基于迁移学习的多模态医学分割方法及框架

本发明公开了基于迁移学习的多模态医学分割方法及框架，涉及医疗图像分割技术领域。本发明提出了一种创新的迁移学习架构对T1模态进行迁移分割，包括跨模态图像配准模块和多模态条件生成对抗网络(F2T)，不仅解决了T1模态缺乏标签的问题，还实现了不同模态之间的信息共享，且通过跨模态图像配准模块进行FLAIR和T1图像的精准配准，解决不同模态由于成像原理不同导致在空间分布上的差异问题；设计了F2T实现了FLAIR模态到T1模态的风格迁移，并保留了解剖结构，有效提升了伪T1图像的质量，为医学图像分析任务提供了精确的伪T1图像生成方法。