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！

龙图腾网获悉东北大学;中国医科大学附属第一医院申请的专利一种内窥镜图像病灶检测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：CN120931602B 。

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：202511055590.2，技术领域涉及：G06T7/00；该发明授权一种内窥镜图像病灶检测方法是由高云秋;崔笑宇;高兴华;董灿伟;齐瑞群设计研发完成，并于2025-07-30向国家知识产权局提交的专利申请。

本一种内窥镜图像病灶检测方法在说明书摘要公布了：本发明提供一种内窥镜图像病灶检测方法。该方法包括：获取内窥镜图像数据集；对内窥镜图像数据集进行预处理；将预处理后的内窥镜图像数据集按照预设比例划分为训练集、验证集、和测试集；搭建YOLO‑RSP模型；基于构建的损失函数，并使用训练集对YOLO‑RSP模型进行训练；将验证集输入训练好的YOLO‑RSP模型进行优化；将测试集输入最终优化的YOLO‑RSP模型，得到测试集中的不同病灶的分类检测结果和定位检测结果。本发明设计了RSD‑OSA模块，通过重参数化卷积、通道混洗与空洞卷积联合建模，实现多尺度特征的高效提取与聚合；构建了PSCoordATT模块，基于坐标注意力机制增强模型对病灶区域的空间聚焦能力，减少背景噪声干扰。

