买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：中国科学技术大学

摘要：一种基于多序列MRI的sCT生成方法，包括：S1，基于循环生成对抗网络构建sCT生成模型；S2，获取n组MRI序列以及相应的CT影像；S3，利用n组MRI序列中的任一MRI序列及CT影像调整sCT生成模型的参数，使得sCT生成模型的损失函数满足预设条件；S4，重复操作S3，调整每一MRI序列对应的sCT生成模型参数，并利用调整后的sCT生成模型生成n组MRI序列对应的n组sCT；S5，根据CT影像和n组sCT计算该n组sCT对应的n个权重值，对n个权重值和n组sCT进行乘加计算，得到sCT。通过耦合多组MRI序列特征信息生成符合临床精度和速度要求的sCT，该方法计算速度快、稳定且鲁棒性强。

主权项：1.一种基于多序列MRI的sCT生成方法，包括：S1，基于循环生成对抗网络构建sCT生成模型；S2，获取n组MRI序列以及相应的CT影像；S3，利用所述n组MRI序列中的任一MRI序列及所述CT影像调整所述sCT生成模型的参数，使得所述sCT生成模型的损失函数满足预设条件；S4，重复操作S3，调整每一MRI序列对应的sCT生成模型参数，并利用调整后的所述sCT生成模型生成所述n组MRI序列对应的n组sCT；S5，根据所述CT影像和n组sCT计算该n组sCT对应的n个权重值，对所述n个权重值和n组sCT进行乘加计算，得到所述sCT；其中，所述根据所述CT影像和n组sCT计算该n组sCT对应的n个权重值包括：在所述CT影像中选取坐标点，并获取其在该CT影像中的HU值；获取所述坐标点在所述n组sCT中的HU值；根据所述n组sCT中的HU值及所述CT影像中的HU值计算所述n个权重值；其中，HU值表示所述坐标点对X射线的吸收程度；其中，所述坐标点的数量为k，k≥n， 其中，j＝1，2，……k，i＝1，2，……n，HUj为所述CT影像中第j个坐标点对X射线的吸收程度，HUi，j为第i组sCT中第j个坐标点对X射线的吸收程度，ωi为第i组sCT对应的权重值。

全文数据：一种基于多序列MRI的sCT生成方法技术领域本公开涉及放射治疗的优化方法领域，具体地，涉及一种基于多序列MRI的sCT生成方法。背景技术电子计算机断层扫描ComputedTomography，CT是当前获取放疗影响数据的主要方式，但是CT的软组织对比度有限，且存在额外的电离辐射。相比于CT，磁共振成像MagneticResonanceImaging，MRI具有软组织鉴别能力优越、无电离辐射及无骨伪影等优点，目前放疗常采用MRI与CT配准融合，但是会引入配准误差。基于MRI的放疗不仅可以消除该误差，而且还将减少患者接受的CT剂量，但是由于MRI信号强度与电子密度没有直接关系，无法计算放疗计量，因此，需要从MRI中获得CT的等效数据，通常把该等效数据称为伪CTSyntheticCT，sCT。国内外研究基于MRI生成sCT的方法主要分为：基于组织分割、基于图谱分割和基于学习的方法分为基于统计学的方法和基于深度学习的方法。其中，基于组织分割的方法在分割人体复杂器官时，精度难以保证，且几种组织密度类型远远不足以代替CT值；基于图谱分割的方法在存在较大解剖变化或病理差异的情况下，很难精准地配准患者影像，且其配准时间较长，限制其临床应用；基于统计学的方法不能有效地区分结构细节，难以做出可靠的预测；基于深度学习的方法依赖于患者MRI和CT精确配准的训练数据，并且其基于单个MRI序列以T1WI居多，而临床上为了精确诊断通常会采集多组MRI序列例如T1WI、T2WI、FST1等，并不能满足临床需求。发明内容一要解决的技术问题本公开鉴于上述问题，提供了一种基于多序列MRI的sCT生成方法，通过基于循环生成对抗网络构建sCT生成模型并对模型参数进行调整，并耦合多组MRI序列特征信息生成sCT，以至少解决以上技术问题。二技术方案本公开提供了一种基于多序列MRI的sCT生成方法，包括：S1，基于循环生成对抗网络构建sCT生成模型；S2，获取n组MRI序列以及相应的CT影像；S3，利用所述n组MRI序列中的任一MRI序列及所述CT影像调整所述sCT生成模型的参数，使得所述sCT生成模型的损失函数满足预设条件；S4，重复操作S3，调整每一MRI序列对应的sCT生成模型参数，并利用调整后的所述sCT生成模型生成所述n组MRI序列对应的n组sCT；S5，根据所述CT影像和n组sCT计算该n组sCT对应的n个权重值，对所述n个权重值和n组sCT进行乘加计算，得到所述sCT。