一种磁共振成像模型的训练方法及装置与流程

本申请涉及计算机技术领域，尤其涉及一种磁共振成像模型的训练方法、装置、电子设备以及计算机可读存储介质。

背景技术：

磁共振成像(magneticresonanceimaging，mri)技术是利用核磁共振现象重建出人体组织图像的技术，可以提供丰富的人体组织图像信息且对人体没有电离损伤，是我国广泛应用的临床医学检查手段。

然而，由于mri技术需要较长的图像数据采集时间，使得成像速度较慢，在成像过程中会因为被检查者的生理性运动而在生成的图像中引入较多伪影，降低图像质量，影响临床诊断。

要减少图像中伪影的出现，需要提高成像速度，也即缩短mri的图像数据采集时间。目前缩短mri的图像数据采集时间的方式，主要为减少图像数据的采集量，比如基于部分k空间的规则欠采样、基于压缩感知(compressedsensing，cs)理论的随机欠采样、以及基于非笛卡尔采样轨迹的radial和spiral欠采样等。然而，图像数据采集量的减少，势必会降低图像清晰程度。

近几年，将卷积神经网络、u-net卷积神经网络或残差卷积神经网络等深度学习方法应用至快速磁共振成像领域中，可以在采集少量图像数据的情况下，利用训练好的神经网络，快速重建出高质量mri图像，是一种很有应用潜力的快速磁共振图像生成方法。

目前，采用的深度学习方法主要学习从欠采样图像数据到全采样图像数据映射关系实现成像，但这种学习方式学习效率不高，生成的图像质量也相对较低。

技术实现要素：

本说明书实施例提供一种磁共振成像模型的训练方法、装置、电子设备以及计算机可读存储介质，以解决现有技术中采用深度学习方式的学习效率不高，生成的图像质量也相对较低的问题。

本说明书实施例采用下述技术方案：

一种磁共振成像模型的训练方法，包括：

获取磁共振图像数据集；其中，所述磁共振图像数据集包括：欠采样磁共振图像和全采样磁共振图像；

构建待训练的环形深度神经网络；其中，所述环形深度神经网络包括两侧神经网络以及两个输入口；所述两个输入口用于分别输入所述欠采样磁共振图像和所述全采样磁共振图像；

所述两侧神经网络的一侧神经网络用于：根据所述欠采样磁共振图像生成第一模拟全采样磁共振图像，根据所述两侧神经网络的另一侧神经网络生成的第一模拟欠采样磁共振图像，生成第二模拟全采样磁共振图像；另一侧神经网络用于：根据所述全采样磁共振图像生成所述第一模拟欠采样磁共振图像，根据所述一侧神经网络生成的第一模拟全采样磁共振图像，生成第二模拟欠采样磁共振图像；

将所述欠采样磁共振图像和所述全采样磁共振图像，分别通过待训练的环形深度神经网络的两个输入口，分别输入至所述待训练的环形深度神经网络包含的两侧神经网络中，以生成各模拟磁共振图像；所述各模拟磁共振图像包括：所述第一模拟欠采样磁共振图像、所述第一模拟全采样磁共振图像、所述第二模拟欠采样磁共振图像以及所述第二模拟全采样磁共振图像；

将所述第一模拟全采样磁共振图像和所述全采样磁共振图像，输入至预先构建的第一模拟磁共振图像类别判别模型，以得到对所述第一模拟全采样磁共振图像是否为模拟磁共振图像类别的第一判别结果；

将所述第一模拟欠采样磁共振图像和所述欠采样磁共振图像，输入至预先构建的第二模拟磁共振图像类别判别模型，以得到对所述第一模拟欠采样磁共振图像是否为模拟磁共振图像类别的第二判别结果；

根据预设损失函数、所述第一判别结果、所述第二判别结果、所述第二模拟欠采样磁共振图像、所述第二模拟全采样磁共振图像、所述欠采样磁共振图像和所述全采样磁共振图像，调整所述环形深度神经网络的网络参数，以得到训练好的磁共振成像模型。

一种基于所述的磁共振成像模型的训练方法的磁共振图像生成方法，所述磁共振图像生成方法包括：

获取欠采样图像数据；

将所述欠采样图像数据输入至训练好的磁共振成像模型中，以生成磁共振图像。

一种磁共振成像模型的训练装置，包括：

获取模块，用于获取磁共振图像数据集；其中，所述磁共振图像数据集包括：欠采样磁共振图像和全采样磁共振图像；

构建模块，用于构建待训练的环形深度神经网络；其中，所述环形深度神经网络包括两侧神经网络以及两个输入口；所述两个输入口用于分别输入所述欠采样磁共振图像和所述全采样磁共振图像；所述两侧神经网络的一侧神经网络用于：根据所述欠采样磁共振图像生成第一模拟全采样磁共振图像，根据所述两侧神经网络的另一侧神经网络生成的第一模拟欠采样磁共振图像，生成第二模拟全采样磁共振图像；另一侧神经网络用于：根据所述全采样磁共振图像生成所述第一模拟欠采样磁共振图像，根据所述一侧神经网络生成的第一模拟全采样磁共振图像，生成第二模拟欠采样磁共振图像；

生成模块，用于将所述欠采样磁共振图像和所述全采样磁共振图像，分别通过待训练的环形深度神经网络的两个输入口，分别输入至所述待训练的环形深度神经网络包含的两侧神经网络中，以生成各模拟磁共振图像；所述各模拟磁共振图像包括：所述第一模拟欠采样磁共振图像、所述第一模拟全采样磁共振图像、所述第二模拟欠采样磁共振图像以及所述第二模拟全采样磁共振图像；

第一判别模块，用于将所述第一模拟全采样磁共振图像和所述全采样磁共振图像，输入至预先构建的第一模拟磁共振图像类别判别模型，以得到对所述第一模拟全采样磁共振图像是否为模拟磁共振图像类别的第一判别结果；

第二判别模块，用于将所述第一模拟欠采样磁共振图像和所述欠采样磁共振图像，输入至预先构建的第二模拟磁共振图像类别判别模型，以得到对所述第一模拟欠采样磁共振图像是否为模拟磁共振图像类别的第二判别结果；

