[发明专利]基于深度学习的MRI影像合成CT影像的方法

说明书

本发明提供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MRI影像的基础上，通过深度学习中的全卷积神经网络与对抗式生成网络，以监督学习训练的方式跨模态生成相应的伪CT影像，具体包括如下步骤：步骤S1，选取原始MRI影像作和原始CT影像分别作为浮动影像以及和参考影像，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，采用预处理MRI影像和预处理CT影像训练用于MRI影像合成CT影像的对抗式生成网络模型；步骤S3，将预处理MRI影像输入MRI影像合成CT影像的对抗式生成网络模型，从而将预处理MRI影像转换为合成CT影像。

技术领域

本发明属于计算机视觉领域以及医疗影像领域，涉及一种跨模态医学影像生成方法，具体涉及一种基于深度学习的MRI影像合成CT影像的方法。

背景技术

医学影像对于医学诊断及治疗具有重要意义。通常在诊断及治疗过程中，由于单一模态数据的局限性，医生需要通过不同模态的数据作为诊断依据以及辅助治疗。CT(计算机断层扫描)与MRI(磁共振成像)往往是医生常用的参考影像。CT是目前图像引导放射治疗过程中常用的基准影像，能够提供制定放疗剂量计划所需要的密度信息，且有空间分辨率高，操作简洁的优点。然而相较于MRI成像，其对软组织成像的对比度较差，并且扫描过程中存在的电离辐射可能会增加二次癌症的风险。MRI影像与电子密度无直接联系，因而无法用于剂量计算以及患者的摆位验证，但其对软组织高对比度的成像有助于精确勾画靶区并观察相应变化。然而同时做CT及MRI一定程度增加了患者的经济及身体负担，且通过影像配准技术对CT及MRI影像进行空间上配准的方法可能存在误差，从而影响治疗的准确性。因而单独使用MRI影像作为辅助放射治疗的方法是该领域的热点研究问题。

为了解决上述问题，早期研究人员使用手动或半自动的方法对MRI影像的不同组织进行分割分类，通过分类结果为不同的组织人工分配相应的电子密度及衰减值从而获取合成CT。该方法工作量大且不具有泛化性，且实验结果与不同主体分割分类的精度相关性过高，因而对于不同主体，在准确度上存在较大差异。随后研究人员提出了基于图谱的方法，该方法基于图像空间域上两个模态影像的配准变换，实验的结果与配准的结果强相关。由于配准结果必然存在系统误差，该方法的实验结果对于前述问题的解决能力较差。随后研究人员着力于基于体素应用机器学习方法从而获取合成CT，具体方法主要分为回归及聚类，然而这些方法会受到解剖结构的局限。

近年来，随着深度学习的不断发展，一方面卷积神经网络及其发展在图像特征提取的分割、分类问题上效果显著；另一方面对抗式生成网络在图像域变换上的应用得到了良好的发展，对于非刚体的图像变换取得了显著的成果。而深度学习在医学图像领域的应用也随之称为热点问题。对于深度学习应用于跨模态的医学影像的生成问题，有研究人员提出了深度卷积神经网络基于MRI生成CT的方法，该方法实验结果较前述方法在实验结果上存在较大改进。同时一些研究人员采用条件对抗生成网络作为生成器用于患者CT的合成问题。

然而，受限于样本数据量少，影像在采样重建的过程中丢失或扭曲关键信息等问题，造成实验结果精度不够，泛化性较差的场景一直存在。而在现实情况中，由于CT及MRI成像原理的不同，及拍摄仪器、光照、技术、角度、以及位偏移等问题的存在也对实验结果产生一定影响，跨模态影像生成任务面临重重困难。并且医学影像本身对精度要求极高，生成影像必须具有与实际影像极为相似的特征以及分布信息才能够用于实际应用。

发明内容

本发明是为了解决上述问题而进行的，目的在于提供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，通过深度学习中的全卷积神经网络与对抗式生成网络，以监督学习训练的方式跨模态生成相应的合成CT影像。

本发明提供了一种基于深度学习的MRI影像合成CT影像的方法，具有这样的特征，包括如下步骤：

步骤S1，选取原始MRI和CT影像分别作为浮动影像以及参考影像，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；