利，而是商标注册类别中的第35类，主要涉及广告销售等服务领域，该分类用于商业经营、加盟连锁等服务模式，与具体技术
基本信息
- 申请号/专利号：CN201810163584.7
- 申请日：2018年02月28日
- 公开(公告)日：2018年06月08日
- IPC分类号：A61B5/0476； A61B5/00； G06T7/11； G06T7/00
- 申请人：上海联影医疗科技股份有限公司
- 发明人：张伟彬、王蕾、陈群、俞诚、任菁赟、杨建峰、陶晶、周翔、詹晨辉、吴天准
- 法律状态：授权发明专利
- 技术成熟度：可产业化 本发明涉及一种基于深度学习的医学图像分割方法、装置及存储介质，旨在解决现有技术中无法有效利用多尺度特征且对不同器官或病灶进行精准分割的问题，通过构建特定的神经网络结构，结合多尺度特征融合与注意力机制，实现了对医学图像中不同目标区域的高精度自动分割。
具体实施方式
网络架构设计
采用编码器解码器结构作为基础框架，其中编码器部分由多个卷积层组成，用于提取输入图像的不同层次特征；解码器则通过上采样操作逐步恢复空间分辨率，并将编码器各阶段的特征图进行跳跃连接（skip connection），以保留细节信息，特别地，在解码过程中引入了双向注意力模块（Bidirectional Attention Model），该模块能够自适应地加权不同层级的特征贡献，增强模型对关键区域的聚焦能力。
损失函数优化
针对医学图像中前景与背景极度不平衡的特点,设计了一种改进的损失函数组合策略：主损失采用Dice系数变体来最大化区域相似性度量，辅以交叉熵损失稳定训练过程；同时添加边界感知项，强化对小目标边缘的刻画精度，这种复合损失方案有效缓解了类别失衡带来的负面影响，提升了整体分割性能。
数据增强策略
为提高模型泛化能力和鲁棒性,实施了一系列数据预处理步骤，包括随机旋转、缩放、平移以及弹性形变等操作，还采用了合成少数类样本的技术手段，人为扩充难例数据的占比，确保模型在各类别间均衡学习，这些措施显著增强了系统应对复杂多变的实际临床场景的能力。
| 组件名称 | 功能描述 |
|---|---|
| 编码器 | 提取多层次抽象特征 |
| 解码器 | 重建高分辨率输出并整合低维语义信息 |
| 跳跃连接 | 传递底层细节至高层决策路径 |
| 双向注意力模块 | 动态调整不同尺度特征的重要性权重 |
| 复合损失函数 | 综合考量区域匹配度、类别置信度及边界清晰度 |
| 数据增强流水线 | 模拟真实世界中的几何变换和非刚性变形 |
创新点
- 多尺度特征自适应融合：突破了传统固定权重融合的限制，提出基于注意力引导的特征交互机制，使网络能根据任务需求灵活调配全局与局部信息。
- 精细化损失约束：创新性地将Dice系数与边界敏感项相结合，解决了微小病变区域漏检的难题，尤其适用于早期肿瘤筛查等应用场景。
- 高效数据利用：开发的新型数据扩增算法不仅增加了训练集多样性，而且保持了标注一致性，减少了人工注释成本。
相关问题与解答
Q1: 这个专利主要解决了哪些技术难题？ A: 该专利重点解决了两个核心技术挑战：一是如何在保持高效率的同时实现多尺度特征的有效融合，二是如何处理医学图像中严重的类别不平衡问题，通过引入注意力机制和定制化损失函数，成功克服了上述难点，实现了高精度的器官及病灶自动分割。
Q2: 这项技术相比现有方法有哪些优势？ A: 相较于传统方法，本专利提出的方案具有以下优势：（1）更高的分割精度，特别是在处理小目标和模糊边界时表现更优；（2）更强的泛化能力，得益于先进的数据增强技术和注意力机制；（3）更低的标注依赖性，由于采用了合成过采样策略，减少了对大量标注数据的需要