[发明专利]基于结构特征自增强的CT-MR模态迁移方法

权利要求书

1.一种基于结构特征自增强的CT-MR模态迁移方法，包括如下步骤：

S1.获取单独的CT训练数据，以及已匹配好的CT-MR模态迁移数据；

S2.在CycleGAN网络的基础上增加SENet网络结构，得到SENet-CycleGAN网络，并采用步骤S1获取的单独的CT训练数据，对SENet-CycleGAN网络进行训练，从而得到预训练的SENet-CycleGAN网络模型；

S3.将FPN网络结构加入到SENet-CycleGAN网络，从而得到结构特征自增强CycleGAN网络，同时在结构特征自增强CycleGAN网络中加入模态无关描述子损失函数，并采用步骤S2得到的预训练的SENet-CycleGAN网络模型的参数对结构特征自增强CycleGAN网络进行初始化；

S4.采用步骤S1得到的已匹配好的CT-MR模态迁移数据，对步骤S3得到的初始化后的结构特征自增强CycleGAN网络进行训练，从而得到结构特征自增强CycleGAN模态迁移网络模型；

S5.获取需要进行模态迁移的CT图像数据输入步骤S4得到的结构特征自增强CycleGAN模态迁移网络模型，输出最终的模态迁移后的伪MR图像数据。

2.根据权利要求1所述的基于结构特征自增强的CT-MR模态迁移方法，其特征在于步骤S2所述的在CycleGAN网络的基础上增加SENet网络结构，得到SENet-CycleGAN网络，具体为将基础CycleGAN网络中的ResBlocks部分的Resblock替换成SEResBlock，并且在ResBlocks部分之后增加一个SEConv，并在两个反卷积deconv操作之前加入一个SEConv。

3.根据权利要求2所述的基于结构特征自增强的CT-MR模态迁移方法，其特征在于步骤S3所述的将FPN网络结构加入到SENet-CycleGAN网络，从而得到FPN-SENet-CycleGAN网络，具体为引入现有的FPN网络结构，将网络下采样阶段生成的不同尺度的特征图，分别加到上采样阶段的相应尺度特征图上，再分别经过一个1x1的卷积操作，生成相应尺度的伪MR图像数据；最后将得到的伪MR图像数据与对应尺度的CT图像数据一同构成模态无关描述子损失函数的输入数据。

4.根据权利要求3所述的基于结构特征自增强的CT-MR模态迁移方法，其特征在于步骤S3所述在结构特征自增强CycleGAN网络中加入模态无关描述子损失函数，具体为采用如下算式作为结构特征自增强CycleGAN网络的模态无关描述子损失函数：

式中I_out为输出图像，I_inp为原输入图像，N为图像像素点数目，R_nl为向量F_x(I)的长度，e为某一像素点的下标，λ_e为Harris角点响应值且λ_e＝det(H)-k·trace(H)，det(H)为H的行列式，trace(H)为H的迹，k为一个比例系数且k∈[0.04,0.06]，α为某一平移方向，为采用对比度拉伸将I_inp灰度范围调整到[μ,1]之后的图像，的定义为Z为归一化项，D_P(I,e,e+α)的定义为P为以x为中心的邻域块，I(e+p)为图像I以e为中心，p为偏移量的像素值，I(e+p+α)为图像I以e为中心，p+α为偏移量的像素值，V(I,e)的定义为e点处的邻域方差的近似且Neighbour为e的4个邻接点，I(e)为图像I在像素点e的灰度值，I(e+n)为图像I像素点以e为中心，n为偏移量的像素值。

5.根据权利要求4所述的基于结构特征自增强的CT-MR模态迁移方法，其特征在于步骤S3所述在结构特征自增强CycleGAN网络中加入模态无关描述子损失函数，具体为在网络训练的第1次～第20000次，模态无关描述子损失函数的权重为0；从第20001次训练开始，每100次迭代训练，模态无关描述子损失函数的权重增加0.01，直至模态无关描述子损失函数的权重增加至0.8并保持不变至迭代训练结束。