[发明专利]CT图像与MRI图像的跨模态转换方法和装置

权利要求书

1.一种CT图像与MRI图像的跨模态转换方法，其特征在于，包括：

获取针对同一目标的CT图像与MRI图像，并构建CT图像集和MRI图像集；

基于Cycle-GAN构建学习系统，其中，第一生成网络用于根据CT图像生成第一结构特征、第一灰度特征以及MRI图像，第二生成网络用于根据MRI图像生成第二结构特征、第二灰度特征以及CT图像，第一判别网络用于判断CT图像的真伪、第二判别网络用于判断MRI图像的真伪；

构建学习系统的损失函数，包括生成网络的损失函数和判别网络的损失函数，其中，生成网络的损失函数包括基于结构特征的结构损失、基于生成图像的重建损失以及基于判别网络的判别结果的对抗损失；判别网络的损失函数包括对CT图像的判别损失和对MRI图像的判别损失；

利用CT图像集、MRI图像集和损失函数对学习系统进行参数优化，优化结束后，提取参数确定的第一生成网络作为第一生成模型，提取参数确定的第二生成网络作为第二生成模型；

利用第一生成模型实现CT图像到MRI图像的转换；

利用第二生成模型实现MRI图像到CT图像的转换。

2.根据权利要求1所述的CT图像与MRI图像的跨模态转换方法，其特征在于，对获取的针对同一目标的CT图像与MRI图像进行双线性插值，以将CT图像和MRI图像变化到同一空间分辨率，然后构建CT图像集和MRI图像集。

3.根据权利要求1所述的CT图像与MRI图像的跨模态转换方法，其特征在于，所述第一生成网络和所述第二生成网络的结构相同，均包括编码部分和解码部分；

其中，编码部分包括特征预提取模块、结构特征编码模块、灰度特征编码模块，输入图像经过特征预提取模块特征提取后，提取的特征分别输入至结构特征编码模块和灰度特征编码模块，分别经过编码后输出结构特征和灰度特征；

解码部分包括依次连接的多个反卷积单元、至少1个卷积层以及激活层，其中，反卷积单元包括相连的残差子模块和反卷积层；编码部分输出的结构特征和灰度特征经过拼接后输入至解码部分，解码部分对输入的拼接特征进行解码操作以生成图像。

4.根据权利要求3所述的CT图像与MRI图像的跨模态转换方法，其特征在于，所述特征预提取模块包括至少1个由卷积单元，其中，卷积单元包括相连接的残差子模块和卷积层；

所述结构特征编码模块与灰度特征编码模块结构相同，包括至少1个卷积单元，且结构特征编码模块的网络层数多于特征预提取模块的网络层数。

5.根据权利要求1所述的CT图像与MRI图像的跨模态转换方法，其特征在于，所述第一判别网络和所述第二判别网络结构相同，包括依次连接的至少1个卷积模块、卷积层和激活层；

其中，卷积模块包括相连接的卷积层、归一化层和激活层。