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！

龙图腾网获悉厦门大学申请的专利一种基于幅值相位分别迭代的深度学习磁共振智能成像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：CN118549867B 。

龙图腾网通过国家知识产权局官网在2025-10-31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：202410610659.2，技术领域涉及：G01R33/56；该发明授权一种基于幅值相位分别迭代的深度学习磁共振智能成像方法是由屈小波;敖思音设计研发完成，并于2024-05-16向国家知识产权局提交的专利申请。

本一种基于幅值相位分别迭代的深度学习磁共振智能成像方法在说明书摘要公布了：一种基于幅值相位分别迭代的深度学习磁共振智能成像方法，涉及磁共振智能成像。步骤：1采集数据，获取b值为0smm2和其他b值的多激发扩散磁共振数据；2生成训练数据集，重建b值为0smm2的磁共振图像，并从中估计得到通道灵敏度,利用传统优化算法重建其他b值的多激发扩散磁共振数据作为训练标签；3设计基于幅值相位交替更新的深度学习网络模型及损失函数；4利用训练数据集训练幅值相位迭代重建网络；5将待重建的多激发扩散磁共振数据输入已训练好的幅值相位迭代网络重建磁共振图像。通过幅值和相位分别构建迭代网络的方式进行重建，增强相位和幅值的拟合程度，降低图像重建误差，提高抗伪影能力。

本发明授权一种基于幅值相位分别迭代的深度学习磁共振智能成像方法在权利要求书中公布了：1.一种基于幅值相位分别迭代的深度学习磁共振智能成像方法，其特征包括以下步骤： 1采集数据：获取b值为0smm2和其他b值的多激发扩散磁共振数据； 2生成训练数据集：重建b值为0smm的磁共振图像，并从中估计得到通道灵敏度,利用传统优化算法重建其他b值的多激发扩散磁共振数据作为训练标签； 3设计幅值相位迭代重建网络：设计基于幅值相位交替更新的深度学习网络模型及损失函数； 所述幅值相位迭代重建网络以迭代块为核心，通过叠加若干个迭代块作为整体的网络结构，每个迭代块包含三个子块；单个迭代块的网络结构如下： a子块MU用于幅值相位分别迭代网络的幅值更新；幅值更新网络的迭代块建模如下： 其中，j∈{1,…,J}表示第j次激发，J表示总激发次数，l∈{1,…,L}表示第l个通道，L表示总通道数，ylj为第l个通道第j次激发的扩散磁共振采样数据，C表示第l个通道的灵敏度系数矩阵，表示二维傅里叶变换算子，表示多激发扩散加权数据的k空间采样模板对应的欠采样算子，P表示第j-1次激发产生的相位，m表示幅值图像，||·||表示2范数，λ表示正则化参数，表示多级编解码的U-Net深度学习去噪网络，θ表示深度学习去噪网络的参数； 将每个幅值更新迭代块的输出与标签幅值2范数的累加和作为网络的损失函数，设标签为xref，将其分为幅值和相位： mref＝|xref| pref＝anglexref 其中，表示多次激发图像向量，|·|表示取绝对值，angle·表示取相位，mref表示幅值标签，pref表示相位标签；幅值迭代网络还加入了特征融合模块用于嵌入b0特征信息，加强幅值重建质量；该模块首先获取b值为0smm2的b0图像的幅值mb0，与其他b值的幅值图像mb1进行拼接，通过首尾衔接1×1的卷积层以进行特征变换，得到高维特征图，随后输入若干选择性核卷积块进行特征提取和特征融合；选择性核卷积分支数为2，分别采用3×3的卷积核和5×5的空洞卷积作为分支，分组卷积数为32，步长为1，每个选择性核卷积块都带有残差连接，最后通过一个1×1卷积降维，得到最终迭代完成的幅值数据； 幅值更新模块的损失函数定义如下： 其中，k∈{1,…,K}表示迭代块索引，K表示总迭代块数，表示特征融合模块网络，θ表示待优化的网络参数，mref、和mb0分别表示幅值标签、第k个迭代块输出的b1幅值图像和b0的幅值图像； b子块PU用于幅值相位分别迭代网络的相位更新；相位更新网络的迭代块建模如下： 其中，j∈{1,…,J}表示第j次激发，J表示总激发次数，l∈{1,…,L}表示第l个通道，L表示总通道数，表示多级编解码的U-Net度学习去噪网络，pj表示第j次激发产生的相位，M表示第j-1次激发产生的幅值，λ2表示正则化参数，θ表示深度学习去噪网络的参数；相位图像的求解通过共轭梯度法进行求解，将每个相位更新迭代块的输出与标签幅值2范数的累加和作为网络的损失函数： 最后，总的损失函数表示为幅值图像损失函数与相位图像损失函数之和： c子块DC用于幅值相位分别迭代网络的数据校验模块；首先将迭代块输出的幅值和相位在图像域进行合并，得到迭代块输出的第l个通道第j次激发的k空间数据预测值接着通过数据校验模块用于保证网络输出数据与采样点采集数据保持平衡，在未采样点的数据由网络输出值，而在采样点则为采样数据与预测数据的线性组合； 数据校验模块建模如下： 其中，表示第k个迭代块输出的第j次激发第l个通道的k空间数据，ylj表示第l个通道第j次激发采集到的k空间数据，n表示采样点对应的索引，Ω表示k空间采样点的集合，α为线性组合参数； 4训练网络：利用步骤2中得到的训练数据集训练步骤3中设计的幅值相位迭代重建网络； 5重建磁共振图像：将待重建的多激发扩散磁共振数据输入步骤4已训练好的幅值相位迭代网络重建磁共振图像。

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厦门大学，其通讯地址为：361005 福建省厦门市思明区思明南路422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。