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)恭喜安徽大學(xué)申請(qǐng)的專利一種基于深度自校準(zhǔn)的遞進(jìn)式三維生物醫(yī)學(xué)圖像配準(zhǔn)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：CN114708308B 。

龍圖騰網(wǎng)通過國(guó)家知識(shí)產(chǎn)權(quán)局官網(wǎng)在2025-05-27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：202210042043.0，技術(shù)領(lǐng)域涉及：G06T7/30；該發(fā)明授權(quán)一種基于深度自校準(zhǔn)的遞進(jìn)式三維生物醫(yī)學(xué)圖像配準(zhǔn)方法是由屈磊;孫銳;吳軍;苗永春;韓婷婷;李圓圓設(shè)計(jì)研發(fā)完成，并于2022-01-14向國(guó)家知識(shí)產(chǎn)權(quán)局提交的專利申請(qǐng)。

本一種基于深度自校準(zhǔn)的遞進(jìn)式三維生物醫(yī)學(xué)圖像配準(zhǔn)方法在說明書摘要公布了：本發(fā)明涉及一種基于深度自校準(zhǔn)的遞進(jìn)式三維生物醫(yī)學(xué)圖像配準(zhǔn)方法，與現(xiàn)有技術(shù)相比解決了遞歸級(jí)聯(lián)配準(zhǔn)策略中存在的信息泄露問題以及one?shot配準(zhǔn)策略中對(duì)位移場(chǎng)的平滑約束導(dǎo)致配準(zhǔn)精度受限的缺陷。本發(fā)明包括以下步驟：三維生物醫(yī)學(xué)圖像數(shù)據(jù)集的獲取和預(yù)處理；配準(zhǔn)模型的構(gòu)建；配準(zhǔn)模型的訓(xùn)練；待配準(zhǔn)圖像與模板圖像的獲取與預(yù)處理；三維生物醫(yī)學(xué)圖像配準(zhǔn)結(jié)果的獲得。本發(fā)明通過將前次配準(zhǔn)結(jié)果遞歸輸入網(wǎng)絡(luò)進(jìn)行自校準(zhǔn)優(yōu)化并記錄與整合每次遞歸產(chǎn)生的位移場(chǎng)，將空間中的大位移通過遞歸網(wǎng)絡(luò)分段完成從而在無信息泄露的前提下提高了三維生物醫(yī)學(xué)圖像的配準(zhǔn)精度，并有效的節(jié)省了GPU資源。

