目的：磁共振成像（MRI）是一种广泛应用于疾病诊断的医学成像技术。在疾病诊断和放疗治疗计划中，与CT图像相比，MRI图像为临床医生和物理师提供了更详细的病理结构，从CT切片生成伪MRI图像能够缓解MRI图像采集时间长的问题。但伪MRI图像的生成存在许多困难，包括MRI图像中的高频信息较多、CT图像中软组织的分辨率较低等。本文提出了一种新的卷积神经网络，并引入Contextual损失函数，利用CT图像生成T1加权（T1WI）和T2加权图像（T2WI）。
材料与方法：获取35名志愿者的脑部图像，包括T1WI、T2WI和CT图像；然后利用仿射配准算法得到CT/MRI图像对，并对CT图像进行增强，增加软组织的对比度，并通过掩模处理消除CT和MR图像的背景噪声；最后，我们提出了一种基于ResNet的深度卷积神经网络，如图1（见上传全文）所示，对ResNet的结构进行改进和补充，分别构成U-Net的编码器和解码器，并将其命名为Double ResNet-U-Net（DRU-Net），并引入图像超分辨率中的Contextual损失函数优化模型参数。
结果：我们分别量化了生成图像的PSNR、SSIM和Tenengrad三个指标。如表1（见上传全文）所示，前两行是在相同的DRU-Net网络模型下，比较不同的损失函数，结果表明，与MSE损失函数相比，Contextual损失函数大大提高了生成MRI图像的质量；同时，在相同的Contextual损失函数下，将DRU-Net与前人提出的DCNN模型相比，生成的伪MRI图像质量相对较高；另外，基于DRU-Net和Contextual损失函数生成的T1WI和T2WI在图像细节的渲染能力上都比前两者强，如图2（见上传全文）所示。
结论：实验结果表明，DRU-Net能够很好地根据CT数据生成伪MRI图像，并且Contextual损失函数丰富了伪MRI图像中的高频信息，使得MRI图像中软组织显示更加清楚。
 

伪MRI,放射治疗计划,UNet,ResNet,Contextual loss