参数调整模块，用于根据预设损失函数、所述第一判别结果、所述第二判别结果、所述第二模拟欠采样磁共振图像、所述第二模拟全采样磁共振图像、所述欠采样磁共振图像和所述全采样磁共振图像，调整所述环形深度神经网络的网络参数，以得到训练好的磁共振成像模型。

一种基于所述的磁共振成像模型的训练装置的磁共振图像生成装置，所述磁共振图像生成装置包括：

图像数据获取模块，用于获取欠采样图像数据；

生成模块，用于将所述欠采样图像数据输入至训练好的磁共振成像模型中，以生成磁共振图像。

一种电子设备，包括：存储器、处理器及存储在所在存储器上并可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任一项所述磁共振成像模型的训练方法的步骤。

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有计算机程序，所述计算机程序被处理器执行时实现任一项所述磁共振成像模型的训练方法的步骤。

本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：

由于仅学习单一图像生成方向(例如，欠采样图像至全采样图像)的映射关系，可能会导致生成的mri图像与实际mri图像存在较大偏差，且神经网络的学习效率也不高。本申请通过构建的环形深度神经网络，在训练的过程中，不仅学习了由欠采样磁共振图像到全采样磁共振图像这一图像生成方向的映射关系，由于增加了与该图像生成方向相反的另一侧神经网络，还可以学习由全采样磁共振图像到欠采样磁共振图像这一相反方向的映射关系，从而可以矫正一侧神经网络学习的映射关系，使得一侧神经网络能在期望的图像生成方向上可以形成正确的映射，从而降低生成的mri图像与实际mri图像之间存在的偏差，提高磁共振成像模型生成mri图像的质量，以及提高神经网络的学习能力和学习效率。

另一方面，通过第一模拟磁共振图像类别判别模型和第二模拟磁共振图像类别判别模型，还对生成的第一模拟全采样磁共振图像和第一模拟欠采样磁共振图像进行判别，并将判别结果通过损失函数反馈至环形深度神经网络的训练中。期望达到使模拟磁共振图像判别模型对通过环形深度神经网络生成的模拟磁共振图像误判为非模拟磁共振图像的目的，以使得训练得到的磁共振成像模型生成的mri图像尽可能贴近实际mri图像，从而进一步的提高磁共振成像模型生成mri图像的质量。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本说明书实施例提供的磁共振成像模型的训练方法的流程示意图；

图2为本说明书实施例提供的环形深度神经网络的结构示意图；

图3为本说明书实施例提供的残差块的结构示意图；

图4为本说明书实施例提供的一侧神经网络的结构示意图；

图5为本说明书实施例提供的另一侧神经网络的结构示意图；

图6为本说明书实施例提供的模拟磁共振图像类别判别模型的结构示意图；

图7为本说明书实施例提供的磁共振图像生成方法的流程示意图；

图8为本说明书实施例提供的磁共振成像模型的训练装置的结构示意图；

图9为本说明书实施例提供的磁共振图像生成装置的结构示意图；

图10为本说明书实施例提供的电子设备的结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。

以下结合附图，详细说明本申请各实施例提供的技术方案。

近几年，将卷积神经网络、u-net卷积神经网络或残差卷积神经网络等深度学习方法应用至快速磁共振成像领域中，可以在采集少量图像数据的情况下，利用训练好的神经网络，快速重建出高质量mri图像，是一种很有应用潜力的快速磁共振图像生成方法。

目前，采用的深度学习方法主要学习从欠采样图像数据到全采样图像数据映射关系实现成像，但这种学习方式学习效率不高，生成的磁共振图像质量也相对较低。

为解决上述技术问题，本说明书实施例提供了一种磁共振成像模型的训练方法，用于提高神经网络的学习效率和生成磁共振图像的质量。该方法的执行主体包括但不限于服务器、个人电脑、笔记本电脑、平板电脑、智能手机等可以通过运行预定程序和指令来执行数值计算和/和逻辑计算等预定处理过程的智能电子设备。其中，所述服务器可以是单个网络服务器和者多个网络服务器组成的服务器组和基于云计算(cloudcomputing)的由大量计算机和网络服务器构成的云。在本说明书实施例中，对该方法的执行主体不做限定。该方法的流程示意图如图1所示，包括下述步骤：

步骤11：获取磁共振图像数据集。

这里的磁共振图像数据集可以包括：欠采样磁共振图像和全采样磁共振图像。

在实际应用中，全采样磁共振图像可以来自于磁共振成像设备实际采集的磁共振图像数据。欠采样磁共振图像可以是从全采样磁共振图像中抽取部分采样点数据形成的磁共振图像数据。其中，抽取部分采样点数据可以是基于k空间的规则抽取，也可以是基于压缩感知理论的随机抽取，对此本申请不做限制。

在实际应用中，在从全采样磁共振图像中抽取部分采样点数据生成欠采样磁共振图像后，还可以包括建立欠采样磁共振图像与该全采样磁共振图像之间的匹配关系，使得磁共振图像数据集中的全采样磁共振图像和欠采样磁共振图像是对应匹配的，方便之后神经网络的训练。

步骤12：构建待训练的环形深度神经网络。

考虑到现有技术中采用的深度学习方法仅学习单一图像生成方向的映射关系实现成像，使得生成磁共振图像质量相对较低以及神经网络的学习效率不高的问题，在本说明书实施例中，通过构建待训练的环形深度神经网络，以解决上述技术问题。其中，构建的环形深度神经网络可以包括两侧神经网络以及两个输入口。

在实际应用中，所述两个输入口可以用于分别输入欠采样磁共振图像和全采样磁共振图像，这里的欠采样磁共振图像和全采样磁共振图像可以是通过步骤11获取的。

在本说明书一个或多个实施例中，如图2所示的环形深度神经网络的结构示意图，该环形深度神经网络的一侧神经网络可以包括：第一降采样层、第一残差网络层、第一升采样层；另一侧神经网络可以包括：第二将采样层、第二残差网络层、第二升采样层。

其中，第一降采样层、第一升采样层、第二升采样层和第二降采样层可以分别包含至少一层卷积层，该至少一层卷积层中各个卷积层采用串行连接，也即，上一个卷积层的输出图可以作为下一个卷积层的输入图。每层卷积层可以对输入图进行卷积处理，每层卷积层中可以包括至少一个卷积核，每个卷积核用于指示一次卷积操作时的权重矩阵。需要说明的是，上述输入图和输出图可以均指特征图(featuremap)。

