[发明专利]一种FLAIR模态磁共振影像生成方法及系统

权利要求书

1.一种FLAIR模态磁共振影像生成方法，其特征在于，包括：

获取训练样本集；所述训练样本集包括T1模态磁共振训练影像、与所述T1模态磁共振训练影像配对的FLAIR模态磁共振影像、与所述T1模态磁共振训练影对应的年龄信息和性别信息；所述T1模态磁共振训练影像为配对的FLAIR模态磁共振影像已知的T1模态磁共振影像；

基于Pytorch框架，构建生成对抗网络模型；所述生成对抗网络模型包括生成器和判别器；所述生成器的输出连接所述判别器的输入；所述生成器为基于ResNet的UNet结构；所述判别器包括第一网络模型和第二网络模型；所述第一网络模型的结构与所述生成器的结构相同；所述第二网络模型为卷积神经网络；

基于所述训练样本集，采用反向传播算法和梯度下降算法对所述生成对抗网络模型进行训练，得到FLAIR模态磁共振影像生成模型；

采用交叉验证法对所述FLAIR模态磁共振影像生成模型进行验证，得到验证后的FLAIR模态磁共振影像生成模型；

将待测集输入至所述验证后的FLAIR模态磁共振影像生成模型中，得到FLAIR模态磁共振影像生成结果；所述待测集包括T1模态磁共振测试影像、与所述T1模态磁共振测试影像对应的年龄信息和性别信息；所述T1模态磁共振测试影像为配对的FLAIR模态磁共振影像未知的T1模态磁共振影像。

2.根据权利要求1所述的一种FLAIR模态磁共振影像生成方法，其特征在于，所述基于所述训练样本集，采用反向传播算法和梯度下降算法对所述生成对抗网络模型进行训练，得到FLAIR模态磁共振影像生成模型，具体包括：

将所述T1模态磁共振训练影像和与所述T1模态磁共振训练影对应的年龄信息和性别信息作为输入，与所述T1模态磁共振训练影像配对的FLAIR模态磁共振影像作为输出，采用反向传播算法和梯度下降算法对所述生成器进行训练，得到训练好的生成器；

采用FLAIR模态磁共振训练影像、所述T1模态磁共振训练影像、与所述T1模态磁共振训练影对应的年龄信息和性别信息对所述判别器进行训练，得到训练好的判别器；所述FLAIR模态磁共振训练影像为所述生成器输出的FLAIR模态磁共振影像或与所述T1模态磁共振训练影像配对的FLAIR模态磁共振影像；所述训练好的生成器和所述训练好的判别器构成FLAIR模态磁共振影像生成模型。

3.根据权利要求1所述的一种FLAIR模态磁共振影像生成方法，其特征在于，所述生成器包括生成器编码部分和生成器解码部分；

所述生成器编码部分包括依次连接的UNetConvBlock模块和四个降采样模块；所述UNetConvBlock模块包括两个第一卷积块；所述第一卷积块包括一个第一卷积层、一个批标准化层以及一个relu激活层；所述降采样模块包括卷积单元和一个ResidualUnit模块；所述卷积单元包括第二卷积层和dropout层；所述ResidualUnit模块包括第一分支和第二分支；所述第一分支包括两个第二卷积块；所述第二卷积块包括一个第一卷积层、一个批标准化层和一个relu激活层；所述第二分支包括一个第三卷积层、一个批标准化层和一个relu激活层；与所述T1模态磁共振训练影对应的年龄信息和性别信息均通过全连接层后输出的特征图像与第四个降采样模块的dropout层输出的特征图像合并；

所述生成器解码部分包括依次连接的四个上采样模块和第四卷积层；所述上采样模块包括反卷积块和ResidualUnit模块；所述反卷积块包括一个反卷积层、一个批标准化层和一个relu激活层。

4.根据权利要求1所述的一种FLAIR模态磁共振影像生成方法，其特征在于，所述第二网络模型包括依次连接的六个第三卷积块、一个resize操作块和三个全连接层；所述第三卷积块包括一个第五卷积层和一个leaky_relu激活层；六个第三卷积块对应的六个第五卷积层的卷积核参数分别为9²、4²、5²、4²、5²、4²。