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！

龙图腾网获悉中国科学技术大学申请的专利基于空间注意力和可逆神经网络的多模态医学图像融合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：CN115620108B 。

龙图腾网通过国家知识产权局官网在2025-11-07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：202211398535.X，技术领域涉及：G06V10/80；该发明授权基于空间注意力和可逆神经网络的多模态医学图像融合方法是由刘爱萍;章孝文;陈勋;谢洪涛;谢庆国;张勇东设计研发完成，并于2022-11-09向国家知识产权局提交的专利申请。

本基于空间注意力和可逆神经网络的多模态医学图像融合方法在说明书摘要公布了：本发明公开了一种基于空间注意力和可逆神经网络的多模态医学图像融合方法，包括：1、输入两张不同模态的图像，分别通过两个卷积层来初始化特征映射得到F10和F20；2、将初始化特征映射输入特征提取模块；3、重复步骤2，将每个特征提取模块得到的结果输入下一个特征提取模块；4、将所有得到的不同阶段的特征信息送入基于空间注意力机制的聚合模块进行特征整合；5、将空间整合特征与最后一个阶段得到的深度特征一起送入可逆卷积网络进行特征融合，最终，跨尺度的融合特征信息通过一系列卷积神经网络来重构融合图像。本发明能捕获不同模态的互补信息，提高融合效果，从而辅助于临床分析。

本发明授权基于空间注意力和可逆神经网络的多模态医学图像融合方法在权利要求书中公布了：1.一种基于空间注意力和可逆神经网络的多模态医学图像融合方法，其特征在于，是按如下步骤进行： 步骤1：对两张不同模态的磁共振图像分别进行预处理，得到预处理后的两种模态的医学图像I1和其中，C，H，W分别表示图像的通道数、高度及宽度； 步骤2：构建基于空间注意力和可逆卷积的图像融合网络，包括：初始映射层、特征提取模块、多阶段注意力模块和基于可逆神经网络的融合模块； 步骤2.1：所述初始映射层利用卷积核为n1×n1的卷积层对两种模态的医学图像I1和I2进行处理，得到第一模态初始特征和第二模态初始特征 步骤2.2：所述特征提取模块由m个特征提取单元构成，每个特征提取单元包括2个残差连接模块及1个纹理分离模块，用于对第一模态初始特征和第二模态初始特征进行处理，得到不同阶段的第二模态结合特征； 步骤2.3：所述多阶段注意力模块由一个Softmax层和一系列重塑操作和转置操作构成； 第一模态特征和第二模态结合特征沿新的维度进行连接后得到多阶段总特征后输入所述多阶段注意力模块中，所述多阶段注意力模块对多阶段总特征F先进行重塑操作，展开为特征矩阵再将特征矩阵进行转置操作后得到转置特征矩阵然后将所述特征矩阵与转置特征矩阵相乘后，再通过一个Softmax层并输出注意力特征权重亲和矩阵 所述多阶段注意力模块将所述注意力特征权重亲和矩阵W与转置特征矩阵相乘后得到基于注意力机制的特征矩阵F′att，再对F′att进行重塑操作后与多阶段总特征F相加得到叠加的多阶段注意力特征最终将叠加的多阶段注意力特征重塑为空间注意力特征Fatt∈并作为多阶段注意力模块的输出结果； 步骤2.4：所述基于可逆神经网络的融合模块由3个HIN模块和2个卷积核为n5×n5的卷积层构成；每个HIN模块由2个卷积核为n4×n4卷积层构成； 将第m阶段第二模态结合特征和空间注意力特征Fatt输入所述基于可逆神经网络的融合模块中进行处理，其中，所述第m阶段第二模态结合特征先通过第1个HIN模块的第1个n4×n4的卷积层进行通道维度的变更后得到输入特征再将其沿通道维度平均划分为第一输入特征和第二输入特征所述第一输入特征Fin1进行实例正则化操作后得到第一输入正则特征Fnor，所述第二输入特征Fin2进行标志映射操作后得到第二输入标志特征Fide；所述第1个HIN模块将所述第一输入正则特征Fnor和第二输入标志特征Fide沿通道维度拼接后，通过第2个n4×n4的卷积层后得到聚合特征Fagg，最后将聚合特征Fagg与输入特征Fin相加后得到第一HIN特征FHIN1； 所述第一HIN特征FHIN1与空间注意力特征Fatt相加后得到中间注意力特征再依次输入第2、第3个HIN模块中，并经过相同的处理后，分别输出第二HIN特征FHIN2和第三HIN特征FHIN3； 第二HIN特征FHIN2经过指数操作后与第m阶段第二模态结合特征相乘，再与第三HIN特征FHIN3相加后得到中间阶段结合特征 所述融合模块将所述中间注意力特征和中间阶段结合特征沿通道维度连接后，依次通过2个n5×n5卷积层得到最终的输出图像If； 步骤3：利用构建总的损失函数Ltotal： Ltotal＝αLcontent+βLtexture，2 式2中，Lcontent和Ltexture分别代表内容损失和纹理损失，α和β为权衡内容损失和纹理损失的权重，并由式3和式4得到： 式3和式4中，为拉普拉斯算子，λ1，λ2为权衡融合图像If与输入图像I1、I2二范数差异的参数，μ1，μ2为权衡融合图像If与输入图像I1、I2的拉普拉斯算子二范数差异的参数； 步骤4：将医学图像集合输入基于空间注意力和可逆神经网络的图像融合网络进行训练，并计算总体损失函数Ltotal，当训练迭代次数达到设定的次数时，训练停止，从而得到最优的多模态医学图像融合网络，用于实现图像融合。

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技术大学，其通讯地址为：230026 安徽省合肥市包河区金寨路96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。