【技术实现步骤摘要】
本专利技术属于医疗影像，尤其涉及一种基于深度学习的经颅mr生成伪ct的方法、装置及介质。
技术介绍
1、伪ct图是通过将头颅mr(磁共振)图像转化成类似于ct(计算机断层)扫描图像的过程。ct图像提供了比mr图像更清晰的骨骼结构和软组织对比度，因此在某些医学应用中更具有优势。然而，ct扫描使用x射线辐射，可能对患者造成的辐射剂量较高。
2、对于经颅刺激医疗来说，有些技术不仅需要头颅mr图像，也需要头颅ct图像，且最好需要这两个图像坐标角度均相同，便于观察组织和骨骼。目前的骨骼提取均需要手动提取，不仅不精确，而且时间成本高，急需一个可自动化将头颅mr图像转换伪ct的技术。
技术实现思路
1、为克服上述现有技术的不足，本专利技术提供一种基于深度学习的经颅mr生成伪ct的方法、装置及介质，用以实现头颅mr图像到伪ct图像的自动转换。
2、根据本专利技术说明书的一方面，提供一种基于深度学习的经颅mr生成伪ct的方法，包括：
3、导入mr图像；
4、将导入的mr图像输入训练好的深度学习模型中，输出与所述mr图像对应的伪ct图像；
5、其中，所述深度学习模型的训练包括：
6、构造包括前向循环和后向循环的网络架构；
7、在前向循环中,将原始mr图输入生成器g，输出伪ct图，利用判别器区分伪ct图与原始ct图，将所述伪ct图输入生成器f，输出伪mr图，将所述伪mr图与原始mr图进行对比,以构成前向循环的循环一致性；
8、在后向循环中，将原始ct图输入生成器f，输出伪mr图，利用判别器d区分伪mr图与原始mr图，将所述伪mr图输入生成器g，输出伪ct图，将所述伪ct图与原始ct图进行对比，以构成后向循环的循环一致性。
9、上述技术方案通过训练深度学习模型，捕捉mr图与ct图之间的映射关系，将mr图转换为类似于ct的伪ct图像，以提供更好的骨骼结构和软组织对比，实现了头颅mr图像到伪ct图像的自动化转换。
10、作为进一步的技术方案，还包括：根据前向循环的生成对抗损失函数、后向循环的生成对抗损失函数及循环一致性损失函数，构建所述深度学习模型的损失函数。
11、作为进一步的技术方案，还包括：利用平均绝对误差、峰值信噪比及结构相似性评价生成的伪ct图与原始ct图的差异。
12、作为进一步的技术方案，所述深度学习模型采用ucyclegan网络架构。
13、根据本专利技术说明书的一方面，提供一种基于深度学习的经颅mr生成伪ct的装置，包括：
14、导入模块，用于导入mr图像；
15、生成模块，用于将导入的mr图像输入训练好的深度学习模型中，输出与所述mr图像对应的伪ct图像；
16、其中，所述深度学习模型的训练包括：
17、构造包括前向循环和后向循环的网络架构；
18、在前向循环中,将原始mr图输入生成器g，输出伪ct图，利用判别器区分伪ct图与原始ct图，将所述伪ct图输入生成器f，输出伪mr图，将所述伪mr图与原始mr图进行对比,以构成前向循环的循环一致性；
19、在后向循环中，将原始ct图输入生成器f，输出伪mr图，利用判别器d区分伪mr图与原始mr图，将所述伪mr图输入生成器g，输出伪ct图，将所述伪ct图与原始ct图进行对比，以构成后向循环的循环一致性。
20、作为进一步的技术方案，还包括构建模块，用于根据前向循环的生成对抗损失函数、后向循环的生成对抗损失函数及循环一致性损失函数，构建所述深度学习模型的损失函数。
21、根据本专利技术说明书的一方面，提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其中所述计算机程序被处理器执行时，实现所述基于深度学习的经颅mr生成伪ct的方法的步骤。
22、与现有技术相比，本专利技术的有益效果在于：
23、本专利技术通过训练深度学习模型，捕捉mr图与ct图之间的映射关系，将mr图转换为类似于ct的伪ct图像，以提供更好的骨骼结构和软组织对比，实现了头颅mr图像到伪ct图像的自动化转换。
24、本专利技术通过头颅mr图像到伪ct图像的自动化转换，实现了自动化骨骼提取，不仅提高了精度，还降低了时间成本。
25、本专利技术通过头颅mr图像到伪ct图像的自动化转换，减少了ct扫描对患者的辐射暴露，并且提供更准确的医学影像，以帮助医生做出更准确的诊断和治疗决策。
26、本专利技术结合机器深度学习，开拓性的将其应用在核磁共振图像处理，解决了此前需要手动处理的方式，使核磁共振图像应用更加广泛方便。
本文档来自技高网...【技术保护点】
1.基于深度学习的经颅MR生成伪CT的方法，其特征在于，包括：
2.根据权利要求1所述基于深度学习的经颅MR生成伪CT的方法，其特征在于，还包括：根据前向循环的生成对抗损失函数、后向循环的生成对抗损失函数及循环一致性损失函数，构建所述深度学习模型的损失函数。
3.根据权利要求1所述基于深度学习的经颅MR生成伪CT的方法，其特征在于，还包括：利用平均绝对误差、峰值信噪比及结构相似性评价生成的伪CT图与原始CT图的差异。
4.根据权利要求1所述基于深度学习的经颅MR生成伪CT的方法，其特征在于，所述深度学习模型采用UCycleGAN网络架构。
5.基于深度学习的经颅MR生成伪CT的装置，其特征在于，包括：
6.根据权利要求1所述基于深度学习的经颅MR生成伪CT的装置，其特征在于，还包括构建模块，用于根据前向循环的生成对抗损失函数、后向循环的生成对抗损失函数及循环一致性损失函数，构建所述深度学习模型的损失函数。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，其中所述计算机程序被处
...【技术特征摘要】
1.基于深度学习的经颅mr生成伪ct的方法，其特征在于，包括：
2.根据权利要求1所述基于深度学习的经颅mr生成伪ct的方法，其特征在于，还包括：根据前向循环的生成对抗损失函数、后向循环的生成对抗损失函数及循环一致性损失函数，构建所述深度学习模型的损失函数。
3.根据权利要求1所述基于深度学习的经颅mr生成伪ct的方法，其特征在于，还包括：利用平均绝对误差、峰值信噪比及结构相似性评价生成的伪ct图与原始ct图的差异。
4.根据权利要求1所述基于深度学习的经颅mr生成伪ct的方法，其特征在于，所述深度学...
【专利技术属性】
技术研发人员：孙聪，蔡胜安，何利斌，葛康，陈志文，蔡宇霄，张正飞，曾瑞，邹峻，
申请(专利权)人：武汉资联虹康科技股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。