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！

龙图腾网获悉厦门大学申请的专利深度学习多任务磁共振心脏分割和定量方法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：CN117115112B 。

龙图腾网通过国家知识产权局官网在2025-06-06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：202311094484.6，技术领域涉及：G06T7/00；该发明授权深度学习多任务磁共振心脏分割和定量方法是由屈小波;周毅荣设计研发完成，并于2023-08-29向国家知识产权局提交的专利申请。

本深度学习多任务磁共振心脏分割和定量方法在说明书摘要公布了：深度学习多任务磁共振心脏分割和定量方法，涉及图像处理领域。获取磁共振心脏多对比度图像，进行数据预处理，制作训练标签；对处理好的数据集，按照固定比例划分为训练集、验证集和测试集；构建基于残差卷积网络的多任务磁共振心脏分割和定量网络，网络同时包含用于生成心脏T2定量的定量模块和心脏结构分割的分割模块；设计多任务损失函数策略，确定网络优化器参数，利用带有分割和定量标签的训练数据集，进行模型训练；加载训练模型，输入测试集，对输出的分割结果进行RGB映射操作，对输出的定量结果进行窗口截断操作，得最终的心脏分割和定量结果。

本发明授权深度学习多任务磁共振心脏分割和定量方法在权利要求书中公布了：1.深度学习多任务磁共振心脏分割和定量方法，其特征在于包括以下步骤：1获取磁共振心脏多对比度图像，并进行数据预处理，制作训练标签；2对处理好的数据集，按照固定比例划分为训练集、验证集和测试集；3构建基于残差卷积网络的多任务磁共振心脏分割和定量网络，网络同时包含用于生成心脏T2定量的定量模块和心脏结构分割的分割模块，具体构成如下：分割模块采用了传统的编码器-解码器架构，输入K个对比度，图像大小为N×N的数据，经线性插值重采样到H×H维度；编码器包括初始二维卷积层，提取特征，后接多个残差模块迭代，下采样生成深层特征图；解码器通过卷积、归一化、Relu激活函数和上采样线性插值，还原深层语义信息，逐步放大恢复分辨率，最后输出分割结果；编码器与解码器之间进行特征融合，将同分辨率特征图拼接，综合低、高级特征，全局与局部信息；分割模块提取包含种分辨率特征图，损失函数大小由这J部分损失累加，具体如公式3所示： 其中，j＝1,2,…,J，表示当前分辨率下的特征图计算的损失对应的权重大小，表示当前分辨率下的特征图计算的损失函数大小；定量模块以上一层的分割结果作为输入，采用了浅层的编码器-解码器结构，由残差模块，二维卷积，归一化，Relu激活函数和上采样线性插值组成；其中，仅最后一层输出的结果才会计算损失大小，中间层提取的特征不参与损失大小计算，最后输出单通道的T2定量结果；4设计多任务损失函数策略，确定网络优化器参数，利用带有分割和定量标签的训练数据集，进行模型训练，具体定义如下：分割损失函数如公式3所示，采用的是交叉熵损失函数，其当前分辨率下的特征图计算的损失函数大小计算如公式4所示： 其中，c＝1,2,…,C,C表示总类别数，pc表示真实标签的值，表示模型预测结果属于这个类别的概率；定量损失函数大小采用的是结构相似度损失函数，计算方式如公式5所示： 其中，表示模型预测的图像，表示真实标签的图像，分别表示图像X和Y的均值，分别表示图像X和Y的标准差，表示图像X和Y的协方差；总体网络的损失函数为： 其中，W1t,分别是分割任务和定量任务损失函数的权重，表示当前训练轮次；对于多任务损失函数，利用动态平衡权重的方式进行权重自动调节，如公式7所示： 其中，e＝1，2，…,E,E表示总任务数，表示损失变化率，表示该任务对应的损失函数的权重，为超参数；采用Adam优化器，设置初始的学习率Lr，总训练轮次T，批量大小B；在训练集和验证集上采用梯度下降法对神经网络的权重进行迭代优化，直到损失函数收敛，完成训练过程；5加载步骤4的训练模型，输入测试集，对输出的分割结果进行RGB映射操作，对输出的定量结果进行窗口截断操作，得到最终的心脏分割和定量结果。

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厦门大学，其通讯地址为：361005 福建省厦门市思明区思明南路422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”。

以上内容由龙图腾AI智能生成。