可选地，所述sCT生成模型包括sCT生成器、sMRI生成器、CT判别器和MRI判别器，所述sCT生成模型包括前向循环和后向循环，所述前向循环和后向循环共用所述sCT生成器、sMRI生成器、CT判别器和MRI判别器。可选地，所述步骤S3还包括：计算所述sCT生成器的图像损失函数；为所述图像损失函数设定一预设权重。可选地，所述图像损失函数为LCycle，LCycle＝||SynMRISynCTIMRI-IMRI||1+||SynCfSynMRIICT-ICT||1，其中，IMRI为所述任一MRI序列，ICT为所述CT影像。可选地，所述步骤S3还包括：计算所述CT判别器的第一损失函数；调整所述sCT生成器和CT判别器的参数，当所述CT判别器的参数相同时，所述sCT生成器的参数使得所述第一损失函数最小，且当所述sCT生成器的参数相同时，所述CT判别器的参数使得所述第一损失函数最大。可选地，所述步骤S3还包括：将所述图像损失函数与预设权重相乘后与所述第一损失函数相加，得到所述sCT生成器的第二损失函数；调整所述sCT生成器和CT判别器的参数，使得所述第二损失函数小于第一预设值。可选地，所述步骤S3还包括：计算所述MRI判别器的第三损失函数；调整所述sMRI生成器和MRI判别器的参数，当所述MRI判别器的参数相同时，所述sMRI生成器的参数使得所述第三损失函数最小，且当所述sMRI生成器的参数相同时，所述MRI判别器的参数使得所述第三损失函数最大。可选地，所述步骤S3还包括：将所述图像损失函数与预设权重相乘后与所述第三损失函数相加，得到所述sMRI生成器的第四损失函数；调整所述sMRI生成器和MRI判别器的参数，使得所述第四损失函数小于第二预设值。可选地，所述根据所述CT影像和n组sCT计算该n组sCT对应的n个权重值包括：在所述CT影像中选取坐标点，并获取其在该CT影像中的HU值；获取所述坐标点在所述n组sCT中的HU值；根据所述n组sCT中的HU值及所述CT影像中的HU值计算所述n个权重值；其中，HU值表示所述坐标点对X射线的吸收程度。可选地，所述坐标点的数量为k，k≥n，其中，j＝1，2，……k，i＝1，2，……n，HUj为所述CT中第j个坐标点的HU值，HUi，j为第i组sCT中第j个坐标点的HU值，ωi为第i组sCT对应的权重值。三有益效果本公开提供的基于多序列MRI的sCT生成方法，具有以下有益效果：1通过基于循环生成对抗网络构建sCT生成模型，使得其适用于非配对数据，克服了现有技术依赖配对数据所带来的配准误差，从而具有更高的精度，并且更容易获取sCT生成模型的训练数据；2通过采用多组MRI序列，并且合理地把多组MRI序列作为sCT生成模型的多通道输入，从而利用多组MRI序列信息得到高精度的sCT。附图说明图1示意性示出了本公开实施例提供的基于多序列MRI的sCT生成方法的流程图。图2示意性示出了本公开实施例提供的基于多序列MRI的sCT生成方法的操作流程图。图3A示意性示出了本公开实施例提供的前向循环网络的示意图。图3B示意性示出了本公开实施例提供的后向循环网络的示意图。图4A示意性示出了本公开实施例提供的前向循环网络的训练结果图。图4B示意性示出了本公开实施例提供的后向循环网络的训练结果图。具体实施方式为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步详细说明。本实施例提供了一种基于多序列MRI的sCT生成方法，参阅图1，结合图2、图3A、图3B、图4A和图4B，对图1所示方法进行详细说明，该方法包括以下操作。S1，基于循环生成对抗网络构建sCT生成模型。生成对抗网络GenerativeAdversarialNetworks，GAN包括生成器和判别器，循环生成对抗网络CycleGAN是两个镜像对称的GAN。本实施例中，基于循环生成对抗网络构建的sCT生成模型包括前向循环和后向循环，前向循环网络如图3A所示，后向循环网络如图3B所示。