買專利賣專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費(fèi)！專利年費(fèi)監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)恭喜南京郵電大學(xué)申請(qǐng)的專利一種CBCT圖像去偽影方法獲國(guó)家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國(guó)家知識(shí)產(chǎn)權(quán)局授予，授權(quán)公告號(hào)為：CN114004912B 。

龍圖騰網(wǎng)通過(guò)國(guó)家知識(shí)產(chǎn)權(quán)局官網(wǎng)在2025-04-29發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請(qǐng)?zhí)?專利號(hào)為：202111313304.X，技術(shù)領(lǐng)域涉及：G06T11/00；該發(fā)明授權(quán)一種CBCT圖像去偽影方法是由謝世朋;嚴(yán)墨設(shè)計(jì)研發(fā)完成，并于2021-11-08向國(guó)家知識(shí)產(chǎn)權(quán)局提交的專利申請(qǐng)。

本一種CBCT圖像去偽影方法在說(shuō)明書摘要公布了：本發(fā)明公開(kāi)了一種CBCT圖像去偽影的方法，該方法基于contextualloss以及特征融合殘差網(wǎng)絡(luò)，首先對(duì)輸入的帶偽影的CBCT圖像和CT圖像進(jìn)行特征提取，得到特征圖譜；將得到的特征圖經(jīng)過(guò)改進(jìn)的以contextualloss為損失函數(shù)的特征融合殘差網(wǎng)絡(luò)訓(xùn)練，學(xué)習(xí)CBCT與CT圖像之間的結(jié)構(gòu)相似性，以CT圖像作為標(biāo)簽，使得CBCT圖像能夠去除掉偽影但保持其結(jié)構(gòu)不發(fā)生變化；最后將CBCT圖像作為輸入，利用訓(xùn)練好的網(wǎng)絡(luò)模型進(jìn)行偽影去除。該方法利用了contextualloss可以允許輸入圖像間的不對(duì)齊，可以很好的適用于CBCT與CT醫(yī)學(xué)圖像無(wú)法嚴(yán)格對(duì)其這一特點(diǎn)，最終實(shí)現(xiàn)一個(gè)快速有效的去除偽影的作用。

本發(fā)明授權(quán)一種CBCT圖像去偽影方法在權(quán)利要求書中公布了：1.一種CBCT圖像去偽影方法，其特征在于：所述方法基于contextualloss以及特征融合殘差網(wǎng)絡(luò)，包括以下幾個(gè)步驟：步驟1，對(duì)CBCT和CT數(shù)據(jù)進(jìn)行預(yù)處理，將其處理為512*512大小的.raw格式圖像；步驟2，將前述經(jīng)過(guò)預(yù)處理的CBCT和CT數(shù)據(jù)經(jīng)過(guò)VGG19網(wǎng)絡(luò)提取圖像特征，以用于后續(xù)的訓(xùn)練；步驟3，計(jì)算得到的CBCT和CT特征圖之間的結(jié)構(gòu)相似度；具體內(nèi)容如下：步驟3.1，計(jì)算特征相似度：采用基于余弦距離的contextualloss定義特征相似度，設(shè)si和tj分別是輸入CBCT圖像S和標(biāo)簽CT圖像T經(jīng)過(guò)VGG19提取的特征，dij為特征間的余弦距離，其計(jì)算公式為： 其中；其中，N表示VGG19提取的特征數(shù)量，μt是對(duì)標(biāo)簽圖像特征的歸一化；對(duì)于任意的k≠j時(shí)，dijdik，那么si和tj就是相似的；步驟3.2，計(jì)算圖像相似度：由特征間的相似度計(jì)算公式，進(jìn)一步定義圖像間的相似度計(jì)算公式為： ；CX代表特征的相似度，CXij代表特征si和tj之間的相似度；使用一幅圖像與其自身計(jì)算相似度，可知其相似性為1，即CXii＝1，所以有CXs,s＝1；相反地，使用一張圖像與其完全不同的圖像比較，其相似性則有；損失函數(shù)定義如下：LCXs，t，l＝-logCXφl(shuí)s，φl(shuí)t其中φl(shuí)s和φl(shuí)t分別是經(jīng)過(guò)l層的VGG19網(wǎng)絡(luò)提取的CBCT和CT圖像的特征；步驟4，構(gòu)建特征融合殘差網(wǎng)絡(luò)，該網(wǎng)絡(luò)中的殘差塊選擇在塊與塊中間進(jìn)行連接，融合每個(gè)殘差塊的局部特征，最終傳給后續(xù)殘差塊；前一個(gè)模塊特征融合結(jié)果作為后一個(gè)特征融合模塊的輸入，而后堆疊局部特征融合后的特征，利用殘差學(xué)習(xí)來(lái)整合特征信息，形成網(wǎng)絡(luò)基本架構(gòu)；構(gòu)建特征融合殘差網(wǎng)絡(luò)方法如下：密集殘差塊RDB在原始圖像中提取多級(jí)特征，并進(jìn)一步提高網(wǎng)絡(luò)性能，它通過(guò)局部密集連接利用所有層，然后通過(guò)局部特征融合LFF自適應(yīng)地保留累積的特征，RDB結(jié)合淺層特征和深層特征進(jìn)行全局特征融合GFF，并通過(guò)全局殘差學(xué)習(xí)獲得全局稠密特征；在塊和塊中間進(jìn)行連接，融合每個(gè)RSDB中的局部特征，最終傳遞給后續(xù)殘差塊；第f個(gè)RSDB直接引入第f-1個(gè)RSDB或RB中的局部特征與進(jìn)行特征融合，其中，若f＝1，為模型適應(yīng)殘差塊RB，局部特征融合LFF表示為：；其中Ff，,LF表示第f個(gè)RSDB局部特征融合結(jié)果，表示Concat特征圖堆疊功能，F(xiàn)f-1,LF表示第f-1個(gè)RSDB局部特征融合結(jié)果，F(xiàn)f,2表示第f個(gè)RSDB輸入經(jīng)過(guò)兩次Conv層進(jìn)行淺層特征提取的結(jié)果，表示為：；其中δ表示ReLU激活功能，Wf,2和Wf,1分別表示第2個(gè)卷積層第1個(gè)卷積層的權(quán)重，b2和b1分別表示第2個(gè)第1個(gè)卷積層的偏置，F(xiàn)f-1表示第f-1個(gè)RSDB輸出的結(jié)果；每個(gè)RSDB中進(jìn)行局部特征融合之后不做任何處理，將堆疊的特征圖直接傳遞給下一個(gè)RSDB進(jìn)行同樣操作，此方法將不同基本塊中的指定層特征堆疊一起，實(shí)現(xiàn)有間隔的跳躍連接和有效的特征提取；步驟5，以CBCT圖像為輸入，CT圖像為標(biāo)簽，contextualloss為損失函數(shù)進(jìn)行訓(xùn)練，得到訓(xùn)練好的特征融合殘差網(wǎng)絡(luò)模型；步驟6，將相同部位的CBCT圖像作為輸入進(jìn)行測(cè)試，得到去除偽影的圖像。

如需購(gòu)買、轉(zhuǎn)讓、實(shí)施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請(qǐng)人或?qū)＠麢?quán)人南京郵電大學(xué)，其通訊地址為：210023 江蘇省南京市棲霞區(qū)文苑路9號(hào)；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。