技术摘要：
本申请提供了一种基于条件生成对抗网络的MRI成像方法及装置，包括：利用人工神经网络的自学习能力，建立欠采样MRI数据与MRI图像的图像特征之间的对应关系；具体地，人工神经网络通过依据欠采样MRI数据生成的模拟MRI数据和欠采样MRI数据生成模拟MRI图像的图像特征；依据  全部
背景技术：
磁共振成像(MRI)是一种广泛应用于临床的医学成像方式。MRI可以提供可重复 的、非侵入性的和定量的组织测量，其中包括结构、解剖和功能信息。然而，MRI的一个主要 缺点是采集时间过长。MRI与固有的缓慢的采集速度相关，由于数据样本不是直接在图像空 间中采集，而是在包含逐行获取空间频率信息的k空间中，导致MRI的采集速度固定且缓慢。 这种相对缓慢的获取可能导致大量的人工噪声。此外由于扫描速度的限制，与其他医学成 像方式相比，使用MRI的患者吞吐量较慢。 基于压缩感知的MRI(CS-MRI)允许通过更激进的欠采样绕过Nyquist-Shannon采 样标准的快速采集。在理论上，它可以通过对随机采样不足的原始数据进行非线性优化。假 设数据是可压缩的，CS-MRI可以在不影响图像质量的情况下实现重建。CS-MRI现在面临的 主要问题是，缺少解决从高度欠采样的随机k空间数据中重建未损坏或去锯齿的图像的方 法。
技术实现要素：
鉴于所述问题，提出了本申请以便提供克服所述问题或者至少部分地解决所述问 题的一种基于条件生成对抗网络的MRI成像方法及装置，包括： 一种基于条件生成对抗网络的MRI成像方法，应用于将压缩感知磁共振成像装置 获取的欠采样MRI数据进行成像，包括： 利用人工神经网络的自学习能力，建立欠采样MRI数据与MRI图像的图像特征之间 的对应关系；具体地，人工神经网络通过依据所述欠采样MRI数据生成的模拟MRI数据和所 述欠采样MRI数据生成模拟MRI图像的图像特征；依据所述MRI图像的图像特征和所述模拟 MRI图像的图像特征建立所述对应关系； 获取当前受检测者的当前欠采样MRI数据； 通过所述对应关系，确定与所述当前欠采样MRI数据对应的当前MRI图像的图像特 征；具体地，确定与所述当前欠采样MRI数据对应的当前MRI图像的图像特征，包括：将所述 对应关系中与所述当前欠采样MRI数据相同的欠采样MRI数据所对应的MRI图像的图像特 征，确定为所述当前MRI图像的图像特征。 进一步地，所述对应关系，包括：函数关系；所述欠采样MRI数据为所述函数关系的 输入参数，所述MRI图像的图像特征为所述函数关系的输出参数； 确定与所述当前欠采样MRI数据对应的当前MRI图像的图像特征，还包括： 当所述对应关系包括函数关系时，将所述当前欠采样MRI数据输入所述函数关系 中，确定所述函数关系的输出参数为当前MRI图像的图像特征。 5 CN 111612865 A 说　明　书 2/14 页 进一步地，所述建立欠采样MRI数据与MRI图像的图像特征之间的对应关系的步 骤，包括： 获取用于建立所述欠采样MRI数据与所述MRI图像的图像特征之间的对应关系的 样本数据； 分析所述欠采样MRI数据的特性及其规律，根据所述特性及其规律，确定所述人工 神经网络的网络结构及其网络参数； 使用所述样本数据，对所述网络结构和所述网络参数进行训练和测试，确定所述 欠采样MRI数据与所述MRI图像的图像特征的所述对应关系。 进一步地，所述获取用于建立所述欠采样MRI数据与所述MRI图像的图像特征之间 的对应关系的样本数据的步骤，包括： 收集不同受检测者的所述欠采样MRI数据和所述MRI图像的图像特征； 对所述欠采样MRI数据进行分析、并结合预存的专家经验信息，选取与所述MRI图 像的图像特征相关的数据作为所述欠采样MRI数据； 将所述MRI图像的图像特征、以及选取的所述欠采样MRI数据构成的数据对，作为 样本数据。 进一步地，对所述网络结构和所述网络参数进行训练，包括： 选取所述样本数据中的一部分数据作为训练样本，将所述训练样本中的所述欠采 样MRI数据输入到所述网络结构，通过所述网络结构的损失函数，激活函数和所述网络参数 进行训练，得到实际训练结果； 确定所述实际训练结果与所述训练样本中的相应MRI图像的图像特征之间的实际 训练误差是否满足预设训练误差； 当所述实际训练误差满足所述预设训练误差时，确定对所述网络结构和所述网络 参数的所述训练完成； 和/或， 对所述网络结构和所述网络参数进行测试，包括： 选取所述样本数据中的另一部分数据作为测试样本，将所述测试样本中的所述欠 采样MRI数据输入到所述训练完成的所述网络结构中，以所述损失函数，激活函数和所述训 练完成的所述网络参数进行测试，得到实际测试结果； 确定所述实际测试结果与所述测试样本中的相应MRI图像的图像特征之间的实际 测试误差是否满足设定测试误差； 当所述实际测试误差满足所述设定测试误差时，确定对所述网络结构和所述网络 参数的所述测试完成。 