基于生成对抗性网络的脊柱CT到MR转换方法及系统技术方案

本发明专利技术属于图像处理技术领域，为了解决现有的脊柱CT图像到MR转换过程中存在的脊柱CT图像边缘信息丢失的问题，提出了基于生成对抗性网络的脊柱CT到MR转换方法及系统，所构建的对抗性网络的编码器包括第一分支和第二分支，利用第一分支提取脊柱CT图像多尺度全局特征，利用第二分支利用脊柱CT图像高频的多尺度边缘特征，提高对脊柱CT图像的边缘结构的灵敏度，保证脊柱CT的边缘细小结构不丢失；利用解码器的注意力模块引导对应尺度的全局特征和边缘特征的融合，尽可能使脊柱CT结构不丢失，在保护脊柱CT图像的骨组织边缘信息的同时提高脊柱CT到MR的转换质量。高脊柱CT到MR的转换质量。高脊柱CT到MR的转换质量。

【技术实现步骤摘要】
基于生成对抗性网络的脊柱CT到MR转换方法及系统


[0001]本专利技术属于图像识别转换
，尤其涉及基于生成对抗性网络的脊柱CT到MR转换方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]计算机断层扫描CT和磁共振MR是骨科临床诊断领域最常用的医学成像技术。其中，CT成像提供了极好的骨组织可视化，是分析骨骼结构的理想选择，而MR更适合于软组织成像。大多数疾病需要基于两张医学图像进行临床诊断。不幸的是，一些患者由于各种原因，如医疗禁忌症、紧急情况或经济限制，无法进行MR检查。相比之下，CT成像通常更快、更实惠，并且禁忌症更少。因此，对于许多患者来说，CT成像是一种更容易获得的选择。脊柱CT到MR的模态转换可用于帮助医疗专业人员进行诊断，从而对脊柱疾病进行更准确有效的诊断。此外，通过提供传统MR成像的更实惠的替代方案，脊柱从CT到MR的模态转换也有助于降低医疗成本。这对那些负担不起MR费用的患者来说尤其有益。
[0004]基于深度学习的医学图像模态翻译本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于生成对抗性网络的脊柱CT到MR转换系统，其特征在于，包括：获取模块，用于获取脊柱CT图像；脊柱CT特征提取模块：用于将所获取的脊柱CT图像基于所构建的生成对抗性网络的编码器进行特征提取，其中，所述编码器包括第一分支和第二分支，所述第一分支用于提取脊柱CT图像的多尺度全局特征，第二分支用于提取脊柱CT图像的多尺度边缘特征；伪MR图像生成模块：用于通过生成对抗性网络的解码器将第一分支所提取的全局特征和第二分支所提取的边缘特征进行对应尺度上的融合，得到伪MR图像；训练模块：用于通过生成对抗性网络的判别器判断脊柱CT图像、真实MR图像以及伪MR图像的差异并计算损失函数，利用所述损失函数对生成对抗性网络的编码器
‑
解码器进行训练；MR图像生成模块：用于根据待转换的脊柱CT图像利用训练好的对抗性网络的编码器
‑
解码器，得到与待转换的脊柱CT图像对应的MR图像。2.如权利要求1所述的基于生成对抗性网络的脊柱CT到MR转换系统，其特征在于，在所述脊柱CT特征提取模块中，所述第一分支包括依次连接的多组卷积结构，通过多组卷积结构依次提取脊柱CT图像不同尺度的全局特征，并对所提取的每一尺度的全局特征分别进行下采样操作。3.如权利要求1所述的基于生成对抗性网络的脊柱CT到MR转换系统，其特征在于，在所述脊柱CT特征提取模块中，所述第二分支包括索贝尔算子，利用索贝尔算子提取脊柱CT图像的边缘特征，并将索贝尔算子所提取的脊柱CT图像的边缘特征经过依次连接的多组卷积结构提取多尺度的边缘特征，并将所提取的每一尺度的边缘特征分别进行上采样操作。4.如权利要求1所述的基于生成对抗性网络的脊柱CT到MR转换系统，其特征在于，在所述MR图像生成模块中，所述解码器包括依次连接的多个注意力模块，将所述第一分支输出的全局特征以及第二分支输出的边缘特征输入到解码器中，利用编码器中每一个注意力模块将对应尺度的全局特征和边缘特征进行融合。5.如权利要求4所述的基于生成对抗性网络的脊柱CT到MR转换系统，其特征在于，在所述MR图像生成模块中，所述注意力模块包括空间注意力模块和通道注意力模块，所述注意力模块的输入特征利用通道注意力模块得到通道注意力权重，对通道注意力权重和所述注意力模块输入特征分别进行归一化处理后进行加权融合，利用所述空间注意力模块对加权融合和的结果进行池化卷积操作，得到空间注意力权重；将所述空间注意力权重与归一化后的通道注意力权重和归一化后的注意力模块输入特征加权融合后的结果再进行加权融合，得到所述注意力模块输出特征。6.如权利要求5所述的基于生成对抗性网络的脊柱CT到MR转换系统...

【专利技术属性】
技术研发人员：张梦华，黄伟杰，刘新宇，王连雷，
申请(专利权)人：山东大学齐鲁医院，
类型：发明
国别省市：