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！

龙图腾网获悉北京航空航天大学申请的专利一种基于深度学习的多材料基物质分解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：CN116246108B 。

龙图腾网通过国家知识产权局官网在2026-04-24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：202310136661.6，技术领域涉及：G06V10/764；该发明授权一种基于深度学习的多材料基物质分解方法是由白相志;刘家琛设计研发完成，并于2023-02-20向国家知识产权局提交的专利申请。

本一种基于深度学习的多材料基物质分解方法在说明书摘要公布了：本发明为一种基于深度学习的多材料基物质分解方法，步骤如下：步骤一：根据具有优先级的三元基物质组列表对双能CT影像数据集的一部分数据进行逐像素分解，获得一系列对应的多基物质分解图像；步骤二：将步骤一得到的基物质分解图像作为分解的标签，用基物质分解网络进行监督学习；步骤三：基于步骤二的预训练网络权重，使用全部双能CT影像数据对分解网络进行自监督训练，提高网络的基物质分解效果。本发明针对多基物质分解的特点设计了对应的网络结构、损失函数与训练策略，解决了基物质分解缺少真值的问题，保证了分解结果的准确性与可靠性。本发明可以生成不同物质的分布信息，能够对待测组织的化学组成进行精确评估，弥补了常规CT图像无法区别相似密度物质的缺陷。

本发明授权一种基于深度学习的多材料基物质分解方法在权利要求书中公布了：1.一种基于深度学习的多材料基物质分解方法，其特征在于：具体步骤如下： 步骤一：根据具有优先级的三元基物质组列表对双能CT影像数据集的一部分数据进行逐像素分解，获得一系列对应的多基物质分解图像； 步骤二：将步骤一得到的基物质分解图像作为分解的标签，用基物质分解网络进行监督学习；构建基物质分解网络，将双能CT图像作为网络的输入，以步骤一得到的基物质分解图像作为标签对分解网络进行预训练；分解网络通过编码器对网络输入编码深度特征，其后采用解码器对深度特征解码，并引入共同学习模块融合来自不同能量CT图像的信息，得到对输入双能CT影像的初步分解，基于网络分解结果与标签之间的均方误差损失函数和多尺度感知损失函数对分解网络参数进行优化，最终输出预训练的分解网络参数； 步骤三：使用全部双能CT影像数据对分解网络进行自监督训练，提高网络的基物质分解效果；使用全部的双能CT影像数据对分解网络进行微调；基于基物质图像与双能CT图像之间的关系构造损失函数以使网络进行自监督学习，同时引入边缘保持项与材料稀疏项来优化分解网络参数； 其中，在步骤二中，具体为： S21、构建基物质分解网络，网络由两个深度卷积编码器和一个深度卷积解码器构成，其输入为一部分待分解双能CT影像，输出为对输入影像的初步分解结果；网络中的两个深度卷积编码器以ConvNeXt网络为基本框架，用于对输入双能CT影像分别提取多尺度卷积特征，随着网络层数的加深输出特征图的空间尺寸缩减而通道数增加，浅层特征包含更多局部细节信息而深层特征包含更多全局语义信息；同时，在编码器中引入了注意力模块；该模块以编码器生成的特征图为输入，以每个通道与特征空间的重要程度为输出；网络中的深度卷积解码器将编码器提取的多尺度卷积特征进行融合与解码，得到对输入影像的初步分解结果；还设计了共同学习模块以融合来自于不同能量CT影像的信息；此模块会使用两个卷积器输出的属于不同能量的特征图生成融合权重，输出融合后的特征图； S22、利用步骤一所得的多基物质分解图像与对应的双能CT影像对S21构建的基物质分解网络进行训练优化；首先对基物质分解网络进行网络参数初始化，初始化参数以随机初始化的方式获得；其后计算网络对输入影像的分解结果与对应的标签之间的分解损失函数，分解损失函数为均方误差损失函数和多尺度感知损失函数之和，均方误差损失函数的表达式为，其中表示对于第个像素，网络生成的第种基物质的分解系数，表示对于第个像素，标签中第种基物质的分解系数，表示像素数量，表示分解的基物质种类；多尺度感知损失函数的表达式为，其中代表预训练网络的第个尺度对应的输出，与分别代表分解网络的结果与标签，表示基物质图像数量，表示尺度的数量；采用随机梯度下降优化器对网络进行优化，网络的初始学习率设置为10-2并引入动量更新和权重衰减机制，通过梯度反向传播调整网络权重值对损失函数进行优化；最终输出为预训练的分解网络参数。

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北京航空航天大学，其通讯地址为：100191 北京市海淀区学院路37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。