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！

龙图腾网获悉中国人民解放军北部战区总医院申请的专利一种基于自注意力的局部互相关增强心脏配准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：CN118799362B 。

龙图腾网通过国家知识产权局官网在2026-02-03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：202410775907.9，技术领域涉及：G06T7/33；该发明授权一种基于自注意力的局部互相关增强心脏配准方法是由王辉山;王悦扬;张誉籍;宋永波设计研发完成，并于2024-06-14向国家知识产权局提交的专利申请。

本一种基于自注意力的局部互相关增强心脏配准方法在说明书摘要公布了：本发明涉及深度学习与医学图像配准的交叉技术领域，且公开了一种基于自注意力的局部互相关增强心脏配准方法，包括以下步骤：S1、图像采集：获取心脏MR影像，PET影像作为样本数据，同时对MR、PET影像的心脏进行标注；S2、图像预处理：通过重采样、裁剪、归一化和去噪对图像进行处理；S3、模型构建；S4、模型训练；S5、模型评估与测试；本发明结合了CNN和Transformer，通过UNet结构和自注意力机制，实现心脏图像配准，关注细节和整体结构，提高适应性，采用半监督学习结合分割标签，提高配准质量，增强对局部上下文信息的建模，通过设置光滑约束函数，减少折叠结构和不符合生物学的结果，确保心脏影像变形的拓扑特征。

本发明授权一种基于自注意力的局部互相关增强心脏配准方法在权利要求书中公布了：1.一种基于自注意力的局部互相关增强心脏配准方法，其特征在于，包括以下步骤： S1、图像采集：获取心脏MR影像，PET影像作为样本数据，同时对MR、PET影像的心脏进行标注； S2、图像预处理：通过重采样、裁剪、归一化和去噪对图像进行处理； S3、模型构建：结合卷积网络CNN和transformer的模型结构； S4、模型训练：训练方法使用半监督学习，使用固定图像和移动图像的标签辅助训练神经网络； S5、模型评估与测试：在独立的测试集上评估模型的性能，对模型的参数进行调整； 所述S1中，需要对MR、PET影像的心脏进行标注，获得对应的心脏标签，然后将标注后的样本数据分成训练集和测试集； 所述S2中，重采样是指统一分辨率，通过B样条插值到分辨率1mm×1mm×1mm，所述S2中，裁剪是指将心脏影像裁剪到感兴趣的区域，裁剪后的图像尺寸为256x256像素； 所述S2中，归一化是指将图像强度归一化到范围[0,1]，所述S2中，去噪是指利用中值滤波对图像进行去噪； 所述S3中，网络模型包含4个卷积块，1个视觉编码块，4个上采样块和一个生成块，所述网络模型，输入的是心脏MR影像和心脏PET影像，分别作为固定影像和移动影像，网络的输出是位移场，将位移场作用于移动图像，所述网络模型整体使用UNet编码器-解码器结构； 所述解码器可以将心脏影像信息与位置信息结合，中间的跳跃连接将编码器的深层特征与解码器的浅层特征相结合，所述卷积块的结构为一层卷积层连接一层leakyRelu和实例归一化层，再连接一层卷积层连接一层leakyRelu和实例归一化层，最后接入一层最大池化层，所述最大池化层用于降低特征图的空间维度； 所述视觉编码块由一个分割层，一个embedding层、12个transformer和一个卷积块组成，所述上采样块包含上采样层、拼接层、卷积层、leaklyrelu和实例归一化； 所述卷积块将特征图输入分割层，所述特征图进入前需要进行分块和embedding处理，所述分割层将特征图分成多个小块后输入embedding层，所述小块分块为8×8像素大小，所述embedding层有一层线性映射层和一层位置编码层，其中线性映射层使用1d卷积，所述位置编码层Epos是一个可学习的参数矩阵，大小为N×D，N是图像小块的个数，D是维度，即252维，每个小块的嵌入向量v与其对应的位置编码相加后得到小块的最终表示：v＝v0+Epos，其中v0是通过线性映射层得到的嵌入，经过线性映射和位置编码处理得到的向量送入transformer模块进行深层次的特征提取和变换，所述transformer模块由自注意力机制和层归一化组成； 所述S4中，在对神经网络进行训练过程中，神经网络的整体损失函数Loss的计算公式为： LF，M，bF，bM，y＝δ·DF，My+α·Dfsy+β·BbF，bMy； F，M分别表示固定图像和移动图像，D和B均为距离损失，D用于量化固定图像F和变形后的移动图像My的相似性，B用于量化固定图像标签bF和变形图像标签bMy的相似性，Dfs为基于位移场的光滑约束函数，参数δ，α，β≥0，分别为D、Dfs和B的权重因子； 其中，距离度量D的计算公式如下： ； ·，·表示两个向量的点积，和分别是变形图像和固定图像在x点的梯度，x是图像中像素点的位置，Ω是图像域，x∈Ω，是边缘参数，＞0； 基于位移场的光滑约束函数Dfs的计算公式为： ； 固定图像标签与变形图像标签的距离损失B的计算公式为： 。

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人民解放军北部战区总医院，其通讯地址为：110801 辽宁省沈阳市沈河区文化路83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。