[发明专利]一种模态合成与增强的弱监督医学图像融合方法在审
| 申请号： | 202210951127.6 | 申请日： | 2022-08-09 |
| 公开（公告）号： | CN115375638A | 公开（公告）日： | 2022-11-22 |
| 发明（设计）人： | 王丽芳;刘阳;米嘉;张炯 | 申请（专利权）人： | 中北大学 |
| 主分类号： | G06T7/00 | 分类号： | G06T7/00;G06V10/44;G06N3/08;G06N3/04 |
| 代理公司： | 太原申立德知识产权代理事务所(特殊普通合伙) 14115 | 代理人： | 程园园 |
| 地址： | 030051*** | 国省代码： | 山西;14 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 一种 合成 增强 监督 医学 图像 融合 方法 | ||
1.一种模态合成与增强的弱监督医学图像融合方法，其特征在于，由模态合成、图像增强和图像融合三部分组成，包括以下步骤：
步骤1，在模态合成部分，MR图像通过多生成器模态合成网络训练得到的生成器，生成深层结构合成图sCT_stru与浅层细节合成图sCT_det；
步骤2，在图像增强部分，MR图像通过双生成器图像增强网络训练得到的生成器，生成深层结构增强图sMR_stru与浅层细节增强图sMR_det；
步骤3，在图像融合部分，以sCT_stru、sCT_det、sMR_stru、sMR_det和原始PET图像共同作为输入，通过多模态图像融合生成对抗网络，获得CT、MR、PET三模态融合图像。
2.根据权利要求1所述的一种模态合成与增强的弱监督医学图像融合方法，其特征在于，所述模态合成部分包括两个阶段：模态合成训练和模态合成预测；在所述模态合成训练阶段，多生成器模态合成网络以CycleGAN为基础，将生成器分为由MR合成CT图像的深层结构生成器GCT_deep和浅层细节生成器GCT_shallow以及由CT合成MR图像的深层结构生成器GMR_deep和浅层细节生成器GMR_shallow，通过4个生成器与模态合成鉴别器DCT、DMR的相互对抗循环训练网络，不断对图像深层结构与浅层细节特征提取并提高生成器图像合成性能；在所述模态合成预测阶段，MR图像作为输入，通过训练好的MR合成CT图像的深层结构生成器GCT_deep和浅层细节生成器GCT_shallow，生成深层结构合成图sCT_stru与浅层细节合成图sCT_det。
3.根据权利要求2所述的一种模态合成与增强的弱监督医学图像融合方法，其特征在于，所述模态合成训练阶段采用弱监督方式训练网络，具体训练过程如下：
MR图像作为训练数据，输入到GCT_deep和GCT_shallow，生成CT深层结构合成图SCT_structure与CT浅层细节合成图SCT_details，CT图像同样作为训练数据输入到GMR_deep和GMR_shallow，生成MR深层结构合成图SMR_structure与MR浅层细节合成图SMR_details；而后SCT_structure与SCT_details继续进入GMR_deep和GMR_shallow，SMR_structure与SMR_details继续输入GCT_deep和GCT_shallow循环训练网络，通过GCT_deep、GCT_shallow与DCT，GMR_deep、GMR_shallow与DMR的相互对抗，使生成器的模态合成性能得以提高。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于中北大学，未经中北大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/202210951127.6/1.html，转载请声明来源钻瓜专利网。