sCT生成模型包含四个独立的神经网络，分别为：MRI生成sCT的sCT生成器SynCT、CT生成sMRI的sMRI生成器SynMRI、CT判别器DisCT和MRI判别器DisMRI，前向循环和后向循环共用这四个神经网络。前向循环用于将原始MRI序列转换为sCT，再转换为sMRI；为了提高sCT生成模型训练的稳定性，还设置有后向循环，用于将CT影像转换为sMRI，再转换为sCT。前向循环中，DisCT用于预测sCT影像和真实CT影像；SynCT则试图根据原始MRI生成与真实CT影像接近的sCT影像，以降低DisCT判断的正确性；SynMRI用于将生成的sCT转换生成sMRI，以尽可能准确地从sCT重建原始MRI；DisMRI用于预测sMRI和真实MRI即原始MRI。MRI经过SynCT得到sCT，然后在经过SynMRI得到sMRI。后向循环中，DisMRI用于预测sMRI和真实MRI；SynMRI则试图根据原始CT影像生成与真实MRI接近的sMRI，以降低DisMRI判断的正确性；SynCT用于将生成的sMRI转换生成sCT影像，以尽可能准确地从sMRI重建原始CT影像；DisCT用于预测sCT影像和真实CT影像即原始CT影像。CT经过SynMRI得到sMRI，然后在经过SynCT得到sCT。生成器和判别器的网络结构采用二维卷积神经网络，基于“pix2pix”框架，使用循环生成对抗网络学习从输入到输出影像的映射。SynCT和SynMRI的神经网络结构相同且参数不同，均具有三个卷积层、九个残差块和两个反卷积层，二维卷积神经网络获取大小为512×512像素的输入影像，并预测相同大小的输出影像，采用批量归一化BatchNormalization，BN层加快网络学习速率，激励层采用修正线性单元RectifiedLinearUnit，ReLU，第一个卷积层的输入为网络的输入影像，输出作为第二个卷积层的输入影像，第二个卷积层的输入传入到残差块，每个残差块的输入信息直接加到其输出上，这样只需学习输入和输出的残差部分，降低网络训练的复杂度，残差块内部采用2个卷积层和BN层以及ReLU，两个反卷积层起到类似解码器的作用，将特征图像恢复到高分辨率，最后采用一个卷积层使输出图像与输入图像的大小保持一致。DisCT的目标是预测真实CT影像标签为1，sCT影像标签为0。DisMRI的目标是预测真实MRI影像标签为1，sMRI影像标签为0，因此，判别器网络DisCT和DisMRI的网络结构与生成器大致相同，区别点在于判别器的最后一层更改为全连接层，其输出为1或0，以判断生成影像的真假。CycleGAN中的生成器和判别器经过对抗即操作S3中的参数调整达到一个动态平衡，使得生成器的伪造技术越来越厉害，判别器的判别技术也越来越厉害，直至判别器再也分辨不出是真实数据还是生成器生成数据。S2，获取n组MRI序列以及相应的CT影像。获取同一患者的MRI影像和CT影像，MRI影像中包含有n组MRI序列例如T1WI、T2WI、T1压脂、T2压脂、DWI等序列，其中n≥1。在获取患者MRI影像和CT影像时，应尽量保持患者体位和扫描参数一致，两次扫描间隔时间应尽量短，以减少患者浮肿消瘦带来的影响。本实施例中，为了提高sCT生成模型的精度，采用不同患者的MRI影像和CT影像对sCT生成模型进行训练和测试。例如，获取不同患者的150套MRI影像和CT影像，并且排除有金属植入物的患者CT，所有MRI序列的视场角包含人体整个断层，其中，110套MRI影像和CT影像作为训练集，用于调整sCT生成模型的参数，其余40套MRI影像和CT影像作为测试集，用于确定每一MRI序列对应的权重值，每套MRI影像和CT影像来自同一患者。CT影像的分辨率为1.00×0.943×0.943mm3，重新采样至CT影像与MRI影像具有相同大小的体素，即1.00×0.87×0.87mm3，每套影像中包含有200×512×512个体素。此外，与CT不同的是，即使在相同的场强和扫描仪下，MRI的信号强度和影像对比度可能会有较大的差异，为了解决这一问题，需要对相同MRI序列的所有数据进行直方图匹配，以便在训练和应用深度学习模型即sCT生成模型之前标准化MRI。S3，利用n组MRI序列中的任一MRI序列及CT影像调整sCT生成模型的参数，使得sCT生成模型的损失函数满足预设条件。