Document
拖动滑块完成拼图
个人中心

预订订单
服务订单
发布专利 发布成果 人才入驻 发布商标 发布需求

请提出您的宝贵建议,有机会获取IP积分或其他奖励

投诉建议

在线咨询

联系我们

龙图腾公众号
首页 专利交易 IP管家助手 科技果 科技人才 科技服务 国际服务 商标交易 会员权益 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索
当前位置 : 首页 > 专利喜报 > 重庆大学周喜川获国家专利权

重庆大学周喜川获国家专利权

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!

龙图腾网获悉重庆大学申请的专利一种基于模态对齐蒸馏的多模态图像配准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:CN119379750B

龙图腾网通过国家知识产权局官网在2025-10-10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:202411421917.9,技术领域涉及:G06T7/33;该发明授权一种基于模态对齐蒸馏的多模态图像配准方法是由周喜川;赵继承;陈黎辉;王若其;刘海军;聂晶;林英撑设计研发完成,并于2024-10-12向国家知识产权局提交的专利申请。

一种基于模态对齐蒸馏的多模态图像配准方法在说明书摘要公布了:本发明涉及一种基于模态对齐蒸馏的多模态图像配准方法,属于图像处理技术领域。该方法包括:采用一种蒸馏学习引导式的训练流程,使用性能优异的同模态配准教师模型的中间特征和输出变形场对多模态配准学生模型进行引导式监督,迁移学生模型中间特征的模态并有效降低模态差异,输出接近于教师模型估计的高质量变形场,提升多模态配准性能;采用一种可变形掩码训练策略,应对配准过程中空间变换的黑边效应导致的配准结果与标签图像边界不一致的问题即配准结果的黑边与标签图像原始边界,有效降低其对配准的负面影响,提升模型配准性能。本发明能够实现多模态图像配准任务,有效解决由模态差异带来的配准挑战,达到了多模态图像空间对齐的效果。

本发明授权一种基于模态对齐蒸馏的多模态图像配准方法在权利要求书中公布了:1.一种基于模态对齐蒸馏的多模态图像配准方法,其特征在于,该方法具体包括以下步骤: S1:数据预处理:获取原始预配准多模态图像,生成随机变形流场作用于原始多模态图像,使原始图像产生随机的形变,建立未配准多模态数据集,包括训练集和测试集,其中原始图像作为标签进行自监督学习; S2:构建配准模型,包括编码器和基于transformer的U型配准网络; 所述编码器是一个含横向连接的U型网络,包含四次下采样和四次上采样操作,使用共享参数分别对形变图像和参考图像进行特征提取,为16通道的中间特征,学生模型的参考图像经编码器输出中间特征在蒸馏学习下进行模态转移,从而降低模态差异; 所述基于transformer的U型配准网络包括由特征增强模块和多尺度注意力机制模块构成的下采样编码部分、残差连接模块构成的上采样解码模块以及transformer构成的横向连接部分;所述特征增强模块采用并行的不同扩散率的扩散卷积、Instance归一化层、LeakyRelu激活层组成,并采用残差连接结构,结合多尺度注意力机制,能够对从不同感受野范围进行特征提取,提取不同大小的形变信息,有效提升非刚性配准性能;所述transformer能够获取全局信息,有效提升刚性配准性能;所述上采样解码模块对前文提取信息进行综合,预测最终输出配准流场; S3:训练多模态配准模型:基于可变形掩码训练策略和模态蒸馏学习技术来训练教师模型和学生模型,得到同模态教师模型和基于模态对齐蒸馏的多模态学生模型; 所述可变形掩码训练策略具体步骤为: S31:为训练集的每一张待配准模态图像设置对应的单通道全1掩码,生成的随机变形流场同时作用于图像和掩码,两者的0填充区域相一致,即黑边相同,计算过程如下: MW=RM,φr2 其中,Imov是形变图像,φr是数据预处理中随机产生的形变流场,M是原始单通道全1掩码,是形变图像受形变流场作用后的结果,MW是M受相同流场形变后的结果,即MW与具有相同0边界; S32:模型输出配准流场对形变图像进行配准,产生二次黑边,同时,掩码受形变流场逆变换后作用,掩码二次黑边与配准图像的二次黑边相一致,计算过程如下: 其中,φreg是模型预测配准流场,是配准后的图像,是φr逆操作后的流场,M′是MW受作用后的掩码,理想情况下与的0边界相同; S33:掩码M′分别与原始图像和配准图像进行哈达玛矩阵乘法,限制原始图像相较于配准图像0边界的额外信息,再对图像进行损失计算,使网络更加关注中心区域,解决边缘信息不对等带来的参数优化紊乱问题; 对学生模型训练采用的损失函数包括除了L1损失和SSIM损失,还包括教师模型对学生模型的蒸馏级监督,损失函数计算如下: Lstu=L'pix+L'sim+Ldistillation8 其中,L'pix表示多模态像素损失,L'sim表示多模态结构损失,Ldistillation表示蒸馏学习对应的损失函数,h表示图像长度,w表示图像宽度,Iw表示形变后的形变图像,Igt表示原始图像,M′表示可变形掩码训练策略获取的掩码矩阵,Es是学生模型编码器,Et是教师模型编码器,Imd是多模态图像,是形变图像以多模态图像作为目标的预测配准流场,表示模型预测配准流场;Ldistillation是蒸馏学习对应的损失函数,引导学生模型的配准性能优化,第一部分||EsImd-EtIgt||1促进学生模型的多模态参考图像特征不断向教师模型的单模态参考图像特征进行特征靠拢,极大地降低模态差异,提升配准性能;第二部分促进学生模型的预测配准流场接近于性能优异的教师模型,而蒸馏过程中学生模型和教师模型位移图像的形变相同,所以,和在理想情况下是相同的; S4:将步骤S1建立的未配准多模态测试集输入训练好的模型配准模型,输出配准图像。

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重庆大学,其通讯地址为:400044 重庆市沙坪坝区沙坪坝正街174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”。

以上内容由AI智能生成
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。