買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉華東師范大學申請的專利基于雙支路聯合學習的低劑量CT圖像超分辨率重建方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN115953491B 。

龍圖騰網通過國家知識產權局官網在2025-09-19發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202211614231.2，技術領域涉及：G06T11/00；該發明授權基于雙支路聯合學習的低劑量CT圖像超分辨率重建方法是由李智;侯宏宇;張桂戌;曾鐵勇;李俊誠設計研發完成，并于2022-12-15向國家知識產權局提交的專利申請。

本基于雙支路聯合學習的低劑量CT圖像超分辨率重建方法在說明書摘要公布了：本發明公開了一種基于雙支路聯合學習的低劑量CT圖像超分辨率重建方法，其特點是并行處理CT圖像的去噪重建和超分辨率重建。同時，雙支路聯合學習框架可以通過去噪任務和超分辨任務的交互來學習多任務之間的潛在聯系，進而有效的重建出高分辨率CT圖像。具體包括：構建數據集，訓練數據集預處理，構建雙支路網絡模型，雙支路信息的交互以及模型的訓練和測試等步驟。本發明與現有技術相比充分考慮了雙任務之間的交互問題，使用過濾門模塊，去除無用信息并突出有利于超分辨率的特征，從而在去除噪聲的同時實現CT圖像的超分辨率重建，具有廣泛的應用領域和良好的應用前景。

本發明授權基于雙支路聯合學習的低劑量CT圖像超分辨率重建方法在權利要求書中公布了：1.一種基于雙支路聯合學習的低劑量CT圖像超分辨率重建方法，其特征在于，使用去噪信息來引導CT圖像的超分辨率重建，具體包括以下步驟： 步驟S1：構建數據集 選用現有的低劑量CT重建數據集，其中包含若干成對的低-全劑量的CT圖像，使用雙三次插值算法對數據集中的低-全劑量CT圖像進行下采樣處理，進而構成一組訓練測試樣本即訓練測試數據集，表示為{X，Y1，Y2}，X為低分辨的低劑量CT圖像，Y1為低分辨率的全劑量CT圖像，Y2為高分辨率的全劑量CT圖像； 步驟S2：訓練數據集預處理 對訓練數據集進行數據增強，具體包括：隨機翻轉、隨機旋轉、隨機裁剪、隨機縮放和隨機平移； 步驟S3：構建雙支路網絡模型 網絡由超分辨重建支路、去噪重建支路以及過濾門模塊構成；雙分支路均采用編碼器-解碼器架構，編碼器包含一系列卷積和下采樣，用于深層和淺層特征的提取，解碼器用于實現特征的融合和重建； 步驟S4：雙支路信息的交互 使用過濾門模塊來控制去噪和超分辨重建特征的信息交流，具體操作為：在超分辨支路中過濾來自去噪分支的特征，采用壓縮和激勵模塊將去噪解碼器的輸出特征和超分辨解碼器的輸出特征在通道信息上進行過濾和融合； 步驟S5：模型的訓練和測試 使用步驟S2構建的訓練數據集來訓練步驟S3構建的網絡模型，即用Y1來監督去噪支路的重建結果，使用Y2來監督超分辨支路的重建結果，進行模型參數的優化，并在訓練過程中保留效果最好的模型參數；訓練結束后，在測試數據集上使用保存的模型參數來測試雙支路網絡模型的重建效果；具體來說，在測試時，輸入低分辨的低劑量CT圖像，獲得重建的高分辨率全劑量CT圖像；其中： 步驟S4所述的過濾門模塊，由雙支路信息融合模塊和超分辨特征細化模塊組成；所述的雙支路信息融合模塊將獲取的當前層次的去噪特征XDN和上一層次的超分辨特征XSR，通過Concat在通道維度進行拼接，之后經過1x1卷積進行通道的壓縮；壓縮后的拼接特征圖經過全連接操作和Sigmoid激活函數，獲得通道間的注意力特征圖，并通過乘法逐通道加權到XDN，實現特征間的融合和過濾；在超分辨特征細化模塊，XSR經過二維離散小波變換獲得小波系數，高頻信息經過Concat拼接后輸入到通道注意力模塊和空間注意力模塊，獲得融合后的高頻小波特征圖；融合后的小波特征圖分別與原始小波分量進行通道上的拼接和壓縮后與低頻分量進行逆小波分解轉化，獲得細化后的超分辨特征圖；其中所述小波系數包括低頻信息LL，水平方向高頻信息HL，垂直方向高頻信息LH和對角方向高頻信息HH。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人華東師范大學，其通訊地址為：200241 上海市閔行區東川路500號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。