任一MRI序列为上述n组MRI序列中的某一序列，例如为T1WI序列，利用T1WI序列作为训练数据，通过不断调整sCT生成模型的参数使得sCT生成模型稳定，即使得sCT生成模型的损失函数满足预设条件，损失参数包括CT判别器的第一损失函数、CT生成器的第二损失函数、MRI判别器的第三损失函数、MRI生成器的第四损失函数。具体地，包括以下训练：计算CT判别器的第一损失函数LCT，LCT＝1-DisCTICT2+DisCTSynCTIMRI2其中，ICT为CT影像数据，IMRI为任一MRI序列本实施例中为T1WI序列数据。根据LCT的值调整sCT生成器和CT判别器的参数，使得sCT生成器和CT判别器满足：当CT判别器的参数相同时，sCT生成器的参数使得LCT的值最小，即DisCT尽量从真实CT中区分出sCT；并且当sCT生成器的参数相同时，CT判别器的参数使得LCT的值最大，即SynCT尽量让DisCT不能从真实CT中区分出sCT。同理，计算MRI判别器的第三损失函数LMRI，LMRI＝1-DisMRIIMRI2+DisMRISynMRIICT2其中，IMRI为任一MRI序列本实施例中为T1WI序列数据，ICT为CT影像数据。根据LMRI的值调整sMRI生成器和MRI判别器的参数，使得sMRI生成器和MRI判别器满足：当MRI判别器的参数相同时，sMRI生成器的参数使得LMRI的值最小，即DisMRI尽量从真实MRI中区分出sMRI；并且当sMRI生成器的参数相同时，MRI判别器的参数使得LMRI的值最大，即SynMRI尽量让DisMRI不能从真实MRI中区分出sMRI。此外，为了加强训练期间双向循环的一致性，为sCT生成器定义一图像损失函数LCycle，用于表示原始影像和伪影像之间的差异：LCycle＝||SynMRISynCTIMRI-IMRI||1+||SynCTSynMRIICT-ICT||1其中，IMRI为T1WI序列数据，ICT为CT影像数据。LCycle与预设权重α相乘后加上LCT，得到sCT生成器的第二损失函数，根据第二损失函数的值调整sCT生成器和CT判别器的参数，使得第二损失函数小于第一预设值。LCycle与预设权重α相乘后加上LMRI，得到sMRI生成器的第四损失函数，根据第四损失函数的值调整sMRI生成器和MRI判别器的参数，使得第四损失函数小于第二预设值。理论上，第二损失函数和第四损失函数均应调整至0，但是考虑到计算速度等问题，仅需小于某一预设值即可。S4，重复操作S3，调整每一MRI序列对应的sCT生成模型参数，并利用调整后的sCT生成模型生成n组MRI序列对应的n组sCT。利用上述建立的基于T1WI的sCT生成模型，保持该sCT生成模型架构一致，同理于操作S3，分别对T2WI、T1压脂、T2压脂、DWI等n-1组序列进行训练，得到各个MRI序列对应的sCT生成模型参数，并利用参数调整后的sCT生成模型生成该n组MRI序列对应的n组sCT。并分析对比各个MRI序列生成sCT的精度和误差分布。S5，根据CT影像和n组sCT计算该n组sCT对应的n个权重值，对n个权重值和n组sCT进行乘加计算，得到sCT。基于测试集执行操作S5，具体地，包括以下子操作：S51，在CT影像中选取k个坐标点，k≥n，并获取其在CT影像中的HU值，其中，HU值表示坐标点对X射线的吸收程度。本实施例中，分别在m例如m＝40个测试集中选取CT上代表空气、脂肪、软组织和骨骼的四个坐标点，一共选取4×m个坐标点，此时k＝4×m，并在测试集的CT影像中获取其HU值。S52，调整后的sCT生成模型根据测试集中的n组MRI序列生成n组sCT，获取上述坐标点在根据测试集得到的n组sCT中的HU值。S53，根据n组sCT中的HU值及CT影像中的HU值计算n个权重值。具体地，假设每组sCT的权重为ωi，其中i＝1，2，……n，建立HU值的多项式：其中，j＝1，2，……k，HUj为CT影像中第j个坐标点的HU值，HUi，j为第i组sCT中第j个坐标点的HU值，ωi为第i组sCT对应的权重值。然后通过线性多项式拟合得到每组sCT对应的权重ωi，实际应用中k的值应远远大于n的值，以获得精确地权重ωi。S54，根据计算得到的权重ωi，对得到的n组sCT进行加权计算即乘加计算得到最终的sCT。