[发明专利]基于深度学习的MRI影像合成CT影像的方法

权利要求书

1.一种基于深度学习的MRI影像合成CT影像的方法，用于在已有的原始MRI影像的基础上跨模态生成相应的合成CT影像，其特征在于，包括如下步骤：

步骤S1，选取所述原始MRI和CT影像分别作为浮动影像及参考影像，而后进行N4偏置校正和标准化获得预处理后的MRI及CT影像。

步骤S2，采用S1所述预处理MRI影像和所述预处理CT影像训练用于将MRI影像合成CT影像的对抗式生成网络模型；

步骤S3，将所述预处理MRI影像输入所述MRI影像合成CT影像的对抗式生成网络模型，从而将所述预处理MRI影像转换为合成CT影像，

其中，所述MRI影像合成CT影像的对抗式生成网络模型包括生成器网络和判别器网络，所述步骤S2具体包括如下子步骤：

步骤T1，构建MRI影像合成CT影像的初始对抗式生成网络模型；

步骤T2，将多张所述预处理MRI影像作为输入，经由所述生成器网络后得到合成sCT影像，所述sCT影像为预处理MRI影像经由所述生成器网络后的合成CT影像；

步骤T3，将所述合成sCT影像与相对应的经过S1步骤中预处理的真实CT影像作为所述判别器网络的训练集的训练数据，输入到所述判别器网络中并训练所述判别器网络；

步骤T4，将所述预处理MRI影像和所述预处理CT影像的一次训练作为一个epoch，对所述训练数据重复步骤T2至步骤T3的训练过程，观察所述生成器网络的损失函数与所述判别器网络的损失函数直至收敛后停止训练，得到所述MRI影像合成CT影像的对抗式生成网络模型。

2.根据权利要求1所述的基于深度学习的MRI影像合成CT影像的方法，其特征在于：

其中，所述步骤T2具体包括如下子步骤：

步骤T2-1，将所述训练集中的各个MRI训练影像依次输入构建好的所述MRI影像合成CT影像的对抗式生成网络模型的生成器网络，并进行一次迭代；

步骤T2-2，迭代后的生成器网络输出的图像即为合成sCT影像，计算所述合成CT影像的对抗损失L₁：

L₁＝L_BCE(D(G(X)),1) (1)；

步骤T2-3，通过所述生成器网络的最后一层参数，算出所述合成CT影像与其对应的真实的所述预处理CT影像的欧氏距离L₂：

L₂＝L_G(X,Y)＝||Y-G(X)||₂² (2)；

步骤T2-4，对所述生成器网络输出的合成CT影像，计算其与对应的标准CT影像之间的图像梯度差损失函数L₃：

步骤T2-5，计算总损失函数L_G：

L_G＝λ₁L₁+λ₂L₂+λ₃L₃ (4)；

步骤T2-6，对于所述训练集中的所有训练数据，重复步骤T2-1至步骤T2-5直至达到训练完成条件，得到训练后的所述MRI影像合成CT影像的对抗式生成网络模型中的所述生成器网络，

式(1)-式(4)中，L_BCE表示对交叉熵损失范式的计算，计算方法为：G(X)表示原始MRI影像经由生成器网络后得到的sCT影像，D(G(X))表示sCT影像经由判别器网络后得到的值，同理，Y_i表示样本i对应的真实CT影像，表示样本i对应的sCT影像，L_GDL中的梯度表示在三维笛卡尔坐标系中，沿三个轴x、y、z方向上图像的梯度，λ₁表示对抗损失的权重，λ₂表示欧氏距离正则化的学习率，λ₃表示图像梯度差损失正则化的学习率，且λ₁＝0.5，λ₂＝λ₃＝1。