申请/专利权人：深圳高性能医疗器械国家研究院有限公司

申请日：2021-03-29

公开（公告）日：2024-06-28

公开（公告）号：CN112991220B

主分类号：G06T5/70

分类号：G06T5/70;G06T5/73;G06T5/60;G06N3/0464;G06N3/08;G16H30/20

优先权：

专利状态码：有效-授权

法律状态：2024.06.28#授权;2021.07.06#实质审查的生效;2021.06.18#公开

摘要：本发明公开了一种基于多重约束的卷积神经网络校正图像伪影的方法。该方法包括：构建具有主干结构层和多个分支结构层的卷积神经网络，其中主干结构层以原始图像为输入，多个分支结构层分别以通过对原始图像降采样获得的不同级别分辨率的图像作为输入，并且每一分支结构层的最后一个卷积层的特征图像矩阵，都通过上采样恢复成与目标图像相同大小的矩阵图像；以设定的总体损失函数收敛为目标训练所述卷积神经网络，学习从低剂量原始图像到标准剂量目标图像之间的映射关系，并且训练过程中，主干结构层以及多个分支结构层的每一层均设置损失值。本发明在提高图像峰值信噪比和结构相似度的同时，增强图像细节信息。

主权项：1.一种基于多重约束的卷积神经网络校正图像伪影的方法，包括以下步骤：构建具有主干结构层和多个分支结构层的卷积神经网络，其中，所述主干结构层以原始图像为输入，所述多个分支结构层分别以通过对原始图像降采样获得的不同级别分辨率的图像作为输入，并且每一分支结构层的最后一个卷积层的特征图像矩阵，都通过上采样恢复成与目标图像相同大小的矩阵图像；以设定的总体损失函数收敛为目标训练所述卷积神经网络，学习从低剂量原始图像到标准剂量目标图像之间的映射关系，并且训练过程中，所述主干结构层以及所述多个分支结构层的每一层均设置损失值；其中，所述总体损失函数表示为：Loss＝wmse×LossMSE+wper×Lossper+wker×Lossker其中，LossMSE是均方差损失，Lossper是感知损失，Lossker是核损失，wmse，wper和wker分别是对应项的权重；其中，所述均方差损失表示为：LossMSE＝lossmse_1+wmse_2×lossmse_2+wmse_3×lossmse_3+wmse_4×lossmse_4+，...，+wmse_k×lossmse_k；其中，wmse_2，wmse_3，wmse_4和wmse_k为对应分支结构层的均方差损失的权重，lossmse_2，lossmse_3，lossmse_4和lossmse_k是对应分支结构层的均方差损失，lossmse_1是主干结构层的损失，k是分支结构层的索引；其中，所述感知损失表示为：Lossper＝lossper_1+wper_2×losspre_2+wper_3×lossper_3+wper_4×lossper_4+，...，+wper_k×lossper_k；其中，wper_2，wper_3，wper_4和wper_k是对应分支结构层的感知损失的权重，lossper_2，lossper_3，lossper_4和lossper_k是对应分支结构层的感知损失，lossper_1是主干结构层的感知损失，k是分支结构层的索引；其中，所述核损失表示为：Lossker＝lossker_1+wker_2×lossker_2+wker_3×lossker_3+wker_4×lossker_4+，...，+wker_k×lossker_k；其中，wker_2，wker_3，wker_4和wker_k是对应分支结构层的核损失的权重，lossker_2，lossker_3，lossker_4和lossker_k是对应分支结构层的核损失，lossker_1是主干结构层的核损失，k是分支结构层的索引。

全文数据：

权利要求：

百度查询： 深圳高性能医疗器械国家研究院有限公司 一种基于多重约束的卷积神经网络校正图像伪影的方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD