一种基于CT图像合成PET-CT图像的方法技术

本发明专利技术涉及一种基于CT图像合成PET‑CT图像的方法，包括以下步骤：1)构建循环生成对抗网络，包括构成一个循环的正向循环通道A和反向循环通道B组成，每个循环通道为一个GAN网络，正向循环通道A包括生成网络G1和判别网络D1，反向循环通道B包括生成网络G2和判别网络D2，所述的正向循环通道A用以实现CT图像合成PET‑CT图像，反向循环通道B用以实现PET‑CT图像合成CT图像的反馈；2)根据构建的循环生成对抗网络实现CT图像合成PET‑CT图像。与现有技术相比，本发明专利技术具有训练体系更加稳定、生成图像的质量更高等优点。

A Method of Synthesizing PET-CT Images Based on CT Images

The invention relates to a method for synthesizing PET CT images based on CT images, which includes the following steps: 1) Constructing a cyclic generation antagonistic network, which consists of a cyclic forward and reverse cyclic channel A and B. Each cyclic channel is a GAN network. The forward cyclic channel A includes a generating network G1 and a discriminant network D1, and the reverse cyclic channel B includes a generating network G2 and a discriminant network. Loop D2, the forward circular channel A is used to synthesize PET CT images, and the reverse circular channel B is used to realize the feedback of PET CT images synthesized; 2) CT images synthesized based on the constructed circular generation countermeasure network. Compared with the prior art, the training system of the invention is more stable and the quality of the generated image is higher.