第一残差网络层和第二残差网络层可以分别包含至少一个残差块。其中，每个残差块的结构示意图可以如图3所示，每个残差块具体可以采用两层卷积层加上跳跃连接构成。其中，两层卷积层可以用于提取深层次的图像特征，跳跃连接用于将低层次的图像特征直接向后传递，与深层次的图像特征结合，可以提升神经网络的学习能力和稳定性，避免由于深度增加而导致较深的神经网络的训练效果产生退化。

如图4所示的是本说明书实施例给出的一实例性的深度环形深度神经网络的一侧神经网络的具体结构示意图。

在该一侧神经网络中，第一降采样层和第一升采样层分别包含3层卷积层，第一残差网络层可以包含9个残差块。在图4中，还示出了各个卷积层的卷积核个数和卷积核尺寸，例如，“conv,64”表示这个卷积层中设置有64个卷积核，“3*3”表示卷积核采用尺寸为3*3的小型卷积核，其余各个卷积层的卷积核个数以及卷积核尺寸不再赘述。

该第一降采样层的第一层卷积层，可以用于对输入的磁共振图像的像素值进行卷积处理(例如，对欠采样磁共振图像的像素值进行卷积处理)，得到该第一层卷积层输出的特征图，该输出的特征图作为接下来的第二层卷积层的输入图，以此类推，第二层卷积层的输出图作为第三层卷积层的输入图。

在实际应用中，每个卷积层输出的特征图数量可以与该卷积层的卷积核数量相同，例如，图4所示的第一降采样层的第一层卷积层输出的特征图的数量为64，第二层卷积层输出的特征图数量为128，第三层卷积层输出的特征图的数量为256，随着每层卷积层的卷积核数量的增加一倍，提取图像特征的深度增加一倍，每层卷积层输出的特征图的尺寸缩小一半。

经第一降采样层输出的每个特征图，可以代表输入的欠采样磁共振图像的局部特征，那么再经第一残差网络层，可以对第一降采样层输出的特征图进行残差处理，可以理解为，通过第一残差网络的每个残差块逐层对每个代表局部特征的特征图进行残差计算，以进一步提取更深层的图像特征，使得提取的局部特征更加显著，提高神经网络的学习能力。

第一升采样层的两层卷积层，可以将经第一残差网络层进行残差处理后的特征图逐层合并，例如，256个特征图合并为128个特征图，128个特征图合并为64个特征图，以及相应的逐层扩大特征图尺寸。再通过全连接层对各特征图进行连接，输出生成的模拟磁共振图像，例如，将经两层卷积层合并后的64个特征图输入至全连接层以连接这64个特征图，输出生成的第一模拟全采样磁共振图像。

对于环形深度神经网络的另一侧神经网络的网络结构，可以与该一侧神经网络的网络结构相同，例如图5所述的另一侧神经网络的具体结构示意图，其中卷积层数、卷积核个数以及卷积核大小等可参照图4所示的一侧神经网络的解释说明，在此不做赘述。对于另一侧神经网络的第二降采样层、第二残差网络层以及第二升采样层的功能可以分别参照上述对第一降采样层、第一残差网络层以及第一升采样层的相关描述，在此不做赘述。

需要注意的是，上述实例性的环形深度神经网络是本说明书实施例提供的构建环形深度神经网络的一种具体实施方式，不代表本说明书实施例全部的实施方式。对于环形深度神经网络中包含的卷积层数、残差块个数、卷积核个数以及卷积核尺寸等可以根据实际需求设置，对此本申请不做限制。

步骤13：将欠采样磁共振图像和全采样磁共振图像，分别通过待训练的环形深度神经网络的两个输入口，分别输入至待训练的环形深度神经网络包含的两侧神经网络中，以生成各模拟磁共振图像。

这里的欠采样磁共振图像和全采样磁共振图像可以是通过步骤11获取的。这里的待训练的环形深度神经网络可以的通过步骤12构建的。

这里的各模拟磁共振图像可以包括：第一模拟欠采样磁共振图像、第一模拟全采样磁共振图像、第二模拟欠采样磁共振图像以及第二模拟全采样磁共振图像。

为了方便理解生成各模拟磁共振图像的过程，这里结合图2所示的环形深度神经网络做解释说明：

对于欠采样磁共振图像来说：将欠采样磁共振图像，从输入口1输入至一侧神经网络中，输出第一模拟全采样磁共振图像，该第一模拟全采样磁共振图像再经输入口2输入至另一侧神经网络中，生成第二模拟欠采样磁共振图像；

对于全采样磁共振图像来说：将全采样磁共振图像，从输入口2输入至另一侧神经网络中，输出第一模拟欠采样磁共振图像，该第一模拟欠采样磁共振图像再经输入口1输入至一侧神经网络中，生成第二模拟全采样磁共振图像。

由此，可以理解环形深度神经网络包含的两侧神经网络分别所起的作用可以包括：一侧神经网络用于：根据欠采样磁共振图像生成第一模拟全采样磁共振图像，根据两侧神经网络的另一侧神经网络生成的第一模拟欠采样磁共振图像，生成第二模拟全采样磁共振图像；另一侧神经网络用于：根据全采样磁共振图像生成第一模拟欠采样磁共振图像，根据两侧神经网络的一侧神经网络生成的第一模拟全采样磁共振图像，生成第二模拟欠采样磁共振图像。

在本说明书实施例中，为进一步理解两侧神经网络生成各模拟磁共振图像的过程，结合图2所示的两侧神经网络的网络结构，具体来说生成各模拟磁共振图像的过程，具体可以包括：

对于欠采样磁共振图像来说：将欠采样磁共振图像，从输入口1输入至一侧神经网络中，通过第一降采样层提取欠采样磁共振图像的第一特征图，通过第一残差网络对第一特征图进行残差处理，得到残差处理后的第一特征图，再通过第一升采样层，根据该残差处理后的第一特征图生成第一模拟全采样磁共振图像；该第一模拟全采样磁共振图像再经输入口2输入至另一侧神经网络中，通过第二降采样层提取该第一模拟全采样磁共振图像的第四特征图，通过第二残差网络层，对第四特征图进行残差处理，得到残差处理后的第四特征图，再通过第二升采样层根据残差处理后的第四特征图生成第二模拟欠采样磁共振图像。

