申请/专利权人：中国科学院精密测量科学与技术创新研究院

申请日：2024-01-12

公开（公告）日：2024-04-19

公开（公告）号：CN117911269A

主分类号：G06T5/70

分类号：G06T5/70;G06T5/60;G06N3/0464;G06N3/045;G06N3/0895;G06N3/09

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.05.07#实质审查的生效;2024.04.19#公开

摘要：本发明公开了一种模型混合的双分支人工智能肺部MRI去噪方法。首先获取配对的高信噪比和低信噪比肺部MRI影像作为训练集，构建Transformer和CNN混合模型，然后通过所设定的预训练自监督损失函数对Transformer和CNN混合模型进行预训练，再通过均方误差损失进行监督训练。由于利用Transformer和CNN的优势互补，本发明有效地融合局部特征和上下文信息，提升影像去噪的性能；利用低信噪比影像进行自监督预训练，适用于肺部MRI影像配对样本量小的特点；且Transformer和CNN双通道混合模型训练完成后，不需要额外调节参数，去噪速度快，能更好地保留影像细节，具有实用价值。

主权项：1.一种模型混合的双分支人工智能肺部MRI去噪方法，其特征在于，包括以下步骤：步骤1、获取配对的高信噪比肺部MRI影像和低信噪比肺部MRI影像作为样本对，并将样本对划分为训练集和测试集；步骤2、构建Transformer和CNN混合模型，Transformer和CNN混合模型包括一个上通道网络、一个下通道网络和一个输出层；步骤1获得的低信噪比肺部MRI影像即是上通道网络的输入，也是下通道网络的输入，上通道网络的输出和下通道网络的输出按通道堆叠后输入至输出层；步骤3、设定预训练自监督损失函数Ls；步骤4、将步骤1中训练集的低信噪比肺部MRI影像输入到Transformer和CNN混合模型中，得到预测的去噪肺部MRI影像；并根据步骤3设定的预训练自监督损失函数，利用步骤1得到的训练集中低信噪比肺部MRI影像，对步骤2构建的Transformer和CNN混合模型进行预训练，得到预训练后的Transformer和CNN混合模型；步骤5、设定监督训练损失函数Ld；步骤6、将步骤1中训练集的低信噪比肺部MRI影像输入到步骤4预训练后的Transformer和CNN混合模型中得到对应的去噪肺部MRI影像；根据步骤5设定的监督训练损失函数，利用步骤1生成的训练集样本对，对步骤4预训练后的Transformer和CNN混合模型进行端到端训练，得到训练好的Transformer和CNN混合模型的参数；步骤7、将待处理的低信噪比肺部MRI影像输入到步骤6训练好的Transformer和CNN混合模型中得到对应的去噪肺部MRI影像。

全文数据：

权利要求：

百度查询： 中国科学院精密测量科学与技术创新研究院 一种模型混合的双分支人工智能肺部MRI去噪方法

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