【技术实现步骤摘要】
一种基于CT图像合成PET-CT图像的方法
本专利技术涉及医学图像合成领域，尤其是涉及一种基于CT图像合成PET-CT图像的方法。
技术介绍
随着医学、计算机技术及生物工程技术的发展，医学影像为临床诊断提供了多种模态的医学图像，如CT(计算机X线断层扫描)、MRI(核磁共振成像)、超声图像、PET(正电子发射计算机断层扫描)、PET-CT、PET-MRI等。不同的医学图像提供了相关脏器的不同信息，但是人们更关注医学图像的成像效果(如灵敏度、清晰度、精准性等)。CT对人体组织的密度分辨率较高，可直接观察到实质性脏器内部的肿瘤，提供了病灶的精准解剖定位。PET则提供病灶详尽的功能与代谢等分子信息。而PET-CT将CT与PET融为一体，其检查功能更强大，性能更好。相比于CT而言，PET-CT检测的灵敏度更高，再加上代谢值的判断，有助于患者更早期的脏器病变治疗和其病变区域良恶性的判断，便于医生制定针对性治疗方案。然而国内外PET-CT医疗设备的普及率较低，费用昂贵，因此，CT准确地合成PET-CT具有深远意义。
技术实现思路
本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于CT图像合成PET-CT图像的方法。本专利技术的目的可以通过以下技术方案来实现：一种基于CT图像合成PET-CT图像的方法，包括以下步骤：1)构建最小二乘循环生成对抗网络，包括构成一个循环的正向循环通道A和反向循环通道B组成，每个循环通道为一个GAN网络，正向循环通道A包括生成网络G1和判别网络D1，反向循环通道B包括生成网络G2和判别网络D2，所述的正向循环通道A用以实现CT图像合成PET-CT图像，反向循环通道B用以实现PET-CT图像合成CT图像的反馈；2)根据构建的最小二乘循环生成对抗网络实现CT图像合成PET-CT图像。所述的步骤2)具体包括以下步骤：21)在正向循环通道中，生成网络G1将源模态S中的真实CT图像尽可能转换成目标模态T中的合成PET-CT图像，同时判别网络D1对合成PET-CT图像进行判别(判断其来自于合成图像，还是来自真实的PET-CT图像)，尽可能判断出图像是合成图像。生成网络尽可能地合成接近真实的PET-CT图像，而判别网络尽可能地判断其是合成PET-CT图像，而不是真实的PET-CT图像。两者相互博弈，最终实现生成网络合成接近真实的PET-CT图像，判别网络判断不出其是合成PET-CT图像还是真实PET-CT图像。并分别定义生成网络G1和判别网络D1的损失函数LGAN1(G1)和LGAN1(D1)；22)将合成的PET-CT图像送入生成网络G2，尽可能转换成源模态的合成CT图像，同时判别网络D2对合成CT图像进行判别(判断其是来自于合成图像，还是真实的CT图像)，尽可能判断出图像是合成图像。生成网络尽可能地合成接近真实的CT图像，而判别网络尽可能地判断其是合成CT图像，而不是真实的CT图像。两者相互博弈，最终实现生成网络合成接近真实的CT图像，判别网络判断不出其是合成CT图像还是真实CT图像。并分别定义生成网络G2和判别网络D2的损失函数LGAN2(G2)和LGAN2(D2)；23)为了最小化正向循环通道中真实CT图像和循环合成图像的差异，定义正向循环损失函数LcycleA(S,T)。24)在反向循环通道中，生成网络G2将目标模态T中的真实PET-CT图像尽可能转换成源模态S中的合成CT图像，同时判别网络D2对合成CT图像进行判别(判断其是来自于合成图像，还是真实的CT图像)，尽可能判断出图像是合成图像。生成网络尽可能地合成接近真实的CT图像，而判别网络尽可能地判断其是合成CT图像，而不是真实的CT图像。两者相互博弈，最终实现生成网络合成接近真实的CT图像，判别网络判断不出其是合成CT图像还是真实CT图像。并分别定义生成网络G2和判别网络D2的损失函数LGAN2(G2)和LGAN2(D2)；25)将合成CT图像送入生成网络G1，转换成目标模态的合成PET-CT图像，同时判别网络D1对合成PET-CT图像进行判别(判断其来自于合成图像，还是来自真实的PET-CT图像)，尽可能判断出图像是合成图像。生成网络尽可能地合成接近真实的PET-CT图像，而判别网络尽可能地判断其是合成PET-CT图像，而不是真实的PET-CT图像。两者相互博弈，最终实现生成网络合成接近真实的PET-CT图像，判别网络判断不出其是合成PET-CT图像还是真实PET-CT图像。并分别定义生成网络G1和判别网络D1的损失函数LGAN1(G1)和LGAN1(D1)；26)为了最小化反向循环通道中真实PET-CT图像和循环合成图像的差异，定义反向循环损失函数LcycleB(T,S)。27)定义总损失函数Ltotal，并进行循环训练，当总损失函数最小化时输出最终的PET-CT图像。所述的步骤21)和25)中，损失函数LGAN1(G1)和LGAN1(D1)的表达式分别为：其中，x为源模态中的真实图像，y为目标模态中的真实图像，p(x)为x服从的概率分布，p(y)为y服从的概率分布，G(·)为生成网络合成的图像，D(·)为判别网络的判别概率，E[·]为数学期望值。所述的步骤22)和24)中，损失函数LGAN2(G2)和LGAN2(D2)的表达式分别为：所述的步骤23)和26)中，损失函数LcycleA(S,T)和LcycleB(T,S)的表达式分别为：LcycleA(S,T)＝Ex～A[||G2(G1(x))-x||1]LcycleB(T,S)＝Ey～B[||G1(G2(y))-y||1]其中，||·||1为一阶范数。所述的总损失函数Ltotal的表达式为：Ltotal＝LGAN1(G1)+LGAN1(D1)+LGAN2(G2)+LGAN2(D2)+λ1LcycleA(S,T)+λ2LcycleB(T,S)其中，λ1和λ2为对应损失函数的权重系数。与现有技术相比，本专利技术具有以下优点：本专利技术将最小二乘损失函数和循环模式进行结合，在现有的技术中，只单方面考虑某一种生成对抗网络形式，没有将两者优势进行结合，最小二乘损失函数优于现今生成对抗网络中通用的交叉熵损失函数，主要在于最小二乘损失函数只在一点达到饱和，从而使得整个训练体系更加的稳定，再加上循环模式中的反馈环节，增加了输入生成对抗网络的反馈信息，进而使得生成图像的质量更高，本专利技术将两者优势进行结合，采用最小二乘循环生成对抗网络最终实现CT图像合成PET-CT图像的目的。附图说明图1为本专利技术的医学图像合成流程示意图。图2为本专利技术的真实CT图像和合成PET-CT图像的对比。具体实施方式下面结合附图和具体实施例对本专利技术进行详细说明。考虑到PET-CT的优势所在，针对于其普及率等问题，本专利技术的目的在于通过最小二乘循环生成对抗网络来实现CT图像合成PET-CT图像。本专利技术的技术方案如下：最小二乘循环生成对抗网络主要由两个GAN网络组成。其分别对应于正向循环通道A和反向循环通道B，两个通道构成一个循环。其中含有两个生成网络G1、G2和两个判别网络D1、D2。正向通道主要负责CT合成PET-CT，而反向通道主要负责PET-CT合成CT的反馈,使得正向通道从CT合成PET-CT图像更加准确真实。(1)在正向本文档来自技高网...

