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！

龙图腾网获悉中国科学院苏州生物医学工程技术研究所申请的专利基于隐表示模型的脑磁共振图像超分辨率重建方法及系统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：CN119810226B 。

龙图腾网通过国家知识产权局官网在2025-09-26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：202411771578.7，技术领域涉及：G06T11/00；该发明授权基于隐表示模型的脑磁共振图像超分辨率重建方法及系统是由戴亚康;彭博;程健;刘苏锐;周志勇;耿辰;陈鸣伸设计研发完成，并于2024-12-04向国家知识产权局提交的专利申请。

本基于隐表示模型的脑磁共振图像超分辨率重建方法及系统在说明书摘要公布了：本发明提供基于隐表示模型的脑磁共振图像超分辨率重建方法及系统，包括步骤：获取不同层厚的各向异性脑磁共振图像，分为训练数据和测试数据；对脑磁共振图像进行预处理；对预处理后的训练数据进行处理，以生成训练样本；采用训练样本对基于隐表示模型的超分辨率重建模型进行训练；将预处理后的测试数据输入训练好的模型，进行堆叠得到三维图像，再进行平均，最终得到各向同性脑磁共振图像。本发明使用深度学习超分辨率重建方法进行不同层厚各向异性脑磁共振图像的超分辨率重建，通过设计基于隐表示模型的可学习坐标编码模块，充分利用图像特征和坐标信息间的相关性，设计了混合损失函数，提升不同层厚各向异性脑磁共振图像超分辨率重建的准确性。

本发明授权基于隐表示模型的脑磁共振图像超分辨率重建方法及系统在权利要求书中公布了：1.一种基于隐表示模型的脑磁共振图像超分辨率重建方法，其特征在于，包括以下步骤： 获取不同层厚的各向异性脑磁共振图像，分为训练数据和测试数据； 对所述各向异性脑磁共振图像进行预处理； 对预处理后的训练数据进行处理，以生成训练样本； 采用所述训练样本对基于隐表示模型的超分辨率重建模型进行训练； 将所述预处理后的测试数据输入训练好的模型，输出重建图像切片图像，进行堆叠得到三维图像； 再将得到的三维图像进行平均，最终得到各向同性脑磁共振图像； 所述对预处理后的训练数据进行处理，以生成训练样本步骤包括： 从高分辨率的层内切片中按预设尺寸提取高分辨率图像块； 根据层间和层内体素分辨率的比值，对所述高分辨率图像块进行高斯模糊和一维降采样，降采样尺度为比值大小； 对降采样后的图像块进行上采样操作，得到与高分辨率图像块尺寸相同的低分辨率图像块，并构成一组训练样本； 所述基于隐表示模型的超分辨率重建模型包括图像特征提取模块、可学习坐标编码模块和解码模块；其中， 所述图像特征提取模块用于从图像块中提取图像特征； 所述可学习坐标编码模块用于从图像块坐标中提取坐标编码； 所述解码模块用于对所述图像特征与所述坐标编码的融合特征进行解码； 所述图像特征提取模块采用以EDSR为基础的网络结构，其包含卷积层、残差块和跳跃连接，所述残差块内部依次包含卷积、线性整流单元、卷积和恒定缩放层，所述跳跃连接将第一个卷积层输出的特征图与倒数第二个卷积层的输出特征图连接，将连接的特征送入最后一个卷积层； 所述可学习坐标编码模块包含多个全连接层，其输入特征维度对应于图像中每个像素的坐标，第一个全连接层将输入特征映射到第一预设维度空间中，并经过激活函数进行非线性变换，中间的全连接层将上一全连接层的多维度特征进一步扩展到更多维度，同样后接激活函数，倒数第二个全连接层保持上一全连接层的多维度特征，同样后接激活函数，最后一个连接层将多维度特征映射到最终的输出特征维度； 采用所述训练样本对基于隐表示模型的超分辨率重建模型进行训练的损失函数采用融合内容损失和脑组织边缘感知损失的混合损失函数，公式定义如下： ， 其中，代表真实图，代表超分辨率重建的预测结果，表示内容损失，表示脑组织边缘感知损失，权重和用来平衡不同损失函数项；，定义如下： ， 其中，和分别代表水平和垂直的边缘检测Prewitt算子，表示卷积运算，和分别代表经过Prewitt算子后的真实图和预测图的梯度幅值图。

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中国科学院苏州生物医学工程技术研究所，其通讯地址为：215163 江苏省苏州市高新区科技城科灵路88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。