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！

龙图腾网恭喜北京航空航天大学;北京大学第三医院(北京大学第三临床医学院)申请的专利一种基于深度学习的多模态图像合成方法与系统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：CN117474784B 。

龙图腾网通过国家知识产权局官网在2025-04-01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：202311544597.1，技术领域涉及：G06T5/50；该发明授权一种基于深度学习的多模态图像合成方法与系统是由刘曦;耿立升;杨瑞杰设计研发完成，并于2023-11-20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多模态图像合成方法与系统在说明书摘要公布了：本发明涉及基于深度学习的多模态图像合成方法，该方法包括：S1、数据收集：收集宫颈癌患者的CBCT图像和对应的计划CT图像；S2、图像预处理：将计划CT图像配准到CBCT图像，并将非解剖结构去除；邻域插值并裁剪图像至同一尺寸；调整窗宽，并将CT值转化为线性衰减系数；S3、构建深度学习模型框架；S4、分层训练：采用分层训练策略训练所述的深度学习模型，首先训练粗分辨率的残差U‑Net；然后以前一阶段为起点，继续用更高分辨率的图像训练所述的深度学习模型，以帮助深度学习模型学习更复杂的图像特征并捕获更精细的图像细节；S5、模型测试验证：使用分层训练好的深度学习模型直接从原始CBCT图像生成伪CT图像。

本发明授权一种基于深度学习的多模态图像合成方法与系统在权利要求书中公布了：1.一种基于深度学习的多模态图像合成方法，其特征在于，所述的基于深度学习的多模态图像合成方法包括以下步骤：S1、数据收集：收集宫颈癌患者的CBCT图像和对应的计划CT图像；S2、图像预处理：将计划CT图像配准到CBCT图像，并将非解剖结构去除；邻域插值并裁剪图像至同一尺寸；调整窗宽，并将CT值转化为线性衰减系数；S3、构建深度学习模型框架：所述的深度学习模型基于编码器-解码器的架构，采用U-Net作为基础模型，并将残差学习集成到基础模型中；该深度学习模型由1个常规卷积块、4个残差卷积块、4个上采样残差卷积块和1个输出层组成；S4、分层训练：采用分层训练策略训练所述的深度学习模型，首先训练粗分辨率的残差U-Net，旨在训练所述的深度学习模型学习基本的图像内容表示和普通的图像特征；然后以前一阶段为起点，继续用更高分辨率的图像训练所述的深度学习模型，以帮助深度学习模型学习更复杂的图像特征并捕获更精细的图像细节；总训练层次设置为3；S5、模型测试验证：使用分层训练好的深度学习模型直接从原始CBCT图像生成伪CT图像；在步骤S4中，使用不同的损失函数组成完整的损失函数对深度学习模型进行训练；所述的不同的损失函数包括加权平均绝对误差、多尺度结构相似性损失和梯度差异损失；加权平均绝对误差的计算公式如下： ；其中，N表示高CT值区域的像素总数；M表示除了高CT值区域以外的区域的像素总数；y高值,i是真实图像的高CT值区域中的第i个像素的值；ỹ高值,i是输出图像的高CT值区域中的第i个像素的值；y其余,i表示真实图像的除高CT值区域以外的其余区域中的第i个像素的值；ỹ其余,i表示输出图像的除高CT值区域以外的其余区域中的第i个像素的值；区分高CT值区域和其余区域的分界阈值为500HU；ω为常数，设置为5；多尺度结构相似性损失计算公式如下： ；其中K表示总的计算尺度数；SSIMi表示第i个尺度下的结构相似性指数；表示第i个尺度的权重，用于加权平均不同尺度的结构相似性指数；梯度差异损失，用于在优化过程中保持原始图像的强梯度并增强组织的边缘锐度，梯度差异损失的定义如下： ；其中Y表示真实图像，Ỹ表示合成的伪CT图像；x表示沿x方向，y表示沿y方向；表示梯度运算符表示L2范数；完整的损失函数如下： 其中，分别设置为1，3和2。

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航空航天大学;北京大学第三医院(北京大学第三临床医学院)，其通讯地址为：100191 北京市海淀区学院路37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”。