一种全脑伪制造技术

本发明专利技术提供了一种全脑伪

【技术实现步骤摘要】
一种全脑伪CT图像的生成方法


[0001]本专利技术属于全脑伪
CT
图像生成
，具体涉及一种全脑伪
CT
图像的生成方法
。

技术介绍

[0002]全脑放疗可以有效控制颅脑肿瘤的生长和扩散，改善患者的预后；然而，对全脑区域实施照射可能会损伤正常组织和器官，导致记忆和认知功能障碍等显著副作用；学界认为其可能与海马损伤有关
。
大脑海马区又名海马回，因为形似海马而得名，与记忆和认知功能密切相关
。
因此，实施海马回避
(HA)
的全脑照射，可以在控制颅内肿瘤的同时保留患者相关神经功能，从而降低周围正常组织的毒性反应
。
[0003]欲对海马区等危及器官实施精准保护，首要任务是对其解剖轮廓进行精准勾画以便于术中照射规避
。
在脑部组织显示方面，
MRI
较
CT
具有无电离辐射
、
软组织分辨率高等特点，基于
MRI
的靶区勾画可更好的满足上述要求
。
但是，
MRI
反映的是质子密度和组织弛豫信息，无法提供不均匀性组织密度信息以进行放射剂量计算及优化
。
目前，临床上多采用
MRI
和
CT
图像相融合的定位方式，即将
MRI
与
CT
模拟定位图像配准融合后进行靶区和危及器官勾画
。
利用
CT<br/>值与电子密度的转换以获取不均匀性组织密度信息
。
然而，基于
MRI
与
CT
图像融合以指导靶区和危及器官的勾画主要存在以下局限性：
[0004]因
MRI
与
CT
的成像原理
、
扫描层厚等因素不同，两种模态图像配准再融合存在解剖结构上的误差
。
术中发现患者靶区位置或形态发生变化时，需要重新对病灶进行
CT
定位扫描以重新计算剂量
。
如此造成患者接受额外的电离辐射
。

技术实现思路

[0005]为了克服上述现有技术存在的不足，本专利技术提供了一种全脑伪
CT
图像的生成方法
。
[0006]为了实现上述目的，本专利技术提供如下技术方案：
[0007]一种全脑伪
CT
图像的生成方法，包括：
[0008]构建循环一致性生成对抗网络框架
CycleGAN
，所述
CycleGAN
包括：生成器
G
MRI
‑
CT
和生成器
G
CT
‑
MRI
，判别器
D
MRI
和判别器
D
CT
；
[0009]将真实
MRI
图像和与其对应的真实
CT
图像作为训练集；将训练集中的真实
MRI
图像输入生成器
G
MRI
‑
CT
中，转化为伪
CT
图像
pCT
；利用生成器
G
CT
‑
MRI
将伪
CT
图像
pCT
转化为重建
MRI
图像
rMRI
；计算重建
MRI
图像
rMRI
与真实
MRI
图像的循环一致性损失
L1
；
[0010]利用判别器
DCT
判断真实
CT
图像与伪
CT
图像
pCT
之间的差别，根据差别计算对抗性损失
L2
；
[0011]将训练集中的真实
CT
图像输入生成器
G
CT
‑
MRI
中，转化为伪
MRI
图像
pMRI
；利用生成器
G
MRI
‑
CT
将
pMRI
转化为重建
CT
图像
rCT
；计算重建
CT
图像
rCT
与真实
CT
图像的循环一致性损失
L3
；
[0012]利用判别器
D
MRI
判断真实
MRI
图像与伪
MRI
图像
pMRI
之间的差别，根据差别计算对抗性损失
L4
；
[0013]当
L1、L2、L3、L4
之和最小时，结束
CycleGAN
的训练，此时得到最佳生成器
G
MRI
‑
CT
；
[0014]将
MRI
图像输入最佳生成器
G
MRI
‑
CT
中，得到
MRI
图像对应的伪
CT
图像，实现全脑伪
CT
图像生成
。
[0015]进一步，所述生成器
G
MRI
‑
CT
和生成器
G
CT
‑
MRI
的构建包括：
[0016]利用扩张卷积模块和与扩张卷积模块对应的反卷积模块搭建
CycleGAN
的生成器
G
MRI
‑
CT
和生成器
G
CT
‑
MRI
，并在扩张卷积模块和反卷积模块之间设置跳跃连接
。
[0017]进一步，所述判别器
D
MRI
和判别器
D
CT
均包括多个卷积层；
[0018]输入判别器
D
MRI
和判别器
D
CT
的图像经过各卷积层在
[64,128,256,512]通道尺度上提取特征后，被映射为
N*N
的矩阵；
[0019]N*N
矩阵中每个点代表判别器对原始图像中的一块区域的评价值，如果局部区域是真实的，所述判别器
D
MRI
或判别器
D
CT
输出的
N*N
矩阵中局部区域对应的点置为1，否则置为
0。
[0020]进一步，所述扩张卷积模块包括：
[0021]第一扩张卷积层；
[0022]第一正则化层，其输入端与所述扩张卷积层输出端相连；...

【技术保护点】

【技术特征摘要】
1.
一种全脑伪
CT
图像的生成方法，其特征在于，包括：构建循环一致性生成对抗网络框架
CycleGAN
，所述
CycleGAN
包括：生成器
G
MRI
‑
CT
和生成器
G
CT
‑
MRI
，判别器
D
MRI
和判别器
D
CT
；将真实
MRI
图像和与其对应的真实
CT
图像作为训练集；将训练集中的真实
MRI
图像输入生成器
G
MRI
‑
CT
中，转化为伪
CT
图像
pCT
；利用生成器
G
CT
‑
MRI
将伪
CT
图像
pCT
转化为重建
MRI
图像
rMRI
；计算重建
MRI
图像
rMRI
与真实
MRI
图像的循环一致性损失
L1
；利用判别器
DCT
判断真实
CT
图像与伪
CT
图像
pCT
之间的差别，根据差别计算对抗性损失
L2
；将训练集中的真实
CT
图像输入生成器
G
CT
‑
MRI
中，转化为伪
MRI
图像
pMRI
；利用生成器
G
MRI
‑
CT
将
pMRI
转化为重建
CT
图像
rCT
；计算重建
CT
图像
rCT
与真实
CT
图像的循环一致性损失
L3
；利用判别器
D
MRI
判断真实
MRI
图像与伪
MRI
图像
pMRI
之间的差别，根据差别计算对抗性损失
L4
；当
L1、L2、L3、L4
之和最小时，结束
CycleGAN
的训练，此时得到最佳生成器
G
MRI
‑
CT
；将
MRI
图像输入最佳生成器
G
MRI
‑
CT
中，得到
MRI
图像对应的伪
CT
图像，实现全脑伪
CT
图像生成
。2.
根据权利要求1所述的一种全脑...

【专利技术属性】
技术研发人员：李亮，蒋爱军，曹石，唐璐，解昕，刘肖肖，章龙珍，
申请(专利权)人：徐州医科大学附属医院，
类型：发明
国别省市：