对于全采样磁共振图像来说：将全采样磁共振图像，从输入口2输入至另一侧神经网络中，通过第二降采样层提取全采样磁共振图像的第三特征图，通过第二残差网络对第三特征图进行残差处理，得到残差处理后的第三特征图，再通过第二升采样层，根据该残差处理后的第三特征图生成第一模拟欠采样磁共振图像；该第一模拟欠采样磁共振图像再经输入口1输入至一侧神经网络中，通过第一降采样层提取该第一模拟欠采样磁共振图像的第二特征图，通过第一残差网络层，对第二特征图进行残差处理，得到残差处理后的第二特征图，再通过第一升采样层根据残差处理后的第二特征图生成第二模拟全采样磁共振图像。

步骤14：将第一模拟全采样磁共振图像和全采样磁共振图像，输入至预先构建的第一模拟磁共振图像类别判别模型，以得到对第一模拟全采样磁共振图像是否为模拟磁共振图像类别的第一判别结果。

这里的第一模拟全采样磁共振图像可以是通过步骤13生成的。这里的全采样磁共振图像可以是通过步骤11获取的。

在实际应用中，考虑到在训练过程中，根据欠采样磁共振图像生成的第一模拟全采样磁共振图像，和与欠采样磁共振图像相匹配的全采样磁共振图像之间可能存在偏差，若能将这种偏差反馈至环形深度神经网络的训练中，可以进一步提高环形深度神经网络生成磁共振图像的质量。

但在通过步骤12构建的环形深度神经网络中无法衡量这种偏差的大小，所以在本说明书实施例中，通过预先构建的第一模拟磁共振图像类别判别模型，可以对生成的第一模拟全采样磁共振图像是否为模拟磁共振图像类别进行判别，得到第一判别结果，以便于之后将第一判别结果通过预设损失函数反馈至环形深度神经网络的训练中，也即，将第一模拟全采样磁共振图像与全采样磁共振图像之间存在的偏差反馈至环形深度神经网络的训练中。

在本说明书实施例中，这里的预先构建的第一模拟磁共振图像类别判别模型，可以是基于卷积神经网络(convolutionalneuralnetworks,cnn)构建的，例如，图6所示的可以是一种第一模拟磁共振图像类别判别模型的结构示意图。当然也可以采用其它类型的神经网络构建，对此本申请不做限制。

在实际应用中，在环形深度神经网络的训练过程中，为了使得第一模拟磁共振图像类别判别模型可以准确输出第一判别结果，可以理解为，使得第一模拟磁共振图像尽可能判别出第一模拟全采样磁共振图像为模拟磁共振图像类别，在本说明书一个或多个实施例中，对预先构建的第一模拟磁共振图像类别判别模型，可以通过第四损失函数调整第一模拟磁共振图像类别判别模型的模型参数，以使得第一模拟磁共振图像类别判别模型准确输出第一判别结果。

所述第四损失函数可以为：

其中，x表示欠采样磁共振图像，y表示全采样磁共振图像，gs-d(x)表示第一模拟全采样磁共振图像，dd表示第一模拟磁共振图像类别判别模型，dd(gs-d(x))表示第一判别结果，mse表示均方误差(meansquareerror，mse)函数,ex表示输入为欠采样磁共振图像时的函数数学期望；dd(y)表示第一模拟磁共振图像类别判别模型对全采样磁共振图像类别的判别结果；ey表示输入为全采样磁共振图像的函数数学期望。

根据第四损失函数调整模型参数可以具体包括：通过第四损失函数计算第一模拟磁共振图像类别判别模型的判别结果的损失值，通过反向传播的方式将该损失值反馈至第一模拟磁共振图像类别判别模型中以调整模型参数。

在实际应用中，由于第一模拟磁共振图像类别判别模型的输入数据包含第一模拟全采样磁共振图像，而第一模拟全采样磁共振图像可以是通过环形深度神经网络的一侧神经网络生成的，则可以认为第一模拟磁共振图像类别判别模型和环形深度神经网络可以是同时训练的。两者的训练效果相反，即，训练环形深度神经网络期望达到，使第一模拟磁共振图像类别判别模型判别第一模拟全采样磁共振图像为非模拟磁共振图像类别的目的，而训练第一模拟磁共振图像类别判别模型，可以是期望提高模型判别的准确度，以尽可能判别出第一模拟全采样磁共振图像为模拟磁共振图像类别。由于第一磁共振图像判别模型输出的第一判别结果可以通过预设损失函数反馈至环形深度神经网络的训练中，那么提高第一模拟磁共振图像类别判别模型判别的准确度，也即提高输出的第一判别结果的准确度，也相当于促进提高环形深度神经网络生成模拟磁共振图像的质量。

在本说明书实施例中，通过预先构建的第一模拟磁共振图像类别判别模型，可以对生成的第一模拟全采样磁共振图像是否为模拟磁共振图像类别进行判别，得到第一判别结果，以便于之后将第一判别结果通过预设损失函数反馈至环形深度神经网络的训练中，从而提高环形深度神经网络的一侧神经网络生成模拟全采样磁共振图像的质量。

步骤15：将第一模拟欠采样磁共振图像和欠采样磁共振图像，输入至预先构建的第二模拟磁共振图像类别判别模型，以得到对第一模拟欠采样磁共振图像是否为模拟磁共振图像类别的第二判别结果。

这里的第一模拟欠采样磁共振图像可以是通过步骤13生成的。这里的欠采样磁共振图像可以是通过步骤11获取的。

在实际应用中，通过构建的环形深度神经网络的另一侧神经网络还可以学习由全采样磁共振图像到欠采样磁共振图像的映射关系，为了提高神经网络的学习效果，基于与步骤14相同的考虑，也即，将第一模拟欠采样磁共振图像和与全采样磁共振图像相匹配的欠采样磁共振图像之间存在的偏差，反馈至环形深度神经网络的训练中，可以提高环形深度神经网络生成的模拟磁共振图像的质量。

在本说明书实施例中，通过预先构建的第二模拟磁共振图像类别判别模型，可以对生成的第一模拟欠采样磁共振图像是否为模拟磁共振图像类别进行判别，得到第二判别结果，以便于之后将第二判别结果通过预设损失函数反馈至环形深度神经网络的训练中，也即，将第一模拟欠采样磁共振图像与欠采样磁共振图像之间存在的偏差反馈至环形深度神经网络的训练中。

