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！

龙图腾网获悉深圳大学申请的专利一种基于图像特征提取的PET图像和谐化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：CN115170690B 。

龙图腾网通过国家知识产权局官网在2026-02-27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：202210897617.2，技术领域涉及：G06T12/10；该发明授权一种基于图像特征提取的PET图像和谐化方法是由牟天;林跃杰;范方辉;高毅设计研发完成，并于2022-07-28向国家知识产权局提交的专利申请。

本一种基于图像特征提取的PET图像和谐化方法在说明书摘要公布了：本发明提供了一种基于图像特征提取的PET图像和谐化方法，包括如下步骤：获取多组不同来源的PET图像，并对其进行预处理；对预处理后的所述各组PET图像进行伽马分布参数估计，获得多组图像数值分布特征；对各组提取分布特征后的伽马残差进行空间自回归模型系数估计，获得多组图像空间邻域关系；基于各组估计得到的伽马分布特征以及空间邻域关系进行图像模拟，获得处于统一数值水平的多组模拟图像数据。本发明不仅能够帮助PET图像多中心研究提高现有PET图像数据的利用率，还能帮助解决临床应用中设备更新过渡期所遇到的问题。

本发明授权一种基于图像特征提取的PET图像和谐化方法在权利要求书中公布了：1.一种基于图像特征提取的PET图像和谐化方法，其特征在于，包括以下步骤： 获得多组不同来源的PET图像，并对其进行预处理； 对预处理后的各组所述PET图像进行伽马分布参数估计，获得各组估计的伽马分布特征； 对各组提取伽马分布特征后的伽马残差进行空间自回归模型系数估计，获得空间邻域关系； 基于各组所述估计的伽马分布特征以及所述空间邻域关系进行图像模拟，获得处于统一数值水平的多组模拟图像数据； 考虑使用参数化的伽马分布来代表PET图像的重建活动值并假设每个体素服从各自相互独立的伽马分布；设{zijk,i＝1,…,N；j＝1,…,N；k＝1,…,K}为每个体素所对应的SUV值；其中N为每张图像的像素长度，K为该组图像的张数；每个体素服从相互独立的伽马分布，即： 其中μijk和φijk根据每个体素所服从的分布计算；对于各点的伽马分布的参数估计，选择使用极大伽马似然估计方法和牛顿更新过程来优化得到最佳参数；从伽马分布的概率密度函数中获取目标优化方程： 其中，xijk为每个体素所服从的长度为n的随机生成的伽马分布数据； 具体的优化过程： 随机生成每个体素所服从的伽马分布 假设{block}代表目标体素及其周围相邻一圈的体素，计算{block}的均值{Meanblock}和方差{Varianceblock}；则目标体素所服从的伽马分布的形状参数和尺度参数分别确定为{[Meanblock]2Varianceblock}和{VarianceblockMeanblock}；需要注意的是，用{block}计算得到的伽马分布理论上是{block}的均值所服从的分布；在后续步骤中，通过所估计的信息模拟得到的SUV值相较于图像校正后的SUV值会有所偏差；在生成随机分布后将会计算并保存{block}的均值与原值的比例用于后续的数据模拟； 初始化目标参数μijk和φijk 目标参数的初始化值是根据体素各自所服从的随机生成的伽马分布{xijk}计算得到的；μijk的初始化值为Meanxijk，φijk的初始化值为VariancexijkMeanxijk；对数据进行了归一化处理，μijk的初始化值都处于1附近； 最小化目标方程 最小化目标方程的实现是基于牛顿更新步骤的优化算法，通过按照先保持φ不变更新μ，再保持μ不变更新φ的顺序不断迭代直至参数变化低于容差时确定最佳的参数选择；目标方程对μ和φ的一阶{g·}和二阶{h·}偏导所示： 以μ的优化为例，牛顿更新步骤是通过来计算更新后的参数，其中μ1为更新后的参数，μ0为更新前的参数，λ则是引入的位于0,1]之间的步长因子；λ的选择的标准为能够满足μ1大于零的最小值；容差的计算则是遵从当且仅当μ和φ的容差均小于10-5时，迭代才会停止； 在计算伽马分布估计的残差时额外增加一个概率转换的步骤，残差的计算： 其中，Φ-1·表示标准高斯分布的逆累积分布函数，F·表示体素各自所服从的伽马分布的累积分布函数； 空间自回归模型参数估计 通过空间自回归模型分析伽马残差的三维协方差，以获取体素及其邻域之间残存的空间邻域关系；SAR模型指定了一组邻域之间的线性关系： 其中un表示目标体素的伽马估计残差值，un-k表示目标体素的相邻体素，且k＝k1,k2,k3；∈n表示一组方差为σ2的高斯白噪声，而θk则表示对应邻域的系数；对于邻域系数θk的估计，采用一种基于似然的方法；该方法对应的似然目标方程为： 其中，N0表示包括目标体素在内的整体所包含的体素，NN0则是表示不包括目标体素在内的邻域所包含的体素；Pθ为一组线性差分算子，满足Pθun＝∈n；表示SAR过程的三维谱密度，以fθλ的形式简化表示，其中Pθλ＝∑kθkeiλ·k为SAR模型系数的三维离散傅里叶变换；将目标方程对θ求导并令导数等于零，即得到： 其中，索引非零系数的对应体素；通过帕斯瓦尔定理，方程被转换为： 其中，是对协方差的样本估计，l'-l|θ＝∫e-iλ·l-l'fθλdλ为谱密度fθλ的逆傅里叶变换，给出了三维模型的自协方差； 利用非线性加权最小二乘估计进行将目标方程最小化即得到包含对应邻域系数的邻域关系模型；将获得的邻域模型应用在伽马估计残差中提取其邻域关系并计算残差；通过残差分析确定邻域模型的有效性，若残差显示仍有残留信息，则调整邻域模型并重新进行估计；若满足要求则保存为最终的邻域模型用于数据模拟； 数据模拟及数值和谐化 数据模拟的起点是高斯白噪声，通过同时生成多组白噪声用于模拟来实现模拟图像数据的区间估计；首先，将邻域关系应用于白噪声中： 其中，和分别表示快速傅里叶变换FFT及逆变换IFFT；将添加了邻域关系的模拟数据作为伽马估计残差，结合估计得到的伽马分布特征信息即可模拟得到归一化的SUV值； zijk＝F-1Φun|μijk,φijk 其中，F-1·表示体素各自所服从的伽马分布的逆累积分布函数；需要注意的是，在应用估计的伽马特征信息之前，两组不同来源的数据所估计得到的μijk和φijk需要用直方图匹配的方法将其调整到近似的分布； 将模拟数据从归一化中恢复需要额外乘以两个系数；第一个系数是原值在预处理以及计算分布时损失比例的倒数，用于恢复在预处理过程中的产生的数值损失；第二个系数是两个数据在归一化时的除数的均值，用于将其恢复至统一的数值水平； 最终得到的两组数据在数值上将会是处于统一水平的，病灶区域的数值差异被认为是病灶之间真实差异，显著降低扫描设备、示踪剂、重建方法等因素的不同所带来的差异。

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深圳大学，其通讯地址为：518060 广东省深圳市南山区粤海街道南海大道3688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。