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！

龍圖騰網獲悉北京交通大學申請的專利基于由粗到精學習的半監督多模態核磁共振影像合成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：CN114170118B 。

龍圖騰網通過國家知識產權局官網在2025-09-02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：202111226162.3，技術領域涉及：G06T5/50；該發明授權基于由粗到精學習的半監督多模態核磁共振影像合成方法是由朱振峰;閆琨;劉志哲;鄭帥;國圳宇;趙耀設計研發完成，并于2021-10-21向國家知識產權局提交的專利申請。

本基于由粗到精學習的半監督多模態核磁共振影像合成方法在說明書摘要公布了：本發明提供了一種基于由粗到精學習的半監督多模態核磁共振影像合成方法。該方法包括：利用所有病例的多模態數據集構造大部分不成對數據和少部分成對數據，構造包括生成網絡和增強網絡的MRI合成模型，利用全部數據對生成網絡進行訓練，利用少部分成對數據對增強網絡進行訓練，將源模態的影像輸入訓練好的生成網絡中，利用學習得的跨模態分布映射關系將源模態的影像映射為對應的目標模態的粗合成影像，并輸入到訓練好的增強網絡，增強網絡對目標模態的粗合成影像進行精細化增強，得到目標模態的跨模態合成MR影像。本發明方法可以應用于跨模態醫學影像合成中，使用患者已有的源模態影像合成目標模態影像，為輔助醫生進行疾病診斷提供幫助。

本發明授權基于由粗到精學習的半監督多模態核磁共振影像合成方法在權利要求書中公布了：1.一種基于由粗到精學習的半監督多模態核磁共振影像合成方法，其特征在于，包括： 利用所有病例的多模態數據集構造大部分不成對數據和少部分成對數據，利用所述大部分不成對數據模擬現實中大部分有模態缺失的數據，利用所述少部分成對數據模擬現實中少部分完整多模態數據； 構造包括生成網絡和增強網絡的半監督多模態MRI合成模型，利用全部數據對所述生成網絡進行訓練，得到訓練好的生成網絡，利用所述少部分成對數據對所述增強網絡進行訓練，得到訓練好的增強網絡； 將源模態的影像輸入訓練好的生成網絡中，利用生成網絡學習得的跨模態分布映射關系將源模態的影像映射為對應的目標模態的粗合成影像，將所述目標模態的粗合成影像輸入訓練好的增強網絡，所述增強網絡對所述目標模態的粗合成影像進行精細化增強，得到目標模態的跨模態合成MR影像； 所述的構造包括生成網絡和增強網絡的MRI合成模型，利用所述全部數據對所述生成網絡進行訓練，得到訓練好的生成網絡，包括： 采用CycleGAN網絡作為MRI合成模型的生成網絡，該生成網絡包括兩個模態的生成器和判別器，所述生成器利用源域數據生成與目標域中的數據相似的數據，所述判別器將生成的目標域數據與真實數據區分開來，所述生成網絡的損失函數包括對抗損失和循環一致損失，利用所述全部數據對所述生成網絡進行訓練，通過在訓練過程中迭代降低對抗損失和循環一致損數來優化生成網絡的參數，利用生成網絡從全部的不成對數據和成對數據中學習不同模態之間的跨模態分布映射關系： 生成網絡CycleGAN中的兩個生成器G和F分別學習的是從A模態到B模態的分布映射和從B模態到A模態的分布映射，相應的判別器分別為DA和DB，負責鑒別相應的兩個模態數據的真假，令MR影像的T1模態為A模態，令T2模態為B模態； 對于來自A模態和B模態的數據采用對抗損失來訓練兩個映射方向的生成器和相應的判別器，從A模態到B模態方向映射的對抗損失表示為： 從B模態到A模態方向映射的對抗損失表示為： 循環一致損失表示為 總體損失函數為： 優化目標函數為： G，F分別為生成網絡中對應A、B模態的生成器，DA和DB分別為對應的判別器，argminmax指的是：更新G和DB、F和DA的網絡參數使得DB和DA使損失函數盡可能大而G和F使損失函數盡可能小； 所述的將所述目標模態的粗合成影像輸入訓練好的增強網絡，所述增強網絡對所述目標模態的粗合成影像進行精細化增強，得到目標模態的跨模態合成MR影像，包括： 對于來自A模態和B模態的成對數據分別采用生成網絡中的兩個生成器G和F先初步合成參考圖像GaP和FbP，再用兩個去噪自編碼器進行兩個方向上粗合成圖像的精細化增強；在增強網絡中試驗了不同數量的殘差塊對合成性能的影響，綜合考慮生成結果和計算開銷來確定增強網絡結構中的殘差塊數量。

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北京交通大學，其通訊地址為：100044 北京市海淀區西直門外上園村3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”。