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！

龙图腾网获悉杭州师范大学申请的专利基于混合表征学习的低剂量CT图像去噪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：CN116563554B 。

龙图腾网通过国家知识产权局官网在2025-11-14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：202310454243.1，技术领域涉及：G06V10/30；该发明授权基于混合表征学习的低剂量CT图像去噪方法是由张聚;叶列立;王奔;叶智毅;龚伟伟;应长钢设计研发完成，并于2023-04-25向国家知识产权局提交的专利申请。

本基于混合表征学习的低剂量CT图像去噪方法在说明书摘要公布了：本发明涉及一种基于混合表征学习的低剂量CT图像去噪方法。本发明使用编码器和解码器对称式结构，在每个编码器和解码器阶段，分别加入混合表征块，将卷积映射信息传递给自注意力模块，实现窗口内部和窗口间的信息交互，同时与Canny算子处理的图像增强信息进行拼接，最大程度的在不破坏原有部位局部信息的前提下更好的实现降噪功能。结合均方误差与基于Resnet的多尺度感知函数最终输出噪声图像与低剂量CT图进行残差处理，在保证去噪图像的去噪效果的同时还能保留有更多的细节纹理信息，提高低剂量CT图像的去噪效果。本发明能够较好的捕获全局信息和局部细节信息及解决边缘模糊问题，强化了CT图像的细节纹理。

本发明授权基于混合表征学习的低剂量CT图像去噪方法在权利要求书中公布了：1.基于混合表征学习的低剂量CT图像去噪方法，其特征在于：具体包括如下步骤： 步骤一、构建低剂量CT数据集： 挑选一定数量的患者，并选取其不同部位上的低剂量CT图像和其对应的正常剂量CT图像，插入泊松噪声直到接近全剂量下25％的噪声水平，组成CT图像数据集x，y；其中x为低剂量CT图像，而y为x对应的正常剂量CT图像； 步骤二、构建去噪网络模型： 基于混合表征学习构建对称式编码-解码网络模型；该模型包括预处理块、输入映射块、输入编码块、中间层混合表征块、输出解码块和输出映射块； 在图像预处理阶段，输入图像经过Canny算子滤波生成边缘特征增强的图像，该图像作为辅助信息流入后续网络块，以凸显图像边缘特征，增加模型的感受野； 输入映射块包括多层感知机：通过两层神经元将输入映射到固定维度，便于后续进行表征运算； 输入编码块包括输入混合表征块、边缘增强特征层、可分离卷积和下采样层：首先将输入映射块的输出作为查询集、键和值输入至混合表征块进行表征学习，并将Canny算子处理后的边缘增强特征图与表征结果进行级联后，通过一个可分离卷积，最后将其输入下采样层来实现输入模块的编码； 中间层混合表征块包括窗口自注意力和深度卷积；窗口自注意力能够减少对于窗口外部的依赖，在高效计算的同时捕捉特征空间窗口内部的相关性；深度卷积则在不改变卷积通道数的前提下，对每个通道进行单独卷积操作以挖掘通道信息； 设计中间层混合表征块，通过通道层和空间层的双向交互，不仅解决了窗口自注意力机制存在感受野有限，同时也消除了深度卷积权值共享带来的不足，实现了窗口内部和窗口间的纹理信息交互和信息增益，有效增强了CT图像的全局建模能力； 输出解码块包括上采样层、边缘增强特征层、可分离卷积和输出混合表征块，首先经过上采样操作，然后同样的拼接上由Canny算子处理过的边缘特征图像，通过一个可分离卷积，最后加上一个混合表征块来学习更多纹理的特征知识； 输入混合表征块、中间层混合表征块和输出混合表征块结构相同；在输入编码块与输出解码块之间采用跳跃连接，在对称式结构中，每个输出解码块与其对应位置的输入编码块在通道上进行融合，通过底层信息与高层信息的融合，从而保留住更多的纹理细节；其次，还能防止出现网络梯度消失的问题，加速网络训练； 输出映射块包括一层MLP，将输出映射到1×H×W，还原原始图像大小； 步骤三、数据增强： 为进一步增加训练样本数量，对收集的数据集进行水平-垂直翻转或随机裁剪构造更多数量的图像； 步骤四、模型优化： 采用两个损失函数进行模型优化，以进一步提升模型的性能； 首先，使用均方误差MSE将误差收敛到最小值，该损失函数L1表达式为： L1是用于评估模型去噪后的图像与真实图像之间的像素级相似度，以及模型是否能够准确还原原始图像； 其中Rxi表示低剂量噪声图像xi经过残差学习映射出的纯噪声图像；yi表示低剂量噪声图像xi对应的正常剂量的CT图像； 其次，基于Resnet的多尺度感知函数用于实现低剂量图片与噪声图片的残差功能，该损失函数L2表达式为： 损失函数L2用于评估模型预测的图像与真实图像之间的结构相似性； 其中α是采用经典特征提取网络Resnet50作为特征提取器，是Resnet50在ImageNet数据集上在删除汇聚层后被冻结的权值，Rxi表示低剂量噪声图像xi经过残差学习映射出的纯噪声图像；yi表示低剂量噪声图像xi对应的正常剂量的CT图像； 损失函数L＝λ1l1+λ2l2，其中λ1，λ2为可调超参数； 通过不断调整学习率和可调超参数进行模型的优化，得到最优参数，输出最优模型； 步骤五、任意选取一张低剂量CT图像放入优化后的去噪模型中，输出最终结果，即可得到去噪后的低剂量CT图像。

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杭州师范大学，其通讯地址为：311121 浙江省杭州市余杭区余杭塘路2318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。