以MRI图像为主导的放射治疗工作需获得CT图像进行剂量计算,但是MRI图像的值与CT图像的值没有直接对应关系。传统的扫描方法会使病人遭受大量的辐射,且会涉及图像配准问题,较为复杂。若能直接利用MRI图像生成CT图像,则可避免上述问题。目前主流的MRI图像扫描器的磁场强度为0.35T,所以本课题基于0.35T MRI图像研究CT图像生成问题。医学图像模态转换可视为图像风格迁移。由于基于流的生成模型强大的生成效果以及良好的可解释性,所以将该模型作为本课题的主要研究方法。但是基于流的生成模型无法直接用于MRI图像到CT图像的生成,所以需要对该模型进行改进。在改进模型中,两个基于流的生成模型通过隐变量进行连接,每一个基于流的生成模型理论上都可完成图片与隐变量之间的映射,而隐变量之间的转换则可通过卷积神经网络VGG16完成,所以该模型可实现0.35T MRI图像到CT图像的转换。为验证该改进模型的有效性,2554张图片用于模型训练,1112张图片用于模型验证,534张图片用于模型测试。同时选用Unet模型和Cycle GAN模型作为对比模型。定性分析发现改进模型的图像清晰度好,无瑕疵生成,整体质量最优;定量分析表明,改进模型的MAE损失为37.67HU与使用像素差作为损失函数的Unet模型的36.93HU十分接近,远低于Cycle GAN模型的45.92HU,表明改进模型生成的图片与真实图片在像素级上的差别较小;同时改进模型的PSNR值较高,为24.30d B,表明改进模型生成的图片重建效果较好;通过计算,改进模型的NCC值较高,为0.967,接近Unet模型的0.970,高于Cycle GAN模型的0.953,表明改进模型生成的图片与真实CT图像十分相似。结合定性分析和定量分析的结果可以得出结论:改进模型是有效的,且其生成的CT图片质量高于Unet模型和Cycle模型,所以可以将该模型用于MRI图像到CT图像的转换。