在本说明书实施例中，这里的预先构建的第二模拟磁共振图像类别判别模型，也可以是基于卷积神经网络构建的，例如，第二模拟磁共振图像类别判别模型也可以是采用如图6所示的网络结构。当然，也可以采用其它类型的神经网络构建，对此本申请不做限制。

在实际应用中，在环形深度神经网络的训练过程中，为了使得第二模拟磁共振图像类别判别模型准确输出第二判别结果，可以理解为，使得第二模拟磁共振图像尽可能判别出第一模拟欠采样磁共振图像为模拟磁共振图像类别，在本说明书一个或多个实施例中，对预先构建的第二模拟磁共振图像类别判别模型，可以通过第五损失函数调整第二模拟磁共振图像类别判别模型的模型参数，以使得第二模拟磁共振图像类别判别模型准确输出第二判别结果。

所述第五损失函数可以为：

其中，x表示欠采样磁共振图像，y表示全采样磁共振图像，gd-s(y)表示第一模拟欠采样磁共振图像，ds表示第二模拟磁共振图像类别判别模型，ds(gd-s(y))表示第二判别结果，ds(x)表示第二模拟磁共振图像类别判别模型对欠采样磁共振图像类别的判别结果，ex表示输入为欠采样磁共振图像的函数数学期望，ey表示输入为全采样磁共振图像时的函数数学期望，mse表示均方误差函数。

根据第五损失函数调整模型参数可以具体包括：通过第五损失函数计算第二模拟磁共振图像类别判别模型的判别结果的损失值，通过反向传播的方式将该损失值反馈至第二模拟磁共振图像类别判别模型中以调整模型参数。

在实际应用中，由于第二模拟磁共振图像类别判别模型的输入数据包含第一模拟欠采样磁共振图像，而第一模拟欠采样磁共振图像可以是通过环形深度神经网络的另一侧神经网络生成的，可以认为第二模拟磁共振图像类别判别模型和环形深度神经网络可以是同时训练的。两者的训练效果相反，即，训练环形深度神经网络期望达到，使第二模拟磁共振图像类别判别模型判别第一模拟欠采样磁共振图像为非模拟磁共振图像类别的目的，而训练第一模拟磁共振图像类别判别模型，可以是期望提高模型判别的准确度，以尽可能判别出第一模拟欠采样磁共振图像为模拟磁共振图像类别。由于第二磁共振图像判别模型输出的第二判别结果可以通过预设损失函数反馈至环形深度神经网络的训练中，那么提高第二模拟磁共振图像类别判别模型判别的准确度，也即提高输出的第二判别结果的准确度，也相当于促进提高环形深度神经网络生成模拟磁共振图像的质量。

在本说明书实施例中，通过预先构建的第二模拟磁共振图像类别判别模型，可以对生成的第一模拟欠采样磁共振图像是否为模拟磁共振图像类别进行判别，得到第二判别结果，以便于之后将第二判别结果通过预设损失函数反馈至环形深度神经网络的训练中，从而提高环形深度神经网络的另一侧神经网络生成模拟欠采样磁共振图像的质量。

步骤16：根据预设损失函数、第一判别结果、第二判别结果、第二模拟欠采样磁共振图像、第二模拟全采样磁共振图像、欠采样磁共振图像和全采样磁共振图像，调整环形深度神经网络的网络参数，以得到训练好的磁共振成像模型。

这里的第一判别结果和第二判别结果可以是分别通过步骤14和步骤15得到的。这里的第二模拟欠采样磁共振图像和第二模拟全采样磁共振图像可以是通过步骤13生成的。这里的欠采样磁共振图像和全采样磁共振图像可以是通过步骤11获取的。这里的环形深度神经网络可以是通过步骤12构建的。

在实际应用中，调整神经网络的网络参数，可以通过损失函数计算神经网络输出结果的损失值，再通过反向传播的方式将损失值反馈至神经网络中以调整网络参数，则在本说明书一个或多个实施例中，调整环形深度神经网络的网络参数，以得到训练好的磁共振成像模型，可以具体包括：

将第一判别结果、第二判别结果、第二模拟欠采样磁共振图像、第二模拟全采样磁共振图像、欠采样磁共振图像和全采样磁共振图像分别代入至预设损失函数中得到损失值；根据该损失值，调整环形深度神经网络的网络参数，以得到训练好的磁共振成像模型。

在本说明书一个或多个实施例中，预设损失函数可以具体包括：

第一损失函数，用于根据对第一模拟全采样磁共振图像是否为模拟磁共振图像类别的第一判别结果，确定第一损失值；

第二损失函数，用于根据对第一模拟欠采样磁共振图像是否为模拟磁共振图像类别的第二判别结果，确定第二损失值；

第三损失函数，用于根据第二模拟全采样磁共振图像与全采样磁共振图像之间的平均绝对误差，以及第二模拟欠采样磁共振图像与欠采样磁共振图像之间的平均绝对误差，确定第三损失值。

在实际应用中，将第一判别结果、第二判别结果、第二模拟欠采样磁共振图像、第二模拟全采样磁共振图像、欠采样磁共振图像和全采样磁共振图像分别代入至预设损失函数中得到损失值，可以具体包括：

将第一判别结果代入至第一损失函数得到第一损失值；

将第二判别结果代入至第二损失函数中得到第二损失值；

将第二模拟全采样磁共振图像、全采样磁共振图像、第二模拟欠采样磁共振图像与欠采样磁共振图像代入至第三损失函数中得到第三损失值。

在本说明书一个或多个实施例中，所述第一损失函数，第二损失函数以及第三损失函数的公式可以分别如下所示：

第一损失函数可以为：

第二损失函数可以为：

第三损失函数可以为：

其中，x表示欠采样磁共振图像，gs-d(x)表示第一模拟全采样磁共振图像，dd表示第一模拟磁共振图像类别判别模型，dd(gs-d(x))表示第一判别结果，mse表示均方误差函数,ex表示输入为欠采样磁共振图像的函数数学期望；

其中，y表示全采样磁共振图像，gd-s(y)表示第一模拟欠采样磁共振图像，ds表示第二模拟磁共振图像类别判别模型，ds(gd-s(y))表示第二判别结果，ey表示输入为全采样磁共振图像的函数数学期望；

