(19)國家知識產權局(12)發(fā)明專利(10)授權公告號CN114255289B(65)同一申請的已公布的文獻號(30)優(yōu)先權數據(73)專利權人通用電氣精準醫(yī)療有限責任公司地址美國威斯康星州(74)專利代理機構北京三友知識產權代理有限公司11127專利代理師黨曉林韓中領McMillan.DeepLearningMRImaging-Imaging.Radiology.2017,1-2.DinankGupta*,MichelleKim,KarenA.TreatmentPlanningandPatieRESEARCH.2019,1-8.審查員張麗紅(54)發(fā)明名稱~20T/R開關2RF驅動器單元本發(fā)明題為“用于將磁共振圖像轉換成偽計算機斷層攝影術圖像的方法和系統。”本發(fā)明提供了用于將磁共振(MR)圖像轉換成偽計算機斷層攝影術(CT)圖像的各種方法和系統。在一個實對于準確密度信息(尤其是在表現出具有高動態(tài)范圍的骨的稀疏區(qū)域中)的益處可以在僅MR工作流中獲得，從而實現MR圖像中增強的軟組織對比21.一種用于將磁共振圖像轉換成偽計算機斷層攝影術圖像的方法，包括：使用多任務神經網絡生成對應于所述MR圖像的偽CT圖像、骨掩模和骨HU圖像，其中，所述偽CT圖像包括三種密度類別的集合，所述密度類別包括空氣、組織和骨，并且其中，所述輸出所述MR圖像和所述偽CT圖像，其中，使用所述偽CT圖像的整個圖像回歸損失、所述骨掩模的分割損失和所述骨HU圖像的聚焦在骨片段上的回歸損失來訓練所述多任務神經網絡。2.根據權利要求1所述的方法，其中使用所述MR圖像中包括骨的感興趣區(qū)域的聚焦損失來訓練所述多任務神經網絡。3.根據權利要求1所述的方法，還包括使用包括所述整個圖像回歸損失、所述分割損失和聚焦在所述骨片段上的所述回歸損失的復合損失來訓練所述多任務神經網絡，其中每種損失在所述復合損失中被加權。4.根據權利要求1所述的方法，還包括使用所述骨HU圖像更新所述偽CT圖像，并且使用所述MR圖像輸出所述更新的偽CT圖像。5.根據權利要求1所述的方法，其中所述多任務神經網絡包括被配置有多個輸出層的U-Net卷積神經網絡，其中所述多個輸出層中的一個輸出層輸出所述偽CT圖像。MRI掃描儀；顯示設備；控制器單元，所述控制器單元通信地耦接到所述MRI掃描儀和所述顯示設備；和存儲器，所述存儲器存儲可執(zhí)行指令，所述可執(zhí)行指令在被執(zhí)行時，使得所述控制器單述偽CT圖像包括三種密度類別的集合，所述密度類別包括空氣、組織和骨，并且其中，所述其中，使用所述偽CT圖像的整個圖像回歸損失、所述骨掩模的分割損失和所述骨HU圖像的聚焦在骨片段上的回歸損失來訓練所述多任務神經網絡。7.根據權利要求6所述的磁共振成像MRI系統，其中使用所述MR圖像中包括骨的感興趣區(qū)域的聚焦損失來訓練所述多任務神經網絡。8.根據權利要求6所述的磁共振成像MRI系統，所述存儲器還存儲可執(zhí)行指令，所述可執(zhí)行指令在被執(zhí)行時，使得所述控制器單元使用包括所述整個圖像回歸損失、所述分割損失和聚焦在所述骨片段上的所述回歸損失的復合損失來訓練所述多任務神經網絡，其中每種損失在所述復合損失中被加權。9.根據權利要求6所述的磁共振成像MRI系統，所述存儲器還存儲可執(zhí)行指令，所述可執(zhí)行指令在被執(zhí)行時，使得所述控制器單元使用所述骨HU圖像更新所述偽CT圖像，并且使用所述MR圖像向所述顯示設備輸出所述更新的偽CT圖像。310.一種非暫態(tài)計算機可讀介質，所述非暫態(tài)計算機可讀介質包括指令，所述指令在被執(zhí)行時使得處理器：使用多任務神經網絡生成對應于所述MR圖像的偽CT圖像、骨掩模和骨HU圖像，其中，所述偽CT圖像包括三種密度類別的集合，所述密度類別包括空氣、組織和骨，并且其中，所述其中，使用所述偽CT圖像的整個圖像回歸損失、所述骨掩模的分割損失和所述骨HU圖像的聚焦在骨片段上的回歸損失來訓練所述多任務神經網絡。11.根據權利要求10所述的非暫態(tài)計算機可讀介質，其中使用所述MR圖像中包括骨的感興趣區(qū)域的聚焦損失來訓練所述多任務神經網絡。12.根據權利要求10所述的非暫態(tài)計算機可讀介質，其中所述指令在被執(zhí)行時，進一步使得所述處理器使用包括所述整個圖像回歸損失、所述分割損失和聚焦在所述骨片段上的所述回歸損失的復合損失來訓練所述多任務神經網絡，其中每種損失在所述復合損失中被加權。13.根據權利要求10所述的非暫態(tài)計算機可讀介質，其中所述指令在被執(zhí)行時，進一步使得所述處理器使用所述骨HU圖像更新所述偽CT圖像，并且使用所述MR圖像向所述顯示設備輸出所述更新的偽CT圖像。14.根據權利要求10所述的非暫態(tài)計算機可讀介質，其中所述多任務神經網絡包括被配置有多個輸出層的U-Net卷積神經網絡，其中所述多個輸出層中的一個輸出層輸出所述15.一種用于將磁共振圖像轉換成偽計算機斷層攝影術圖像的方法，包括：使用多任務神經網絡生成對應于所述MR圖像的偽CT圖像、骨掩模和骨HU圖像，其中，所述偽CT圖像包括三種密度類別的集合，所述密度類別包括空氣、組織和骨，并且其中，所述骨掩模通過卷積sigmoid操作獲得，并且所述骨HU圖像通過ReLU操作獲得；以及輸出所述MR圖像和所述偽CT圖像，其中，使用所述偽CT圖像的整個圖像回歸損失、所述骨掩模的分割損失和所述骨HU圖像的聚焦在骨片段上的回歸損失來訓練所述多任務神經網絡。4技術領域[0001]本文所公開的主題的實施方案涉及磁共振成像，并且更具體地講，涉及將磁共振圖像轉換成類計算機斷層攝影術圖像。背景技術[0002]體內的電子密度信息對于放射治療計劃中的準確劑量計算以及對于在正電子發(fā)射斷層攝影術(PET)成像中計算衰減校正圖是必不可少的。在傳統放射治療計劃和PET成像中，計算機斷層攝影術(CT)圖像提供組織的電子密度和衰減特征的必要信息。具體地，CT成像使得能夠同時準確描繪內部解剖結構，諸如骨、軟組織和血管。