(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210537273.4 (22)申请日 2022.05.18 (71)申请人 北京医智影科技有限公司 地址 100089 北京市海淀区学院路3 0号科 大天工大厦A座5层02、 0 3室 (72)发明人 王少彬　陈颀　白璐　陈宇　 (74)专利代理 机构 北京维正专利代理有限公司 11508 专利代理师 梁栋 (51)Int.Cl. G06T 11/00(2006.01) G06T 7/136(2017.01) G06T 7/11(2017.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06V 10/44(2022.01) G06V 10/74(2022.01) G06V 10/82(2022.01) (54)发明名称 基于CycleGAN的MR合成CT方法、 设备和计算 机可读存 储介质 (57)摘要 本申请的实施例提供了基于CycleGAN的MR 合成CT方法、 设备和计算机可读存储介质。 所述 方法包括获取MR图像； 将所述MR图像输入至基于 CycleGAN网络训练的合成模型， 输 出与所述MR图 像对应的CT； 其中， 基于结构相似性约束， 调整所 述合成模型中生成器的参数。 以此方式， 可合成 高精度的CT， 有效改善合成CT结果的结构保持特 性、 细节恢复程度等， 并有效地抑制了背景干 扰。 权利要求书3页 说明书9页 附图5页 CN 114820861 A 2022.07.29 CN 114820861 A 1.一种基于 CycleGAN的MR合成CT方法， 其特 征在于， 包括： 获取MR图像； 将所述MR图像输入至基于CycleGAN网络训练的合成模型， 输出与所述MR图像对应的 CT； 其中， 基于结构相似性约束， 调整所述 合成模型中生成器的参数。 2.根据权利要求1所述的方法， 其特 征在于， 通过如下 方式训练合成模型包括： 构建训练样本集， 所述训练样本集包括预设数量的MR图像以及和所述MR图像对应的CT 图像和常规CT图像； 以所述训练样本集中的MR图像作为输入， MR图像对应的CT图像作为输出， 基于 CycleGAN网络， 对生成器进行训练； 以所述训练样本集中的常规CT图像作为输入， MR图像对应的CT图像作为输出， 对鉴别 器进行训练； 根据生成器和鉴别器的损失函数的差异度对生成器的参数进行调整， 直到生成器和鉴 别器的损失函数的差异值小于预设阈值， 将此时的生成器和鉴别器作为 最终的合成模型。 3.根据权利要求2所述的方法， 其特征在于， 所述基于结构相似性约束， 调整所述合成 模型中生成器的参数包括： 提取所述MR图像和输出的CT图像的轮廓； 基于结构相似性约束， 计算所述MR图像轮廓和CT图像轮廓的相似性； 其中， 所述结构相 似性约束包括互信息损失函数和主动轮廓损失函数； 基于所述相似性， 调整所述 合成模型中生成器的参数。 4.根据权利要求3所述的方法， 其特征在于， 所述基于结构相似性约束， 计算所述MR图 像轮廓和CT图像 轮廓的相似性包括： 其中， 基于互信息损失函数， 计算所述MR图像 轮廓和CT图像 轮廓的相似性包括： 通过如下公式， 计算MR图像 轮廓和CT图像 轮廓的相似性： 其中， MI为互信息； p(x)和p(y)分别表示， MR图像IMR和CT图像G(IMR)所提取的轮廓的概 率分布； p(x,y)表示， p(x)和p(y)的联合 概率分布； 基于主动轮廓损失函数， 计算所述MR图像 轮廓和CT图像 轮廓的相似性包括： 定义所搜主动轮廓损失函数为： LossAC＝Length+λ·Refion 其中， Region＝ ∫Ω((c1‑v)2‑(C2‑V)2)udx 将所述Length、 Regi on转换为单个 像素的形式：权　利　要　求　书 1/3 页 2 CN 114820861 A 2c1和c2定义如下： 其中， v表示分割参 考值； u表示预测值； uxi,j和uyi,j中的x和y分别表示水平方向和垂直方向； ∈表示预设参数； c1和c2分别表示内部和外 部的能量。 5.根据权利要求 4所述的方法， 其特 征在于， 还 包括： 通过通道 注意力机制， 优化基于 CycleGAN网络， 训练的生成器的多通道特 征。 6.根据权利要求5所述的方法， 其特征在于， 通过通道注意力机制， 优化基于CycleGAN 网络， 训练的生成器的多通道特 征包括： 分别对训练样本中的MR图像进行reshap e变换和reshape变换与转置， 得到两个对应的 特征响应图； 基于所述两个对应的特 征响应图， 通过softmax得到通道维度的注意力响应图； 基于所述注意力响应图和对所述MR图像进行reshape变化的特征响应图， 优化生成器 的多通道特 征。 7.根据权利要求6所述的方法， 其特征在于， 所述基于所述两个对应的特征响应图， 通 过softmax得到通道维度的注意力响应图包括： 通过如下公式， 计算得到通道维度的注意力响应图： 其中， xji表示， 第i个通道对第j个通道的影响； Ai表示， 对MR图像进行reshape变换， 得到的响应图； Aj表示， 对MR图像进行reshape变换与转置， 得到的响应图。 8.根据权利要求7所述的方法， 其特征在于， 所述基于所述注意力响应图和对所述MR图 像进行reshape变化的特 征响应图， 优化 生成器的多通道特 征包括： 通过如下公式计算 生成器的通道特 征： 其中， β 为尺度系数； 基于所述 通道特征， 优化生成器的多通道特 征。权　利　要　求　书 2/3 页 3 CN 114820861 A 3