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！

龙图腾网获悉北京大学申请的专利一种用于三维核磁共振图像的配准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：CN115775267B 。

龙图腾网通过国家知识产权局官网在2026-01-16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：202111042032.4，技术领域涉及：G06T7/33；该发明授权一种用于三维核磁共振图像的配准方法是由张云庚;裴玉茹;查红彬设计研发完成，并于2021-09-07向国家知识产权局提交的专利申请。

本一种用于三维核磁共振图像的配准方法在说明书摘要公布了：本发明公布了一种用于三维MRI图像的配准方法，其特征是，利用双路自注意力网络对图像内不同区域和图像之间的关系进行建模，基于对称的具有长残差连接的编码解码器网络3DU‑net构造配准网络模型，并利用双路自注意力网络增强三维图像的特征嵌入，同时利用卷积神经网络的局部特征，以及跨图像的全局特征上下文关系增强。本发明方法通过搭建配准网络模型，增强微分同胚配准中解剖结构语义对应的建模和识别，提高对三维MRI图像的配准精度。

本发明授权一种用于三维核磁共振图像的配准方法在权利要求书中公布了：1.一种用于三维MRI图像的配准方法，其特征是，利用双路自注意力网络对图像内不同区域和图像之间的关系进行建模，搭建配准网络模型，增强微分同胚配准中解剖结构语义对应的建模和识别，提高配准精度；包括以下步骤： 1搭建配准网络模型，包括如下过程： 11基于对称的具有长残差连接的编码解码器网络3DU-net构造配准网络模型，并利用双路自注意力网络增强三维图像的特征嵌入，同时利用卷积神经网络的局部特征，以及跨图像的全局特征上下文关系增强； 配准网络模型包括一个可学习的图像特征嵌入模块；一个双路自注意力特征增强模块，用于双路的跨图像的关系学习；一个变形场推理模块或称为微分同胚配准模块；配准网络模型的输入为浮动图像Vm和固定图像Vf，目标为估计微分同胚配准场ψ以建立图像之间的体素稠密对应关系； 12创建图像特征嵌入模块： 使用3DU-net进行单独的和拼接的三维图像的特征嵌入，由此创建图像特征嵌入模块；图像特征嵌入模块包括第一个卷积神经网络编码器分支和第二个卷积神经网络分支；第一个卷积神经网络编码器分支φs接收单通道的图像作为输入，输出浮动图像Vm的单独特征嵌入Fm和固定图像Vf的单独特征嵌入Ff；使用第二个卷积神经网络分支φc提取浮动图像与固定图像的拼接作为输入的特征嵌入Fc； 13创建双路自注意力特征增强模块，用于建模跨图像的依赖关系，实现图像嵌入的特征增强； 使用两个具有编码-解码结构的自注意力网络，每个自注意力网络均包括三个编码模块和两个解码模块；将卷积神经网络提取的图像特征F{m，f}和Fc的空间维度重构为特征序列以及作为自注意力网络的输入序列； 将图像特征的空间维度重构之后的特征序列中加入可学习的位置编码，以保留空间信息；第一自注意力编码-解码网络Ts处理单独的特征嵌入的图像的内部以及图像之间的依赖关系，Ts作用于单独的固定图像或浮动图像的特征序列，即和Ts接收以及可学习的位置编码，输出为增强的特征 第二自注意力编码-解码网络Tc利用自注意力机制，建模图像拼接作为输入的体图像特征嵌入Fc的全局相关；Tc的输入为和可学习的位置编码；输出为增强的特征 将和的通道拼接，得到最终的增强图像特征嵌入 14创建微分同胚配准模块； 微分同胚配准模块用于预测微分同胚速度场，并使用无可学习参数的积分运算层将速度场转化为最终的配准变形场；通过采用微分同胚映射，使微分同胚配准具有一一映射和拓扑保持的性质；其中，静态速度场vt和变形场ψt满足表示为公式1： 公式1中，t为时间参数，t∈[0,1]，vt为速度场，ψt为变形场，符号表示映射的组合，ψ0＝I，即恒等变换； 2训练配准网络模型，得到训练好的配准网络模型； 训练配准网络模型具体是使用非监督学习的方式，通过图像在相似性测度空间的对齐进行网络参数的优化； 给定浮动图像Vm和固定图像Vf，配准预测配准变形场ψ，使用空间变换网络用于对浮动图像施加变形场进行变形，得到变形后的浮动图像符号表示图像变形；图像相似性度量损失函数Lsim使用图像差异的L1范数，表示为公式2： Lsim＝||V′m-Vf||1公式2 其中，V′m为浮动图像Vm利用配准变形场ψ进行变形后的图像，Vf为固定图像，||·||1为L1范数； 使用Frobenius范数约束平滑性，速度场的正则化项Lreg表示为公式3： 其中，v为配准网络输出的微分同胚速度场，表示一阶梯度，||·||F是Frobenius范数； 最终的损失函数L表示为： L＝Lsim+αLreg公式4 其中，Lsim为相似性度量损失函数，Lreg为速度场的正则化项，超参数α用于平衡图像相似性和速度场的平滑性正则化项；通过最小化损失函数L优化提出的双路自注意力配准网络，得到训练好的配准网络模型； 3对待配准的三维MRI图像进行在线配准： 将任意一对浮动图像Vm和固定图像Vf输入训练好的配准网络模型，输出变形场ψ，对浮动图像进行变形得到配准后的图像 通过上述步骤，实现大脑MRI图像的高效在线配准，提高MRI图像配准精度。

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北京大学，其通讯地址为：100871 北京市海淀区颐和园路5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。