發(fā)明內容[0003]在一個實施方案中，一種方法包括：獲取磁共振(MR)圖像；使用多任務神經網絡生密度信息(尤其是在表現出高動態(tài)范圍的骨的稀疏區(qū)域中)的益處可以在僅MR工作流中獲[0004]應當理解，提供上面的簡要描述來以簡化的形式介紹在具體實施方式中進一步描述的精選概念。這并不意味著識別所要求保護的主題的關鍵或必要特征，該主題的范圍由具體實施方式后的權利要求書唯一地限定。此外，所要求保護的主題不限于解決上文或本公開的任何部分中提到的任何缺點的實施方式。附圖說明[0005]通過參考附圖閱讀以下對非限制性實施方案的描述將更好地理解本公開，其中以[0006]圖1是根據本公開的實施方案的MRI系統的框圖；[0007]圖2是示出根據本公開的實施方案的用于使用深度多任務神經網絡將MR圖像轉換成偽CT圖像的圖像處理系統的示意圖；[0008]圖3是示出根據本公開的實施方案的用于將MR圖像轉換成偽CT圖像的多任務神經網絡的實施方案的布局的示意圖；[0009]圖4是示出根據本公開的實施方案的可在圖2的圖像處理系統中使用的深度多任務神經網絡的布局的示意圖；[0010]圖5是示出根據本公開的實施方案的用于訓練深度多任務神經網絡以從具有聚焦感興趣區(qū)域準確性的MR圖像生成偽CT圖像的示例性方法的高級流程圖；[0011]圖6是示出根據本公開的實施方案的用于使用深度多任務神經網絡從MR圖像生成偽CT圖像的示例性方法的高級流程圖；[0012]圖7示出了示出與輸入MR圖像和地面實況CT圖像相比根據不同技術生成的示例性5偽CT圖像的一組圖像；[0013]圖8示出了示出針對多個病例的偽CT和CT圖像的軟組織和骨區(qū)域的歸一化柱狀圖[0014]圖9示出了示出多個情況下不同骨密度閾值處的偽CT骨區(qū)域的Dice系數的曲線圖的一組曲線圖。具體實施方式[0015]以下描述涉及用于將MR圖像轉換成偽CT或類CT圖像的各種實施方案。體內的電子密度信息對于放射治療(RT)計劃中的準確劑量計算以及對于在正電子發(fā)射斷層攝影術(PET)成像中計算衰減校正圖是必不可少的。在傳統RT治療計劃和PET/CT成供組織的電子密度和衰減特征的必要信息。然而，使用僅MR臨床工作流來利用MR圖像中增強的軟組織對比度的益處的趨勢不斷增加。為了替換CT圖像，需要從MRI推斷用于R算和PET/MR衰減校正的密度圖。使用MRI替換CT的一種方法可以包括將MR圖像映射到對應用MRI系統(諸如圖1所描繪的MR裝置)來獲得CT成像的某些益處。然而，在CT圖像中，骨值可在250Hu至超過2000HU的范圍內，同時僅占據身體區(qū)域的一部分。因此，先前基于機器學習模型生成pCT圖像的方法例如由于骨區(qū)域的大動態(tài)范圍和空間稀疏度而趨于偏向訓練來自軟組織和背景區(qū)域的空間主值，從而導致骨區(qū)域內的準確性降低。此外，骨區(qū)域在更高的密度下變得更稀疏，并且對網絡優(yōu)化的貢獻甚至更小。偽CT圖像中的不準確骨值分配可導致例如RT治療計劃的劑量計算中的一系列誤差。為了更好地利用MRI進行RT治療計劃，圖像處理系統(諸如圖2所描繪的圖像處理系統)可包括被配置為生成具有準確骨值分配的pCT圖輸出具有跨不同密度和組織類別的準確HU值分配的pCT圖像。在一個示例中，為了增加合成CT的骨估計的準確性，向多任務神經網絡分配整個圖像轉換、感興趣區(qū)域的準確分割和感興趣區(qū)域內的圖像值估計的任務。例如，如圖3所描繪，多任務神經網絡因此輸出用于三個相應任務的偽CT圖像、骨掩模和骨HU圖像或骨密度圖。多任務神經網絡可被實現為具有多個輸出層的二維U-Net卷積神經網絡，例如如圖4所描繪。多任務神經網絡可例如根據訓練方法(諸如圖5所描繪的方法)進行訓練，以同時執(zhí)行多個任務，使得相關任務改善網絡的歸一化。一種用于在訓練之后實現此類多任務神經網絡的方法(諸如圖6所描繪的方法)可以包括從MR圖像生成偽CT圖像，并且用也由多任務神經網絡生成的骨HU圖像更新偽CT圖像。通過構建如本文所述的神經網絡并訓練神經網絡以執(zhí)行多個相關任務，相對于其他方法甚至其他基于深度神經網絡的方法，pCT生成的準確性得到改善，如圖7至圖9中的定性比較和定量比較所描繪。[0016]現在轉到圖片，圖1示出了磁共振成像(MRI)裝置10,該磁共振成像裝置包括靜磁場磁體單元12、梯度線圈單元13、RF線查床或床26、數據處理單元31、操作控制臺單元32和顯示單元33。在一些實施方案中，該RF線圈單元14是表面線圈，其是通常被放置在受檢者16的感興趣的解剖結構附近的局部線6號。因此，傳輸體線圈(例如，RF體線圈單元15)和表面接收線圈(例如，RF線圈單元14)立但電磁耦接的部件。MRI裝置10將電磁脈沖信號傳輸到放置在成像空間18中的受檢者16,其中形成靜態(tài)磁場以執(zhí)行掃描來從受檢者16獲得磁共振信號?？苫谟纱送ㄟ^掃描獲得的磁共振信號來重建受檢者16的一個或多個圖像。[0017]靜磁場磁體單元12包括例如安裝在環(huán)形真空容器內的環(huán)形超導磁體。磁體限定了圍繞受檢者16的圓柱形空間，并且生成恒定的主靜磁場B?。[0018]MRI裝置10還包括梯度線圈單元13,該梯度線圈單元在成像空間18中形成梯度磁場，以便為由RF線圈陣列(例如，RF線圈單元14和/或RF體線圈單元15)接收的磁共振信號提供三維位置信息。梯度線圈單元13包括三個梯度線圈系統，每個梯度線圈系統生成沿彼此垂直的三個空間軸線中的一者的梯度磁場，并且根據成像條件在頻率編碼方向、相位編碼方向和切片選擇方向中的每一方向上生成梯度場。更具體地，梯度線圈單元13在受檢者16的切片選擇方向(或掃描方向)上施加梯度場，以選擇切片；并且RF體線圈單元15或局部RF線圈陣列可以將RF脈沖傳輸到受檢者16的所選擇的切片。梯度線圈單元13還在受檢者16的相位編碼方向上施加梯度場，以對來自由RF脈沖激發(fā)的切片的磁共振信號進行相位編碼。