近年来,在各种分子成像技术中,PET/MRI是最先进的多模态分子成像技术,具有高精度、无辐射等优点。由于CT数据提供组织密度信息可用于PET的衰减校正而MR图像信号与PET数据衰减校正所需的衰减因子并不直接相关,所以利用MR数据预测CT图像,对PET/MRI系统具有重要的临床意义。基于此,本文研究了如何利用MR数据预测CT图像的方法。主要工作如下:(1)基于组织分割的伪CT图像预测模型研究。根据组织分割法,我们需要准确有效地提取出不同组织成分并分别标签对应的CT值,所以我们提出了一种灰度直方图结和K均值聚类的方法在脑组织上的提取应用。然而,经实验发现,不采用特定序列的真实MR图像对脑组织分类的效果不能满足匹配CT值的应用,所以提出了后续的图谱配准和图像翻译的MR图像预测CT值的模型研究。(2)基于图像配准和图像翻译的伪CT图像预测模型研究。该章分为两个方面:图像配准和图像翻译。第一部分研究了MR与CT图像之间的多模态配准。假设MR与CT之间的灰度值具有一一对应的关系,对MR图像进行伪CT的计算,必须要求MR与CT之间有较高的配准精度。我们采用医学图像配准中常用的最大互信息的方法,进行六自由度的仿射配准,并针对Powell算法确定平移参数和旋转角度后并不能缩放图像的问题,提出了两种自适应配准方法。采用真实数据集进行配准预处理,结果表明,两种算法均能提高MR和CT的多模态图像配准精度。第二部分则研究了对配准后的MR-CT数据集,如何进行伪CT图像的图像翻译。基于MR图像计算成伪CT图像,本质上是图片的一种表示到另一种表示问题,我们提出基于对抗神经网络框架实现的Pix2Pix算法应用到MR图像计算伪CT图像中。实验在自适应仿射配准后的MR/CT的图像数据对进行了测试。结果表明,应用该方法将MR图像生成伪CT图像是可行的,并且伪CT图像和真实CT图像的结构相似度达到了0.88左右。