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！

龙图腾网获悉湖南科技大学申请的专利一种基于生成对抗网络的肿瘤放疗剂量预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：CN120339431B 。

龙图腾网通过国家知识产权局官网在2025-12-26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：202510414273.9，技术领域涉及：G06T11/00；该发明授权一种基于生成对抗网络的肿瘤放疗剂量预测方法是由廖苗;周恩玉;赵于前;杨振;梁伟设计研发完成，并于2025-04-03向国家知识产权局提交的专利申请。

本一种基于生成对抗网络的肿瘤放疗剂量预测方法在说明书摘要公布了：本发明公开了一种基于生成对抗网络的肿瘤放疗剂量预测方法，包括：1建立包含病人CT图像、计划靶区、危及器官和真实剂量分布的训练数据集；2构建一种基于自适应权重损失的生成对抗网络，其中采用CNN‑Transformer混合结构建立生成器，同时将自适应权重调整策略引入鉴别器，动态调整真实数据和生成数据的损失权重；4利用训练数据集对生成对抗网络进行训练；5运用训练好的网络对待测试的数据进行测试，生成器的输出即为剂量预测结果。本发明可有效解决生成器和鉴别器对抗训练的平衡问题，提高GAN模型的性能和稳定性降低，提升肿瘤放疗剂量预测的精度。