然后梯度線圈單元13在受檢者16的頻率編碼方向上施加梯度場，以對來自由RF脈沖激發(fā)的切片的磁共振信號進行頻率編碼。[0019]RF線圈單元14被設置為例如包圍受檢者16的待成像區(qū)域。在一些示例中，RF線圈單元14可被稱為表面線圈或接收線圈。在由靜磁場磁體單元12形成靜磁場B?的靜磁場空間或成像空間18中，RF線圈單元15基于來自控制器單元25的控制信號將作為電磁波的RF脈沖傳輸到受檢者16,并且從而生成高頻磁場B?這激發(fā)了受檢者16的待成像的切片中的質子自旋。RF線圈單元14接收當在受檢者16的待成像的切片中由此激發(fā)的質子自旋返回到與初始磁化矢量對準時生成的電磁波作為磁共振信號。在一些實施方案中，RF線圈單元14可傳傳輸RF脈沖。[0020]RF體線圈單元15被設置為例如包圍成像空間18,并且在成像空間18內產生與由靜磁場磁體單元12產生的主磁場B。正交的RF磁場脈沖以激發(fā)核。與RF線圈單元14相比，其可以與MRI裝置10斷開并且用另一個RF線圈單元替換，RF體線圈單元15固定地附接并連接到MRI裝置10。此外，盡管局部線圈諸如RF線圈單元14可以僅從受檢者16的局部區(qū)域傳輸或接收信號，但是RF體線圈單元15通常具有更大的覆蓋區(qū)。例如，RF體線圈單元15可用于向受檢者16的全身傳輸或接收信號。使用僅接收的局部線圈和傳輸體線圈提供均勻的RF激發(fā)和良好的圖像均勻性，代價是沉積在受檢者中的RF功率較高。對于傳輸-接收局部線圈，局部線圈向感興趣區(qū)域提供RF激發(fā)并接收MR信號，從而減少沉積在受檢者中的RF功率。應當理解，RF線圈單元14和/或RF體線圈單元15的特定用途取決于成像應用。[0021]當以接收模式操作時，T/R開關20可以選擇性地將RF體線圈單元15電連接到數據獲取單元24,并且當以傳輸模式操作時，T/R開關20可以選擇性地將RF體線圈單元15電連接到RF驅動器單元22。類似地，當RF線圈單元14以接收模式操作時，T/R開關20可以選擇性地將RF線圈單元14電連接到數據獲取單元24,并且當以傳輸模式操作時，T/R開關20可以選擇性地將RF線圈單元14電連接到RF驅動器單元22。當RF線圈單元14和RF體線圈單元15都用于單次掃描時，例如，如果RF線圈單元14被配置為接收MR信號并且RF體線圈單元15被配置為7傳輸RF信號，則T/R開關20可以將來自RF驅動器單元22的控制信號引導到RF體線圈單元15,同時將接收的MR信號從RF線圈單元14引導到數據獲取單元24.RF體線圈單元15的線圈可以被配置為以僅傳輸模式或傳輸-接收模式操作。局部RF線圈單元14的線圈可以被配置為以傳輸-接收模式或僅接收模式操作。[0022]RF驅動器單元22包括柵極調制器(未示出)、RF功率放大器(未示出)和RF振蕩器(未示出),它們用于驅動RF線圈(例如，RF線圈單元15)并在成像空間18中形成高頻磁場。RF驅動器單元22基于來自控制器單元25的控制信號并且使用柵極調制器，將從RF振蕩器接收的RF信號調制成具有預定包絡的預定定時的信號。由柵極調制器調制的RF信號由RF功率放大器放大，然后輸出到RF線圈單元15。[0023]梯度線圈驅動器單元23基于來自控制器單元25的控制信號驅動梯度線圈單元13,從而在成像空間18中生成梯度磁場。梯度線圈驅動器單元23包括與梯度線圈單元13中包括的三個梯度線圈系統對應的三個驅動器電路系統(未示出)。[0024]數據獲取單元24包括前置放大器(未示出)、相位檢測器(未示出)和用于獲取由RF線圈單元14接收的磁共振信號的模擬/數字轉換器(未示出)。在數據獲取單元24中，相位檢測器相位將來自RF驅動器單元22的RF振蕩器的輸出用作參考信號來檢測從RF線圈單元14接收并由前置放大器放大的磁共振信號，并將相位檢測的模擬磁共振信號輸出到模擬/數字轉換器，以轉換成數字信號。由此獲得的數字信號被輸出到數據處理單元31。[0025]MRI裝置10包括用于在其上放置受檢者16的檢查床26。通過基于來自控制器單元25的控制信號移動檢查床26,可以使受檢者16在成像空間18的內部和外部移動。[0026]控制器單元25包括計算機和其上記錄有要由計算機執(zhí)行的程序的記錄介質。程序在被計算機執(zhí)行時使裝置的各個部分執(zhí)行與預定掃描對應的操作。記錄介質可包括例如或非易失性存儲卡?？刂破鲉卧?5連接到操作控制臺單元32并且處理輸入到操作控制臺單元32的操作信號，并且還通過向它們輸出控制信號來控制檢查床26、RF驅動器單元22、梯度線圈驅動器單元23和數據獲取單元24?？刂破鲉卧?5還基于從操作控制臺單元32接收的操作信號來控制數據處理單元31和顯示單元33以獲得期望的圖像。[0027]操作控制臺單元32包括用戶輸入設備，諸如觸摸屏、鍵盤和鼠標。操作者使用操作控制臺單元32,例如，輸入此類數據作為成像協議，并且設置要執(zhí)行成像序列的區(qū)域。關于成像協議和成像序列執(zhí)行區(qū)域的數據被輸出到控制器單元25。[0028]數據處理單元31包括計算機和記錄介質，在該記錄介質上記錄由計算機執(zhí)行以執(zhí)行預定數據處理的程序。數據處理單元31連接到控制器單元25,并且基于從控制器單元25接收的控制信號執(zhí)行數據處理。數據處理單元31還連接到數據獲取單元24,并且通過對從數據獲取單元24輸出的磁共振信號施加各種圖像處理操作來生成光譜數據。[0029]顯示單元33包括顯示設備，并且基于從控制器單元25接收的控制信號在顯示設備的顯示屏幕上顯示圖像。顯示單元33顯示例如關于操作者從操作控制臺單元32輸入操作數據的輸入項目的圖像。顯示單元33還顯示由數據處理單元31生成的受檢者16的二維(2D)切片圖像或三維(3D)圖像。[0030]參考圖2,示出了根據示例性實施方案的醫(yī)學圖像處理系統200。在一些實施方案8統、超聲系統等。在一些實施方案中，醫(yī)學圖像處理系統200設置在經由有線連接和/或無線連接可通信地耦接到醫(yī)學成像系統的設備(例如，邊緣設備、服務器等)處。