本發(fā)明授權(quán)一種基于深度自校準(zhǔn)的遞進(jìn)式三維生物醫(yī)學(xué)圖像配準(zhǔn)方法在權(quán)利要求書中公布了：1.一種基于深度自校準(zhǔn)的遞進(jìn)式三維生物醫(yī)學(xué)圖像配準(zhǔn)方法，其特征在于，包括以下步驟：11三維生物醫(yī)學(xué)圖像數(shù)據(jù)集的獲取和預(yù)處理：獲取單模態(tài)三維生物醫(yī)學(xué)圖像數(shù)據(jù)集，將其所有圖像的尺寸采樣到相同大小、像素值歸一化到0-255，并將所有圖像仿射預(yù)配準(zhǔn)到同一個(gè)腦模板上，作為三維生物醫(yī)學(xué)圖像訓(xùn)練集；12配準(zhǔn)模型的構(gòu)建：利用python語言分別搭建低尺度卷積神經(jīng)網(wǎng)絡(luò)與原尺度卷積神經(jīng)網(wǎng)絡(luò)并將二者建立級(jí)聯(lián)作為配準(zhǔn)模型，設(shè)定低尺度卷積神經(jīng)網(wǎng)絡(luò)與原尺度卷積神經(jīng)網(wǎng)絡(luò)的損失函數(shù)；13配準(zhǔn)模型的訓(xùn)練：設(shè)定配準(zhǔn)模型訓(xùn)練的迭代次數(shù)以及分別設(shè)定低尺度卷積神經(jīng)網(wǎng)絡(luò)與原尺度卷積神經(jīng)網(wǎng)絡(luò)的遞歸次數(shù)，利用三維生物醫(yī)學(xué)圖像訓(xùn)練集對(duì)配準(zhǔn)模型進(jìn)行訓(xùn)練；所述配準(zhǔn)模型的訓(xùn)練包括以下步驟：131設(shè)定模型訓(xùn)練的迭代次數(shù)為N_iter，即每次迭代都從三維生物醫(yī)學(xué)圖像訓(xùn)練集中隨機(jī)選取兩張圖像作為待配準(zhǔn)圖像與目標(biāo)圖像輸入到配準(zhǔn)模型中進(jìn)行訓(xùn)練；132設(shè)定低尺度訓(xùn)練遞歸的次數(shù)為N_low，N_low＝0，原尺度訓(xùn)練遞歸的次數(shù)為N_original、N_original＝0；33低尺度網(wǎng)絡(luò)第一次遞歸：將待配準(zhǔn)圖像、目標(biāo)圖像下采樣兩倍后進(jìn)行級(jí)聯(lián)輸入低尺度卷積神經(jīng)網(wǎng)絡(luò)，得到第一次輸出的位移場(chǎng)，并保存第一次輸出的位移場(chǎng)；134低尺度網(wǎng)絡(luò)第二次遞歸，假設(shè)設(shè)定的N_low1：將第一次的配準(zhǔn)結(jié)果作為新的待配準(zhǔn)圖像與原目標(biāo)圖像再次級(jí)聯(lián)輸入到低尺度卷積神經(jīng)網(wǎng)絡(luò)中，得到第二次輸出的位移場(chǎng)，保存第二次輸出的位移場(chǎng)；135利用位移場(chǎng)整合方法，將保存卷積神經(jīng)網(wǎng)絡(luò)模型第二次輸出的位移場(chǎng)與第一次輸出的位移場(chǎng)整合為一個(gè)總位移場(chǎng)，利用總位移場(chǎng)將原始待配準(zhǔn)圖像經(jīng)過一次形變插值操作得到第二次遞歸的配準(zhǔn)結(jié)果，將此配準(zhǔn)結(jié)果作為新的待配準(zhǔn)圖像再次與目標(biāo)圖像級(jí)聯(lián)輸入卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化；若設(shè)定的N_low2，則在遞歸二次的基礎(chǔ)上重復(fù)134-135步驟，即將每次遞歸輸出的位移場(chǎng)與之前輸出的位移場(chǎng)進(jìn)行整合通過一次形變插值得到本次的配準(zhǔn)結(jié)果，直至遞歸N_low次；136保存低尺度遞歸N_low次得到的總位移場(chǎng)作為先驗(yàn)信息與此次迭代訓(xùn)練未降采樣的待配準(zhǔn)圖像與目標(biāo)圖像一并輸入原尺度卷積神經(jīng)網(wǎng)絡(luò)；137利用低尺度遞歸N_low次得到的總位移場(chǎng)上采樣兩倍并數(shù)值擴(kuò)大兩倍得到的新位移場(chǎng)形變插值原尺寸的原待配準(zhǔn)圖像進(jìn)行預(yù)形變，并將經(jīng)過預(yù)形變的圖像作為原尺寸的初次待配準(zhǔn)圖像；138原尺度網(wǎng)絡(luò)第一次遞歸：將經(jīng)過預(yù)形變的原尺度待配準(zhǔn)圖像與原尺寸的原目標(biāo)圖像進(jìn)行級(jí)聯(lián)輸入到原尺度的卷積神經(jīng)網(wǎng)絡(luò)模型，輸出原尺度下的第一次位移場(chǎng)，并保存第一次輸出的位移場(chǎng)；139原尺度網(wǎng)絡(luò)第二次遞歸，假設(shè)設(shè)定的N_original1：將第一次的配準(zhǔn)結(jié)果作為新的待配準(zhǔn)圖像與原目標(biāo)圖像再次級(jí)聯(lián)輸入到卷積神經(jīng)網(wǎng)絡(luò)模型中，得到第二次輸出的位移場(chǎng)，保存第二次輸出的位移場(chǎng)；1310利用位移場(chǎng)整合方法，將保存卷積神經(jīng)網(wǎng)絡(luò)第二次輸出的位移場(chǎng)與第一次輸出的位移場(chǎng)整合為一個(gè)總位移場(chǎng)，利用總位移場(chǎng)將原始待配準(zhǔn)圖像經(jīng)過一次形變插值操作得到第二次遞歸的配準(zhǔn)結(jié)果，將此配準(zhǔn)結(jié)果作為新的待配準(zhǔn)圖像再次與目標(biāo)圖像級(jí)聯(lián)輸入卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化；若設(shè)定的N_original2，則在遞歸二次的基礎(chǔ)上重復(fù)139-1310步驟，即將每次遞歸輸出的位移場(chǎng)與之前輸出的位移場(chǎng)進(jìn)行整合通過一次形變插值得到本次的配準(zhǔn)結(jié)果，直至遞歸N_original次；311在三維生物醫(yī)學(xué)圖像訓(xùn)練集中再隨機(jī)選取兩張圖像作為待配準(zhǔn)圖像與目標(biāo)圖像，重復(fù)131-1310步驟，直至配準(zhǔn)模型訓(xùn)練結(jié)束；14待配準(zhǔn)圖像與模板圖像的獲取與預(yù)處理：獲取單模態(tài)三維生物醫(yī)學(xué)待配準(zhǔn)圖像與模板圖像，并進(jìn)行預(yù)處理；15三維生物醫(yī)學(xué)圖像配準(zhǔn)結(jié)果的獲得：將預(yù)處理后的待配準(zhǔn)圖像對(duì)輸入訓(xùn)練后的配準(zhǔn)模型，得到配準(zhǔn)后的結(jié)果。

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)人安徽大學(xué)，其通訊地址為：230601 安徽省合肥市經(jīng)濟(jì)技術(shù)開發(fā)區(qū)九龍路111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)”。