一种多序列MR转CT的方法技术

本发明专利技术公开了一种多序列MR转CT的方法，通过使用深度神经网络分别以三个模态进行配对训练，再训练一个网络将三个模态的特征进行融合，包括数据采集和医学影像图像预处理、不同序列图像的独立CycleGAN训练与融合训练等模块。本发明专利技术根据病人放疗部位的影像数据，将不同模态的MR图像特征融合，来生成与拍摄的CT图片高度相似的合成CT图像；提高诊断治疗过程的效率，避免拍摄CT影像的辐射对病人造成的伤害。害。害。

【技术实现步骤摘要】
一种多序列MR转CT的方法


[0001]本专利技术涉及医疗影像
，特别涉及一种多序列MR转CT的方法。

技术介绍

[0002]核磁共振成像（Magnetic Resonance Imaging，简称MRI）和计算机断层扫描图像（ComputedTomography，简称CT）在临床应用中很常见。由于MRI的辐射量小，提供了良好的软组织对比度，使得目标和结构轮廓更加清晰，MRI已越来越多地用于靶区和正常组织的描绘。但由于MRI体素仅包含了该体素所在组织的磁性特性信息，这与它的电子密度没有直接关系，故MRI无法提供电子密度信息，而电子密度信息对某些应用是非常重要的，例如基于MR的放疗计划，混合PET/MR扫描仪中的衰减校正等。CT图像提供了病人几何形状的准确表示，以Hounsfield unit (HU)为单位的CT值直接与电子密度相关，可用于辐射剂量计算。在临床应用中获取CT图像十分必要。但再扫描获取一个CT图像不仅耗时、昂贵，射线扫描时的辐射还会影响患者健康。因此，通过MRI合成CT图像是临床科研与应用中的一项重要任务，在体外放射治疗的规本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多序列MR转CT的方法，其特征在于：包括以下步骤：图像预处理：分别获取病人的MR多模态数据 T1、T2、T1C以及CT数据，并对MR多模态数据和CT数据进行配准；随机选取部分配准的MR多模态数据和CT数据作为训练集，剩余部分作为测试集；所述训练集和测试集内的数据均进行N4偏置场校正处理；搭建CycleGAN模型：CycleGAN模型是由三个CNN组成的一个正向循环和一个反向循环，生成器采用ResNet blocks，判别器采用PatchGAN，损失函数采用最小二乘损失；CycleGAN模型训练：分别使用MR T1图像、MR T2图像、MR T1C图像和配对的CT图像进行单独训练；搭建融合网络模型：对步骤4）中三个序列CycleGAN模型的网络进行特征提取，并训练网络进行融合操作，分别以上述三种模型的结果作为金标准计算loss，驱动fusion模型训练。2.如权利要求1所述的一种多序列MR转CT的方法，其特征在于：CycleGAN模型训练的具体步骤如下：训练生成器网络G_CT将输入的MR图像iMR转换成CT图像sCT；训练生成器网络G_MR将合成的CT图像sCT转换回MR图像cMR；训练判别器网络D_CT以区分sCT和真实CT图像iCT。3.如权利要求2所述的一种多序列MR转CT的方法，其特征在于：判别器D_CT的目标是将真实图片iCT预测...

【专利技术属性】
技术研发人员：毛小倩，毛殊凡，颜子夜，袁博，
申请(专利权)人：广州柏视医疗科技有限公司，
类型：发明
国别省市：