在一些實施方案中，醫(yī)學圖像處理系統200設置在單獨的設備(例如，工作站)處，該設備可從醫(yī)學成像系統或者從存儲由醫(yī)學成像系統生成的圖像的存儲設備接收圖像。醫(yī)學圖像處理系統200可包括圖像處理系統202、用戶輸入設備216和顯示設備214。[0031]圖像處理系統202包括處理器204,該處理器被配置為執(zhí)行存儲在非暫態(tài)存儲器206中的機器可讀指令。處理器204可以是單核或多核的，并且在其上執(zhí)行的程序可以被配置用于進行并行或分布式處理。在一些實施方案中，處理器204可以任選地包括分布在兩個或更多個設備中的單獨組件，其可以被遠程定位和/或配置用于協調處理。在一些實施方案中，處理器204的一個或多個方面可被虛擬化并由以云計算配置進行配置的能夠遠程訪問的聯網計算設備執(zhí)行。[0032]非暫態(tài)存儲器206可存儲深度多任務神經網絡模塊208、訓練模塊210和醫(yī)學圖像數據212,諸如磁共振圖像數據。深度多任務神經網絡模塊208可包括一個或多個深度多任務神經網絡，該一個或多個深度多任務神經網絡包括多個參數(包括權重、偏差、激活函數),以及用于實現一個或多個深度多任務神經網絡以接收MR圖像并且將MR圖像映射到輸208可存儲用于實現多任務神經網絡(諸如圖4所示的CNN架構400的多任務卷積神經網絡(CNN))的指令。深度神經網絡模塊208可包括經訓練和/或未經訓練的多任務神經網絡，并且還可包括與存儲在其中的一個或多個多任務神經網絡有關的各種數據或元數據。[0033]非暫態(tài)存儲器206還可存儲訓練模塊210,該訓練模塊包括用于訓練存儲在深度多任務神經網絡模塊208中的深度神經網絡中的一個或多個深度神經網絡的指令。訓練模塊210可包括指令，該指令在由處理器204執(zhí)行時使圖像處理系統202進行在下面詳細討論的方法500的步驟中的一個或多個步驟。在一些實施方案中，訓練模塊210包括用于以下操作的指令：實現一個或多個梯度下降算法；應用用于每個任務的一個或多個損失函數以及基于用于每個任務的一個或多個損失函數的復合損失函數；和/或訓練例程以用于調整深度多任務神經網絡模塊208的一個或多個深度多任務神經網絡的參數。在一些實施方案中，訓練模塊210包括用于從醫(yī)學圖像數據212智能地選擇訓練數據集的指令。在一些實施方案中，訓練數據集包括同一患者的同一解剖區(qū)域的對應的MR和CT醫(yī)學圖像對。此外，在一些實施方案中，訓練模塊210包括用于通過基于醫(yī)學圖像數據212中的CT圖像生成骨掩模和骨HU圖像來生成訓練數據集的指令。在一些實施方案中，訓練模塊210不設置在圖像處理系統202處。深度多任務神經網絡模塊208包括訓練和驗證的網絡。[0034]非暫態(tài)存儲器206還存儲醫(yī)學圖像數據212。醫(yī)學圖像數據212包括例如從MRI系統應MR圖像和CT圖像。在一些實施方案中，醫(yī)學圖像數據212可包括多個訓練數據對，該多個訓練數據對包括MR圖像和CT圖像對。[0035]在一些實施方案中，非暫態(tài)存儲器206可以包括設置在兩個或更多個設備上的組件，這些組件可以被遠程定位和/或配置用于協調處理。在一些實施方案中，非暫態(tài)存儲器206的一個或多個方面可以包括以云計算配置進行配置的能夠遠程訪問的聯網存儲設備。[0036]圖像處理系統200還可包括用戶輸入設備216。用戶輸入設備216可包括觸摸屏、鍵9盤、鼠標、觸控板、運動感測相機或被配置為使用戶能夠與圖像處理系統202內的數據交互并操縱該數據的其他設備中的一者或多者。例如，用戶輸入設備216可使用戶能夠選擇醫(yī)學[0037]顯示設備214可以包括利用幾乎任何類型技術的一個或多個顯示設備。在一些實施方案中，顯示設備214可包括計算機監(jiān)視器，并且可顯示未處理的和已處理的MR圖像和/或偽CT圖像。顯示設備214可與處理器204、非暫態(tài)存儲器206和/或用戶輸入設備216組合在共享殼體中，或者可以是外圍顯示設備，并且可包括監(jiān)視器、觸摸屏、投影儀或本領域已知的其他顯示設備，其可使用戶能夠查看醫(yī)學圖像，和/或與存儲在非暫態(tài)存儲器206中的各種數據交互。[0038]應當理解，圖2所示的圖像處理系統200是用于說明而非限制。另一種合適的圖像處理系統可以包括更多、更少或不同的部件。[0039]轉到圖3,示出了用于將MR圖像310轉換成偽CT或pCT圖像330的轉換過程300的第一實施方案的示意圖。具體地，轉換過程300包括將MR圖像310輸入到多任務神經網絡320,該多任務神經網絡繼而輸出對應于輸入MR圖像310的偽CT圖像330、骨掩模340和骨HU圖像[0040]因此，多任務神經網絡320將MR圖像310映射到其對應的與地面實況CT圖像(未示出)匹配的偽CT圖像330。CT圖像(Ic)可被視為具有三種不同密度類別的空間不重疊集合：像310)和CT圖像Ic為空間對準的，從而意味著偽CT圖像Ic(例如，偽CT圖像330)的空間對準，CT圖像與pCT圖像330之間的誤差可被定義為[0044]較小的e值導致某一類別內的密度偏差。然而，較大的e值導致被不同地分類的像素；此類誤差更可能發(fā)生在兩個類別之間的邊界位置處，并且可導致累積分類誤差。因此，誤差e可被視為包括不同類別之間的分類誤差和每個類別內的圖像值估計誤差兩者。網絡的總體目標是通過最小化地面實況CT圖像與pCT圖像330之間的誤差e來將MR圖像310映射到pCT圖像330。[0045]多任務神經網絡320被配置有多個任務，使得分類和回歸的任務分離，而不是配置具有將MR圖像310映射到pCT圖像330的單個任務的神經網絡。通過分離分類和回歸的任務，并且通過優(yōu)化多任務神經網絡320以同時減少兩個誤差，可以針對相關任務中的每個相關任務實現隱式增強。盡管任務是相關的，但預期多任務神經網絡320以彼此不同的方式學習它們，并且為了單獨地優(yōu)化任務，每個任務由專用損失函數驅動。