این مقاله به بررسی استفاده از یک مدل یادگیری عمیق مبتنی بر 3D Dual-CycleGAN برای تولید و سنتز تصاویر MRI با کنتراست‌های مختلف می‌پردازد. در این پژوهش، تصاویر T1-weighted (T1W) به‌عنوان ورودی استفاده شده و مدل تلاش می‌کند تصاویر T1c، T2W و FLAIR را به‌صورت مصنوعی تولید کند. داده‌های پژوهش از مجموعه BraTS 2021 شامل تصاویر MRI بیماران مبتلا به تومور مغزی تهیه شده است. معماری پیشنهادی با ترکیب یادگیری نظارت‌شده و بدون‌نظارت و استفاده از توابع زیان مختلف، از جمله زیان خصمانه، سازگاری چرخه‌ای، voxel-wise، اختلاف گرادیان، ادراکی و شباهت ساختاری، توانسته است تصاویر سنتزی با شباهت قابل‌قبول به تصاویر واقعی ایجاد کند. نتایج نشان می‌دهد که مدل پیشنهادی توانایی مناسبی در تبدیل تصاویر T1W به سایر توالی‌های MRI دارد و می‌تواند در شرایطی که برخی توالی‌های تصویربرداری در دسترس نیستند، برای تکمیل داده‌های MRI و افزایش کاربردهای هوش مصنوعی در تصویربرداری پزشکی مفید باشد.