其中，xcir表示第二模拟欠采样磁共振图像，ycir表示第二模拟全采样磁共振图像，‖xcir-x‖1表示第二模拟欠采样磁共振图像和欠采样磁共振图像之间的平均绝对误差，‖ycir-y‖1表示第二模拟全磁共振图像和全采样磁共振图像之间的平均绝对误差。

在实际应用中，可以根据损失函数的损失值的大小，衡量神经网络的训练效果。那么在本说明书实施例中，环形深度神经网络的训练目标可以是尽可能减小预设损失函数的损失值。那么可以认为在环形深度神经网络的迭代训练过程中，通过调整网络参数，使得预设损失函数的损失值低于某预设值时，得到训练好的环形深度神经网络。

在实际应用中，生成mri图像通常是由欠采样图像数据生成全采样图像数据，则在本说明书实施例中，训练好的磁共振成像模型可以是训练好的环形深度神经网络的所述一侧神经网络。

在本说明书实施例中，通过构建的环形深度神经网络，在训练的过程中，不仅学习了由欠采样磁共振图像到全采样磁共振图像这一图像生成方向的映射关系，由于增加了与该图像生成方向相反的另一侧神经网络，还可以学习由全采样磁共振图像到欠采样磁共振图像这一相反方向的映射关系，从而可以矫正一侧神经网络学习的映射关系，使得一侧神经网络能在期望的图像生成方向上可以形成正确的映射，从而降低生成的mri图像与实际mri图像之间存在的偏差，提高磁共振成像模型生成mri图像的质量，以及提高神经网络的学习能力和学习效率。

另一方面，通过第一模拟磁共振图像类别判别模型和第二模拟磁共振图像类别判别模型，还对生成的第一模拟全采样磁共振图像和第一模拟欠采样磁共振图像进行判别，并将判别结果通过损失函数反馈至环形深度神经网络的训练中。期望达到使模拟磁共振图像判别模型对通过环形深度神经网络生成的模拟磁共振图像误判为非模拟磁共振图像的目的，以使得训练得到的磁共振成像模型生成的mri图像尽可能贴近实际mri图像，从而进一步的提高磁共振成像模型生成mri图像的质量。

以上为本说明书实施例所提供的磁共振成像模型的训练方法，本说明书实施例还提供一种通过该磁共振成像模型的训练方法训练得到的磁共振成像模型的一种具体应用场景。该一种具体应用场景可以是本说明书实施例提供的一种磁共振图像生成方法，该方法的执行主体可以是磁共振成像设备，如图7所示，该磁共振图像生成方法具体包括以下步骤：

步骤21，获取欠采样图像数据。

在实际应用中，这里的欠采样图像数据可以是通过磁共振成像设备，利用核磁共振现象采集的图像数据。可以理解的是，这里的欠采样图像数据可以是为了提高图像数据采集时间，通过磁共振成像设备采集的一定数量的图像数据。

在实际应用中，可以通过基于部分k空间的规则欠采样、基于压缩感知(compressedsensing，cs)理论的随机欠采样、以及基于非笛卡尔采样轨迹的radial和spiral欠采样等方法，采集欠采样图像数据，对此本申请不做限制。

步骤22，将通过步骤21获取的欠采样图像数据输入至训练好的磁共振成像模型中，以生成磁共振图像。

在本说明书实施例中，训练好的磁共振成像模型可以但不限于采用上述本说明书实施例中的磁共振成像模型的训练方法训练得到。其中，针对磁共振成像模型的训练方法的相关描述可参照上述本说明书实施例中示出的内容，为避免赘述，此处不再说明。

在实际应用中，将欠采样图像数据输入至训练好的磁共振成像模型中，可以通过训练好的磁共振成像模型生成高质量的mri图像，便于临床诊断。

通过本说明书实施例中磁共振图像生成方法，可以实现根据采集的欠采样图像数据，生成高质量的mri图像，尤其是采用上述本说明书实施例中的磁共振成像模型的训练方法训练得到的磁共振成像模型，相较于现有技术可以进一步提高生成的mri图像的质量。

以上为本说明书实施例所提供的磁共振成像模型的训练方法，以及基于该磁共振成像模型的训练方法的磁共振图像生成方法。在本说明书实施例中，基于与磁共振成像模型的训练方法相同的发明构思，还提供了相应的磁共振成像模型的训练装置。如图8所示，该装置具体包括：

获取模块101，用于获取磁共振图像数据集；其中，所述磁共振图像数据集包括：欠采样磁共振图像和全采样磁共振图像；

构建模块102，用于构建待训练的环形深度神经网络；其中，所述环形深度神经网络包括两侧神经网络以及两个输入口；所述两个输入口用于分别输入所述欠采样磁共振图像和所述全采样磁共振图像；所述两侧神经网络的一侧神经网络用于：根据所述欠采样磁共振图像生成第一模拟全采样磁共振图像，根据所述两侧神经网络的另一侧神经网络生成的第一模拟欠采样磁共振图像，生成第二模拟全采样磁共振图像；另一侧神经网络用于：根据所述全采样磁共振图像生成所述第一模拟欠采样磁共振图像，根据所述一侧神经网络生成的第一模拟全采样磁共振图像，生成第二模拟欠采样磁共振图像；

生成模块103，用于将所述欠采样磁共振图像和所述全采样磁共振图像，分别通过待训练的环形深度神经网络的两个输入口，分别输入至所述待训练的环形深度神经网络包含的两侧神经网络中，以生成各模拟磁共振图像；所述各模拟磁共振图像包括：所述第一模拟欠采样磁共振图像、所述第一模拟全采样磁共振图像、所述第二模拟欠采样磁共振图像以及所述第二模拟全采样磁共振图像；

第一判别模块104，用于将所述第一模拟全采样磁共振图像和所述全采样磁共振图像，输入至预先构建的第一模拟磁共振图像类别判别模型，以得到对所述第一模拟全采样磁共振图像是否为模拟磁共振图像类别的第一判别结果；

第二判别模块105，用于将所述第一模拟欠采样磁共振图像和所述欠采样磁共振图像，输入至预先构建的第二模拟磁共振图像类别判别模型，以得到对所述第一模拟欠采样磁共振图像是否为模拟磁共振图像类别的第二判别结果；

