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嘉兴研究院;浙江大学申请的专利基于对比学习的低剂量PET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：CN115564666B 。

龙图腾网通过国家知识产权局官网在2026-02-24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：202211107388.6，技术领域涉及：G06T5/70；该发明授权基于对比学习的低剂量PET图像去噪方法是由刘华锋;邱海祥设计研发完成，并于2022-09-12向国家知识产权局提交的专利申请。

本基于对比学习的低剂量PET图像去噪方法在说明书摘要公布了：本发明公开了一种基于对比学习的低剂量PET图像去噪方法，将低剂量PET图像和标准剂量PET图像的信息分别用作负样本和正样本。CR确保去噪的PET图像在表示空间中更接近标准剂量PET图像，更远离低剂量PET图像。此外，考虑到参数与性能平衡，开发了一个基于类自动编码器框架的稠密去噪网络，其中自适应混合Mixup操作可以自适应性的在上下采样的高低分辨率空间中进行信息流动和扩大感受野，以提高网络的转换能力。

本发明授权基于对比学习的低剂量PET图像去噪方法在权利要求书中公布了：1.一种基于对比学习的低剂量PET图像去噪方法，包括如下步骤： 1获取模拟生成的标准剂量的Sinogram投影数据，利用泊松分布对标准剂量的Sinogram投影数据进行降采样，得到低剂量的Sinogram投影数据； 2标准剂量的Sinogram投影数据，通过OSEM算法重建得到其对应的标准剂量的PET图像数据；低剂量的Sinogram投影数据通过标准FBP算法独立重建得到其对应的完整低剂量PET图像数据； 3根据步骤2获取大量样本，每一样本包括所述完整低剂量PET图像数据和标准剂量的PET图像数据，将所有样本划分成训练集、验证集、测试集； 4为了平衡去噪性能和模型参数量，搭建基于类自编码器框架、以4个FABlock为基础单元的轻量级PET专用去噪网络；所述网络在上下采样层之间设有自适应Mixup特征融合操作，用于保留PET图像的代谢热点和器官边界特征；将所述完整低剂量PET图像数据输入所述去噪网络，模型输出去噪后的PET图像；为了更好的恢复PET图像的诊断关键细节，基于对比学习构造正负样本的方式，设计一种新的对比学习损失函数ContrastLoss，标准剂量PET图像和低剂量PET图像分别作为正负样本，去噪后的PET图像作为锚样本，所述ContrastLoss由L1损失和对比正则化CR组成，通过预训练VGG19模型提取深层特征进行对比约束； 5在训练阶段，把训练集中的完整低剂量PET图像数据输入步骤4所述的PET专用去噪网络，基于步骤4所述的对比学习损失函数ContrastLoss进行训练，以损失函数最小化为原则，重复进行正向传播和反向求导，不断更新参数，直到损失函数的数值足够小，模型收敛；训练的同时，把验证集中的完整低剂量PET图像数据输入模型进行验证，监督模型训练的有效性，以便及时进行训练阶段的参数调整； 6在测试阶段，把测试集中的完整低剂量PET图像数据输入训练好的PET专用去噪网络中，直接获得高质量的PET图像； 所述步骤4PET基础去噪网络具体结构如下：使用4个FABlock作为提出的去噪网络的基本块，首先采用4倍下采样操作，使FABlock学习到低分辨率空间中的特征表示，然后使用相应的4倍上采样操作和一个卷积操作，来恢复高分辨率的图像；Low-levelfeatures会被卷积神经网络的浅层所捕捉到，然而，随着层数的加深，浅层特征对逐渐退化，为了避免浅层特征的丢失，模型在下采样层与上采样层之间加入了自适应混合Mixup操作，该操作表示为： f↑2＝Mixf↓1，f↑1＝σθ1*f↓1+1-σθ1*f↑1， f↑＝Mixf↓2，f↑2＝σθ2*f↓2+1-σθ2*f↑2， 其中f↓i和f↑i分别是第i次下采样层和上采样层的特征映射，f↑是最终输出，σθi,i＝1,2是融合第i次下采样层和第i次上采样层的第i个可学习因子，通过注意力机制学习到的。

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嘉兴研究院;浙江大学，其通讯地址为：314031 浙江省嘉兴市智富中心48幢401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。