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！

龙图腾网获悉西安电子科技大学申请的专利基于生成对抗网络的多中心颅脑扩散加权磁共振影像跨域转换方法、系统、设备及介质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：CN116342731B 。

龙图腾网通过国家知识产权局官网在2026-03-06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：202310335565.4，技术领域涉及：G06T12/20；该发明授权基于生成对抗网络的多中心颅脑扩散加权磁共振影像跨域转换方法、系统、设备及介质是由王颖;李晨希;李洁;蒋德攀;钟杰;王斌;张建龙设计研发完成，并于2023-03-31向国家知识产权局提交的专利申请。

本基于生成对抗网络的多中心颅脑扩散加权磁共振影像跨域转换方法、系统、设备及介质在说明书摘要公布了：基于生成对抗网络的多中心颅脑扩散加权磁共振影像跨域转换方法、系统、设备及介质，方法包括：获取训练样本集；数据预处理；构建生成对抗网络模型；训练生成对抗网络模型；处理输出数据；系统、设备及介质：用于实现基于生成对抗网络的多中心颅脑扩散加权磁共振影像跨域转换方法；本发明通过将生成对抗网络应用于多中心扩散磁共振成像的同质化中，并对生成对抗网络做出一系列的优化，能够有效解决现有多中心扩散磁共振成像同质化中存在的脑部细节模糊、空间连续性不强、模型通用性差等技术问题，具有增广医学影像的数据量，提高数据效力的特点。

本发明授权基于生成对抗网络的多中心颅脑扩散加权磁共振影像跨域转换方法、系统、设备及介质在权利要求书中公布了：1.基于生成对抗网络的多中心颅脑扩散加权磁共振影像跨域转换方法，其特征在于，包括以下步骤： 步骤1：获取训练样本集，所述的训练样本集包括不同病例的训练样本组，所述训练样本组包括同一个病例在两个采集中心使用扫描仪采集到的源域脑部扩散磁共振数据和目标域脑部扩散磁共振数据； 步骤2：数据预处理，根据步骤1得到的源域脑部扩散磁共振数据和目标域脑部扩散磁共振数据计算源域RISH特征值和目标域RISH特征值； 步骤3：构建生成对抗网络模型，所述的生成对抗网络包括生成器、判别器和损失函数； 所述步骤3中的判别器为可实现权重自适应分配的马尔科夫判别器，所述权重自适应分配的具体方法为： 自适应依据数据集中的脑区域掩膜，计算当前图像块中包含的脑区域的体素点个数nbrain，以及当前图像块中体素点的总个数nsum，并计算nbrain与nsum之比wi作为当前图像块的初始权重： 式中，nbrain表示当前图像块中包含的脑区域的体素点个数，nsum表示当前图像块中体素点的总个数，wi表示当前图像块的初始权重； 各图像块的权重之和为1，求得各个图像块的输出权重后，使用softmax函数对求得的初始权重进行归一化处理，得到每个图像块最终的自适应权重： 式中，wi表示每个图像块最终的自适应权重； 所述步骤3中的损失函数包括第一损失函数，第二损失函数和第三损失函数，所述第一损失函数和第二损失函数为生成器的损失函数，所述第三损失函数为判别器的损失函数； 所述第一损失函数为目标域RISH特征值和生成器预测结果之间的差异： 式中，y表示目标域RISH特征值，y′表示生成器的预测结果； 所述第二损失函数为生成器的预测结果和目标域RISH特征值阶数为0的影像间的分割结果之间的差异： 式中，segtarget表示目标域RISH特征值阶数为0的影像间的分割结果，segharmonized表示生成器预测结果RISH特征值阶数为0的影像间的分割结果； 所述第三损失函数为使用基于梯度惩罚的Wasserstein损失函数，并将Lipschitz常数K取为1，通过梯度惩罚的方式对判别器的Lipschitz连续性加以约束，具体计算方式如下： 式中，fw·表示由参数化的判别器拟合出的连续函数，表示pg和pr连线上的随机插值采样分布，具体来说，令xr～pr，xg～pg，ε～Uniform[0,1]，有： 用于生成对抗网络训练的损失函数为： 步骤4：训练生成对抗网络模型，将步骤2得到的源域RISH特征值和目标域RISH特征值输入步骤3构建的生成对抗网络模型中进行训练，输出目标域合成RISH特征值； 步骤5：处理输出数据，根据步骤4得到的目标域合成RISH特征值和步骤2得到的源域RISH特征值，计算转换后的脑部扩散加权磁共振成像信号。

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安电子科技大学，其通讯地址为：710071 陕西省西安市雁塔区太白南路2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。