[发明专利]一种基于深度学习的MRI图像与CT图像转化方法及终端

权利要求书

1.一种基于深度学习的MRI图像与CT图像转化方法，其特征在于，包括：

获取训练MRI图像与训练CT图像，并对所述训练MRI图像与训练CT图像进行N4偏置校正和直方图匹配，得到预处理后的训练MRI图像与预处理后的训练CT图像；

基于所述预处理后的训练MRI图像与所述预处理后的训练CT图像对初始全卷积神经网络模型进行训练和验证，得到最终全卷积神经网络模型；

获取待转化图像，并将所述待转化图像输入所述最终全卷积神经网络模型，得到与所述待转化图像对应的合成图像。

2.根据权利要求1所述的一种基于深度学习的MRI图像与CT图像转化方法，其特征在于，所述对所述训练MRI图像与训练CT图像进行N4偏置校正和直方图匹配，得到预处理后的训练MRI图像与预处理后的训练CT图像包括：

根据所述训练MRI图像与训练CT图像获取训练MRI灰度图像与训练CT灰度图像；

将所述训练MRI灰度图像与训练CT灰度图像进行浮点型图像转换，得到转换后的训练MRI灰度图像与训练CT灰度图像；

采用N4偏置校正对所述转换后的训练MRI灰度图像与训练CT灰度图像进行校正，得到校正后的训练MRI灰度图像与训练CT灰度图像；

对所述校正后的训练MRI灰度图像与训练CT灰度图像进行直方图匹配，得到预处理后的训练MRI图像与预处理后的训练CT图像。

3.根据权利要求1所述的一种基于深度学习的MRI图像与CT图像转化方法，其特征在于，所述基于所述预处理后的训练MRI图像与所述预处理后的训练CT图像对初始全卷积神经网络模型进行训练和验证，得到最终全卷积神经网络模型包括：

基于所述预处理后的训练MRI图像与所述预处理后的训练CT图像对初始全卷积神经网络模型进行训练和验证，得到第一最终全卷积神经网络模型和第二最终全卷积神经网络模型；

所述待转化图像包括待转化MRI图像和待转化CT图像；

所述将所述待转化图像输入所述最终全卷积神经网络模型，得到与所述待转化图像对应的合成图像包括：

将所述待转化MRI图像输入所述第一最终全卷积神经网络模型，得到与所述待转化MRI图像对应的伪CT图像；

将所述待转化CT图像输入所述第二最终全卷积神经网络模型，得到与所述待转化CT图像对应的伪MRI图像。

4.根据权利要求3所述的一种基于深度学习的MRI图像与CT图像转化方法，其特征在于，所述基于所述预处理后的训练MRI图像与所述预处理后的训练CT图像对初始全卷积神经网络模型进行训练和验证，得到第一最终全卷积神经网络模型和第二最终全卷积神经网络模型包括：

将所述预处理后的训练MRI图像输入初始全卷积神经网络模型的编码器网络，得到第一低分辨率特征图与第一高分辨率特征图；

将所述第一低分辨率特征图输入所述初始全卷积神经网络模型的解码器网络进行上采样操作并融合所述第一高分辨率特征图，得到训练伪CT图像；

将所述训练伪CT图像与所述预处理后的训练CT图像进行损失计算，得到第一误差值；

根据所述第一误差值与预设训练轮次对所述初始全卷积神经网络模型进行训练，得到第一最终全卷积神经网络模型；

将所述预处理后的训练CT图像输入初始全卷积神经网络模型的编码器网络，得到第二低分辨率特征图与第二高分辨率特征图；

将所述低分辨率特征图输入所述初始全卷积神经网络模型的解码器网络进行上采样操作并融合所述第二高分辨率特征图，得到训练伪MRI图像；

将所述训练伪MRI图像与所述预处理后的训练MRI图像进行损失计算，得到第二误差值；

根据所述第二误差值与预设训练轮次对所述初始全卷积神经网络模型进行训练，得到第二最终全卷积神经网络模型。

5.根据权利要求4所述的一种基于深度学习的MRI图像与CT图像转化方法，其特征在于，所述编码器网络包括依次设置的第一卷积层、第一激活层、第二卷积层、第二激活层、最大池化层、第三激活层以及下采样层；

所述解码器网络包括依次设置的上采样层和第三卷积层。