一种双鉴别器多模态MR图像融合方法、系统及终端技术方案

本发明专利技术提供一种双鉴别器多模态MR图像融合方法、系统及终端，采用双鉴别器分别对融合图像和MR

【技术实现步骤摘要】
一种双鉴别器多模态MR图像融合方法、系统及终端


[0001]本专利技术涉及医学图像处理
，尤其涉及一种双鉴别器多模态MR图像融合方法、系统及终端。

技术介绍

[0002]随着传感器和计算机技术的发展,医学成像技术在疾病的诊断和治疗等多种临床应用中发挥着越来越重要的作用。通过不同的成像方式获取不同模态的医学图像,可以向医生提供不同组织形态的临床信息。例如,电子计算机断层扫描(CT)图像主要反映骨骼或植入物等致密结构的信息；核磁共振(MR)图像侧重于提供器官组织的纹理细节、解剖信息和组织病变信息；PET和SPECT侧重于提供血流和代谢变化等功能性信息。MR图像又包括MR
‑
T1与MR
‑
T2图像,其中MR
‑
T1图像主要反映器官或组织的解剖信息；MR
‑
T2图像对出血比较敏感,有利于观察病变,且伪影相对较少。由于每种成像方式都有其自身的特点和实用局限性,当前无法将成像方式进行有机的融合发挥出更高一层的作用，当前也无法将成像方式进行互补，弱化了医生的决策作用。
专利本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种双鉴别器多模态MR图像融合方法，其特征在于，方法包括：采用双鉴别器分别对融合图像和MR
‑
T1图像,融合图像和MR
‑
T2图像进行特征提取及分类,以确保融合图像在相同程度上保留MR
‑
T1和MR
‑
T2的特征；采用U
‑
Net结构代替普通的卷积神经网络结构作为生成器；基于U
‑
Net的跨层连接结构,在上采样重构图像的过程中将同级底层特征保留下来。2.根据权利要求1所述的双鉴别器多模态MR图像融合方法，其特征在于，以灰度形式读取MR
‑
T1图像与MR
‑
T2图像,将源图像在通道维度进行拼接后输入U
‑
Net生成器网络,U
‑
Net生成器网络将输入数据映射为与源图像大小一致的融合图像；融合图像与MR
‑
T1图像分别输入到鉴别器D1,融合图像与MR
‑
T2图像分别输入到鉴别器D2,以此来对鉴别器进行训练使得鉴别器能对源图像和生成图像进行准确的分类；同时将鉴别器的分类结果反馈给生成器指导生成器进行参数优化。3.根据权利要求1所述的双鉴别器多模态MR图像融合方法，其特征在于，U
‑
Net生成器网络采用四层结构的收缩路径方式和拓展路径方式；其中，收缩路径方式中,每层在进行下采样之前都经过两次卷积操作,卷积前后feature map大小一致,通道数变为原来的二倍，提取图像中不同的特征；收缩路径过程中，经过三次下采样,每次下采样feature map的大小变为原来的一半,通道数不变；在拓展路径方式中,采用反卷积进行上采样,之后与收缩路径中的同级层进行跨层连接,连接时采用对应元素相加的策略,在不降低训练效果的情况下减少计算量。4.根据权利要求3所述的双鉴别器多模态MR图像融合方法，其特征在于，U
‑
Net生成器网络训练过程中，采用随机梯度下降对生成器网络的参数进行更新调整；U
‑
Net生成器网络的损失函数由对抗损失和内容损失两部分组成:L
G
＝L
con
(G)+λL
content
ꢀꢀꢀꢀꢀꢀ
(9)其中,L
con
(G)表示生成器和鉴别器之间的对抗损失,λ代表内容损失L
con...

【专利技术属性】
技术研发人员：刘慧，李珊珊，邓凯，郭强，范琳伟，
申请(专利权)人：山东财经大学，
类型：发明
国别省市：