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！

龙图腾网获悉西北工业大学申请的专利一种基于二阶段卷积神经网络的DTI超分辨率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：CN119784589B 。

龙图腾网通过国家知识产权局官网在2025-10-10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：202411782952.3，技术领域涉及：G06T3/4053；该发明授权一种基于二阶段卷积神经网络的DTI超分辨率重建方法是由王毅;贾浩鹏;罗兵;张元;郭哲;齐敏;吕国云设计研发完成，并于2024-12-06向国家知识产权局提交的专利申请。

本一种基于二阶段卷积神经网络的DTI超分辨率重建方法在说明书摘要公布了：本发明提出一种基于二阶段卷积神经网络的DTI超分辨率重建方法，属于医学图像处理领域。首先对图像预处理，并构建数据集；然后搭建二阶段卷积神经网络，将训练集中的DTI输入至一阶段卷积神经网络，并将输出的DTI张量特征值和特征向量输入至二阶段卷积神经网络进行训练，获得学习后的卷积神经网络模型；接着将测试DTI输入至卷积神经网络模型，得到重建的高分辨率图像。本发明采用二阶段卷积神经网络优化特征向量畸变，确保重建的DTI张量形状和方向与真实高分辨率DTI一致，同时保持重建的DTI黑色无效区域纯净；本发明生成高质量的超分辨率DTI，有助于提高临床诊断的准确性。

本发明授权一种基于二阶段卷积神经网络的DTI超分辨率重建方法在权利要求书中公布了：1.一种基于二阶段卷积神经网络的DTI超分辨率重建方法，其特征在于，所述DTI超分辨率重建方法方法如下： 步骤1：选取dHCP数据集作为训练数据集、测试数据集和迁移训练数据集； 步骤2：对dHCP数据集中的扩散图像进行预处理得到DTI； 步骤3：构建卷积神经网络模型：卷积神经网络模型包括第一阶段卷积神经网络和第二阶段卷积神经网络； 所述卷积神经网络模型构建方法如下： 步骤3.1，构建第一阶段卷积神经网络：第一阶段卷积神经网络包括两条支路和三个卷积层；两条支路中，第一条支路包括一个卷积层1、四个残差层和一个组合层1，组合层1为一个卷积层2加一个上采样层；第二条支路包括一个卷积层3和一个上采样层；第一条支路中，卷积层1的输出和四个残差层的输出叠加后作为卷积层2的输入；第一支路和第二支路的输出叠加后输入至三个卷积层； 步骤3.2，构建第二阶段卷积神经网络：第二阶段卷积神经网络包括一个卷积层4、一个组合层2和一个卷积层5，组合层2包括三个残差层和一个卷积层6；将卷积层4的输出和卷积层6的输出叠加后输入至卷积层5中； 步骤3.3，将第一阶段卷积神经网络的输出作为第二阶段卷积神经网络的输入，获得卷积神经网络模型； 步骤4：训练卷积神经网络模型； 所述卷积神经网络模型的训练步骤如下； 步骤4.1：将训练数据集输入至第一阶段卷积神经网络； 步骤4.2：利用绝对值损失函数作为loss1，计算第一阶段卷积神经网络输出的超分辨率重构DTI和高分辨率DTI的误差； 步骤4.3：采用Adam梯度优化算法，更新第一阶段卷积神经网络的网络参数； 步骤4.4：将第一阶段卷积神经网络输出的DTI张量分解为特征值和特征向量，输入至第二阶段卷积神经网络； 步骤4.5：利用L1损失函数作为loss2，特征向量绝对余弦损失函数为loss3，张量矩阵的损失函数为loss4，特征值-特征向量重叠率误差损失函数为loss5，各向异性分数图像损失函数作为loss6，计算第二阶段卷积神经网络输出的重建DTI和高分辨率DTI的误差； 步骤4.6：采用Adam梯度优化算法，更新第二阶段卷积神经网络的网络参数； 步骤4.7：重复步骤4.1至步骤4.6，迭代20轮，完成卷积神经网络模型的预训练； 步骤4.8：重复步骤4.1至步骤4.6，通过迁移训练数据集对步骤4.7得到的卷积神经网络模型进行5轮迁移训练，得到训练好的卷积神经网络模型； 步骤5：测试卷积神经网络模型； 步骤6：对超分辨率重建DTI进行综合评价。

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西北工业大学，其通讯地址为：710072 陕西省西安市友谊西路127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”。