[发明专利]基于结构特征自增强的CT-MR模态迁移方法

说明书

本发明公开了一种基于结构特征自增强的CT‑MR模态迁移方法，包括获取训练数据；在原始CycleGAN网络基础上增加SEnet网络结构并训练得到SENet‑CycleGAN网络模型；结合FPN网络结构得到结构特征自增强CycleGAN网络并引入模态无关描述子损失函数并训练得到结构特征自增强CycleGAN模态迁移模型；将需要进行模态迁移的CT图像数据输入结构特征自增强CycleGAN网络输出最终的模态迁移后的伪MR图像数据。本发明方法能够从CT图像数据获取模态迁移后的MR图像数据，不仅结果清晰，而且可靠性高、通用性好、实用性强。

技术领域

本发明属于图像处理领域，具体涉及一种基于结构特征自增强的CT-MR模态迁移方法。

背景技术

随着经济技术的发展，人们对于健康的关注度越来越高。CT和核磁(MR)也是常用的辅助诊断的手段。

基于CT的放疗是目前常用的放疗规划方法，并且通常能取得比较好的效果。但是近年来，随着核磁共振设备发展，MR图像在软组织上的区分度要比CT好很多。特别是在脑瘤的放疗手术规划中，MR被越来越多地使用。

但是由于MR扫描的费用较高，此外对于一些体内植有金属的患者，该类患者无法进行MR扫描。因此，人们便希望能利用CT图像生成对应的伪MR扫描图像，从而帮助医生对患者进行诊断。而从CT图像生成对应的伪MR扫描图像的过程，便称为CT-MR模态迁移过程。

对于CT-MR的模态迁移，研究人员提出了多种方法，主要有三类：

第一种方法是基于分割合成伪MR：将CT到MR的模态迁移问题建模成图像语义分割问题。但是这类方法需要依靠大量的手动分割标签数据，并且结果的准确性很大程度上依赖于手动分割标签的准确性。因此，实用性并不强。

第二类方法是基于地图集合成伪MR：这种方法首先将一个CT地图集配准到一个患者的CT图像上，得到形变向量场，然后将该形变向量场应用到上述的CT地图集对应的MR地图集上，得到患者CT图像对应的MR图像。这类方法的性能很大程度上取决于配准的精准度，其通用性并不佳。

第三类方法是基于最近流行的深度学习方法：依靠数据驱动的机器学习方法合成伪MR图像，已有相关的工作采用有监督和有监督与无监督结合的方法来合成伪MR图像。但是该类方法生成的伪MR图像的细节不够清晰，一些希望被增强的细节没有得到足够程度的增强。

发明内容

本发明的目的在于提供一种可靠性高、通用性好、实用性强且结果清晰的基于结构特征自增强的CT-MR模态迁移方法。

本发明提供的这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FPN-SENet-CycleGAN网络，亦即结构特征自增强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。