買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網恭喜中國科學院精密測量科學與技術創新研究院申請的專利一種模型混合的雙分支人工智能肺部MRI去噪方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN117911269B 。

龍圖騰網通過國家知識產權局官網在2025-04-29發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202410049593.4，技術領域涉及：G06T5/70；該發明授權一種模型混合的雙分支人工智能肺部MRI去噪方法是由周欣;石勝杰;肖灑;孫獻平;陳世楨設計研發完成，并于2024-01-12向國家知識產權局提交的專利申請。

本一種模型混合的雙分支人工智能肺部MRI去噪方法在說明書摘要公布了：本發明公開了一種模型混合的雙分支人工智能肺部MRI去噪方法。首先獲取配對的高信噪比和低信噪比肺部MRI影像作為訓練集，構建Transformer和CNN混合模型，然后通過所設定的預訓練自監督損失函數對Transformer和CNN混合模型進行預訓練，再通過均方誤差損失進行監督訓練。由于利用Transformer和CNN的優勢互補，本發明有效地融合局部特征和上下文信息，提升影像去噪的性能；利用低信噪比影像進行自監督預訓練，適用于肺部MRI影像配對樣本量小的特點；且Transformer和CNN雙通道混合模型訓練完成后，不需要額外調節參數，去噪速度快，能更好地保留影像細節，具有實用價值。

本發明授權一種模型混合的雙分支人工智能肺部MRI去噪方法在權利要求書中公布了：1.一種模型混合的雙分支人工智能肺部MRI去噪方法，其特征在于，包括以下步驟：步驟1、獲取配對的高信噪比肺部MRI影像和低信噪比肺部MRI影像作為樣本對，并將樣本對劃分為訓練集和測試集；步驟2、構建Transformer和CNN混合模型，Transformer和CNN混合模型包括一個上通道網絡、一個下通道網絡和一個輸出層；步驟1獲得的低信噪比肺部MRI影像即是上通道網絡的輸入，也是下通道網絡的輸入，上通道網絡的輸出和下通道網絡的輸出按通道堆疊后輸入至輸出層；步驟3、設定預訓練自監督損失函數Ls；步驟4、將步驟1中訓練集的低信噪比肺部MRI影像輸入到Transformer和CNN混合模型中，得到預測的去噪肺部MRI影像；并根據步驟3設定的預訓練自監督損失函數，利用步驟1得到的訓練集中低信噪比肺部MRI影像，對步驟2構建的Transformer和CNN混合模型進行預訓練，得到預訓練后的Transformer和CNN混合模型；步驟5、設定監督訓練損失函數Ld；步驟6、將步驟1中訓練集的低信噪比肺部MRI影像輸入到步驟4預訓練后的Transformer和CNN混合模型中得到對應的去噪肺部MRI影像；根據步驟5設定的監督訓練損失函數，利用步驟1生成的訓練集樣本對，對步驟4預訓練后的Transformer和CNN混合模型進行端到端訓練，得到訓練好的Transformer和CNN混合模型的參數；步驟7、將待處理的低信噪比肺部MRI影像輸入到步驟6訓練好的Transformer和CNN混合模型中得到對應的去噪肺部MRI影像；所述下通道網絡包括輸入層、CNN編碼器、Transformer編碼器和解碼器：CNN編碼器依次包括nn≥1個CNN下采樣層；Transformer編碼器依次包括1個嵌入層和多個Transformer模塊，其中Transformer模塊數量大于n+1；解碼器包括n+1個Transformer特征處理模塊、n+1個解碼器上采樣層和1個特征輸出層；輸入層的輸入作為下通道網絡的輸入，輸入層的輸出分別輸入至CNN編碼器的第一個CNN下采樣層、Transformer編碼器的嵌入層以及解碼器的特征輸出層；每一個CNN下采樣層的輸出還輸入至對應的一個解碼器上采樣層，第一個解碼器上采樣層無來自CNN下采樣層的輸入，每一個CNN下采樣層的序號和對應的一個解碼器上采樣層的序號之和為n+2；Transformer編碼器中除最后一個Transformer模塊以外的部分選定Transformer模塊的輸出分別輸入至除最后一個Transformer特征處理模塊以外的對應的Transformer特征處理模塊；且最后一個Transformer模塊的輸出輸入至最后一個Transformer特征處理模塊；每個Transformer特征處理模塊的輸出分別輸入至對應的一個解碼器上采樣層，Transformer特征處理模塊與解碼器上采樣層一一對應，且Transformer特征處理模塊的序號與對應解碼器上采樣層的序號之和為n+2；當前解碼器上采樣層的輸出作為下一級解碼器上采樣層的一個輸入，最后一級解碼器上采樣層的輸出作為特征輸出層的一個輸入；特征輸出層的輸出為下通道網絡的輸出；所述Transformer和CNN混合模型中上通道網絡按次序包括多個上通道特征提取單元，上通道特征提取單元依次包括卷積層、組歸一化層和激活層，上通道網絡中第一個上通道特征提取單元的輸入作為上通道網絡的輸入，上通道網絡中最后一個上通道特征提取單元輸出的特征圖作為上通道網絡的輸出。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人中國科學院精密測量科學與技術創新研究院，其通訊地址為：430071 湖北省武漢市武昌區小洪山西30號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。