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！

龙图腾网获悉武汉大学申请的专利一种基于transformer-GAN模型的图像合成方法及应用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：CN119693479B 。

龙图腾网通过国家知识产权局官网在2025-09-23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：202411577587.2，技术领域涉及：G06T11/00；该发明授权一种基于transformer-GAN模型的图像合成方法及应用是由王梦秋;江健;李仲玢;杨澜;王科;涂宁设计研发完成，并于2024-11-06向国家知识产权局提交的专利申请。

本一种基于transformer-GAN模型的图像合成方法及应用在说明书摘要公布了：本发明涉及一种基于transformer‑GAN模型的图像合成方法及应用，涉及人工智能图像生成领域。所述方法包括：S1、图像获取：获取多个成像序列；S2、数据处理：使用3DSlicer软件中的医学图像配准模块对成像序列进行图像配准，完成图像裁剪、亮度统一操作，得到图像对数据集；S3、模型训练：构建多头自注意力生成对抗网络模型，并部署到服务器上，对图像对数据集进行训练，得到最优训练模型；S4、图像合成：利用最优训练多头自注意力生成对抗网络模型进行图像合成。所述应用为在颅内动脉粥样硬化性疾病血管狭窄和斑块识别的应用。本发明基于图像转化模型为治疗颅内动脉粥样硬化性疾病提供了一种更为方便、价格低、识别率较高的图像合成方法。

本发明授权一种基于transformer-GAN模型的图像合成方法及应用在权利要求书中公布了：1.一种基于transformer-GAN模型的图像合成方法，其特征在于，包括以下步骤： S1、图像获取：获取多个成像序列； S2、数据处理：使用3DSlicer软件中的医学图像配准模块对成像序列进行图像配准，完成图像裁剪、亮度统一操作，得到图像对数据集； S3、模型训练：构建多头自注意力生成对抗网络模型，并部署到服务器上，对图像对数据集进行训练，得到最优训练模型； S4、图像合成：利用最优训练多头自注意力生成对抗网络模型进行图像合成； 所述步骤S2包括以下步骤： S2.1、数据配准、图像裁剪：将时间飞跃磁共振血管成像序列分别与横向驰豫加权的快速自旋回波成像序列和高分辨血管壁成像序列进行数据配准，并裁剪出脑血管区域，得到时间飞跃磁共振血管成像序列与高分辨血管壁成像序列图像对数据集以及时间飞跃磁共振血管与横向驰豫加权的快速自旋回波成像序列图像对数据集； 所述步骤S3包括以下步骤： S3.2、数据训练：分别训练合成高分辨血管壁成像序列与合成横向驰豫加权的快速自旋回波成像序列的生成器； 所述步骤S3.2包括以下步骤： S3.2.1、数据整理：将所述时间飞跃磁共振血管成像序列与高分辨血管壁成像序列图像对数据集划分的训练集中的时间飞跃磁共振血管成像序列作为初始图像数据，将同一图像对中高分辨血管壁成像序列作为真实图像数据； S3.2.2、图像合成：将所述时间飞跃磁共振血管成像序列初始图像数据传入生成器，得到合成的高分辨血管壁成像序列； S3.2.3、图像判别：将合成的高分辨血管壁成像序列与合成前时间飞跃磁共振血管成像序列同一图像对中的所述高分辨血管壁成像序列真实图像数据传入判别器，设定损失函数，输出损失函数值； S3.2.4、模型调优：依据损失函数值，进行梯度下降，多次迭代优化，直至损失函数值降到最低并收敛，得到最优的合成高分辨血管壁成像序列的生成器； S3.2.5、模型验证：将时间飞跃磁共振血管成像序列与高分辨血管壁成像序列图像对数据集划分的验证集中的时间飞跃磁共振血管成像序列作为初始图像数据，将同一图像对中高分辨血管壁成像序列作为真实图像数据，重复步骤S3.2.2、S3.2.3，计算损失函数是否收敛； 合成横向驰豫加权的快速自旋回波成像序列的生成器数据训练，与所述步骤S3.2.1-S3.2.5一致，得到最优的合成横向驰豫加权的快速自旋回波成像序列的生成器，其中时间飞跃磁共振血管与横向驰豫加权的快速自旋回波成像序列图像对数据集划分的训练集中的时间飞跃磁共振血管成像序列为初始图像数据，同一图像对中横向驰豫加权的快速自旋回波成像序列为真实图像数据。

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武汉大学，其通讯地址为：430070 湖北省武汉市武汉大学信息学部教授实验大楼1108室；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。