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！

龙图腾网获悉杭州师范大学申请的专利基于多尺度自注意力生成对抗网络的LDCT图像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：CN115601268B 。

龙图腾网通过国家知识产权局官网在2026-01-02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：202211357246.5，技术领域涉及：G06T5/70；该发明授权基于多尺度自注意力生成对抗网络的LDCT图像去噪方法是由张聚;龚伟伟;应长钢;上官之博;马栋;王奔;程芸设计研发完成，并于2022-11-01向国家知识产权局提交的专利申请。

本基于多尺度自注意力生成对抗网络的LDCT图像去噪方法在说明书摘要公布了：本发明涉及基于多尺度自注意力生成对抗网络的LDCT图像去噪方法。本发明通过构建训练所需的CT图像数据集；然后基于GAN框架构建去噪模型，构建基于Transformer的编码器‑解码器结构的生成器和多尺度卷积网络判别器；使用训练集和验证集对构建好的去噪模型进行训练和验证，获得优化后的模型参数；最后使用测试过程中最高精度的去噪网络模型的生成器来处理输入的低剂量CT图像，输出去噪的低剂量CT图像；本发明可将低剂量CT图像中得噪声和伪影进行去除，同时还能保留原有图像的整体结构和局部纹理细节以及边缘模糊问题，防止图像过度平滑，丢失局部信息，便于临床诊断。

本发明授权基于多尺度自注意力生成对抗网络的LDCT图像去噪方法在权利要求书中公布了：1.基于多尺度自注意力生成对抗网络的LDCT图像去噪方法，其特征在于：具体包括如下步骤： 步骤一、构建低剂量CT图像配对数据集： 获取多组不同部位的常规剂量CT图像，将泊松噪声添加到每个图像中，模拟对应于常规剂量图像的低剂量CT图像；构建CT图像数据集ILD,IND，其中ILD是低剂量CT图像，IND是与低剂量图像匹配的常规剂量CT图像； 步骤二、构建低剂量CT图像去噪模型： 基于GAN框架构建去噪模型，即去噪模型包括生成器和判别器；通过生成器G将低剂量CT图像ILD映射到对应的常规剂量CT图像IND，得到去噪后的图像Igen； 步骤1、构建去噪模型生成器： 生成器为基于Transformer的编码器-解码器结构：编码器包括一个词元化模块、两个连续的局部增强的自注意力模块加下采样层组合，解码器包括两个连续的上采样层加局部增强的自注意力模块组合以及一个反词元化模块，编码器和解码器通过一个局部增强的自注意力模块相连接；在编码器和解码器中相对应的局部增强的自注意力模块之间存在跳跃连接，避免梯度消失问题，同时，在解码器阶段可以保留更多的图像结构和纹理细节； 步骤2、构建去噪模型判别器： 判别器包括三个模块：第一个模块为一个卷积核大小为3x3，步长为2的卷积层和一个批量归一化层以及一个LeakyReLU激活函数，在减少网络的计算量的同时还起到了扩大感受野的作用；第二个模块为多尺度特征提取模块，通过提取图像相同尺度下的多尺度特征来扩展模块中的感受野，从而提高判别器的鉴别能力；第三个模块为1个卷积核大小为3x3，步长为1的卷积层和一个sigmoid激活函数；输出为判别器对输入图像真假的判断，判别器的输入图像越与常规剂量CT图像相似，则输出越接近于1； 步骤三、数据预处理：将步骤一构建的数据集划分为训练集，验证集与测试集；将训练集和验证集的每组配对图像随机裁剪至设定大小的图像块，获取图像的局部信息并扩充样本量； 步骤四、训练去噪模型并对模型进行优化： 依照GAN框架的训练模式对去噪模型进行训练，将低剂量CT图像输入到生成器后得到生成的去噪图像，随后将常规剂量CT图像和去噪图像输入到判别器当中进行处理，最后输出对于去噪图像的真假判断，使用最小二乘损失函数来计算对抗性损失，去噪网络的生成器的损失函数表达式为： LG＝αLgen+βLcanny+γLpixel； 上式中，LG表示生成器G的整体损失函数，α、β、γ为超参数，分别表示Lgen、Lcanny和Lpixel的权重，通过调整其值来控制这三个损失函数的重要性；Lgen表示生成器的损失函数，表示一个数据批量中第i个由G生成的去噪图像；Lcanny表示由经Canny边缘检测算法处理后的梯度图像的L1损失函数，canny为Canny边缘检测算法，表示一个数据批量中第i个常规剂量CT图像；Lpixel表示与的MSE损失函数； 去噪网络的判别器的损失函数 上式中，LD表示判别器的损失函数，D为图像域判别器，表示一个数据批量中第i个常规剂量CT图像，为一个数据批量中第i个由G生成的去噪图像； 使用Adam优化器来更新网络的权重参数，在训练过程中，生成器和判别器进行交替训练；针对训练过后的去噪模型采用客观标准与主观判断相结合的方式验证模型的去噪效果，不断调整学习率以及相应超参数进行模型的优化； 步骤五、使用在测试集中测试精度最高的去噪模型，将任意需去噪处理的低剂量CT图像输入去噪模型中，输出去噪后的低剂量CT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杭州师范大学，其通讯地址为：311121 浙江省杭州市余杭区余杭塘路2318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。