Document
拖动滑块完成拼图
个人中心

预订订单
商城订单
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 积分商城 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 > 同济大学陈宇飞获国家专利权

同济大学陈宇飞获国家专利权

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!

龙图腾网获悉同济大学申请的专利基于语义感知的高质量龋齿图像合成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:CN119417711B

龙图腾网通过国家知识产权局官网在2025-10-17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:202411440235.2,技术领域涉及:G06T5/50;该发明授权基于语义感知的高质量龋齿图像合成方法是由陈宇飞;单浩炫;齐帅;张旗设计研发完成,并于2024-10-15向国家知识产权局提交的专利申请。

基于语义感知的高质量龋齿图像合成方法在说明书摘要公布了:本发明涉及计算机医学图像处理领域,提出了基于语义感知的高质量龋齿图像合成方法,包括步骤:步骤1数据集准备:步骤2构建基于语义感知的合成网络框架,并采用步骤1的数据集对基于语义感知的合成网络框架进行训练优化:步骤3使用步骤2的训练优化后的基于语义感知的合成网络框架,对待预测的CBCT图像进行高质量龋齿图像合成。本发明易于实现,针对龋齿诊断的关键组织边界进行关注,增强病灶区域以及牙髓区域细节。利用本发明可以有效提高龋齿图像质量,降低医学辅助诊断中因图像模糊和伪影导致的龋齿误诊风险。应用本发明可以缓解口腔医学辅助诊断中的龋齿图像低质问题,为医生诊断提供精确的诊断依据。

本发明授权基于语义感知的高质量龋齿图像合成方法在权利要求书中公布了:1.基于语义感知的高质量龋齿图像合成方法,其特征在于,包括步骤: 步骤1数据集准备: 步骤2构建基于语义感知的合成网络框架,并采用步骤1的数据集对基于语义感知的合成网络框架进行训练优化: 步骤3使用步骤2的训练优化后的基于语义感知的合成网络框架,对待预测的CBCT图像进行高质量龋齿图像合成; 所述步骤1包括: 从医院中采集临床CBCT图像,并拍摄离体Micro-CT图像,经过图像配准、组织语义分割图标注后构建龋齿合成数据集; 所述步骤2包括: 所述基于语义感知的合成网络框架结构,包括共享编码器、瓶颈层、语义分割分支、图像合成分支、特征增强模块,其中: 共享编码器:所述共享编码器以原始CBCT图像为输入,用于提取低级通用特征以输入语义分割分支和图像合成分支;共享编码器由卷积层和四个编码卷积模块组成,产生四种不同尺度大小的通用特征;其中,所述编码卷积模块由双层卷积模块和下采样层组成,所述双层卷积模块是用于特征学习的基础模块,双层卷积模块由二维卷积层、批标准化层、激活层堆叠两次组成;所述下采样层用于减少特征的空间维度,帮助网络学习到更抽象的特征; 瓶颈层:所述瓶颈层与共享编码器、语义分割分支以及图像合成分支连接,瓶颈层以来自共享编码器的最小尺度的通用特征作为输入,生成语义分割分支的初始输入特征以及图像合成分支的初始输入特征;瓶颈层由一个双层卷积模块组成; 语义分割分支:所述语义分割分支与共享编码器、瓶颈层、特征增强模块连接,语义分割分支用于预测图像的组织语义分割图以及不同尺度的组织语义特征;其中,组织语义特征是作为特征增强模块的输入;语义分割分支由四个语义分割模块以及一个卷积层组成;其中,所述语义分割模块由双层卷积模块和上采样层组成;语义分割分支的第一个语义分割模块接受来自瓶颈层的输出,此后的每个语义分割模块会接受其上一个语义分割模块的输出以及来自共享编码器的对应尺度的通用特征进行学习产生新的特征,经过四个语义分割模块的学习以后的特征再经过卷积层产生预测组织语义分割图;上采样层用于增加特征的空间维度,恢复分辨率; 图像合成分支:图像合成分支与共享编码器、瓶颈层、特征增强模块连接;图像合成分支以通用特征、特征增强模块输出的增强特征作为输入,生成高质量龋齿图像;图像合成分支由四个图像合成模块以及一个卷积层组成;其中,所述图像合成模块由双层卷积模块和上采样层组成;图像合成分支的第一个图像合成模块接受来自瓶颈层的输出,此后图像合成分支的每个图像合成模块会接受来自共享编码器的对应尺度的通用特征以及来自特征增强模块的增强特征作为输入,并产生新的合成特征,并输出给特征增强模块;经过四个图像合成模块以及特征增强模块学习后的特征再经过卷积层最终生成高质量龋齿图像; 特征增强模块:特征增强模块与语义分割分支、图像合成分支连接;特征增强模块有四个,每个特征增强模块接受语义分割分支产生的组织语义特征以及图像合成分支产生的合成特征,输出增强特征;特征增强模块由一个交叉注意力模块组成; 所述瓶颈层的双层卷积模块、语义分割分支的双层卷积模块以及图像合成分支的双层卷积模块采用与共享编码器的双层卷积模块相同的结构。

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同济大学,其通讯地址为:200092 上海市杨浦区上海市四平路1239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”。

以上内容由龙图腾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。