如本文進一步所述，多任務神經網絡320被配置有三個任務：整個圖像轉換、感興趣區(qū)域的準確分割和感興趣區(qū)域內的圖像值估計。每個任務由損失函數驅動，該損失函數被調制為使特定誤差最小化，從而有助于多任務神經網絡320的總體最佳狀態(tài)。既不考慮圖像中每個類別的區(qū)域體積之間的不平衡，也不能夠按需聚焦在圖像的區(qū)域上。MAE可適于通過對與圖像的其余部分相比對區(qū)域損失進行正向加權來包括空間聚焦的能力，其中區(qū)域的相對體積可用作隱式權重因子。例如，對于具有N個樣本的給定區(qū)域k,區(qū)域k內的平均絕對誤差(MAE)計算為：[0052]是整個圖像的體積。在第一類別的體積N-遠小于第二類別的體積N,的類別不平被k表示的圖像內的區(qū)域上的空間聚焦。當第一類別的體積[0058]為了生成骨掩模X普，多任務神經網絡的輔助任務是從圖像的其余部分分割骨區(qū)Dice損失L,:[0060]為了生成骨HU值圖或骨HU圖像I,多任務神經網絡的輔助任務是在骨區(qū)域內生成個任務的不確定性進行建模來選擇。作為例示性示例，可以些層之后可以是瓶頸層中的兩個卷積-批歸一化-ELU操作塊。解碼器網絡可包括具有兩個卷積-S形操作獲得骨掩模340,并且經由卷積-整流線性單元(ReLU)操作獲得骨HU值圖或骨[0069]如本文進一步所述，本文所述的特定于具體實現的參數(諸如濾波器的數量、U-根據本文公開的一種或多種方法產生的訓練數據來學習CNN400的參數。CNN400包括U-的輸入圖像圖塊402,穿過多個特征標測圖，且最后映射到輸出層458a述了二維輸入，但應當理解，本文所述的多任務神經網絡(包括多任務CNN400)可被配置為附加地或另選地接受三維圖像作為輸入。換句話講，多任務CNN400可以接受二維MR圖像切片和/或三維MR圖像體積作為輸入。[0071]圖例460中標記了包括CNN400的各種元件。如圖例460所指示，CNN400包括多個特征標測圖(和/或復制的特征標測圖),其中每個特征標測圖可接收來自外部文件或先前的特征標測圖的輸入，并且可將所接收的輸入轉換/映射成輸出以產生下一特征標測圖。每個特征標測圖都可包括多個神經元，其中在一些實施方案中，每個神經元都可接收來自前一層/特征標測圖的神經元的子集的輸入，并且可基于所接收的輸入來計算單個輸出，其中輸出可傳播到下一層/特征標測圖中的神經元的子集?？梢允褂每臻g維度諸如長度、寬度和深度來描述特征標測圖，其中維度是指包括特征標測圖的神經元的數量(例如，指定的特征標測圖是多少神經元長、多少神經元寬、以及多少神經元深[0072]在一些實施方案中，特征標測圖的神經元可通過使用學習權重集(每個學習權重集在本文中可被稱為濾波器)執(zhí)行所接收的輸入的點積來計算輸出，其中每個所接收的輸入具有唯一的對應的學習權重，其中該學習權重是在CNN的訓練期間學習的。[0073]由每個特征標測圖執(zhí)行的轉換/映射由箭頭指示，其中每種類型的箭頭對應于不同的轉換，如圖例460所指示。向右指向的實心黑色箭頭指示步幅為1的3×3卷積，其中來自緊接著先前的特征標測圖的特征通道的3×3網格的輸出被映射到當前特征標測圖的單個特征通道。每個3×3卷積都可跟隨有激活函數，其中在一個實施方案中，激活函數包括整流線性單元(ReLU)。[0074]向下指向的中空箭頭指示2×2最大池化，其中來自特征通道的2×2網格的最大值從緊接著先前的特征標測圖傳播到當前特征標測圖的單個特征通道，從而導致緊接著先前特征標測圖的空間分辨率降低4倍。[0075]向上指向的中空箭頭指示2×2上卷積，其包括將來自緊接著先前的特征標測圖的單個特征通道的輸出映射到當前特征標測圖中的特征通道的2×2網格，從而將緊接著先前的特征標測圖的空間分辨率提高4倍。[0076]向右指向的虛線箭頭指示復制和裁剪特征標測圖以與另一個以后出現的特征標測圖級聯。裁剪使復制的特征標測圖的維度能夠與待與復制的特征標測圖級聯的特征通道的維度匹配。應當理解，當正復制的第一特征標測圖的大小和待與第一特征標測圖級聯的第二特征標測圖的大小相等時，可不執(zhí)行裁剪。[0077]具有中空細長三角形頭部的向右指向的箭頭指示1×1卷積，其中緊接著先前的特征標測圖中的每個特征通道被映射到當前特征標測圖的單個特征通道，或者換句話講，其中在緊接著先前的特征標測圖與當前特征標測圖之間發(fā)生了特征通道的1對1映射。如圖所描繪，具有中空三角形頭部的其他向右指向的箭頭指示具有不同激活函數的卷積，包括線性激活函數、整流線性單元(ReLU)激活函數和S形激活函數。[0078]除了圖例460內的箭頭所指示的操作之外，CNN400還包括在圖4中用實心填充矩形表示的特征標測圖，其中特征標測圖包括高度(如圖4所示的從上到下的長度，其對應于x-y平面中的y空間維度)、寬度(圖4中未示出，假設量值與高度相等，并且對應于x-y平面中的x空間維度)和深度(如圖4所示的左右長度，其對應于每個特征通道內的特征的數量)。同樣，CNN400包括在圖4中用中空(未填充)矩形表示的復制和裁剪的特征標測圖，其中復制的特征標測圖包括高度(如圖4所示的從上到下的長度，其對應于x-y平面中的y空間維度)、寬度(圖4中未示出，假設量值與高度相等，并且對應于x-y平面中的x空間維度)和深度(如圖4所示從左側到右側的長度，其對應于每個特征通道內的特征的數量)。[0079]在輸入圖像圖塊402(在本文也稱為輸入層)處開始，可輸入對應于MR圖像的數據并將其映射到第一特征集。在一些實施方案中，輸入數據在由神經網絡處理之前被預處理(例如，歸一化)?？稍谟柧氝^程期間學習CNN400的每一層的權重/參數，其中將輸入和預期輸出(地面實況輸出)的匹配對饋送到CNN400?？苫谔荻认陆邓惴ɑ蚱渌惴▉碚{整參數，直到CNN400的輸出在閾值準確性內與預期輸出(地面實況輸出)匹配為止。[0080]如緊接著輸入圖像圖塊402右側的實心黑色向右指向的箭頭所指示，執(zhí)行輸入圖像圖塊402的特征通道的3×3卷積以產生特征標測圖404。