【技术保护点】
1.一种基于CT图像合成PET‑CT图像的方法，其特征在于，包括以下步骤：1)构建循环生成对抗网络，包括构成一个循环的正向循环通道A和反向循环通道B组成，每个循环通道为一个GAN网络，正向循环通道A包括生成网络G1和判别网络D1，反向循环通道B包括生成网络G2和判别网络D2，所述的正向循环通道A用以实现CT图像合成PET‑CT图像，反向循环通道B用以实现PET‑CT图像合成CT图像的反馈；2)根据构建的循环生成对抗网络实现CT图像合成PET‑CT图像。

【技术特征摘要】
1.一种基于CT图像合成PET-CT图像的方法，其特征在于，包括以下步骤：1)构建循环生成对抗网络，包括构成一个循环的正向循环通道A和反向循环通道B组成，每个循环通道为一个GAN网络，正向循环通道A包括生成网络G1和判别网络D1，反向循环通道B包括生成网络G2和判别网络D2，所述的正向循环通道A用以实现CT图像合成PET-CT图像，反向循环通道B用以实现PET-CT图像合成CT图像的反馈；2)根据构建的循环生成对抗网络实现CT图像合成PET-CT图像。2.根据权利要求1所述的一种基于CT图像合成PET-CT图像的方法，其特征在于，所述的步骤2)具体包括以下步骤：21)在正向循环通道中，生成网络G1将源模态S中的真实CT图像转换成目标模态T中的合成PET-CT图像，同时判别网络D1对合成PET-CT图像进行判别，判断其来自于合成图像，还是来自真实的PET-CT图像，并分别定义生成网络G1和判别网络D1的损失函数LGAN1(G1)和LGAN1(D1)；22)将合成的PET-CT图像送入生成网络G2，转换成源模态的合成CT图像，同时判别网络D2对合成CT图像进行判别，判断其是来自于合成图像，还是真实的CT图像，并分别定义生成网络G2和判别网络D2的损失函数LGAN2(G2)和LGAN2(D2)；23)为最小化正向循环通道中真实CT图像和循环合成图像的差异，定义正向循环损失函数LcycleA(S,T)；24)在反向循环通道中，生成网络G2将目标模态T中的真实PET-CT图像转换成源模态S中的合成CT图像，同时判别网络D2对合成CT图像进行判别，判断其来自于合成图像，还是来自真实的CT图像，并分别定义生成网络G2和判别网络D2的损失函数LGAN2(G2)和LGAN2(D2)；25)将合成CT图像送入生成网络G1，转换成目标模态的合成PET-CT图像，同时判别网络D1对...

【专利技术属性】
技术研发人员：孔平，黄钢，赵清一，梁壮壮，陈胜，李茂举，徐黛然，
申请(专利权)人：上海健康医学院，
类型：发明
国别省市：上海,31