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！

龙图腾网获悉浙江大学申请的专利一种基于并行三通道卷积神经网络的X光图像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：CN116228836B 。

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：202310134857.1，技术领域涉及：G06T7/55；该发明授权一种基于并行三通道卷积神经网络的X光图像重建方法是由谢磊;姜逸翔;苏宏业设计研发完成，并于2023-02-20向国家知识产权局提交的专利申请。

本一种基于并行三通道卷积神经网络的X光图像重建方法在说明书摘要公布了：本发明公开了一种基于并行三通道卷积神经网络的X光图像重建方法，包括：1采集多组训练数据，每组训练数据包括三张安检机的X光投射图像和对应的CT序列，在图像数据中标注；2构建生成器模型和判别器模型；3锁定判别器模型参数，训练生成器模型的参数，设计第一阶段的损失函数；4锁定生成器模型参数，训练判别器模型参数，设计第二阶段的损失函数；5将步骤3～4迭代训练，直至生成器和判别器模型的参数均达到局部最优；6将待重建的三张X光投射图输入训练好的生成器模型，输出三维CT序列；采用体渲染算法进行可视化。本发明的模型推理速度快，易于部署，重建的生成效果兼具高客观指标和高主观相似性。

本发明授权一种基于并行三通道卷积神经网络的X光图像重建方法在权利要求书中公布了：1.一种基于并行三通道卷积神经网络的X光图像重建方法，其特征在于，包括以下步骤： 1采集安防场景下多组训练数据，每组训练数据包括三张工业安检机的X光投射图像和对应的CT序列数据，并在图像数据中标注摄视角以及对应的CT序列； 2构建生成器模型和判别器模型；其中，生成器模型用于将输入的三张二维图片扩维，生成一个三维体序列；判别器模型用于将生成器模型生成的三维体序列当做预测值输入，同时输入真实的CT序列值，以判断体素生成的正确性； 3锁定判别器模型的参数，利用训练数据训练生成器模型的参数，设计第一阶段的损失函数；在训练过程中不断减少学习率，直至误差小于特定值，模型达到收敛； 生成器模型采用三条并行的Unet模型，分别对应俯视、正视、侧视视角的X光投射图像；其中，下采样采用稠密残差模块当作编码器，上采样采用3DCNN模块当作解码器，第i层对应正视、侧视、俯视视角解码器的输出分别为Fout_i、Pout_i和Vout_i； 每条并行Unet模型的上采样阶段中，逐层引入其他两张输入图像，平均池化后像素当作权值图进行生成修正，具体操作为： 第i层解码器输出的特征图为Fout_ic,h,w，则下一层解码器输入的每行每列特征值均经过以下计算： Ftmp[c,h,:]＝Fout_i[c,h,:]·Wp[hi,wi] Fin_i+1[c,:,w]＝Ftmp[c,:,w]·WV[hi,wi] 其中，c,h,w分别为第i层特征图的通道数、行数、列数，Fout_i[c,h,:]为第i层输出特征图的某一列全部特征值，Ftmp[c,h,:]为临时特征图某一列全部特征值，Ftmp[c,:,w]为临时特征图某一行全部特征值，Fin_i+1[c,:,w]为第i+1层输入特征图的某一行全部特征值，Wp[hi,wi]与WV[hi,wi]为第i层权值图，通过另外两张输入图像池化正则化所得，权值图中乘算因子的具体位置依据三视图的空间关系决定； 4锁定生成器模型参数，利用训练数据训练判别器模型参数，设计第二阶段的损失函数；在训练过程中不断减少学习率，直至误差小于特定值，模型达到收敛； 5将步骤3～4迭代训练至少50个epoch，采用生成对抗训练策略，直至生成器和判别器模型的参数均达到局部最优； 6在实际应用过程中，将待重建的三张X光投射图输入至训练完成的生成器模型，输出对应的三维CT序列；采用体渲染算法进行可视化，多角度直观呈现图像的三维信息。

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浙江大学，其通讯地址为：310058 浙江省杭州市西湖区余杭塘路866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。