[发明专利]生成配准的带病灶分割标签的多模态MRI的方法、系统及介质

说明书

本发明公开了一种生成配准的带病灶分割标签的多模态MRI的方法、系统及介质，本发明的方法包括获取正态分布的随机矩阵并输入生成对抗网络中训练好的结构特征解码器解码生成结构特征图；将结构特征图与随机选取的病灶分割标签图通过随机输入融合得到融合结果、并输入生成对抗网络中训练好的随机编码器得到编码；将编码输入生成对抗网络中训练好的各个模态的解码器，分别生成配准后的多模态MRI。本发明将生成对抗网络中的生成器模块化为编码器和解码器，通过多组编码器、解码器和鉴别器的组合训练，可接收一个符合设计规范的随机输入进而生成一组有病灶分割标签的配准的多模态MRI图像，可广泛应用于医学影像领域。

技术领域

本发明涉及医疗领域的图像生成技术，具体涉及一种生成配准的带病灶分割标签的多模态MRI的方法、系统及介质，用于根据给定的符合规范的随机输入，获取配准的带病灶分割标签的多模态MRI图像。

背景技术

随着深度学习的发展，越来越多的领域开始采用深度神经网络来进行图像处理任务。然而，深度神经网络的训练需要大量的数据，但在很多领域，数据集的构建是十分困难的。因此图像生成技术在很多领域的图像智能处理场景中都有重要的用途，例如医学影像、生物细胞影像等。在医学影像智能处理中，医学影像有很多的模态，例如核磁共振影像(MRI)X 射线，CT等等。当同一个病人的同一个部位通过不同的成像技术得到不同的模态时，如果成像位置和视角一致的则被认为这些模态是配准的。相较于单模态数据，配准的多模态影像数据能提供更多的信息，可以支撑更多更复杂的应用场景，满足深度神经网络的训练数据的需求，有助于提供更加高效可靠的智能诊断服务。然而，医学影像收集十分困难，尤其是罕见病，使得医学影像数据集都是稀缺和小型的，这使得很多的训练任务无法实现。自然，配准的多模态影像数据则更为稀缺。因此，通过应用图像生成技术，生成配准的多模态图像有着广泛的用途和深远的意义。

生成对抗网络(GAN)是一种可以接受无监督训练也可以接受有监督训练的灵活的深度神经网络，在计算机视觉领域得到了非常广泛的应用。生成对抗网络一般包括一个生成器和一个鉴别器，生成器可以通过接受随机输入生成逼真的图像，鉴别器通过学习真实图像和生成图像来对两者进行区分并以此指导生成器生成更加逼真的图像。但是，生成配准的带病灶分割标签的多模态MRI时，如何根据给定的符合规范的随机输入获取配准的带病灶分割标签的多模态MRI图像，则仍然是一项亟待解决的关键技术问题。

发明内容

本发明要解决的技术问题：针对现有技术的上述问题，提供一种生成配准的带病灶分割标签的多模态MRI的方法、系统及介质，本发明将生成对抗网络中的生成器模块化为编码器和解码器，通过多组编码器、解码器和鉴别器的组合训练，可接收一个符合设计规范的随机输入进而生成一组有病灶分割标签的配准的多模态MRI图像，可广泛应用于医学影像领域。

为了解决上述技术问题，本发明采用的技术方案为：

一种生成配准的带病灶分割标签的多模态MRI的方法，实施步骤包括：

1)从正态分布N(0,1²)获取随机矩阵Code_F,RM；

2)将随机矩阵Code_F,RM输入生成对抗网络中训练好的结构特征解码器Decoder_F解码生成结构特征图F_RM；

3)将结构特征图F_RM与随机选取的病灶分割标签图L通过随机输入融合得到融合结果；

4)将融合结果输入生成对抗网络中训练好的随机编码器Encoder_RM得到编码Code_RM；

5)将编码Code_RM输入生成对抗网络中训练好的各个模态i的i模态解码器Decoder_i，分别生成配准后的i模态MRIi_g。