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！

龙图腾网恭喜南京邮电大学申请的专利一种稀疏角CT伪影去除的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：CN114596378B 。

龙图腾网通过国家知识产权局官网在2025-02-18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：202210242057.7，技术领域涉及：G06T11/00；该发明授权一种稀疏角CT伪影去除的方法是由谢世朋;喻丹设计研发完成，并于2022-03-11向国家知识产权局提交的专利申请。

本一种稀疏角CT伪影去除的方法在说明书摘要公布了：本发明公开了一种稀疏角CT伪影去除的方法，本发明的方法基于感知损失以及特征融合注意力残差网络.包括:对输入的带伪影的稀疏CT图像和原始CT图像进行预处理；将经过预处理的稀疏CT图像和原始CT图像进行特征提取，得到特征图谱；将得到的特征图谱经过改进的以感知损失为损失函数的特征融合注意力残差网络训练，以原始CT图像作为标签，使得稀疏CT图像能够去除掉伪影但保持其结构不发生变化；最后将稀疏CT图像作为输入，利用训练好的网络模型进行伪影去除，并计算峰值信噪比和结构相似性。该方法将感知损失作为损失函数，可以增强细节信息。并在特征融合残差网络中加入注意力机制，提升网络的性能，最终实现一个快速有效的去除伪影的作用。

本发明授权一种稀疏角CT伪影去除的方法在权利要求书中公布了：1.一种稀疏角CT去伪影方法，其特征在于：具体步骤如下：步骤1，对带有条纹伪影的稀疏角CT数据和原始CT数据进行预处理，将其处理为规定大小的.dcm格式图像；步骤2，将经过预处理的稀疏角CT数据经过VGG19网络提取图像特征，以便后续的训练；步骤3，构建特征融合注意力残差网络；步骤4，以稀疏CT图像为输入，原始的CT图像为标签，以感知损失为损失函数进行训练，得到训练好的特征融合注意力残差网络模型；步骤5，将相同部位的稀疏CT图像作为输入进行测试，得到去除伪影的图像,并计算输出的CT图像与标签的CT图像两者之间的峰值信噪比和结构相似性；步骤3中构建特征融合注意力残差网络具体操作如下：在数个密集残差跳跃模块中间进行连接，融合每个RSDB中的局部特征，并传递给后续残差块，第f个RSDB直接引入第f-1个RSDB或RB中的局部特征与Ff,2进行特征融合，其中，若f＝1，为模型适应残差块RB，局部特征融合LFF表示为： 其中Ff,LF表示第f个RSDB局部特征融合结果，表示Concat特征图堆叠功能，Ff-1,LF表示第f-1个RSDB局部特征融合结果，Ff,2表示第f个RSDB输入经过两次Conv层进行浅层特征提取的结果，表示为： 其中δ表示ReLU激活功能，Wf,2和Wf,1分别表示第2个卷积层第1个卷积层的权重，b2和b1分别表示第2个第1个卷积层的偏置，Ff-1表示第f-1个RSDB输出的结果；每个RSDB中进行局部特征融合之后传入注意力模块，将通过注意力模块得到的特征图传递给下一个RSDB进行同样操作，将不同基本块中的指定层特征堆叠一起，实现有间隔的跳跃连接和有效的特征提取，特征图堆叠表示为： 其中，F0为第1个RSDB前模型适应残差块RB中Conv层的特征图，后续FFRN网络结构中会提到，为了适应RSDB结构，会在RSDB先引入一个RB块；最后是引入局部残差学习进一步改善信息流，Ff,3表示转换层功能使用内核为axa大小的卷积层；假设主干道的输入为x，输出为Tx,mask输出为Mx，注意力模块的输出为：Hi,cx＝Mi,cx*Ti,cx其中i代表的是特征的空间位置，c代表特征通道channel；mask作为反向传播过程中的梯度更新滤波器时： 反向传播梯度更新时，不会更新mask部分的参数θ，而只是更新主干道的参数其中θ是掩膜分支的参数，φ是主干分支的参数；由于mask的值为[0,1]，参考Resnet的残差学习结构，该模块的输出为残差结构：Hi,cx＝1+Mi,cx*Ti,cx；步骤4中感知损失表示为： 其中和分别是经过j层的VGG19网络提取的稀疏CT和原始CT图像的特征，其中Wj为第j层的权重系数，Cj和Hj分别代表着第j层网络的长宽大小；绝对值损失主要衡量神经网络输出图像与参考图像之间的像素值之间的差异，它的公式如下： M和N是图像的行数和列数,该式计算卷积神经网络输出图像I和参考图像R之间像素的差异的绝对值的期望，其中Ik,l和Rk,l分别代表第k行第l列的输入图像像素和输出图像像素，网络中的损失函数结合了绝对值损失和感知损失，表示如下：Lloss＝Lmae+λLfeat其中λ为感知损失所占的权重系数。

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南京邮电大学，其通讯地址为：210046 江苏省南京市栖霞区文苑路9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”。