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！

龙图腾网获悉西南石油大学申请的专利一种使用扩散模型生成数据的颈椎MRI图像自监督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：CN117036386B 。

龙图腾网通过国家知识产权局官网在2026-04-17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：202311188494.6，技术领域涉及：G06T7/11；该发明授权一种使用扩散模型生成数据的颈椎MRI图像自监督分割方法是由钟原;潘恩元;李平设计研发完成，并于2023-09-14向国家知识产权局提交的专利申请。

本一种使用扩散模型生成数据的颈椎MRI图像自监督分割方法在说明书摘要公布了：本发明公开了一种使用扩散模型生成数据的颈椎MRI图像自监督分割方法。该方法包括颈椎MRI切片筛选和基于扩散模型的超分辨率重建等的图像预处理；以及为了解决深度分割模型的训练数据量不足和数据缺乏差异性的问题，使用了改进的扩散模型生成高质量的MRI图像；最后使用自监督方法，将真实图像和生成图像结合，解决了标签量不足的问题，构建Encoder‑Decoder结构的Att‑UNet网络对输入数据进行相关特征提取，并使用多尺度一致性输出衡量损失，最终得到了更精准的椎体和椎间盘分割结果。本发明将基于扩散模型的MRI图像生成与自监督分割结合，有效扩充了样本数量，提升了模型鲁棒性和分割精度，为临床颈椎疾病诊断提供了更准确的参考信息。

本发明授权一种使用扩散模型生成数据的颈椎MRI图像自监督分割方法在权利要求书中公布了：1.一种使用扩散模型生成数据的颈椎MRI图像自监督分割方法，其特征在于，包括以下步骤： S1、图像预处理：从DICOM格式的颈椎MRI数据中提取已标注且清晰可见的切片，转换为PNG格式，并使用score-MRI扩散模型进行超分辨率重建； 其中，使用score-MRI扩散模型进行超分辨率重建，包括： 正向过程：使用随机微分方程，连续向原始图像添加高斯噪声，共计T1次，将复杂的数据分布转换为已知的高斯分布，并建立训练基于时间的分数模型； 逆向过程：缓慢去除噪声，共计T1次，将高斯分布转换回数据分布，使用正向过程中训练得到的分数模型预测上一时刻的分数，从而生成图像； S2、图像生成：将经S1预处理的真实图像划分为训练集，提取其相关特征作为图像生成的条件信息，采用改进的去噪概率扩散模型DDPM生成颈椎MRI图像，并根据结构相似性挑选生成的图像； 其中，采用改进的去噪概率扩散模型DDPM生成颈椎MRI图像，包括： 扩散过程：采用非线性余弦噪声方案代替线性噪声方案，连续向原始图像添加高斯噪声，共计T2次，直至将复杂的数据分布转换为已知的高斯分布，同时在UNet网络的Encoder模块的第二层增加注意力机制，并在Decoder模块仅保留一层注意力机制，通过改进的Att-Unet网络学习噪声分布； 逆扩散过程：随机生成高斯噪声，并使用扩散过程中训练得到的Att-UNet网络预测上一步的噪声，共计去噪T2次，得到生成图像； 其中，根据结构相似性挑选生成的图像包括： 对于每张生成图像，计算它与所有真实图像之间的相似性度量值，并取平均值作为该生成图像的结构相似性度量； 取平均值靠前的N张生成图像，作为S3中分割模型数据集的一部分； S3、自监督分割：在前置任务中，将生成图像和无标签的真实图像输入UNet模型的Encoder特征提取网络中，进行自监督训练，得到用于特征提取的预训练模型，将预训练模型的参数赋予下游任务的Att-UNet-URPC模型的Encoder模块，并使用有标签的真实图像进行参数微调，最后，通过Att-UNet-URPC模型的Decoder模块分割出颈椎块和椎间盘区域； 其中，自监督训练过程，包括： 前置任务：使用无标签的颈椎MRI图像输入UNet模型的Encoder部分进行自监督学习，获得特征提取器作为下游任务的预训练模型； 下游任务：导入预训练模型的参数，初始化Att-UNet-URPC网络的Encoder部分，并将有标签的颈椎MRI图像送入Att-UNet-URPC网络进行特征提取，以进行特征提取和颈椎块和椎间盘区域的分割； 前置任务中使用的无标签数据包括真实颈椎MRI图像和由改进的去噪概率扩散模型生成的图像，利用Cutout作为自监督学习中图像增强的方法进行自监督学习； 其中，所述Att-UNet-URPC模型在传统UNet的Decoder基础上每层增加了soft-attention的注意力机制，并在其Encoder-Decoder的基础上构建多尺度输出，对这些输出进行随机的Dropout以及对最后一层输出加噪，构建损失函数； 其中，所述损失函数由监督损失和无监督损失构成，其公式为： ； 式中：表示Att-UNet-URPC模型的损失函数，表示有标签数据的分割损失函数，为监督损失，表示无标签数据的分割损失函数，为无监督损失，表示权重； 对于有标签数据的分割损失函数，采用监督损失进行网络训练，其中监督损失是交叉熵损失和Dice相似性系数损失的加权融合，其公式为： 式中：S表示Decoder模块的输出层数，表示Dice损失函数，表示交叉熵损失函数，表示第s层的输出，y表示标签； 对于无标签数据的分割损失函数，采用金字塔结构生成多尺度的预测值，对这些预测值进行一致性约束以及KL散度来衡量预测值之间的不确定性，再利用欧氏距离以及不确定性构建不确定性校正函数，引入不确定性最小化项，共同构建无标签数据的损失函数，其公式为： ； 式中：第一项表示不确定性最小化项，第二项表示不确定性纠正函数，β表示权重，S表示Decoder模块的输出层数，表示平均尺度输出和不同尺度输出之间的KL散度，表示Decoder模块第s层的输出，表示Decoder模块s层的输出的平均值，表示KL散度的指数运算。

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西南石油大学，其通讯地址为：610500 四川省成都市新都区新都大道8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”。

以上内容由龙图腾AI智能生成。