[发明专利]一种非平衡数据集下图像模态转换方法

权利要求书

1.一种非平衡数据集下图像模态转换方法，其特征在于，包括以下步骤：

(1)构建非平衡CT-MR数据集，其中包括非对应CT-MR数据和对应CT-MR数据；

(2)将CT/MR图像同时作为条件约束，构建多条件约束GAN模型；

(3)采用多尺度卷积核并行与稠密连接的思想构建多条件约束GAN模型的网络结构，结合网络结构中的隐层特征损失优化目标函数，构成医疗图像模态转换GAN模型；

(4)利用非平衡CT-MR数据集进行医疗图像模态转换GAN模型训练；

(5)将CT图像输入训练好的医疗图像模态转换GAN模型生成MR图像。

2.根据权利要求1所述一种非平衡数据集下图像模态转换方法，其特征在于：所述对应CT-MR数据为人体同一组织相同方向上获取的医疗影像CT图像和MR图像，具有一一对应关系，且成对存在；其它不具有一一对应关系的CT图像或MR图像为非对应CT-MR数据。

3.根据权利要求1所述一种非平衡数据集下图像模态转换方法，其特征在于：所述CT/MR图像同时作为条件约束是将CT图像和MR图像都作为GAN模型的约束条件，且作用在GAN模型的生成器、逆生成器和判别器上。

4.根据权利要求1所述一种非平衡数据集下图像模态转换方法，其特征在于：所述多条件约束GAN模型，将多尺度卷积核并行构建多层网络，利用稠密连接将多尺度卷积核构成的网络进行连接，形成一个集成了多尺度卷积核并行和稠密连接的网络模块，最后通过网络模块级联设计多条件约束GAN模型中的生成器、逆生成器和判别器。

5.根据权利要求4所述一种非平衡数据集下图像模态转换方法，其特征在于：所述目标函数为：

其中，d＝{CT,MR,(CT,MR)}，即表示非对应CT-MR数据中的CT图像或MR图像，或者对应CT-MR数据中的CT、MR图像，和分别表示像素误差和各隐层特征误差的均值，λ_a是超参数，用以平衡像素误差与隐层特征误差。

6.根据权利要求1或4或5所述一种非平衡数据集下图像模态转换方法，其特征在于：所述多条件约束GAN模型中的约束条件包括判别器的真伪判别约束、真实MR图像I_MR与生成MR图像G_MR(I_CT)之间的误差约束、逆生成CT图像G_CT(G_MR(I_CT))与真实CT图像I_CT之间的误差约束，以及CT图像与MR图像之间的对应关系约束。

7.根据权利要求6所述一种非平衡数据集下图像模态转换方法，其特征在于：所述多条件约束GAN模型的损失函数为：

其中，L_MCGAN(D_MR,G_MR)表示多条件约束GAN模型的总损失函数，α取值为0或1，当输入图像与约束条件之间为对应CT-MR数据时，α取值为1，反之为0，λ₁、λ₂是超参数，表示在非对应CT-MR数据条件下生成CT图像与真实CT图像间的误差，和分别表示在对应CT-MR数据条件下的生成CT与真实CT图像间的误差、生成MR与真实MR图像间的误差，以及CT图像与MR图像之间的对应关系，L_GAN表示GAN模型本身的对抗约束。