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！

龙图腾网恭喜中国科学院精密测量科学与技术创新研究院申请的专利一种模型混合的双分支人工智能肺部MRI去噪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：CN117911269B 。

龙图腾网通过国家知识产权局官网在2025-04-29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：202410049593.4，技术领域涉及：G06T5/70；该发明授权一种模型混合的双分支人工智能肺部MRI去噪方法是由周欣;石胜杰;肖洒;孙献平;陈世桢设计研发完成，并于2024-01-12向国家知识产权局提交的专利申请。

本一种模型混合的双分支人工智能肺部MRI去噪方法在说明书摘要公布了：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。

本发明授权一种模型混合的双分支人工智能肺部MRI去噪方法在权利要求书中公布了：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；所述下通道网络包括输入层、CNN编码器、Transformer编码器和解码器：CNN编码器依次包括nn≥1个CNN下采样层；Transformer编码器依次包括1个嵌入层和多个Transformer模块，其中Transformer模块数量大于n+1；解码器包括n+1个Transformer特征处理模块、n+1个解码器上采样层和1个特征输出层；输入层的输入作为下通道网络的输入，输入层的输出分别输入至CNN编码器的第一个CNN下采样层、Transformer编码器的嵌入层以及解码器的特征输出层；每一个CNN下采样层的输出还输入至对应的一个解码器上采样层，第一个解码器上采样层无来自CNN下采样层的输入，每一个CNN下采样层的序号和对应的一个解码器上采样层的序号之和为n+2；Transformer编码器中除最后一个Transformer模块以外的部分选定Transformer模块的输出分别输入至除最后一个Transformer特征处理模块以外的对应的Transformer特征处理模块；且最后一个Transformer模块的输出输入至最后一个Transformer特征处理模块；每个Transformer特征处理模块的输出分别输入至对应的一个解码器上采样层，Transformer特征处理模块与解码器上采样层一一对应，且Transformer特征处理模块的序号与对应解码器上采样层的序号之和为n+2；当前解码器上采样层的输出作为下一级解码器上采样层的一个输入，最后一级解码器上采样层的输出作为特征输出层的一个输入；特征输出层的输出为下通道网络的输出；所述Transformer和CNN混合模型中上通道网络按次序包括多个上通道特征提取单元，上通道特征提取单元依次包括卷积层、组归一化层和激活层，上通道网络中第一个上通道特征提取单元的输入作为上通道网络的输入，上通道网络中最后一个上通道特征提取单元输出的特征图作为上通道网络的输出。

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中国科学院精密测量科学与技术创新研究院，其通讯地址为：430071 湖北省武汉市武昌区小洪山西30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”。