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！

龙图腾网获悉上海科技大学申请的专利基于物理模型的深度学习物质分解方法、装置、终端及存储介质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：CN116011327B 。

龙图腾网通过国家知识产权局官网在2026-04-17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：202211711964.8，技术领域涉及：G06F30/27；该发明授权基于物理模型的深度学习物质分解方法、装置、终端及存储介质是由余肖鹏;秦文辉;钟韬;赖晓春设计研发完成，并于2022-12-29向国家知识产权局提交的专利申请。

本基于物理模型的深度学习物质分解方法、装置、终端及存储介质在说明书摘要公布了：本申请提供一种基于物理模型的深度学习物质分解方法，包括：搭建物理模型，用于映射CT探测器不同物理参数下X射线的响应，并基于该物理模型制作数据集；基于数据集构建并训练神经网络，用于拟合不同物理参数下CT探测器的响应；设置若干校准实验，通过缩小神经网络预测值和实验响应值的误差确定CT探测器的物理参数；成像时，根据CT探测器的物理参数、CT探测器的实际响应，通过神经网络计算得到受探测物质的厚度信息。本申请通过搭建神经网络映射CT探测器物质分解过程中各物理参数间关联，并通过少量校准实验得到CT探测器的物理参数，从而在物质分解时通过已知的物理参数和响应能谱反推出受检测物质的厚度信息，且方法具备较好的鲁棒性。

本发明授权基于物理模型的深度学习物质分解方法、装置、终端及存储介质在权利要求书中公布了：1.一种基于物理模型的深度学习物质分解方法，其特征在于，包括： 获取CT探测器的响应能谱和CT探测器的物理参数；其中，所述CT探测器的物理参数通过预设的校准实验缩小CT探测器的实验响应能谱和CT探测器的预测响应能谱之间的误差得到； 根据所述CT探测器的响应能谱和CT探测器的物理参数，基于预先训练完毕的神经网络计算得到受探测物质的厚度信息；其中，所述预先训练完毕的神经网络用于拟合物理模型，所述物理模型用于映射初始能谱、CT探测器的物理参数、受探测物质的厚度信息和所述CT探测器的响应能谱之间的函数关系；其中，所述物理模型包括： ； 其中，为初始能谱，为经过低能滤过后的能谱，为经过物质衰减后的能谱，为探测器理想响应的能谱，为探测器真实响应的能谱，为ASIC响应能谱，表示总计数，、代表X射线低能滤过的衰减系数，、代表滤过材料的厚度，、代表两种物质的衰减系数，、代表两种物质的厚度，代表探测器的理论响应矩阵，代表电荷共享系数，代表神经网络，代表能谱的偏移，代表探测器死时间，代表芯片计数阈值，表示探测器在第个能量区间的计数，表示第个能量区间的开始能量。

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上海科技大学，其通讯地址为：201210 上海市浦东新区华夏中路393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。