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！

龙图腾网获悉浙江大学申请的专利一种基于列表数据和深度学习的PET重建模型构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：CN115170775B 。

龙图腾网通过国家知识产权局官网在2026-04-21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：202210888012.7，技术领域涉及：G06T19/00；该发明授权一种基于列表数据和深度学习的PET重建模型构建方法是由刘华锋;胡睿设计研发完成，并于2022-07-25向国家知识产权局提交的专利申请。

本一种基于列表数据和深度学习的PET重建模型构建方法在说明书摘要公布了：本发明公开了一种基于列表数据和深度学习的PET重建模型构建方法，其通过域转化函数将列表模式数据和深度学习计数进行结合，解决了列表模式数据难以直接通过深度神经网络进行处理的问题。通过域转化函数，本发明可以对任意格式以及任意存储大小的列表模式数据从测量域转化到图像域，从而可以利用端到端的深度神经网络方法直接处理学习。本发明利用深度学习进行列表模式数据重建，和其他用于列表模式数据重建的方法相比，大大提升了重建速度；对于列表模式MLEM算法来说，重建一张大脑图像需要几十秒的时间，而本发明只需要1秒钟左右就可以重建完成，在实时重建以及短时间帧重建等领域有更大的应用潜力。

本发明授权一种基于列表数据和深度学习的PET重建模型构建方法在权利要求书中公布了：1.一种基于列表数据和深度学习的PET重建模型构建方法，包括如下步骤： 1对PET模板图像进行模拟投影得到PET列表数据； 2重复执行步骤1得到大量样本，并将所有样本划分为训练集、测试集和验证集，每一组样本包含PET列表数据以及对应的PET模板图像； 3构建用于列表数据重建的ListmodeCNN模型，其包括： 域转化单元，用于将输入的PET列表数据从测量域转化到图像域； 编解码单元，用于对图像域的PET列表数据进行重建得到PET图像； 所述编解码单元基于U型网络的设计，其结构包括编码单元、门控注意力单元以及解码单元，其中： 编码单元从输入到输出由卷积模块C1、密集模块M1、密集模块M2、下采样模块D1、密集模块M3、密集模块M4、下采样模块D2、密集模块M5、密集模块M6、下采样模块D3、密集模块M7、密集模块M8依次连接组成； 解码单元从输入到输出由上采样模块U1、卷积模块C2、密集模块M9、密集模块M10、上采样模块U2、卷积模块C3、密集模块M11、密集模块M12、上采样模块U3、卷积模块C4、密集模块M13、密集模块M14、卷积模块C5依次连接组成； 密集模块M2的输出与上采样模块U3的输入通过门控注意力单元融合后的输出结果与上采样模块U3的输出拼接作为卷积模块C4的输入；密集模块M4的输出与上采样模块U2的输入通过门控注意力单元融合后的输出结果与上采样模块U2的输出拼接作为卷积模块C3的输入；密集模块M6的输出与上采样模块U1的输入通过门控注意力单元融合后的输出结果与上采样模块U1的输出拼接作为卷积模块C2的输入；卷积模块C5的输出与卷积模块C1的输入叠加后作为编解码单元的输出即模型最终输出； 所述卷积模块C1~C5采用双卷积层结构，每个卷积层采用3*3大小的卷积核，卷积后需经激活函数PReLU处理；所述下采样模块D1~D3采用2*2大小的卷积核，步长为2，卷积后需经激活函数PReLU处理； 所述密集模块M1~M14从输入到输出由四个卷积层依次连接组成，所述卷积层采用3*3大小的卷积核，卷积后需经激活函数PReLU处理；对于任一卷积层，其将输入与输出拼接后作为下一卷积层的输入，最后一个卷积层的输出与第一个卷积层的输入叠加后作为密集模块的输出； 所述门控注意力单元利用高层特征来引导低层特征实现对图像细节特征进行注意，其采用1*1大小的卷积核分别对编码单元中对应密集模块的输出g以及解码单元中对应上采样模块的输入x进行卷积，进而将两者卷积后的结果相叠加再经过激活函数ReLU、1*1大小的卷积核、批归一化以及sigmoid激活处理后得到注意力特征图α，最后将注意力特征图α与对应上采样模块的输入x相乘得到的结果即为门控注意力单元的输出； 4利用训练集样本对ListmodeCNN模型进行训练，以PET列表数据作为输入，PET模板图像作为标签； 5将测试集样本中的PET列表数据直接输入至训练好的模型中，直接重建输出PET图像，以对模型进行性能测试，测试完成即可利用该模型将PET列表数据直接重建得到PET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浙江大学，其通讯地址为：310058 浙江省杭州市西湖区余杭塘路866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。