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！

龙图腾网获悉首都医科大学;北京市神经外科研究所申请的专利一种在3.0T高分辨MRI T1序列中自动识别与分割颅内动脉瘤的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：CN115829914B 。

龙图腾网通过国家知识产权局官网在2026-05-12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：202210982271.6，技术领域涉及：G06T7/00；该发明授权一种在3.0T高分辨MRI T1序列中自动识别与分割颅内动脉瘤的方法是由张旭;刘爱华;屈俊达;牛昊;彭飞;李春林;夏嘉祥;许博雅设计研发完成，并于2022-08-15向国家知识产权局提交的专利申请。

本一种在3.0T高分辨MRI T1序列中自动识别与分割颅内动脉瘤的方法在说明书摘要公布了：本发明涉及医学图像处理技术领域，具体涉及一种在3.0T高分辨MRIT1序列中自动识别与分割颅内动脉瘤的方法，该方法通过全卷积神经网络中编码路径中卷积操作，提取T1序列中颅内动脉瘤的高维特征；通过网络中解码路径卷积及反卷积操作，进一步提取更高维的特征并对特征进行重构，去除T1图像中无关的背景体素，保留关于颅内动脉瘤的体素，实现对颅内动脉瘤的精准识别与分割。

本发明授权一种在3.0T高分辨MRI T1序列中自动识别与分割颅内动脉瘤的方法在权利要求书中公布了：1.一种在3.0T高分辨MRIT1序列中自动识别与分割颅内动脉瘤的方法，其特征在于，包括以下步骤： S1：获取T1高分辨率数据； S2：从T1高分辨率数据中选取训练样本集及测试样本集； S3：对训练样本集和测试样本集分别进行训练集预处理和测试集预处理； S4：建立全卷积神经网络模型； S5：训练全卷积神经网络模型； S6：获得模型的分割结果； S7：后处理得到最优分割结果； 所述训练集预处理包括以下步骤： S3a1：对原始的训练样本集数据进行强度值裁剪，得到强度值裁剪后的训练样本集数据； S3a2：采用自适应感兴趣区域选择法对训练样本集数据中的颅内动脉瘤三维图像块进行提取； S3a3：对提取的感兴趣区域进行标准化处理； S3a4：对标准化处理后的图像进行数据增强，以获得T1感兴趣区域图像； 所述测试集预处理包括以下步骤： S3b1：对原始的测试样本集数据进行强度值裁剪，得到强度值裁剪后的测试样本集数据； S3b2：对强度值裁剪后的测试样本集数据的动脉瘤图像进行尺寸裁剪，降低图像尺寸； S3b3：对尺寸裁剪后的动脉瘤图像进行标准化，获得T1测试集样本图像； 强度值裁剪的裁剪公式如下： 其中，和分别代表裁剪后和原始的图像的强度值； 所述S4中的卷积神经网络模型包括编码器、解码器以及体素级分类器，其中， 所述编码器用于颅内动脉瘤特征的提取； 所述解码器用于进一步提取高水平特征并对动脉瘤进行重构； 所述体素级分类器将重构的动脉瘤特征图进行融合，并通过Sigmoid函数给出体素的类别，实现动脉瘤的分割； 所述编码器由5个基本单元组成，其结构依次为：单元1-池化层-单元2-池化层-单元3-池化层-单元4-池化层-单元5；每个单元的组成如下：输入特征-卷积层-残差拼接-通道注意力层；每个单元具有特征提取的功能，残差拼接可以应对模型梯度弥散的情况，通道注意力层可以选择有效的特征；将5个单元拼接在一起形成了编码器，实现颅内动脉瘤特征的提取； 所述编码器的各层设置如下： 单元nn=1,2,3,4,5中卷积层有两个相同的卷积操作，卷积操作的卷积窗数量设为32*2n-1，卷积核尺寸为3×3，卷积步长为1，采用组标准化及elu激活单元；残差拼接将输入特征与卷积输出特征进行聚合拼接，输入的特征数量为输入特征和卷积输出特征之合；通道注意力层的具体实现如下： 