参数调整模块106，用于根据预设损失函数、所述第一判别结果、所述第二判别结果、所述第二模拟欠采样磁共振图像、所述第二模拟全采样磁共振图像、所述欠采样磁共振图像和所述全采样磁共振图像，调整所述环形深度神经网络的网络参数，以得到训练好的磁共振成像模型。

上述装置实施例的具体工作流程可以包括：获取模块101，获取磁共振图像数据集，构建模块102，构建待训练的环形深度神经网络，生成模块103，将欠采样磁共振图像和全采样磁共振图像，分别通过待训练的环形深度神经网络的两个输入口，分别输入至待训练的环形深度神经网络包含的两侧神经网络中，以生成各模拟磁共振图像，第一判别模块104，将第一模拟全采样磁共振图像和全采样磁共振图像，输入至预先构建的第一模拟磁共振图像类别判别模型，以得到对第一模拟全采样磁共振图像是否为模拟磁共振图像类别的第一判别结果，第二判别模块105，将第一模拟欠采样磁共振图像和欠采样磁共振图像，输入至预先构建的第二模拟磁共振图像类别判别模型，以得到对第一模拟欠采样磁共振图像是否为模拟磁共振图像类别的第二判别结果，参数调整模块106，根据预设损失函数、第一判别结果、第二判别结果、第二模拟欠采样磁共振图像、第二模拟全采样磁共振图像、欠采样磁共振图像和全采样磁共振图像，调整环形深度神经网络的网络参数，以得到训练好的磁共振成像模型。

在一种实施方式中，所述参数调整模块106，具体包括：

计算损失值单元，用于将所述第一判别结果、所述第二判别结果、所述第二模拟欠采样磁共振图像、所述第二模拟全采样磁共振图像、所述欠采样磁共振图像和所述全采样磁共振图像分别代入至预设损失函数中得到损失值；

调整单元，用于根据所述损失值，调整所述环形深度神经网络的网络参数，以得到训练好的磁共振成像模型；所述磁共振成像模型包括所述环形深度神经网络的所述一侧神经网络。

在一种实施方式中，所述装置中的环形深度神经网络的一侧神经网络包括：第一降采样层、第一残差网络层、第一升采样层；另一侧神经网络包括：第二降采样层、第二残差网络层、第二升采样层；

所述第一降采样层，用于提取所述欠采样磁共振图像的第一特征图，提取所述第一模拟欠采样磁共振图像的第二特征图；

所述第一残差网络层，用于对所述第一特征图和所述第二特征图进行残差处理，得到残差处理后的第一特征图和残差处理后的第二特征图；

所述第一升采样层，用于根据所述残差处理后的第一特征图生成所述第一模拟全采样磁共振图像，根据所述残差处理后的第二特征图生成所述第二模拟全采样磁共振图像；

所述第二降采样层，用于提取所述全采样磁共振图像的第三特征图，提取所述第一模拟全采样磁共振图像的第四特征图；

所述第二残差网络层，用于对所述第三特征图和所述第四特征图进行残差处理，得到残差处理后的第三特征图和残差处理后的第四特征图；

所述第二升样层，用于根据所述残差处理后的第三特征图生成所述第一模拟欠采样磁共振图像，根据所述残差处理后的第四特征图生成所述第二模拟欠采样磁共振图像。

在一种实施方式中，所述预设损失函数具体包括：

第一损失函数，用于根据对所述第一模拟全采样磁共振图像是否为模拟磁共振图像类别的第一判别结果，确定第一损失值；

第二损失函数，用于根据对所述第一模拟欠采样磁共振图像是否为模拟磁共振图像类别的第二判别结果，确定第二损失值；

第三损失函数，用于根据第二模拟全采样磁共振图像与全采样磁共振图像之间的平均绝对误差，以及第二模拟欠采样磁共振图像与欠采样磁共振图像之间的平均绝对值误差，确定第三损失值。

在一种实施方式中，所述第一损失函数为：

所述第二损失函数为：

所述第三损失函数为：

其中，x表示所述欠采样磁共振图像，gs-d(x)表示所述第一模拟全采样磁共振图像，dd表示所述第一模拟磁共振图像类别判别模型，dd(gs-d(x))表示所述第一判别结果，mse表示均方误差函数,ex表示输入为欠采样磁共振图像的函数数学期望；

其中，y表示所述全采样磁共振图像，gd-s(y)表示所述第一模拟欠采样磁共振图像，ds表示所述第二模拟磁共振图像类别判别模型，ds(gd-s(y))表示所述第二判别结果，ey表示输入为全采样磁共振图像的函数数学期望；

其中，xcir表示所述第二模拟欠采样磁共振图像，ycir表示所述第二模拟全采样磁共振图像，‖xcir-x‖1表示所述第二模拟欠采样磁共振图像和所述欠采样磁共振图像之间的平均绝对误差，‖ycir-y‖1表示所述第二模拟全磁共振图像和所述全采样磁共振图像之间的平均绝对误差。

在一种实施方式中，所述装置，还包括：

第一模型参数调整模块，用于通过第四损失函数，调整所述第一模拟磁共振图像类别判别模型的模型参数；所述第四损失函数为：

第二模型参数调整模块，用于通过第五损失函数，调整第二模拟磁共振图像类别判别模型的模型参数；所述第五损失函数为：

其中，dd(y)表示所述第一模拟磁共振图像类别判别模型对所述全采样磁共振图像类别的判别结果；ds(x)表示所述第二模拟磁共振图像类别判别模型对所述欠采样磁共振图像类别的判别结果。

在本说明书实施例中，通过构建的环形深度神经网络，在训练的过程中，不仅学习了由欠采样磁共振图像到全采样磁共振图像这一图像生成方向的映射关系，由于增加了与该图像生成方向相反的另一侧神经网络，还可以学习由全采样磁共振图像到欠采样磁共振图像这一相反方向的映射关系，从而可以矫正一侧神经网络学习的映射关系，使得一侧神经网络能在期望的图像生成方向上可以形成正确的映射，从而降低生成的mri图像与实际mri图像之间存在的偏差，提高磁共振成像模型生成mri图像的质量，以及提高神经网络的学习能力和学习效率。

