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！

龙图腾网获悉南京理工大学申请的专利一种基于深度神经网络的低剂量PET图像重建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：CN116245969B 。

龙图腾网通过国家知识产权局官网在2025-08-22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：202310332957.5，技术领域涉及：G06T11/00；该发明授权一种基于深度神经网络的低剂量PET图像重建方法是由崔珂;叶剑波;李翔宇设计研发完成，并于2023-03-30向国家知识产权局提交的专利申请。

本一种基于深度神经网络的低剂量PET图像重建方法在说明书摘要公布了：本发明公开了一种基于深度神经网络的低剂量PET图像重建方法，具体为：将标准剂量重建的影像数据增强后前向投影生成无噪声投影域数据，添加泊松噪声模拟低剂量情形，生成仿真数据集；通过将图像分块并投影的方式生成正弦图掩码；利用掩码构建网络模型，使用混合损失函数和生成的数据集对深度神经网络进行训练；根据评价指标，判断图像重建效果是否满足要求：满足则进入下一步；否则更改网络结构，修改优化函数、学习率和损失函数的参数，重新训练；通过截断奇异值分解减少全连接层参数；将实际采集的正弦图数据，作为深度神经网络模型的输入，计算得到重建的影像。本发明减少了图像重建的计算时间，提高了低计数率情形下重建影像的信噪比。

本发明授权一种基于深度神经网络的低剂量PET图像重建方法在权利要求书中公布了：1.一种基于深度神经网络的低剂量PET图像重建方法，其特征在于，步骤如下： 步骤S1、标准剂量重建影像经数据增强后，通过前向投影生成无噪声正弦图，添加泊松噪声生模拟低计数情形，得到仿真数据集； 步骤S2、通过将图像分块并前向投影，生成正弦图掩码； 步骤S3、使用上述掩码构建深度神经网络模型结构，设置训练超参数、优化算法，使用混合损失函数和步骤S1得到的数据集对深度神经网络模型进行训练； 步骤S4、根据结构相似度、峰值信噪比这些评价指标，判断图像重建效果是否满足要求，若满足则进入调制步骤S5；不满足则更改网络结构，修改优化函数、学习率和损失函数这些参数的数值，并转至步骤S3重新训练； 步骤S5、基于截断奇异值分解减小网络参数； 步骤S6、将真实PET系统采集的正弦图数据，作为训练后深度神经网络模型的输入，经计算得到重建的影像； 步骤S3中所述构建深度神经网络模型结构，设置训练超参数、优化算法，其中优化算法采用Adam算法，网络模型结构如下： 深度神经网络模型结构包含域变换模块和图像增强模块； 域变换模块包含掩码选择和全连接层两个部分；掩码选择部分使用预先生成的掩码选取特定区域的正弦图数据，输入到全连接层中，将输出的一维数据重组为二维的图像块，并将这些图像块组合； 图像增强模块由一个U-Net结构的网络组成，包含了编码器、瓶颈层和解码器三个部分，编码器有3层，每一层由1个残差块构成，每一层的输出作为下一层的输入和对应编码器层的输入；瓶颈层包含1个残差块；解码器和编码器的层数相同，每一层包含1个像素重排层用于上采样和1个残差块用于特征的解码；解码器最后一层输出的特征图经过1×1卷积后输出PET影像； 步骤S3中所述使用混合损失函数和步骤S1得到的数据集对深度神经网络模型进行训练，其中混合损失函数Lmixx,y的公式如下： Lmixx,y＝α1Ll1x,y+α2LMS-SSIMx,y+βLVGGx,y 其中α1，α2和β为超参数； 平均绝对误差损失Ll1x,y公式为： 其中，x表示实际的PET影像，y表示深度神经网络模型输出的预测PET影像，N表示真实影像的像素个数； 多尺度结构相似度损失LMS-SSIMx,y公式为： 其中，cj、sj分别表示将原图像进行j次连续的低通滤波和采样间隔为2的下采样后计算对比度项、结构项，M表示连续的低通滤波总次数； 亮度项lx,y公式为： 对比度项cx,y公式为： 结构项sx,y公式为： 其中，μx,μy分别代表x和y的均值，σx,σy分别代表x和y的标准差，σxy表示x和y的协方差，C1,C2,C3是常数值，满足： C1＝K1L2 C2＝K2L2 C3＝C22 其中K1＝0.01,K2＝0.03,L表示数值范围； 感知差损失LVGGx,y的公式如下： 其中，C为经过VGG网络前3个卷积层计算输出的特征的通道的个数，H和W分别为特征图的高和宽；计算时，单通道的PET影像被复制并拼接成为三通道的图像后再输入到VGG网络中。

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南京理工大学，其通讯地址为：210094 江苏省南京市玄武区孝陵卫200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”。