如上面所討論的，3×3卷積包括使用學習的權重將輸入從特征通道的3×3網格映射到當前特征標測圖的單個特征通道，其中將學習的權重稱為卷積濾波器。CNN架構400中的每個3×3卷積可包括后續(xù)激活函數，在一個實施方案中，該后續(xù)激活函數包括將每個3×3卷積的輸出通過ReLU。在一些實施方案其他激活功能。[0081]如緊接著特征標測圖404右側的實心黑色向右指向的箭頭所指示，在特征標測圖404上執(zhí)行3×3卷積以產生特征標測圖406。[0082]如特征標測圖406下方的向下指向的箭頭所指示，在特征標測圖406上執(zhí)行2×2最大池化操作以產生特征標測圖408.簡而言之，2×2最大池化操作包括從緊接著先前的特征標測圖的特征通道的2×2網格確定最大特征值，以及將當前特征標測圖的單個特征通道中的單個特征設置為如此確定的最大值。另外，特征標測圖406被復制并與來自特征標測圖448的輸出級聯以產生特征標測圖450,如緊接著特征標測圖406右側的虛線向右指向的箭頭所指示。[0083]如緊接著特征標測圖408右側的實心黑色向右指向的箭頭所指示，在特征標測圖408上執(zhí)行步幅為1的3×3卷積以產生特征標測圖410。如緊接著特征標測圖410右側的實心黑色向右指向的箭頭所指示，在特征標測圖410上執(zhí)行步幅為1的3×3卷積以產生特征標測圖412。[0084]如特征標測圖412下方的向下指向的中空頭部箭頭所指示，在特征標測圖412上執(zhí)行2×2最大池化操作以產生特征標測圖414,其中特征標測圖414是特征標測圖412的空間分辨率的四分之一。另外，特征標測圖412被復制并與來自特征標測圖442的輸出級聯以產生特征標測圖444,如緊接著特征標測圖412右側的虛線向右指向的箭頭所指示。[0085]如緊接著特征標測圖414右側的實心黑色向右指向的箭頭所指示，在特征標測圖414上執(zhí)行步幅為1的3×3卷積以產生特征標測圖416。如緊接著特征標測圖316右側的實心黑色向右指向的箭頭所指示，在特征標測圖416上執(zhí)行步幅為1的3×3卷積以產生特征標測圖418。[0086]如特征標測圖418下方的向下指向的箭頭所指示，在特征標測圖418上執(zhí)行2×2最大池化操作以產生特征標測圖420,其中特征標測圖420是特征標測圖419的空間分辨率的一半。另外，特征標測圖418被復制并與來自特征標測圖436的輸出級聯以產生特征標測圖438,如緊接著特征標測圖418右側的虛線向右指向的箭頭所指示。[0087]如緊接著特征標測圖420右側的實心黑色向右指向的箭頭所指示，在特征標測圖420上執(zhí)行步幅為1的3×3卷積以產生特征標測圖422。如緊接著特征標測圖422右側的實心黑色向右指向的箭頭所指示，在特征標測圖422上執(zhí)行步幅為1的3×3卷積以產生特征標測圖424。[0088]如特征標測圖424下方的向下指向的箭頭所指示，在特征標測圖424上執(zhí)行2×2最大池化操作以產生特征標測圖426,其中特征標測圖426是特征標測圖424的空間分辨率的四分之一。另外，特征標測圖424被復制并與來自特征標測圖430的輸出級聯以產生特征標測圖432,如緊接著特征標測圖424右側的虛線向右指向的箭頭所指示。[0089]如緊接著特征標測圖426右側的實心黑色向右指向的箭頭所指示，在特征標測圖426上執(zhí)行3×3卷積以產生特征標測圖428.如緊接著特征標測圖428右側的實心黑色向右指向的箭頭所指示，在特征標測圖428上執(zhí)行步幅為1的3×3卷積以產生特征標測圖430。[0090]如特征標測圖430正上方的向上指向的箭頭所指示，在特征標測圖430上執(zhí)行2×2上卷積以產生特征標測圖432的第一半部，同時使用來自特征標測圖424的復制的特征以產生特征標測圖432的第二半部。簡而言之，步幅為2的2×2上卷積(在本文也稱為反卷積或上采樣)包括將緊接著先前的特征標測圖的單個特征通道中的特征標測圖到在當前特征標測圖中的四個特征通道之間分布的四個特征(即，來自單個特征通道的輸出被當作四個特征通道的輸入)。上卷積/解卷積/上采樣包括通過去卷積濾波器(在本文也稱為去卷積內核)從單個特征通道投影特征值以產生多個輸出。[0091]如緊接著特征標測圖432右側的實心黑色向右指向的箭頭所指示，在特征標測圖432上執(zhí)行3×3卷積以產生特征標測圖434。[0092]如圖4所指示，在特征標測圖434上執(zhí)行3×3卷積以產生特征標測圖436并且在特征標測圖436上執(zhí)行2×2上卷積以產生特征標測圖438的一半，而來自特征標測圖418的復制的特征產生特征標測圖438的第二半部。此外，在特征標測圖438上執(zhí)行3×3卷積以產生特征標測圖440,在特征標測圖440上執(zhí)行3×3卷積以產生特征標測圖442,并且在特征標測圖442上執(zhí)行2×2上卷積以產生特征標測圖444的第一半部，同時使用來自特征標測圖412的復制和裁剪的特征以產生特征標測圖444的第二半部。在特征標測圖444上執(zhí)行3×3卷積以產生特征標測圖446,在特征標測圖446上執(zhí)行3×3卷積以產生特征標測圖348,并且在特征標測圖448上執(zhí)行2×2上卷積以產生特征標測圖450的第一半部，同時使用來自特征標測圖406的復制的特征以產生特征標測圖450的第二半部。在特征標測圖450上執(zhí)行3×3卷積以產生特征標測圖452,在特征標測圖452上執(zhí)行3×3卷積以產生特征標測圖454,在特征標測圖454上執(zhí)行1×1卷積以產生輸出層456。簡而言之，1×1卷積包括第一特征空間中的特征通道與第二特征空間中的特征通道的1對1映射，其中不會發(fā)生空間分辨率的降低。[0093]如由遠離輸出層456指向的多個箭頭所描繪，可通過執(zhí)行具有不同激活函數的二維卷積來從輸出層456獲得多個輸出。首先，在輸出層456上執(zhí)行具有線性激活函數的二維卷積以產生偽CT圖像輸出458a。