申请/专利权人：燕山大学

申请日：2023-12-19

公开（公告）日：2024-03-19

公开（公告）号：CN117726706A

主分类号：G06T11/00

分类号：G06T11/00;G06T3/4053;G06T3/4046;G06N3/0464;G06N3/045;G06N3/088

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.05#实质审查的生效;2024.03.19#公开

摘要：本发明公开了一种无监督深度字典学习的CT金属伪影校正与超分辨率方法，包括如下步骤：S1、构建初始CT图像数据集；S2、构建无监督深度字典网络联合CT金属伪影校正与超分辨率网络模型；S3、设计训练无监督深度字典网络联合CT金属伪影校正与超分辨率网络模型所需的损失函数；S4、基于训练参数和损失函数对无监督深度字典网络联合CT金属伪影校正与超分辨率网络模型进行优化和训练，得到最优的无监督深度字典网络联合CT金属伪影校正与超分辨率网络模型；S5、输出金属伪影校正和超分辨率的CT图像。本发明进一步提高CT图像质量，既能对CT图像的金属伪影进行校正，同时能提高CT图像的分辨率。

主权项：1.一种无监督深度字典学习的CT金属伪影校正与超分辨率方法，其特征在于：包括如下步骤：步骤S1、构建初始CT图像数据集，并将初始CT图像数据集分为训练集和测试集，训练集和测试集均包含有金属伪影CT图像和无伪影CT图像；步骤S2、构建无监督深度字典网络联合CT金属伪影校正与超分辨率网络模型，无监督深度字典网络联合CT金属伪影校正与超分辨率网络模型包括基于深度字典网络学习的深度稀疏变换网络及深度稀疏变换网络逆变换网络、基于卷积神经网络的阈值网络以及软阈值处理网络；步骤S3、从步骤S1的训练集中随机选择一幅含金属伪影的CT图像和一幅无伪影的CT图像输入无监督深度字典网络联合CT金属伪影校正与超分辨率网络模型中训练，并设定最大训练次数，设计训练无监督深度字典网络联合CT金属伪影校正与超分辨率网络模型所需的损失函数；步骤S4、基于训练参数和损失函数对无监督深度字典网络联合CT金属伪影校正与超分辨率网络模型进行优化和训练，得到最优的无监督深度字典网络联合CT金属伪影校正与超分辨率网络模型；步骤S5、将步骤S1中的测试集中的CT图像输入到步骤S4中最优的无监督深度字典网络联合CT金属伪影校正与超分辨率网络模型，输出金属伪影校正和超分辨率的CT图像。

全文数据：

权利要求：

百度查询： 燕山大学 无监督深度字典学习的CT金属伪影校正与超分辨率方法

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