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基于改进辅助分类生成对抗网络的骨显像生成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：CN116309362B 。

龙图腾网通过国家知识产权局官网在2025-05-27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：202310138371.5，技术领域涉及：G06T7/00；该发明授权一种基于改进辅助分类生成对抗网络的骨显像生成方法是由罗仁泽;余泓;罗任权;吴涛;赵丹;王清松;曹瑞;易玺;廖波设计研发完成，并于2023-02-20向国家知识产权局提交的专利申请。

本一种基于改进辅助分类生成对抗网络的骨显像生成方法在说明书摘要公布了：本发明公开了一种基于改进辅助分类生成对抗网络的骨显像生成方法，针对现有骨显像数据集数量稀缺、类别不均衡的问题。以密集残差注意力卷积块为基本卷积单位，提出了一种改进的辅助分类生成对抗网络的骨显像生成方法；该方法以U‑Net为生成器框架，同时结合密集残差连接卷积块和双输入门控注意力结构来提升骨显像细节特征生成，判别器通过密集残差连接卷积块提取骨显像特征进行判别；此外，为防止模型出现模式崩溃和梯度消失的情况，在训练损失函数中引入了梯度惩罚，提升模型训练的稳定性。本发明公开的基于改进辅助分类生成对抗网络的骨显像生成方法，有效地提升了生成骨显像的图像质量，能够为后续的骨显像识别任务提供更多的骨显像训练数据。

本发明授权一种基于改进辅助分类生成对抗网络的骨显像生成方法在权利要求书中公布了：1.一种基于改进辅助分类生成对抗网络的骨显像生成方法，其特征在于包括以下步骤：步骤1：对骨显像进行预处理，具体处理方式为：1对骨显像进行归一化，将原始骨显像文件转化为可见灰度图像；2对骨显像进行裁剪，并将图像调至N×3N像素大小，N为正整数；3医生根据病例信息将骨显像分为健康、恶性、良性三类，作为骨显像作为训练样本；步骤2：构建密集残差卷积块，该模块由3×3卷积、1×1卷积、PReLU激活函数、批量归一化以及协调注意力机制构成；首先，该模块通过3个3×3卷积提取统一尺度下的不同的骨显像特征，每次卷积后都运用了批量归一化和PReLU激活函数；其次，模块通过密集连接方式来汇聚统一尺度下的不同特征信息；同时，在每次特征汇聚后都采用了一个1×1卷积来压缩通道数；注意力密集残差卷积块计算如下：xi＝Hi[x0,x1,…,xi-1],i∈[1,M]式中：xi表示第i层的输入的骨显像，[x0,x1,....,xi-1]表示第i层之前的所有特征图拼接后的特征；Hi表示非线性映射，即批量归一化和PReLU激活函数运算的组合；为有效利用密集连接结构所提取到的特征，在第3次特征拼接后，使用了一个协调注意力机制模块来抑制提取到的无用特征，让模型重点关注细节特征的生成；最后，采用残差结构将模块提取特征与输入特征进行融合；其中，PReLU激活函数为： 式中：a为大于0的常数；x表示输入PReLU激活函数的骨显像；步骤3：构建改进的辅助分类生成对抗网络与双输入门控注意力结构：生成器采用L层U型网络为基本框架，L为正整数，包含分为输入端、编码部分和解码部分三个部分；在输入端，首先将骨显像类别信息嵌入批次中，随后与噪声进行特征拼接，生成一个新的特征并重塑成L种不同尺度的特征，分别作为U型网络编码部分每层的输入；在编码部分，使用注意力密集残差卷积块、最大池化层对特征图进行特征提取和降采样；同时，将下采样后的特征和输入端重塑后的特征一起送入双输入门控注意力结构；在解码部分，使用注意力密集残差卷积和线性插值的方式对特征图进行特征提取和上采样；此外，在跳跃连接处采用双输入门控注意力结构来指导高层全局特征x1与低层细节特征x2进行高效融合；最后，使用一个1×1卷积输出重建后的骨显像；其中，双输入门控注意力结构计算流程如下：将高层全局特征x1与低层细节特征x2进行特征拼接，即将特征在通道维度上进行叠加，得到一个新的特征xc；然后，通过协调注意力机制学习新特征图的空间、通道之间的联系，将得到的权重矩阵后乘以xc得到更新后的特征，并与xc进行残差融合，保留输入特征的部分信息；最后，经过1×1卷积、批量归一化和PReLU激活函数输出模块，计算流程如下：zc＝concatetatex1,x2式中：设两个输入特征的大小均为C×H×W；concatetate·表示特征拼接，即在通道维度C上对x1、x2进行叠加操作，设x1为c1×h×w、x2为c2×h×w，则concatx1,xin的计算结果为c1+c2×h×w；zc表示拼接后的特征； 式中：c表示通道数；h表示高度；w表示宽度；xch,i表示通道为c高、为h时，第i个像素点；xcj,w表示通道为c、宽为w时，第j个像素点；表示在通道c中，对高度h的第w行特征信息求和并取平均；计算方法同理； 表示在通道c中，对高度h的第w行特征信息求和并取平均；计算方法同理； 式中：F1·表示特征拼接后，进行1×1卷积运算；δ·表示非线性变换，即批量归一化和PReLU激活函数的组合； 式中：fh、fw分别表示f沿h、w方向降维后的向量；σ·表示Sigmoid激活函数运算； 式中：xci,j表示输入协调注意力机制的骨显像；表示注意力权重；x'ci,j表示经过表示注意力权重更新后的骨显像特征图；xout＝δConv1×1xc+x'c式中：xc+x'c表示将xc和更新后的xc'进行特征融合；Conv1x1·表示1×1卷积运算；xout表示整个模块的输出特征；在判别器中：首先，向模型输入生成骨显像；然后，通过3个密集残差注意力卷积块来充分提取骨显像的特征信息；接着，将提取到的特征矩阵进行展平，通过全连接层1输出其真假信息、全连接层2输出骨显像的类别信息；步骤4：设计结合梯度惩罚项的损失函数，在辅助生成对抗网络的原有损失的基础上引入梯度惩罚项，改进后的网络模型目标函数如下：LS＝E[logPS＝real|Xreal]+E[logPS＝fake|Xfake]+LgpLC＝E[logPC＝c|Xreal]+E[logPC＝c|Xfake]式中：C表示骨显像种类；LS表示判别真假的损失；LC表示判别类别的损失；Xfake表示生成的骨显像；Xreal表示训练集中的真实骨显像；E表示期望；P·表示概率； 式中：λ为常数；表示梯度，Lgp为梯度惩罚项；模型的生成器与判别器损失如下：LG＝Ls-LcLD＝Lc+Ls式中：LG表示生成器损失；LD表示判别器损失；步骤5：将步骤1预处理后的测试集数据，送入步骤4搭建的网络模型中，利用步骤5中改进的损失函数计算损失值，并通过结构相似性系数对骨显像的生成质量进行评估，保存最终的网络模型，记为MU-ACGAN；结构相似性系数计算公式如下： 式中：表示生成骨显像与真实骨显像之间的灰度方差，σxy表示协方差；μx、μy表示像素点均值；c1、c2为常数；SSIM代表图片生成骨显像与真实骨显像的相似度范围在[0,1]之间，其值越接近1，表明越接近真实骨显像；步骤6：向保存的MU-ACGAN中输入随机噪声，输出新生成的骨显像。

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”。