其中，Avg和Max分别代表全局平均池化及全局最大池化，add和sigmoid分别代表特征图逐体素对应相加及sigmoid操作，*为特征图逐体素相乘，和为两个神经元数量不同的全连接层，和为经过全连接层映射后的特征，和为输入特征及输出特征且特征图的数量不变；通过注意力层的分析，可以对特征图进行权重的重分配，从而给予重要特征更高的权重并抑制噪音，加快模型的训练并提升模型的性能；池化层的池化核大小为2，将特征图降采样为原来的一半； 所述解码器由4个基本单元组成，其结构依次为：编码器-转置卷积-单元1-转置卷积-单元2-转置卷积-单元3-转置卷积-单元4，每个单元的组成如下：输入特征-残差拼接1-通道注意力层-卷积层-残差拼接2-通道注意力层； 每个单元具有特征提取功能，进一步提取高水平特征，并与转置卷积相结合对动脉瘤进行重构；将4个单元拼接在一起形成了解码器，实现颅内动脉瘤的重构； 所述解码器的各层设置如下： 单元nn=1,2,3,4,5中卷积层有两个相同的卷积操作，卷积操作的卷积窗数量设为32*2n-1，卷积核尺寸为3×3，卷积步长为1，采用组标准化及elu激活单元；残差拼接将输入特征与卷积输出特征进行聚合拼接，输入的特征数量为输入特征和卷积输出特征之合；通道注意力层与编码器一致；转置卷积的卷积窗数与同单元的卷积操作的卷积窗数相同，卷积核大小为2×2，卷积步长为2，采用组标准化及elu激活单元； 体素级分类器由卷积核为1的卷积及sigmoid激活函数实现的,其中卷积核的尺寸为1×1，卷积核窗数为1，体素级分类器中的卷积操作将重构的动脉瘤特征图进行融合，通过sigmoid函数将融合后特征图的体素的值映射到[0,1]之间，映射的值代表该体素是动脉瘤体素的概率，根据体素的概率值得到动脉瘤实际的区域和背景区域，实现颅内动脉瘤的分割； 全卷积神经网络的损失函数如下： 其中，和分别为模型分割的结果与人工标记的结果，N代表输入样本的数量，为损失函数值；将模型训练得到的分割结果与标记进行对比，得到损失函数，依据损失函数，通过反向传播的方法对模型进行训练； 所述S5包括以下步骤： S5a：应用xavier初始化方法对全卷积网络中的权重进行初始化； S5b：将图像增强后的T1感兴趣区域图像输入到全卷积神经网络中； S5c：输入图像首先进入到编码器中，编码器特征输入到解码器中，解码器特征最终通过体素分类器，实现颅内动脉瘤的分割； S5d：将模型分割结果与对应的人工标记结果进行对比，计算损失函数； S5e：并根据损失函数，应用自适应矩估计优化器对编码器、解码器及体素分类器的权重参数进行更新；通过正向和反向传播不断的对参数进行优化更新，得到最终训练好的全卷积神经网络的最优模型； 所述S6包括以下步骤： S6a：将T1测试集样本图像集输入到训练好的全卷积神经网络的最优模型中，通过编码器提取颅内动脉瘤输入数据的特征图； S6b：将测试样本的特征图输入到解码器中，进一步提取高水平特征并对特征图进行重构，得到重构后特征图； S6c：将重构后特征图输入到体素级分类器中，首先由卷积核为1的卷积来对高维度特征进行融合，然后应用sigmoid函数将特征图映射到[0,1]之间，数值代表属于动脉瘤的概率； S6d：通过设置概率阈值，得到颅内动脉瘤的分割结果，实现颅内动脉瘤的分割； 所述S1具体为MRI扫描，使用头部线圈对头部进行扫描； 所述T1高分辨率数据的训练样本集与测试样本集的数量比为7:3。

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首都医科大学;北京市神经外科研究所，其通讯地址为：100069 北京市丰台区右安门外西头条10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。