Document
拖动滑块完成拼图
个人中心

预订订单
商城订单
发布专利 发布成果 人才入驻 发布商标 发布需求

请提出您的宝贵建议,有机会获取IP积分或其他奖励

投诉建议

在线咨询

联系我们

龙图腾公众号
首页 专利交易 IP管家助手 科技果 科技人才 积分商城 国际服务 商标交易 会员权益 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索
当前位置 : 首页 > 专利喜报 > 西安大数据与人工智能研究院杨燕获国家专利权

西安大数据与人工智能研究院杨燕获国家专利权

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!

龙图腾网获悉西安大数据与人工智能研究院申请的专利一种快速磁共振多序列联合成像方法、系统、设备及介质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:CN120807689B

龙图腾网通过国家知识产权局官网在2026-02-10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:202511011372.9,技术领域涉及:G06T11/00;该发明授权一种快速磁共振多序列联合成像方法、系统、设备及介质是由杨燕;孙建永;谢国庆;张慧敏;郑海荣;徐宗本设计研发完成,并于2025-07-22向国家知识产权局提交的专利申请。

一种快速磁共振多序列联合成像方法、系统、设备及介质在说明书摘要公布了:本发明公开了一种快速磁共振多序列联合成像方法、系统、设备及介质,涉及深度学习技术领域,包括以下步骤:采集不同序列的多张欠采样MR图像,其中,多张欠采样MR图像共享相同的公共特征,每张欠采样MR图像均享有各自对应的特异特征;基于隐变量模型对多张欠采样MR图像与隐变量之间的映射关系进行建模,并基于映射关系构建快速磁共振多序列联合成像中重建任务的优化目标;通过深度展开网络对优化目标进行求解。将多张欠采样MR图像特征细分为模态间共享的公共特征和模态独有的特异特征,对MR图像的共享与特异特征的精细解耦,解决了模态间相关性建模较弱的问题,并可有效避免引入冗余信息或丢失序列特异性细节信息。

本发明授权一种快速磁共振多序列联合成像方法、系统、设备及介质在权利要求书中公布了:1.一种快速磁共振多序列联合成像方法,其特征在于,包括以下步骤: 采集不同序列的多张欠采样MR图像,其中,多张欠采样MR图像共享相同的公共特征,每张欠采样MR图像均享有各自对应的特异特征; 将公共特征和特异特征作为隐变量,基于隐变量模型对多张欠采样MR图像与隐变量之间的映射关系进行建模,并基于映射关系构建快速磁共振成像中重建任务的优化目标; 对优化目标进行求解,在求解过程中,对多张欠采样MR图像进行转置卷积,得到高采样域下的多个初始化特异特征和公共特征;对高采样域下的多个初始化特异特征和公共特征进行更新,得到低采样域下的多个特异特征和公共特征;对低采样域下的多个特异特征和公共特征进行更新,得到高采样域下的多个特异特征和公共特征;对高采样域下的多个特异特征和公共特征进行卷积字典操作,并与欠采样MR图像中的已采样信息结合,得到多张当前重建MR图像; 对当前重建MR图像在高采样域下的多个特异特征和公共特征重复进行低采样域和高采样域下的更新,得到多张最优重建MR图像; 所述优化目标具体如下所示: ; 式中,K为序列个数,为第i个序列下的欠采样MR图像,为低采样域下的特异特征的卷积字典,为第i个序列下的特异特征,为低采样域下的公共特征的卷积字典,C为公共特征,为第i个序列下的重建MR图像,为高采样域下的特异特征的卷积字典,为高采样域下的公共特征的卷积字典,和为第i个序列和C的隐式正则项,和分别为和C对应的隐式正则项系数,为F-范数的平方,为卷积操作,为傅里叶变换,为逆傅里叶变换,为数据一致性项的权重,为欠采样,为哈达玛积; 通过深度展开网络对优化目标进行求解,所述深度展开网络包括初始化模块和多个展开模块,每个展开模块均包括第一更新模块、第二更新模块和数据一致性模块;其中,初始化模块对多张欠采样MR图像进行转置卷积,得到高采样域下的多个初始化特异特征和公共特征;第一更新模块对高采样域下的多个初始化特异特征和公共特征进行更新,得到低采样域下的多个特异特征和公共特征;第二更新模块对低采样域下的多个特异特征和公共特征进行更新,得到高采样域下的多个特异特征和公共特征;数据一致性模块对高采样域下的多个特异特征和公共特征进行卷积字典操作,并与欠采样图像中的已采样信息结合,得到多张当前重建MR图像;多个展开模块对当前重建MR图像在高采样域下的多个特异特征和公共特征重复进行低采样域和高采样域下的更新,得到多张最优重建MR图像; 所述第一更新模块对高采样域下的多个初始化特异特征和公共特征进行更新,具体如下所示: ; ; 式中,为t阶段第i个模态的低采样域特异特征,为近端网络算子,为更新的迭代步长,为更新的梯度下降迭代式的展开网络,为t阶段低采样域公共特征,为近端算子,为更新的迭代步长,为更新的梯度下降迭代式的展开网络; 所述第二更新模块对低采样域下的当前特异特征和公共特征进行更新,具体如下所示: ; ; 式中,为t阶段第i个模态的高采样域特异特征,为更新的梯度下降迭代式的展开网络,为t阶段高采样域公共特征,为更新的梯度下降迭代式的展开网络。

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西安大数据与人工智能研究院,其通讯地址为:710048 陕西省西安市碑林区咸宁西路28号中心楼104室;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。

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。