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深度学习的跨数据集磁共振多模态超分辨图像的合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：CN119205527B 。

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：202411377049.9，技术领域涉及：G06T5/50；该发明授权一种基于深度学习的跨数据集磁共振多模态超分辨图像的合成方法是由陈忠;王斯磊;蔡聪波;蔡淑惠设计研发完成，并于2024-09-30向国家知识产权局提交的专利申请。

本一种基于深度学习的跨数据集磁共振多模态超分辨图像的合成方法在说明书摘要公布了：一种基于深度学习的跨数据集磁共振多模态超分辨图像的合成方法，涉及磁共振成像领域。利用深度学习中的无监督方法，采用生成对抗网络的架构，实现磁共振多模态超分辨图像的合成。将图像经过数据预处理，包括配准，切片，归一化。然后构建高频模板，将数据进行FFT变换，得到其K空间，将K空间图像与高频模板做乘积得到其K空间高频信息，再执行IFFT变换得到图像域的高频信息。将准备好的图像以及其高频信息作为输入送进网络。通过网络训练，实现多模态数据的合成。构造超分辨率重建网络的图像退化算法。构造超分辨率图像重建的网络架构，将退化后的图像以及原来的真实图像输入网络进行训练，得到高分辨率的多模态的磁共振图像。

本发明授权一种基于深度学习的跨数据集磁共振多模态超分辨图像的合成方法在权利要求书中公布了：1.一种基于深度学习的跨数据集磁共振多模态超分辨图像的合成方法，其特征在于包括如下步骤： 1获取原始多模态的磁共振图像数据并对原始数据进行分析以及预处理； 2构建高频模板HF_mask：设定比例因子和中心坐标，计算空间中任意点与中心坐标的距离；基于距离将二维矩阵分为三部分D1,D2,D3；对区域赋值，将D1值设置为1，通过高斯衰减函数对D2区域进行赋值，据距离从r1到r2，设定D2值从1衰减到0，D3值设置为0，得到低频模板LF_mask，计算得到高频模板HF_mask＝1-LF_mask； 3通过步骤2构建的高频模板HF_mask提取得到数据高频信息data_HF； 4将数据data与数据高频信息data_HF进行通道堆叠，对堆叠后的数据执行随机裁剪，裁剪后执行通道分离操作； 5构建并训练多模态合成网络； 5.1构造双通道作为网络输入，分别为data和data_HF，以及单通道为输出的深度神经网络用于多模态合成的深度神经网络； 5.2基于SRGAN构建生成器网络；生成器中的编码器部分，采用两种不同的网络设计分别提取高频图像特征和原始图像的特征；生成器的解码器部分，采用转置卷积，同时运用data_HF的部分特征融合到解码器部分； 5.3构造鉴别器用以鉴别生成图像的合理性； 5.4构造合理网络损失函数，包含循环一致性损失函数，感知损失函数以及生成对抗损失函数； 5.5训练多模态合成网络，实现多模态数据的合成； 6构建多模态超分辨率重建网络模型，用于构建可将原始磁共振图像转换为低分辨率图像的模型，学习的是低分辨率到原始图像的映射； 6.1构造超分辨率网络退化模型，包括应用低频模板进行磁共振图像模糊化、图像随机下采样和图像随机加噪，得到退化的图像； 6.2构造六通道输入输出的训练模型，包含多种磁共振模式； 6.3基于SRGAN构建生成器和鉴别器网络； 6.4构造多通道损失函数，包括像素损失函数、感知损失函数和生成对抗损失函数； 7将多数据库原始多模态的磁共振图像和退化后的图像输送入基于SRGAN构建的网络多模态超分辨率重建网络进行训练； 8将多模态超分辨率重建网络训练好的权重，应用于多模态合成网络所生成的多模态数据，应用训练好的权重进行推理，得到分辨率ɑ倍数的高分辨率的多模态超分辨率的磁共振图像； 9将步骤8所得多模态超分辨率的磁共振图像应用于多样化的下游任务。

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。