前向循环网络的训练结果如图4A所示，图4A中从左到右依次为原始MRI、基于原始MRI生成的sCT、基于sCT生成的sMRI。后向循环网络的训练结果如图4B所示，图4B中从左到右依次为原始CT、基于原始CT生成的sMRI、基于sMRI生成的sCT。由图4A和4B可以看出，训练后的sCT生成模型可以实现高精度的影像转换。以上所述的具体实施例，对本公开的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本公开的具体实施例而已，并不用于限制本公开，凡在本公开的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

权利要求：1.一种基于多序列MRI的sCT生成方法，包括：S1，基于循环生成对抗网络构建sCT生成模型；S2，获取n组MRI序列以及相应的CT影像；S3，利用所述n组MRI序列中的任一MRI序列及所述CT影像调整所述sCT生成模型的参数，使得所述sCT生成模型的损失函数满足预设条件；S4，重复操作S3，调整每一MRI序列对应的sCT生成模型参数，并利用调整后的所述sCT生成模型生成所述n组MRI序列对应的n组sCT；S5，根据所述CT影像和n组sCT计算该n组sCT对应的n个权重值，对所述n个权重值和n组sCT进行乘加计算，得到所述sCT。2.根据权利要求1所述的基于多序列MRI的sCT生成方法，其中，所述sCT生成模型包括sCT生成器、sMRI生成器、CT判别器和MRI判别器，所述sCT生成模型包括前向循环和后向循环，所述前向循环和后向循环共用所述sCT生成器、sMRI生成器、CT判别器和MRI判别器。3.根据权利要求2所述的基于多序列MRI的sCT生成方法，其中，所述步骤S3还包括：计算所述sCT生成器的图像损失函数；为所述图像损失函数设定一预设权重。4.根据权利要求3所述的基于多序列MRI的sCT生成方法，其中，所述图像损失函数为LCycle，LCycle＝||SynMRISynCTIMRI-IMRI||1+||SynCTSynMRIICT-ICT||1其中，IMRI为所述任一MRI序列，ICT为所述CT影像。5.根据权利要求3所述的基于多序列MRI的sCT生成方法，其中，所述步骤S3还包括：计算所述CT判别器的第一损失函数；调整所述sCT生成器和CT判别器的参数，当所述CT判别器的参数相同时，所述sCT生成器的参数使得所述第一损失函数最小，且当所述sCT生成器的参数相同时，所述CT判别器的参数使得所述第一损失函数最大。6.根据权利要求5所述的基于多序列MRI的sCT生成方法，其中，所述步骤S3还包括：将所述图像损失函数与预设权重相乘后与所述第一损失函数相加，得到所述sCT生成器的第二损失函数；调整所述sCT生成器和CT判别器的参数，使得所述第二损失函数小于第一预设值。7.根据权利要求3所述的基于多序列MRI的sCT生成方法，其中，所述步骤S3还包括：计算所述MRI判别器的第三损失函数；调整所述sMRI生成器和MRI判别器的参数，当所述MRI判别器的参数相同时，所述sMRI生成器的参数使得所述第三损失函数最小，且当所述sMRI生成器的参数相同时，所述MRI判别器的参数使得所述第三损失函数最大。8.根据权利要求7所述的基于多序列MRI的sCT生成方法，其中，所述步骤S3还包括：将所述图像损失函数与预设权重相乘后与所述第三损失函数相加，得到所述sMRI生成器的第四损失函数；调整所述sMRI生成器和MRI判别器的参数，使得所述第四损失函数小于第二预设值。9.根据权利要求1所述的基于多序列MRI的sCT生成方法，其中，所述根据所述CT影像和n组sCT计算该n组sCT对应的n个权重值包括：在所述CT影像中选取坐标点，并获取其在该CT影像中的HU值；获取所述坐标点在所述n组sCT中的HU值；根据所述n组sCT中的HU值及所述CT影像中的HU值计算所述n个权重值；其中，HU值表示所述坐标点对X射线的吸收程度。10.根据权利要求9所述的基于多序列MRI的sCT生成方法，其中，所述坐标点的数量为k，k≥n，其中，j＝1，2，……k，i＝1，2，……n，HUj为所述CT中第j个坐标点的HU值，HUi，j为第i组sCT中第j个坐标点的HU值，ωi为第i组sCT对应的权重值。

百度查询： 中国科学技术大学 一种基于多序列MRI的sCT生成方法