As two different modalities of medical images, Magnetic Resonance (MR) and Computer Tomography (CT), provide mutually-complementary information to doctors in clinical applications. However, to obtain both images sometimes is cost-consuming and unavailable, particularly for special populations. For example, patients with metal implants are not suitable for MR scanning. Also, it is probably infeasible to acquire multi-contrast MR images during once clinical scanning. In this context, to synthesize needed MR images for patients whose CT images are available becomes valuable. To this end, we present a novel generative network, called CAE-ACGAN, which incorporates the advantages of Variational Auto-Encoder (VAE) and Generative Adversarial Network (GAN) with an auxiliary discriminative classifier network. We apply this network to synthesize multi-contrast MR images from single CT and conduct experiments on brain datasets. Our main contributions can be summarized as follows: 1)We alleviate the problems of images blurriness and mode collapse by integrating the advantages of VAE and GAN; 2) We solve the complicated cross-domain, multi-contrast MR synthesis task using the proposed network; 3) The technique of random-extraction-patches is used to lower the limit of insufficient training data, enabling to obtain promising results even with limited available data; 4) By comparing with other typical networks, we are able to yield nearer-real, higher-quality synthetic MR images, demonstrating the effectiveness and stability of our proposed network.

磁共振（MR）和计算机断层扫描（CT）作为医学图像的两种不同形式，在临床应用中为医生提供了相互补充的信息。但是，同时获得这两个图像有时很耗费成本并且无法获得，特别是对于特殊人群。例如，具有金属植入物的患者不适合进行MR扫描。而且，在一次临床扫描期间获取多对比度MR图像可能是不可行的。在这种情况下，为可获得CT图像的患者合成所需的MR图像变得很有价值。为此，我们提出了一种称为CAE-ACGAN的新型生成网络，该网络结合了可变自动编码器（VAE）和生成对抗网络（GAN）的优点以及辅助的判别分类器网络。我们应用此网络从单CT合成多对比度MR图像，并对大脑数据集进行实验。我们的主要贡献可以归纳如下：1）通过结合VAE和GAN的优势，减轻图像模糊和模式崩溃的问题。2）我们利用提出的网络解决了复杂的跨域，多对比度MR合成任务；3）采用随机抽取补丁技术来降低训练数据不足的极限，即使可用数据有限也能获得有希望的结果；4）通过与其他典型网络进行比较，我们可以生成接近真实，更高质量的合成MR图像，从而证明了我们提出的网络的有效性和稳定性。我们的主要贡献可以归纳如下：1）通过结合VAE和GAN的优势，减轻图像模糊和模式崩溃的问题。2）我们利用提出的网络解决了复杂的跨域，多对比度MR合成任务；3）采用随机提取补丁技术来降低训练数据不足的极限，即使可用数据有限，也可以获得令人满意的结果；4）通过与其他典型网络进行比较，我们可以生成接近真实，更高质量的合成MR图像，从而证明了我们提出的网络的有效性和稳定性。我们的主要贡献可以归纳如下：1）通过结合VAE和GAN的优势，减轻图像模糊和模式崩溃的问题。2）我们利用提出的网络解决了复杂的跨域，多对比度MR合成任务；3）采用随机提取补丁技术来降低训练数据不足的极限，即使可用数据有限，也可以获得令人满意的结果；4）通过与其他典型网络进行比较，我们可以生成接近真实，更高质量的合成MR图像，从而证明了我们提出的网络的有效性和稳定性。3）采用随机提取补丁技术来降低训练数据不足的极限，即使可用数据有限，也可以获得令人满意的结果；4）通过与其他典型网络进行比较，我们可以生成接近真实，更高质量的合成MR图像，从而证明了我们提出的网络的有效性和稳定性。3）采用随机提取补丁技术来降低训练数据不足的极限，即使可用数据有限，也可以获得令人满意的结果；4）通过与其他典型网络进行比较，我们可以生成接近真实，更高质量的合成MR图像，从而证明了我们提出的网络的有效性和稳定性。