本发明授权一种基于生成对抗网络的肿瘤放疗剂量预测方法在权利要求书中公布了：1.一种基于生成对抗网络的肿瘤放疗剂量预测方法，其特征在于，包括以下步骤： 1建立包含病人CT图像、计划靶区、危及器官和真实剂量分布图的训练数据集B； 2构建基于自适应权重损失的生成对抗网络，记作AdpLossGAN，具体包括： 2-a构建一个由四阶段编-解码结构构成的生成器网络，记作CPFTransGenerator，具体结构为：编码器共包含四个阶段，每个阶段均由一个嵌入模块和交叉感知融合模块依次连接组成，嵌入模块通过可学习的嵌入层，将输入特征的大小转换为指定大小，即对于大小为H×W×C的输入特征，其中H、W、C分别表示输入特征的高、宽、通道数，经过嵌入模块，其大小转换为交叉感知融合模块作为编码块，对嵌入模块输出的特征图进行特征提取；解码器同样包含四个阶段，每个阶段均采用一个交叉感知融合模块作为解码块进行解码，具体结构包括：在解码器第四阶段中，解码块采用同阶段编码块的输出作为输入进行解码，将解码后的特征输入步长为2的上采样卷积模块得到特征F4，同时对依次进行1×1卷积和步长为8的上采样，得到第四阶段解码特征D4；在解码器第三阶段中，门控注意力模块以特征F4和同阶段编码块的输出作为输入进行特征融合，融合后的特征与F4进行相加，相加后的特征输入交叉感知融合模块进行解码，将解码后的特征输入步长为2的上采样卷积模块得到特征F3，同时对依次进行1×1卷积和步长为4的上采样，得到第三阶段解码特征D3；在解码器第二阶段中，门控注意力模块以特征F3和同阶段编码块的输出作为输入进行特征融合，融合后的特征与F3进行相加，相加后的特征输入交叉感知融合模块进行解码，将解码后的特征输入步长为2的上采样卷积模块得到特征F2，同时对依次进行1×1卷积和步长为2的上采样，得到第二阶段解码特征D2；在解码器第一阶段中，门控注意力模块以特征F2和同阶段编码块的输出作为输入进行特征融合，融合后的特征与F2进行相加，相加后的特征输入交叉感知融合模块进行解码，将解码后的特征进行1×1卷积得到第一阶段解码特征D1；接着，将各阶段解码特征D1、D2、D3、D4进行相加和Sigmoid激活，得到剂量预测结果； 2-a-ⅰ步骤2-a所述的交叉感知融合模块由N个基于交叉感知的混合CNN-Transformer结构，记作CPFTransformer，级联构成，其中N为大于0的自然数； 2-a-ⅱ步骤2-a-ⅰ所述的基于交叉感知的混合CNN-Transformer结构，记作CPFTransformer，具体结构包括：构建两条支路，其中第一条支路由一个自注意力残差模块和两个交互增强模块连接组成，第二条支路由一个多尺度感知残差模块和两个交互增强模块连接组成；在两条支路之间引入交叉连接，具体结构为，对于输入特征其中H1、W1、C1分别表示输入特征图的高、宽和通道数，首先对进行通道分离，得到两个子特征和子特征X0和X1分别经过自注意力残差模块和多尺度感知残差模块后，得到特征A0和特征A1；将特征A0和X1输入第一条支路的第一个交互增强模块，得到特征F0；将特征A1和X0输入第二条支路的第一个交互增强模块，得到特征F1；将特征F0和A1输入第一条支路的第二个交互增强模块，得到特征T0；将特征F1和A0输入第二条支路的第二个交互增强模块，得到特征T1；最后，将特征T0和特征T1进行拼接，得到CPFTransformer的输出； 2-a-ⅲ步骤2-a-ⅱ所述的自注意力残差模块，具体结构包括：对于输入特征X0，依次经过一个归一化层和多头自注意力结构，得到特征R0，然后利用残差连接，将特征X0和R0进行相加，得到特征A0；2-a-ⅳ步骤2-a-ⅱ所述的多尺度感知残差模块，具体结构包括：对于输入特征X1，依次经过一个归一化层和多尺度感知融合结构，得到特征R1，然后利用残差连接，将特征X1和R1进行相加，得到特征A1； 2-a-ⅴ步骤2-a-ⅳ所述的多尺度感知融合结构，记作MSPF，具体结构包括：将输入特征Xin分别输入三个线性层，得到特征h、w和p；将特征h输入多尺度混合卷积层得到特征m1，并将特征m1与特征w相乘得到特征f1；将特征f1输入多尺度混合卷积层得到特征m2，并将特征m2与特征w相乘得到特征f2；将特征f2输入多尺度混合卷积得到特征m3，并将特征m3与特征w相乘得到特征f3；将特征f3输入线性层得到特征k，并将特征k与特征p相乘，得到MSPF模块的输出R1； 2-a-ⅵ步骤2-a-ⅴ所述的多尺度混合卷积层，具体结构包括：将输入特征进行通道分离，其中H2、W2、C2分别表示输入特征q的高、宽和通道数，即按照输入特征的通道数量将其平均分为四组，得到4个子特征和将4个子特征分别输入卷积核为3×3、5×5、7×7、9×9的深度可分离卷积，然后将得到的特征进行拼接得到多尺度混合卷积层的输出特征q′； 2-a-ⅶ步骤2-a-ⅱ所述的交互增强模块，记作IE，其特征在于，具体结构包括：IE模块接受两个输入，即来自当前支路的输入特征和来自另一条支路的输入特征；首先，将来自当前支路的输入特征C和来自另一条支路的输入特征O进行拼接，然后将拼接后的特征依次输入归一化层和全连接前馈网络，得到特征H，然后通过残差连接，将特征H和C进行相加操作，得到输出特征； 2-b构建鉴别器网络，该网络由一个初始卷积层，三个中间卷积层和一个输出卷积层依次连接构成，具体结构包括：对于输入图像其中H3、W3、C3分别表示输入特征I的高、宽和通道数，将输入一个包含步长为2的4x4卷积和LeakyReLU激活函数的初始卷积层，得到特征将特征t1依次输入三个中间卷积层，分别得到特征每个中间卷积层均包含一个4x4卷积、归一化层和LeakyReLU激活函数，其中前两个中间卷积层4x4卷积的步长为2，第三个中间卷积层4x4卷积的步长为1；将特征输入一个包含步长为1的4x4卷积和Sigmoid激活函数的输出卷积层，得到一个与输入图像大小相关的二维判别矩阵2-c将CPFTransGenerator生成器网络输出的生成剂量图像G和真实剂量图像R分别输入步骤2-b所述鉴别器，得到生成剂量图像G和真实剂量图像R对应的二维判别矩阵J1和J2；构建鉴别器损失函数，动态调整真实数据和生成数据的损失权重；具体地，鉴别器损失函数定义为： 其中，L1和L2分别表示生成数据损失和真实数据损失，N1和N2分别表示判别矩阵J1和J2的像素总数目，J2p表示判别矩阵J2中第p个像素的值，J1p表示判别矩阵J1中第p个像素的值；w1和w2为自适应动态调整的权重系数，通过分析L1和L2梯度方向是否冲突并结合判别器对真实和生成剂量图的真假判断进行调整，具体包括：首先，计算生成结果损失L1和真实剂量损失L2的梯度方向的夹角，若夹角超过90°，表明两个梯度方向冲突，此时根据梯度动态分配权重，具体为： 其中，ε为一个取值较小的常数，用于防止分母为零或权重过小,ε取值范围为0.001,0.1，这种权重分配方式使总梯度方向与冲突项或正交，避免反向优化干扰；若L1和L2的梯度方向一致，则结合判别器对真实和生成两类样本的判断对权重w1和w2进行调整，当判别器过度信任真实样本时，即判别器将真实样本判定为真的概率接近1时，则增大生成样本权重w1，加强生成样本学习；当判别器无法区分生成样本时，即生成样本被判定为真的概率接近1时，则增大真实样本权重w2，加强真实样本学习，提升判别器的判别能力； 3根据鉴别器损失，构建AdpLossGAN网络的损失函数L： 其中，其中，Gi和Ri分别表示生成剂量图G和真实剂量图R第i个像素的值，N3为生成剂量图G的像素总数目，LG表示通过计算测剂量图G和真实剂量图R之间的平均绝对误差得到的损失，表示由鉴别器计算得到的自适应加权损失； 4采用训练数据集B对AdpLossGAN网络进行训练直到损失函数L收敛，其中训练数据集B中的CT图像、计划靶区、危及器官拼接后作为网络输入，真实剂量分布图用于损失计算； 5运用训练好的网络模型对待测试的数据进行预测，其中测试数据包含病人CT图像、计划靶区和危及器官图，CPFTransGenerator生成器的输出即为剂量预测结果。

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湖南科技大学，其通讯地址为：411201 湖南省湘潭市雨湖区石码头2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。