本申請提供了一種基于條件生成對抗網絡的MRI成像方法及裝置，包括：利用人工神經網絡的自學習能力，建立欠采樣MRI數據與MRI圖像的圖像特征之間的對應關系；具體地，人工神經網絡通過依據欠采樣MRI數據生成的模擬MRI數據和欠采樣MRI數據生成模擬MRI圖像的圖像特征；依據MRI圖像的圖像特征和模擬MRI圖像的圖像特征建立對應關系；獲取當前受檢測者的當前欠采樣MRI數據；通過對應關系，確定與當前欠采樣MRI數據對應的當前MRI圖像的圖像特征；具體地，確定與當前欠采樣MRI數據對應的當前MRI圖像的圖像特征，包括：將對應關系中與當前欠采樣MRI數據相同的欠采樣MRI數據所對應的MRI圖像的圖像特征，確定為當前MRI圖像的圖像特征。實現更好的重建細節。

技術領域

本申請涉及醫學檢測領域，特別是一種基于條件生成對抗網絡的MRI成像方法及裝置。

背景技術

磁共振成像(MRI)是一種廣泛應用于臨床的醫學成像方式。MRI可以提供可重復的、非侵入性的和定量的組織測量，其中包括結構、解剖和功能信息。然而，MRI的一個主要缺點是采集時間過長。MRI與固有的緩慢的采集速度相關，由于數據樣本不是直接在圖像空間中采集，而是在包含逐行獲取空間頻率信息的k空間中，導致MRI的采集速度固定且緩慢。這種相對緩慢的獲取可能導致大量的人工噪聲。此外由于掃描速度的限制，與其他醫學成像方式相比，使用MRI的患者吞吐量較慢。

基于壓縮感知的MRI(CS-MRI)允許通過更激進的欠采樣繞過Nyquist-Shannon采樣標準的快速采集。在理論上，它可以通過對隨機采樣不足的原始數據進行非線性優化。假設數據是可壓縮的，CS-MRI可以在不影響圖像質量的情況下實現重建。CS-MRI現在面臨的主要問題是，缺少解決從高度欠采樣的隨機k空間數據中重建未損壞或去鋸齒的圖像的方法。

發明內容

鑒于所述問題，提出了本申請以便提供克服所述問題或者至少部分地解決所述問題的一種基于條件生成對抗網絡的MRI成像方法及裝置，包括：

一種基于條件生成對抗網絡的MRI成像方法，應用于將壓縮感知磁共振成像裝置獲取的欠采樣MRI數據進行成像，包括：

利用人工神經網絡的自學習能力，建立欠采樣MRI數據與MRI圖像的圖像特征之間的對應關系；具體地，人工神經網絡通過依據所述欠采樣MRI數據生成的模擬MRI數據和所述欠采樣MRI數據生成模擬MRI圖像的圖像特征；依據所述MRI圖像的圖像特征和所述模擬MRI圖像的圖像特征建立所述對應關系；

獲取當前受檢測者的當前欠采樣MRI數據；

通過所述對應關系，確定與所述當前欠采樣MRI數據對應的當前MRI圖像的圖像特征；具體地，確定與所述當前欠采樣MRI數據對應的當前MRI圖像的圖像特征，包括：將所述對應關系中與所述當前欠采樣MRI數據相同的欠采樣MRI數據所對應的MRI圖像的圖像特征，確定為所述當前MRI圖像的圖像特征。

進一步地，所述對應關系，包括：函數關系；所述欠采樣MRI數據為所述函數關系的輸入參數，所述MRI圖像的圖像特征為所述函數關系的輸出參數；

確定與所述當前欠采樣MRI數據對應的當前MRI圖像的圖像特征，還包括：

當所述對應關系包括函數關系時，將所述當前欠采樣MRI數據輸入所述函數關系中，確定所述函數關系的輸出參數為當前MRI圖像的圖像特征。

進一步地，所述建立欠采樣MRI數據與MRI圖像的圖像特征之間的對應關系的步驟，包括：

獲取用于建立所述欠采樣MRI數據與所述MRI圖像的圖像特征之間的對應關系的樣本數據；

分析所述欠采樣MRI數據的特性及其規律，根據所述特性及其規律，確定所述人工神經網絡的網絡結構及其網絡參數；