第二，在輸出層456上執(zhí)行具有S形激活函數的二維卷積以產生骨掩模輸出458b。第三，在輸出層456上執(zhí)行具有ReLU激活函數的二維卷積以產生骨圖像輸出458c。[0094]偽CT圖像輸出層458a包括神經元的輸出層，其中每個神經元的輸出對應于偽CT圖像的像素。骨掩模輸出層458b包括神經元的輸出層，其中每個神經元的輸出對應于骨掩?；蚬茄谀D像的像素。骨HU圖像輸出層458c包括神經元的輸出層，其中每個神經元的輸出對應于包括在骨區(qū)域內的HU值并且在骨區(qū)域之外為空的像素。[0095]以這種方式，多任務CNN400可使MR圖像能夠映射到多個輸出。圖4中所示的CNN400的架構包括特征標測圖轉換，隨著輸入圖像圖塊傳播通過卷積神經網絡的神經元層，發(fā)生該特征標測圖轉換，以產生多個預測輸出。[0096]CNN400中的卷積層的權重(和偏差)是在訓練期間學習的，這將在下面參考圖5進行詳細討論。簡而言之，定義損失函數以反映每個預測輸出與每個地面實況輸出之間的差值?？蓪⒍嗳蝿誄NN400的基于用于每個任務的損失函數的復合差值/損失反投影8到CNN400以更新卷積層的權重(和偏差)?？墒褂冒∕R圖像和對應的地面實況輸出的多個訓練數據集來訓練CNN400。[0097]應當理解，本公開包含神經網絡架構，這些神經網絡架構包括一個或多個正則化層，該一個或多個正則化層包括批歸一化層、丟棄層、高斯噪聲層和機器學習領域中已知的其他正則化層，它們可在訓練期間使用以減輕過度擬合并提高訓練效率，同時減少訓練時間。在CNN訓練期間使用正則化層，并且在CNN的訓練后實施方式期間將其停用或移除。這些層可散布在圖4所示的層/特征標測圖之間，或者可替換所示層/特征標測圖中的一者或多者。[0098]應當理解，圖4所示的CNN400的架構和配置是用于說明而非限制?？墒褂萌魏魏线m的多任務神經網絡。以上描述本公開的一個或多個具體實施方案以提供透徹的理解。本領域技術人員將理解，在不脫離本公開的實質的情況下，可以在實施時修改實施方案中描述的具體細節(jié)。[0099]圖5是示出根據本公開的實施方案的用于訓練深度多任務神經網絡(諸如圖4所示的CNN400)以從具有聚焦感興趣區(qū)域準確性的MR圖像生成偽CT圖像的示例性方法500的高級流程圖?？捎捎柧毮K210實現方法500。[0100]方法500在505處開始。在505處，方法500將包括MR圖像、地面實況CT圖像、地面實況骨掩模和地面實況骨HU圖像的訓練數據集饋送到多任務神經網絡。MR圖像和地面實況CT圖像包括分別經由MR和CT成像模態(tài)獲取的相同患者的相同感興趣區(qū)域的醫(yī)學圖像，使得MR圖像和地面實況CT圖像彼此對應。從地面實況CT圖像生成地面實況骨掩模和地面實況骨HU圖像。例如，地面實況CT圖像可以被分割以獲得包含骨的地面實況CT圖像的片段，并且地面實況骨掩?？梢园ò堑牡孛鎸崨rCT圖像的片段。地面實況骨掩模因此包括圖像掩模，該圖像掩模例如通過將骨片段表示為黑色像素并且將非骨片段表示為白色像素，或者反之亦然，指示對應于骨的地面實況CT圖像的位置并且進一步指示不對應于骨的地面實況CT圖像的位置。類似地，盡管地面實況骨掩模包括指示骨片段的圖像掩模，但是地面實況骨[0101]地面實況可包括基于MR圖像的輸入，從多任務神經網絡獲得的預期的、理想的或“正確的”結果。包括地面實況CT圖像、地面實況骨掩碼和地面實況骨HU圖像的地面實況輸出對應于MR圖像，使得可以在多個任務上訓練本文所述的多任務神經網絡，該多個任務包括生成對應于MR圖像的偽CT圖像，生成指示偽CT圖像內的骨的位置的骨掩模，以及生成指示偽CT圖像內的骨HU值的骨HU圖像。訓練數據集和包括該訓練數據集的多個訓練數據集可以存儲在圖像處理系統中，諸如在圖像處理系統202的醫(yī)學圖像數據212中。[0102]在510處，方法500將MR圖像輸入到多任務神經網絡的輸入層。例如，MR圖像被輸入到多任務CNN400的輸入層402。在一些示例中，MR圖像的每個體素或像素值被輸入到多任務神經網絡的輸入層的不同節(jié)點/神經元。[0103]在515處，方法500確定包括pCT圖像、骨掩模和骨HU圖像的多任務神經網絡的當前輸出。例如，多任務神經網絡通過從輸入層穿過一個或多個隱藏層來傳播輸入MR圖像，直到到達多任務神經網絡的輸出層，來將輸入MR圖像映射到pCT圖像、骨掩模和骨HU圖像。pCT圖[0104]在520處，方法500計算pCT圖像和地面實況CT圖像的第一損失。方法500可通過計算由多任務神經網絡輸出的pCT圖像與地面實況CT圖像之間的差值來計算第一損失。例如，由于多任務神經網絡的第一任務是對應于不同類別的整個CT值(HU)范圍的整個圖像回歸，[0106]其中MAE包括整個身體區(qū)域的平均絕對誤差，該整個身體區(qū)域包括骨區(qū)域、組織[0107]在525處，方法500計算骨掩模和地面實況骨掩模的第二損失。方法500可通過計算由多任務神經網絡輸出的骨掩模與地面實況骨掩模之間的差值來計算第二損失。例如，由于多任務神經網絡的第二任務是分割MR圖像的骨區(qū)域，因此第二損失通過對將其他區(qū)域作為骨的錯誤分類進行罰分來使骨區(qū)域的形狀正則化。為此，第二損失可以計算為：[0109]其中Dice損失L過計算由多任務神經網絡輸出的骨HU圖像與地面實況骨HU圖像之間的差值來計算第三損失。例如，第三損失使感興趣區(qū)域(例如，骨區(qū)域)中的回歸明確地正則化，并且為了聚焦在骨區(qū)域上，身體區(qū)域的其余部分連同背景被視為互補類別。因此，方法500可以通過計算聚焦在值的子范圍上的回歸損失來計算第三損失，由下式定義：[0112]其中WMAE包括如上文參照圖3所述的骨區(qū)域的加權平均絕對誤差。[0113]在535處，方法500基于第一損失、第二損失和第三損失計500計算多任務神經網絡的復合損失函數L:[0115]其中損失系數權重w?、w?和w?可基于對應任務的重要性或通過對每個任務的不確定性進行建模來確定。