目的  设计一个变分自编码器生成对抗网络（Variational autoencoder generative adversarial network，VAE-GAN）图像生成模型，用于从正常新生儿常规颅脑MRI的T1WI与T2WI中生成合成的弥散张量成像（Diffusion tensor imaging，DTI）标量图，即各向异性分数（Fractional anisotropy，FA）和平均扩散率（Mean diffusivity，MD）图，并评估该模型的生成效能。

方法  通过构建一个VAE-GAN模型，并使用414名选自发展中的人类连接组计划和135名本院的受试者对VAE-GAN模型进行训练、验证及测试。

模型生成图像效能使用两种方法进行评估:（1）模型效能定量评价的三个指标，人类感知指标：峰值信噪比（Peak signal-to-noise ratio，PSNR）、结构相似性指数（Structural similarity index measure，SSIM），结构指标：标准化均方根误差（Normalized root mean square error，NRMSE）；（2）选取39名新生儿，将其生成图与真实图投射至同一框架后，选取多个感兴趣区（Region of interest，ROI）测量FA、MD值，并应用Pearson相关性分析评估相关性。

结果  1. 模型的定量评价指标PSNR越高，SSIM越接近1，NRMSE越接近0，证明模型效果越好，本研究中的VAE-GAN模型生成效能良好，具体指标如下：

训练集FA图的PSNR、SSIM、NRMSE指标分别为31.26±5.23、0.90±0.02、0.21±0.02；MD图的PSNR、SSIM、NRMSE指标分别为29.17±7.62、0.87±0.02、0.21±0.05；

验证集FA图的PSNR、SSIM、NRMSE指标分别为27.14±6.20、0.89±0.02、0.30±0.07；MD图的PSNR、SSIM、NRMSE指标分别为20.07±5.22、0.85±0.02、0.19±0.07；

测试集FA图的PSNR、SSIM、NRMSE指标分别为25.03±5.62、0.90±0.01、0.27±0.02；MD图的PSNR、SSIM、NRMSE指标分别为22.89±6.67、0.86±0.01、0.23±0.02。

2.测得的6个ROI的真实图和生成图的FA、MD值之间存在显著相关性（FA：r∈（0.7493~0.9146），P＜0.001；MD：r∈（0.6751~0.8632），P＜0.001）。

结论  1.VAE-GAN模型可以从常规的新生儿颅脑MRI图像（T1WI、T2WI）中生成DTI标量图（FA、MD）。

2.VAE-GAN模型生成的合成FA和MD图是准确的，可以用于临床研究。