进一步地，所述损失函数包括结合图像域均方误差损失函数，频域均方误差损失 函数，图像处理内容感知损失函数，和对抗损失函数。 进一步地，对所述网络结构和所述网络参数进行训练，还包括： 当所述实际训练误差不满足所述设定训练误差时，通过所述网络结构的误差损失 函数更新所述网络参数； 通过所述网络结构的所述损失函数，激活函数和更新后的所述网络参数进行重新 训练，直至所述重新训练后的实际训练误差满足所述设定训练误差； 6 CN 111612865 A 说　明　书 3/14 页 和/或， 对所述网络结构和所述网络参数进行测试，还包括： 当所述实际测试误差不满足所述设定测试误差时，对所述网络结构和所述网络参 数进行重新训练，直至所述重新训练后的实际测试误差满足所述设定测试误差。 一种基于条件生成对抗网络的MRI成像装置，应用于将压缩感知磁共振成像装置 获取的欠采样MRI数据进行成像，包括： 建立模块，用于利用人工神经网络的自学习能力，建立欠采样MRI数据与MRI图像 的图像特征之间的对应关系；具体地，人工神经网络通过依据所述欠采样MRI数据生成的模 拟MRI数据和所述欠采样MRI数据生成模拟MRI图像的图像特征；依据所述MRI图像的图像特 征和所述模拟MRI图像的图像特征建立所述对应关系； 获取模块，用于获取当前受检测者的当前欠采样MRI数据； 确定模块，用于通过所述对应关系，确定与所述当前欠采样MRI数据对应的当前 MRI图像的图像特征；具体地，确定与所述当前欠采样MRI数据对应的当前MRI图像的图像特 征，包括：将所述对应关系中与所述当前欠采样MRI数据相同的欠采样MRI数据所对应的MRI 图像的图像特征，确定为所述当前MRI图像的图像特征。 一种设备，包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运 行的计算机程序，所述计算机程序被所述处理器执行时实现如上所述的基于条件生成对抗 网络的MRI成像方法的步骤。 一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计 算机程序被处理器执行时实现如上所述的基于条件生成对抗网络的MRI成像方法的步骤。 本申请具有以下优点： 在本申请的实施例中，利用人工神经网络的自学习能力，建立欠采样MRI数据与 MRI图像的图像特征之间的对应关系；具体地，人工神经网络通过依据所述欠采样MRI数据 生成的模拟MRI数据和所述欠采样MRI数据生成模拟MRI图像的图像特征；依据所述MRI图像 的图像特征和所述模拟MRI图像的图像特征建立所述对应关系；获取当前受检测者的当前 欠采样MRI数据；通过所述对应关系，确定与所述当前欠采样MRI数据对应的当前MRI图像的 图像特征；具体地，确定与所述当前欠采样MRI数据对应的当前MRI图像的图像特征，包括： 将所述对应关系中与所述当前欠采样MRI数据相同的欠采样MRI数据所对应的MRI图像的图 像特征，确定为所述当前MRI图像的图像特征。通过将欠采样MRI数据和模拟MRI数据来稳定 GAN的训练，以实现快速收敛和较少的参数调整；频域信息作为数据一致性的附加约束，形 成额外的损失项；结合图像域的均方误差损失，频域均方误差损失和图像处理内容感知损 失，将对抗损失与前述的新内容损失相结合，以实现更好的重建细节。 附图说明 为了更清楚地说明本申请的技术方案，下面将对本申请的描述中所需要使用的附 图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域 普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附 图。 图1是本申请一实施例提供的一种基于条件生成对抗网络的MRI成像方法的步骤 7 CN 111612865 A 说　明　书 4/14 页 流程图； 图2是本申请一实施例提供的一种基于条件生成对抗网络的MRI成像方法的人工 神经网络结构示意图； 图3是本申请一实施例提供的一种基于条件生成对抗网络的MRI成像方法的定性 可视化欠采样率为30％的重建图像结果示意图； 图4是本申请一实施例提供的一种基于条件生成对抗网络的MRI成像装置的结构 框图； 图5是本发明一实施例的一种计算机设备的结构示意图。