[发明专利]一种CT/MRI模拟超声的新方法、系统

权利要求书

1.一种CT/MRI模拟超声的新方法，其特征在于，包括：

步骤S1，获取CT/MRI图像，对所述CT/MRI图像进行器官分割处理，获取器官分割处理后的CT/MRI图像的切面图像；

步骤S2，采用标记方法对所述切面图像进行标记获得CT/MRI标签图；

所述标记方法包括：使用预设的模版对待标记图像进行标记，所述模版覆盖待标记图像的目标区域，将所述模版之外的区域标记为第一区域，在所述模版之内的非器官区域标记为第二区域，所述模版内的不同器官区域采用不同的区域标记，器官的标记与第一区域和第二区域的标记均不同；

步骤S3，将所述CT/MRI标签图输入基于生成对抗网络的转换模型，所述转换模型生成与所述CT/MRI图像对应的模拟超声图像。

2.如权利要求1所述的CT/MRI模拟超声的新方法，其特征在于，所述模版的形状为扇形；

和/或所述标记为颜色标记。

3.如权利要求1或2所述的CT/MRI模拟超声的新方法，其特征在于，获取所述基于生成对抗网络的转换模型的过程包括：

步骤A，构建样本集：获取多个超声图像，采用所述标记方法对超声图像进行标记获得超声标签图，所述超声标签图与所述CT/MRI标签图相同区域标记区域一致，将超声标签图与相应的原超声图像进行映射，获得一个样本；

步骤B，将样本集划分为训练集和测试集；

步骤C，构建生成对抗网络，所述生成对抗网络包括一个生成器网络G和一个判别器网络D，设超声标签图为x，设与超声标签图映射的原始超声图像为y，生成器网络G根据x生成图像G(x,z)，z表示随机噪声，判别器网络D判断x与G(x,z)否是一对真实图像的同时还判断x与y否是一对真实图像；

步骤D，不断利用训练集对生成对抗网络进行训练，以及利用测试集对训练后的生成对抗网络进行验证，直到满足目标函数，获得转换模型。

4.如权利要求3所述的CT/MRI模拟超声的新方法，其特征在于，在对超声图像标记之前还包括对超声图像进行缩放，将预设的模版覆盖缩放后的超声图像的全部或部分器官区域的步骤。

5.如权利要求3所述的CT/MRI模拟超声的新方法，其特征在于，所述目标函数为：

G^*＝arg min max L_cGAN(G,D)+λL_l1(G)；

其中，L_cGAN(G,D)表示生成对抗网络的损失函数，具体为：

L_cGAN(G,D)＝E_x,y[logD(x,y)]+E_x,z[log(1-D(x,G(x,z)))],z表示随机噪声；E_x,y[logD(x,y)]表示生成对抗网络中判别器预测真实样本损失；E_x,z[log(1-D(x,G(x,z)))]表示生成对抗网络中判别器预测生成样本损失；

L_l1(G)表示l1损失，用于约束生成图像G(x,z)与真实图像y之间的差异，所述λ表示l1损失的权重，所述L_l1(G)＝E_x,y,z[||y-G(x,z)||₁]。

6.如权利要求5所述的CT/MRI模拟超声的新方法，其特征在于，在生成对抗网络的训练中，采用SDG优化器进行模型优化，batchsize为2，初始学习率为1×10^-4。