随着医学影像处理技术的不断发展,多中心研究日益兴起。医学影像数据的获取是医学影像处理中的基本问题,多中心研究通过联合多个医疗中心进行影像数据的收集,可以有效地增广医学影像的数据量,提高数据效力,尤其对于部分罕见疾病的研究具有重大意义。扩散磁共振成像对于成像过程中使用的采集设置较为敏感,不同医疗中心的采集结果通常存在一定的中心间差异,因此,在进行多中心数据的整合前,需要首先对影像数据进行同质化处理。本文深入研究了基于球谐函数表示的深度自适应扩散磁共振成像转换方法,主要有以下三方面的工作:首先,提出了一种基于三维卷积的扩散磁共振成像转换模型,并通过马尔科夫判别器引入了一种局部无监督损失约束。该无监督约束可以引导生成器在转换过程中更加关注局部信息,有效地减缓转换结果中的模糊问题,同时,与关注全局的有监督约束形成良好互补。三维卷积则可以对输入影像的空间信息加以利用,有效地提高转换结果的帧间连续性。其次,基于颅脑扩散磁共振成像中脑区域的空间分布特点,提出了一种适用于颅脑扩散磁共振成像的马尔科夫判别器权重分配策略。本文分析了传统马尔科夫判别器的权重分配策略在脑影像转换中应用时存在的问题,在此基础上,依据脑区域的掩膜信息对影像中脑区域的空间分布特点加以利用,对权重的分配策略进行改进,提出的改进策略可以有效地对输入影像先验的空间分布信息进行合理的利用,引导网络在转换过程中更加关注脑区域的转换。最后,基于脑区域分割任务,对转换结果的分割图进行约束,提出了一种辅助的深度监督约束方法。通过引入图像分割领域经典的分割模型3D U-Net作为损失网络,对组织结构最为清楚的R0特征进行分割。在转换流程中,利用预训练的损失网络对转换结果的分割图进行约束,从而引导转换结果的深度特征逼近目标输出的深度特征,对原有的约束进行补充,进一步提高转换质量。实验结果表明,本文提出的基于球谐函数表示的深度自适应扩散磁共振成像转换方法,有效地降低了扩散磁共振成像的中心间差异,为多中心扩散磁共振成像的整合提供了一种有效的思路。