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！

龙图腾网获悉福州大学申请的专利一种针对低剂量CT的医学图像超分辨率重建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：CN118396854B 。

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：202410518186.3，技术领域涉及：G06T3/4053；该发明授权一种针对低剂量CT的医学图像超分辨率重建方法是由叶芸;陈培辉;林坚普;刘宽煌;邱英沂设计研发完成，并于2024-04-28向国家知识产权局提交的专利申请。

本一种针对低剂量CT的医学图像超分辨率重建方法在说明书摘要公布了：本发明公开了一种针对低剂量CT的医学图像超分辨率重建方法，该方法包括：构建CT图像重建数据集；构建改进的ESRGAN医学图像超分辨率重建网络模型；利用重建数据集对改进模型进行训练；测试并评估改进模型；改进模型是以ESRGAN网络为核心进行模型改进，在ESRGAN生成网络中浅层特征提取前引入Haar模块，设计使用MM模块替换深层特征提取网络的RRDB模块，在深层特征提取网络和重建网络之间插入CBAM模块，在重建网络后引入InverseHaar模块，以及修改训练损失函数。该方法针对现有的不足，在提高原始CT图像分辨率的同时，还能显著降低图像的噪声水平，增强对比度和提升细节分辨能力，从而最终实现提升CT图像质量的目的。

本发明授权一种针对低剂量CT的医学图像超分辨率重建方法在权利要求书中公布了：1.一种针对低剂量CT的医学图像超分辨率重建方法，其特征在于，包括以下步骤： 步骤S1：构建CT图像重建数据集，选用现有的低剂量CT重建数据集，其中包括若干成对的低-全剂量的CT图像，使用双三次插值算法对数据集中的低-全剂量CT图像进行下采样处理，进而构建一种训练测试数据集，表示为{X，Y}，X为低分辨率的低剂量CT图像，Y为高分辨率的全剂量CT图像； 步骤S2：构建改进的ESRGAN医学图像超分辨率重建网络模型，所述改进模型是以ESRGAN网络结构为核心加以改进所得，改进模型是在ESRGAN生成器网络中浅层特征提取前引入Haar模块，使用MM模块替换深层特征提取网络的RRDB模块，在深层特征提取网络和重建网络之间插入CBAM模块，在重建网络后引入InverseHaar模块，以及修改训练时的损失函数； 步骤S3：将步骤S1得到的训练数据集输入到步骤S2中构建改进的ESRGAN医学图像超分辨率重建网络模型进行训练，依次通过改进的ESRGAN医学图像超分辨率重建网络模型的浅层特征提取网络、深层特征提取网络和重建网络，前向传播获得低剂量CT图像的超分辨率重建结果，通过修改后的损失函数计算重建图像和实际图像之间的损失值，并通过反向传播算法不断优化网络模型的参数； 步骤S4：利用步骤S1得到的测试数据集对改进的ESRGAN医学图像超分辨率重建网络模型进行指标评估，采用峰值信噪比和结构相似度进行效果评价； 步骤S5：利用步骤S4中得到的改进模型，用待超分的CT图像作为模型输入进行超分辨率重建；重建后可得到低噪声、高分辨率的CT图像； 所述步骤S2中，MM模块由3个RFRD模块以残差连接的方式组成，其中，β为0.2；所述RFRD模块包含5个RFDM模块，前4个RFDM模块后均接一个LReLU激活函数，每个RFDM模块的输入是所有前面RFDM模块的输出特征拼接而成，最终输出是所有特征图拼接后通过第5个RFDM模块操作得到的结果；所述RFDM模块先采用1×1卷积核卷积改变输入图片的特征通道数，接着通过三条分支处理特征，第一条分支由空洞率为1的3×3卷积核组成，第二条分支由依次连接的3×3卷积核和空洞率为3的3×3卷积核组成，第三条分支由5×5卷积核和空洞率为5的3×3卷积核组成，然后通过concatenate层将三条分支的输出特征图融合，并采用跳跃连接的方式连接输入的特征图，再经过LReLU激活函数处理。

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福州大学，其通讯地址为：362251 福建省泉州市晋江市金井镇水城路1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。