本申請提供了一種基于生成對抗網絡的磁共振成像方法及裝置，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，確定相鄰時序對應的數據段之間的相關性；確定欠采樣MRI數據中的目標空間特征；依據相關性和目標空間特征，確定欠采樣MRI數據與MRI圖像的圖像特征之間的對應關系；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。避免了在重建過程中產生大量殘余噪聲。

技術領域

本申請涉及醫學檢測領域，特別是一種基于生成對抗網絡的磁共振成像方法及裝置。

背景技術

作為一種廣泛應用于臨床的醫學成像方式，磁共振成像(MRI，MagneticResonance?Imaging)能夠提供可重復的、非侵入性的和定量的組織測量，和提供包括結構、解剖和功能信息。目前阻止MRI更廣泛應用的一個主要缺點就是采集時間過長，這主要與其固有的采集速度有關。MRI采集數據是通過K空間的頻域信息(包含逐行獲取的頻率信息)而不是在圖像域中采集。過長的獲取時間使得MRI結果容易受到病人的運動和生理運動的影響，例如心臟搏動，呼吸偏移，和胃腸蠕動。除此之外，對于MRI配合注射造影劑的方式，過長的獲取時間可能導致對比度過低，這可能導致低質量或非診斷性圖像的產生。

現有的一種快速MRI方法是通過對K空間數據進行欠采樣，然而這種方式通常會導致加速因子和欠采樣率正相關。Donoho等人在2006年的《IEEE信息論匯刊》就提出了基于壓縮感知的MRI重建方法(CS-MRI)應用于加速MRI進程。該技術使用一小部分數據來重建欠奈奎斯特采樣的圖像。假設原始數據是可壓縮的情況下，CS-MRI對欠采樣數據進行非線性優化，而不會顯著降低重建圖像的質量。然而，在一個基于CS-MRI的框架中，如何鞏固圖像重建的速度和圖像質量保持的魯棒性仍然是一個非常具有挑戰性的問題。一方面，CS-MRI試圖求解欠定方程，從有限的欠采樣數據中獲取原始信號。這需要非線性優化求解一個常見的非凸系統，而這通常涉及迭代計算，這可能導致重建時間延長。另一方面，CS-MRI可能從隨機的高度欠采樣的k空間數據中產生圖像質量下降、信噪比低的圖像。此外，除了非線性優化需要大量計算外，CS-MRI還要求獲取矩陣與稀疏變換矩陣無關。綜上所述，CS-MRI的加速因子一般在2～6之間。

現有的技術方案中主要具有的缺點如下：端到端訓練方式忽略了MRI數據序列中相鄰二維切片之間的相關性；動態訓練方式缺少不能夠有效地利用單張圖像的k空間信息；基于壓縮感知重建產生大量的殘余噪聲。

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生成對抗網絡的磁共振成像方法及裝置，包括：

一種基于生成對抗網絡的磁共振成像方法，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，所述欠采樣MRI數據包含多段依據時序獲取及排列的數據段，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，確定相鄰時序對應的所述數據段之間的相關性；確定所述欠采樣MRI數據中的目標空間特征；依據所述相關性和所述目標空間特征，確定所述欠采樣MRI數據與MRI圖像的圖像特征之間的對應關系；

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。