本发明授权一种内窥镜图像病灶检测方法在权利要求书中公布了：1.一种内窥镜图像病灶检测方法，其特征在于，包括： 步骤S1：获取内窥镜图像数据集； 步骤S2：对所述内窥镜图像数据集进行预处理； 步骤S3：将预处理后的内窥镜图像数据集按照预设比例划分为训练集、验证集和测试集； 步骤S4：搭建YOLO-RSP模型；其中，所述YOLO-RSP模型是基于YOLOv10网络进行改进的模型；所述YOLO-RSP模型包括：骨干网络、颈部网络和检测头网络； 所述骨干网络，用于接收预处理后的内窥镜图像数据集，并对所述预处理后的内窥镜图像数据集进行特征提取，以生成不同尺度的特征图； 所述颈部网络，用于对所述骨干网络生成的不同尺度的特征图进行融合，并将融合后的不同尺度的特征图传递至检测头网络； 所述检测头网络，用于接收融合后的不同尺度的特征图，并根据所述融合后的不同尺度的特征图输出所述内窥镜图像数据集中的不同病灶的分类检测结果和定位检测结果； 所述骨干网络，具体包括：相互连接的第一卷积模块、第二卷积模块、第一RSD-OSA模块、第三卷积模块、第二RSD-OSA模块、第一SCDown模块、第三RSD-OSA模块、第二SCDown模块、第一C2fCIB模块、SPPF模块和PSCoordATT模块； 其中，预处理后的内窥镜图像数据集通过所述第一卷积模块进行卷积操作以调整通道数，以得到特征图C1；所述特征图C1通过所述第二卷积模块进行卷积操作以提取高层次的图像特征，以得到特征图C2；所述特征图C2通过所述第一RSD-OSA模块进行卷积和重参数化操作以增强对不同大小病灶的感知能力，以减少模型的参数，以得到特征图C3；所述特征图C3通过所述第三卷积模块进行卷积操作以融合特征，以得到特征图C4；所述特征图C4通过所述第二RSD-OSA模块进行重参数化和通道打乱操作以融合特征，以得到特征图C5；所述特征图C5通过所述第一SCDown模块进行降采样操作以减小特征图尺寸，以减少模型的参数，以得到特征图C6；所述特征图C6通过所述第三RSD-OSA模块进行卷积和重参数化操作以融合特征，以得到特征图C7；所述特征图C7通过所述第二SCDown模块进行降采样操作以提取高纬度特征，以减少模型的参数，以得到特征图C8；所述特征图C8通过所述第一C2fCIB模块进行卷积和通道混淆操作以提高特征融合能力，以得到特征图C9；所述特征图C9通过SPPF模块进行空间金字塔池化快速操作以融合多尺度感受野特征，以得到特征图C10；所述特征图C10通过PSCoordATT模块进行注意力操作以提高重点区域的权重，以得到特征图C11； 所述颈部网络，具体包括：相互连接的第一upsample模块、第一Concat模块、第四RSD-OSA模块、第二upsample模块、第二Concat模块、第五RSD-OSA模块、CBS模块、第三Concat模块、第二C2fCIB模块、第三SCDown模块、第四Concat模块和第三C2fCIB模块； 其中，所述特征图C11通过第一upsample模块进行上采样操作以提取高纬度信息参数，以得到特征图C12；所述特征图C12和所述特征图C7通过所述第一Concat模块进行特征融合，以得到特征图C13；所述特征图C13通过所述第四RSD-OSA模块进行卷积和通道混淆操作以融合特征，以得到特征图C14；所述特征图C14通过所述第二upsample模块进行上采样操作以提取不同维度的特征，以得到特征图C15；所述特征图C15和所述特征图C5通过所述第二Concat模块进行特征融合，以得到特征图C16；所述特征图C16通过所述第五RSD-OSA模块进行级联操作以提取不同深度的特征，以得到特征图C17；所述特征图C17通过所述CBS模块进行卷积操作以进行特征压缩，以得到特征图C18；所述特征图C18和所述特征图C14通过所述第三Concat模块进行特征融合，以得到特征图C19；所述特征图C19通过所述第二C2fCIB模块进行紧凑倒置瓶颈卷积操作以进行特征精炼增强，以得到特征图C20；所述特征图C20通过所述第三SCDown模块进行最大池化操作以保留高频信息，以得到特征图C21；所述特征图C21和所述特征图C11通过所述第四Concat模块进行特征融合，以得到特征图C22；所述特征图C22通过所述第三C2fCIB模块进行多分支特征重组操作以融合特征以提高特征的提取能力，以得到特征图C23； 所述检测头网络，具体包括：三个独立的第一检测头、第二检测头和第三检测头；每个独立的检测头均由One-to-oneHead和One-to-manyHead组成；所述One-to-oneHead和所述One-to-manyHead均由分类头和回归头组成；所述分类头用于负责预测每个边界框所属的类别；所述回归头用于负责预测边界框的位置； 其中，所述第一检测头用于接收所述特征图C17，并根据所述特征图C17输出所述内窥镜图像数据集中的不同病灶的分类检测结果和定位检测结果；所述第二检测头用于接收所述特征图C20，并根据所述特征图C20输出所述内窥镜图像数据集中的不同病灶的分类检测结果和定位检测结果；所述第三检测头用于接收所述特征图C23，并根据所述特征图C23输出所述内窥镜图像数据集中的不同病灶的分类检测结果和定位检测结果； 步骤S5：基于构建的损失函数，并使用所述训练集对所述YOLO-RSP模型进行训练； 步骤S6：将所述验证集输入训练好的YOLO-RSP模型进行优化； 步骤S7：将所述测试集输入最终优化的YOLO-RSP模型，得到所述测试集中的不同病灶的分类检测结果和定位检测结果； 每个RSD-OSA模块，具体包括：相互连接的第一RepVGG模块、第一RSD模块、第二RSD模块、通道混洗模块、第五Concat模块和第二RepVGG模块； 其中，每个RSD-OSA模块的输入特征通过第一RepVGG模块进行特征传递，以得到特征图C100；所述特征图C100输入至所述第一RSD模块进行深层特征的提取，以得到特征图C101；所述特征图C101输入至所述第二RSD模块进行深层特征的提取，以得到特征图C102；所述特征图C100、所述特征图C101和所述特征图C102通过所述通道混洗模块进行通道混洗操作，再将通道混洗操作后的各个特征图输入至所述第五Concat模块进行特征融合，以得到特征图C103；所述特征图C103通过所述第二RepVGG模块进行特征传递并进行特征输出； 所述PSCoordATT模块，具体包括：相互连接的第四卷积模块、CoordAtt模块、第六Concat模块、第五卷积模块、第六卷积模块、第七Concat模块和第七卷积模块； 其中，所述PSCoordATT模块的输入特征通过第四卷积模块进行卷积操作以提取特征，以得到特征图C104；所述特征图C104输入至所述CoordAtt模块进行注意力加权操作以增强关键部位的特征权重，以得到特征图C105；所述特征图C105和所述特征图C104同时输入至所述第六Concat模块进行特征融合，以得到特征图C106；所述特征图C106输入至所述第五卷积模块进行卷积操作以提取深度特征，以得到特征图C107；所述特征图C107输入至所述第六卷积模块进行卷积操作以提取特征，以得到特征图C108；所述特征图C108、所述特征图C104和所述特征图C106同时输入至所述第七Concat模块进行特征融合，以得到特征图C109；所述特征图C109通过所述第七卷积模块进行卷积操作后再进行特征输出； 所述构建的损失函数为NWD损失函数；所述NWD损失函数为基于归一化Wasserstein距离的损失函数； 其中，所述NWD损失函数对应的数学表达式为： 1 式1中，表示真实目标框；表示预测框；表示真实目标框中心点的高斯分布；表示预测框中心点的高斯分布；代表二阶Wasserstein距离；表示归一化因子；代表真实目标框中心点均值；代表预测框中心点均值；代表真实目标框中心点协方差矩阵；代表预测框中心点协方差矩阵； 所述二阶Wasserstein距离对应的数学表达式为： 2 式2中，代表中心点偏移距离；代表计算协方差矩阵的迹，该计算出来的协方差矩阵的迹用来衡量尺度匹配程度。

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东北大学;中国医科大学附属第一医院，其通讯地址为：110004 辽宁省沈阳市和平区文化路3号巷11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。