[0116]在540處，方法500基于在535處計算的復合損失來調整多任務神經網絡的權重和偏差?？赏ㄟ^多任務神經網絡將復合損失反向傳播以更新卷積層的權重和偏差。在一些示例中，根據梯度下降算法可發(fā)生復合損失的反向傳播，其中針對多任務神經網絡的每個權重和偏差確定復合損失函數的梯度(一階導數或一階導數的近似)。然后，通過將針對權重或偏差確定(或近似)的梯度乘積的負數與預定步長大小相加來更新每個權重和偏差。然或者對于方法500的每次迭代，多任務神經網絡的權重和/或偏差的變化率都在閾值以下。[0117]以這種方式，方法500使得多任務神經網絡能夠被訓練以在具有不同電子密度的區(qū)域中生成具有增加的結構準確性和定量準確性的偽CT圖像，其中特別聚焦在準確骨值預[0118]一旦如上文所述訓練了多任務神經網絡，就可部署多任務神經網絡以用于生成偽CT圖像，該偽CT圖像繼而可用于改善具有單個6是示出根據本公開的實施方案的用于使用深度多任務神經網絡從MR圖像生成偽CT圖像的示例性方法600的高級流程圖。參照圖1至圖4的系統和部件描述了方法600,但應當理解，方法600可在不脫離本公開的范圍的情況下用其他系統和部件來實現。方法600可被實現為非暫態(tài)存儲器206中的可執(zhí)行指令，該可執(zhí)行指令可由圖像處理系統202的處理器204執(zhí)行，例如，該圖像處理系統可被集成到成像系統(諸如MRI裝置10)中。[0119]方法600在605處開始。在605處，方法600獲取MR圖像。在醫(yī)學圖像處理系統200被集成到成像系統(諸如MRI裝置10)中的示例中，例如，方法600可以通過生成RF信號并測量MR信號來控制MRI裝置10以執(zhí)行受試者(諸如患者)的掃描。在此類示例中，方法600還可以根據如上文參照圖1所述的測得的MR信號來構造受試者的MR圖像。在其他示例中，其中圖像處理系統200被設置在單獨的設備(例如，工作站)處，該設備通信地耦接到成像系統(諸如MRI裝置10)并且被配置為從成像系統接收MR圖像，方法600可以通過從成像系統檢索或接由圖片歸檔和通信系統(PACS))來獲取MR圖像。[0120]在610處，方法600將MR圖像輸入到經訓練的多任務神經網絡。在一些示例中，經訓練的多任務神經網絡包括被配置有多個輸出層的U-Net二維卷積神經網絡架構，諸如上文參照圖4所述的CNN400,其具有根據上文參照圖5所述的訓練方法500訓練的自動編碼器-自動解碼器類型架構。經訓練的多任務神經網絡基于輸入MR圖像至少生成對應于MR圖像的偽CT(pCT)圖像，以及與其它任務相關的附加輸出，諸如如[0121]因此，在615處，方法600從經訓練的多任務神經網絡接收對應于MR圖像的pCT圖用骨HU圖像更新pCT圖像。例如，方法600可將骨HU圖像粘貼到在一些示例中由骨掩模引導可與pCT圖像共混以改善pCT圖像的定量準確性，而無需替換pCT圖像的像素。[0122]在620處，方法600輸出MR圖像和更新的pCT圖像。例如，方法600可以經由顯示設備[0123]圖7示出了示出與輸入MR圖像705和地面實況CT圖像710相比根據不同技術生成的像通過使用適于在單對比度MRI中捕獲骨信息的ZTE協議在MR掃描期間控制MR裝置來獲取。地面實況CT圖像710包括通過控制CT成像系統以執(zhí)行患者的CT掃描而獲取的患者的CT圖相互信息和互相關量度的組合最小化來執(zhí)行配準?？梢跃唧w地針對MR-CT圖像訓練對來執(zhí)行此類配準，以進一步改善由本文所述的多任務神經網絡執(zhí)行的來自MR圖像的pCT圖像回[0125]如上文所提及的，該組圖像700還包括根據不同技術生成的示例性偽CT圖像。例如，第一偽CT圖像720包括使用多任務神經網絡從輸入MR圖像705生成的多任務偽CT圖像720,如上文所述。差異圖722描繪了地面實況CT圖像710與多任務偽CT圖像720之間的像素[0129]作為本文提供的多任務神經網絡與標準單任務神經網絡的使用之間的定性差異線圖810,包括軟組織區(qū)域的曲線圖812和骨區(qū)域的曲線圖814;用于第二種情況的一組曲線圖820,包括軟組織區(qū)域的曲線圖822和骨區(qū)域的曲線圖824;用于第三種情況的一組曲線圖830,包括軟組織區(qū)域的曲線圖832和骨區(qū)域的曲線圖834;以及用于第四種情況的第四組曲[0130]每個曲線圖示出了經由上文所述的各種技術(包括本文所述的多任務神經網絡、[0131]預測圖像柱狀圖與每個區(qū)域中的CT柱狀圖的接近度是該范圍內在不同值處的圖本文所述針對偽CT圖像回歸配置和訓練的多任務神經網絡相對于其他方法實現了更好的的DenseNet56神經網絡，身體區(qū)域中的MAEMAE身為109.92±12.56,軟組織區(qū)域中的MAE經網絡的曲線圖(較長虛線)和用于DenseNet56神經網絡的曲線圖(較短虛線),如圖例980[0134]為了評估多任務神經網絡在放射治療計劃中的實用性，對放射治療計劃中的pCT臨床指南并使用醫(yī)師繪制的ROI基于CT圖像來制定治療計劃。然后使用治療計劃系統基于現計劃目標體積(PTV)的平均劑量相對于規(guī)定劑量的差值分別為0.18%和-0.13%。因此，或多者的方法的第三示例中，使用偽CT圖像的整個圖像回歸損失、骨掩模的分割損失和骨圖像的聚焦在骨片段上的回歸損失來訓練多任務神經網絡。在任選地包括第一示例至第三示例中的一者或多者的方法的第四示例中，該方法還包括使用包括整個圖像回歸損失、分割損失和聚焦在骨片段上的回歸損失的復合損失來訓練多任務神經網絡，其中每種損失在復合損失中被加權。在任選地包括第一示例至第四示例中的一者或多者的方法的第五示例地包括第一示例至第五示例中的一者或多者的方法的第六示例中，多任務神經網絡包括被配置有多個輸出層的U-Net卷積神經網絡，其中多個輸出層中的一個輸出層輸出偽CT圖像。[0138]在另一個實施方案中，磁共振成像(MRI)系統包括MRI掃描儀；顯示設備；控制器單元，該控制器單元通信地耦接到MRI掃描儀和顯示設備；以及存