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！

龙图腾网获悉中国医科大学附属盛京医院申请的专利基于全局-局部语义约束视觉语言模型的半监督脊柱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：CN121437534B 。

龙图腾网通过国家知识产权局官网在2026-04-28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：202511578185.9，技术领域涉及：G06T7/11；该发明授权基于全局-局部语义约束视觉语言模型的半监督脊柱分割方法是由孙洪赞;李峥嵘;潘庆涛;姬冰设计研发完成，并于2025-10-31向国家知识产权局提交的专利申请。

本基于全局-局部语义约束视觉语言模型的半监督脊柱分割方法在说明书摘要公布了：本发明提供一种基于全局‑局部语义约束视觉语言模型的半监督脊柱分割方法。包括：利用图像、文本编码器分别提取脊柱MR切片图像嵌入和结构描述文本嵌入；局部层面学习图像块和文本的语义关系以度量局部视图的不确定性；全局层面度量跨模态分布表示间的Wasserstein2距离以规范全局语义相似性；基于预训练GLsc模型结合文本与未标记切片生成提示引导掩码，通过特征监督及区域对齐损失强化语义约束；融合学生与教师模型的预测结果生成高质量伪标签，借助有监督及一致性损失优化分割网络。本发明将提示引导掩码引入脊柱分割半监督学习，通过双维度语义约束增强VLM跨模态不确定性感知能力，有效提升伪标签质量与分割精度，为医学图像半监督分割提供创新技术范式。

本发明授权基于全局-局部语义约束视觉语言模型的半监督脊柱分割方法在权利要求书中公布了：1.一种基于全局-局部语义约束视觉语言模型的半监督脊柱分割方法，其特征在于，包括： 步骤S1：利用图像编码器处理数据集的脊柱MR切片以获取对应的图像嵌入，以及利用文本编码器处理脊柱结构描述的文本以生成对应的文本嵌入，以构建图像与文本在特征层面的关联；其中，所述图像嵌入包括：图像块tokens、和图像CLStoken；所述文本嵌入包括：文本CLStoken； 步骤S2：提取所述图像块tokens和文本CLStoken，再计算所述图像块tokens与文本CLStoken之间的余弦相似度，再基于该余弦相似度构建对应的余弦相似度矩阵A，再基于该余弦相似度矩阵A计算不同图像块-文本对相似度的方差，再结合该方差计算加权相似度，再基于该加权相似度对高不确定性图像块的局部语义进行关联，以供后续对该高不确定性图像块的局部语义施加约束，以提升图像-文本局部对齐的可靠性；其中，高不确定性图像块为计算出来的不同图像块-文本对相似度的方差值大于预设方差值时所对应的图像块；低不确定性图像块为计算出来的不同图像块-文本对相似度的方差值小于等于预设方差值时所对应的图像块； 步骤S3：提取所述图像CLStoken和文本CLStoken，再计算所述图像CLStoken与文本CLStoken之间的余弦相似度，再基于该余弦相似度构建对应的余弦相似度矩阵B，再借助分布建模手段，将所述图像CLStoken和文本CLStoken各自对应的语义特征从嵌入空间映射到分布空间，以分别生成图像分布In和文本分布Tn，再计算所述图像分布In与文本分布Tn之间的Wasserstein-2距离，再依据该Wasserstein-2距离构建不确定性矩阵C，再基于该不确定性矩阵C对图像-文本的全局语义相似性施加约束；其中，所述不确定性矩阵C的各元素反映不同图像-文本对在全局语义层面的对齐不确定性； 步骤S4：将所述数据集中未标记的脊柱MR切片输入至来自预训练的GLsc中的预训练图像编码器以获取对应的图像嵌入； 步骤S5：将所述数据集中已标记的脊柱MR切片某一类别的文本提示输入至来自预训练的GLsc中的预训练文本编码器以生成对应的文本嵌入，再基于该图像嵌入和文本嵌入计算当前输入对应的所述某一类别的置信度分数，再基于该置信度分数筛选出高置信度的图像区域，以生成该某一类别的提示引导掩码；其中，所述高置信度的图像区域为计算出来的所述某一类别的置信度分数大于预设置信度分数时所对应的图像区域； 步骤S6：对所述数据集中已标记的脊柱MR切片的其他类别的文本提示重复步骤S5以得到所述数据集中各类别的提示引导掩码，再基于置信度分数对数据集中各类别的提示引导掩码进行堆叠，以形成最终的提示引导掩码； 步骤S7：基于所述最终的提示引导掩码，计算特征监督损失和区域对齐损失，以强化跨模态语义约束； 步骤S8：将所述最终的提示引导掩码作用于所述数据集中无标记的脊柱MR切片，并将该提示引导掩码作用后的无标记的脊柱MR切片输入至学生模型以生成未标记预测，以及将所述数据集中已标记的脊柱MR切片输入至学生模型以生成标记预测，以及将所述数据集中无标记的脊柱MR切片输入至教师模型以生成伪标签，再将所述未标记预测、标记预测、和伪标签进行融合，以生成合并伪标签；其中，教师模型由学生模型指数移动平均进行更新； 步骤S9：基于有监督损失和一致性损失去迭代优化分割网络，以实现最终输出高质量的脊柱分割结果；其中，所述分割网络由教师模型和学生模型组成。

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中国医科大学附属盛京医院，其通讯地址为：110004 辽宁省沈阳市和平区三好街36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。