另一方面，通过第一模拟磁共振图像类别判别模型和第二模拟磁共振图像类别判别模型，还对生成的第一模拟全采样磁共振图像和第一模拟欠采样磁共振图像进行判别，并将判别结果通过损失函数反馈至环形深度神经网络的训练中。期望达到使模拟磁共振图像判别模型对通过环形深度神经网络生成的模拟磁共振图像误判为非模拟磁共振图像的目的，以使得训练得到的磁共振成像模型生成的mri图像尽可能贴近实际mri图像，从而进一步的提高磁共振成像模型生成mri图像的质量。

基于与上述磁共振图像生成方法相同的发明构思，本说明书实施例还提供一种磁共振图像生成装置，如图9所示，该装置具体包括：

图像数据获取块201，用于获取欠采样图像数据；

生成模块202，用于将所述欠采样图像数据输入至训练好的磁共振成像模型中，以生成磁共振图像。

上述磁共振图像生成装置实施例的具体工作流程可以包括：图像数据获取块201，获取欠采样图像数据；生成模块202，将通过图像数据获取块201获取到的欠采样图像数据输入至训练好的磁共振成像模型中，以生成磁共振图像。

通过本说明书实施例中磁共振图像生成装置，可以实现根据采集的少量图像数据，生成高质量的mri图像，尤其是采用上述本说明书实施例中的磁共振成像模型的训练方法训练得到的磁共振成像模型，相较于现有技术可以进一步提高生成的mri图像的质量。

本说明书实施例还提出了一种电子设备，示意图请参考图10，在硬件层面，该电子设备包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(random-accessmemory，ram)，也可能还包括非易失性存储器(non-volatilememory)，例如至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。

处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是isa(industrystandardarchitecture，工业标准体系结构)总线、pci(peripheralcomponentinterconnect，外设部件互连标准)总线和eisa(extendedindustrystandardarchitecture，扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图10中仅用一个双向箭头表示，但并不表示仅有一根总线和一种类型的总线。

存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。

处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成应用磁共振成像模型的训练装置。处理器，执行存储器所存放的程序，并至少用于执行以下操作：

获取磁共振图像数据集；其中，所述磁共振图像数据集包括：欠采样磁共振图像和全采样磁共振图像；

构建待训练的环形深度神经网络；其中，所述环形深度神经网络包括两侧神经网络以及两个输入口；所述两个输入口用于分别输入所述欠采样磁共振图像和所述全采样磁共振图像；

所述两侧神经网络的一侧神经网络用于：根据所述欠采样磁共振图像生成第一模拟全采样磁共振图像，根据所述两侧神经网络的另一侧神经网络生成的第一模拟欠采样磁共振图像，生成第二模拟全采样磁共振图像；另一侧神经网络用于：根据所述全采样磁共振图像生成所述第一模拟欠采样磁共振图像，根据所述一侧神经网络生成的第一模拟全采样磁共振图像，生成第二模拟欠采样磁共振图像；

将所述欠采样磁共振图像和所述全采样磁共振图像，分别通过待训练的环形深度神经网络的两个输入口，分别输入至所述待训练的环形深度神经网络包含的两侧神经网络中，以生成各模拟磁共振图像；所述各模拟磁共振图像包括：所述第一模拟欠采样磁共振图像、所述第一模拟全采样磁共振图像、所述第二模拟欠采样磁共振图像以及所述第二模拟全采样磁共振图像；

将所述第一模拟全采样磁共振图像和所述全采样磁共振图像，输入至预先构建的第一模拟磁共振图像类别判别模型，以得到对所述第一模拟全采样磁共振图像是否为模拟磁共振图像类别的第一判别结果；

将所述第一模拟欠采样磁共振图像和所述欠采样磁共振图像，输入至预先构建的第二模拟磁共振图像类别判别模型，以得到对所述第一模拟欠采样磁共振图像是否为模拟磁共振图像类别的第二判别结果；

根据预设损失函数、所述第一判别结果、所述第二判别结果、所述第二模拟欠采样磁共振图像、所述第二模拟全采样磁共振图像、所述欠采样磁共振图像和所述全采样磁共振图像，调整所述环形深度神经网络的网络参数，以得到训练好的磁共振成像模型。

上述如本申请图1所示实施例揭示的磁共振成像模型的训练装置执行的方法可以应用于处理器中，和者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路和者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(centralprocessingunit，cpu)、网络处理器(fetworkprocessor，fp)等；还可以是数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现场可编程门阵列(field－programmablegatearray，fpga)和者其他可编程逻辑器件、分立门和者晶体管逻辑器件、分立硬件组件。可以实现和者执行本说明书实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器和者该处理器也可以是任何常规的处理器等。结合本说明书实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，和者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器和者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。

该电子设备还可执行图1中磁共振成像模型的训练装置执行的方法，并实现磁共振成像模型的训练装置在图1所示实施例的功能，本说明书实施例在此不再赘述。

本说明书实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个和多个程序，该一个和多个程序包括指令，该指令当被包括多个应用程序的电子设备执行时，能够使该电子设备执行图1所示实施例中磁共振成像模型的训练装置执行的方法，并至少用于执行：

获取磁共振图像数据集；其中，所述磁共振图像数据集包括：欠采样磁共振图像和全采样磁共振图像；

构建待训练的环形深度神经网络；其中，所述环形深度神经网络包括两侧神经网络以及两个输入口；所述两个输入口用于分别输入所述欠采样磁共振图像和所述全采样磁共振图像；

所述两侧神经网络的一侧神经网络用于：根据所述欠采样磁共振图像生成第一模拟全采样磁共振图像，根据所述两侧神经网络的另一侧神经网络生成的第一模拟欠采样磁共振图像，生成第二模拟全采样磁共振图像；另一侧神经网络用于：根据所述全采样磁共振图像生成所述第一模拟欠采样磁共振图像，根据所述一侧神经网络生成的第一模拟全采样磁共振图像，生成第二模拟欠采样磁共振图像；

将所述欠采样磁共振图像和所述全采样磁共振图像，分别通过待训练的环形深度神经网络的两个输入口，分别输入至所述待训练的环形深度神经网络包含的两侧神经网络中，以生成各模拟磁共振图像；所述各模拟磁共振图像包括：所述第一模拟欠采样磁共振图像、所述第一模拟全采样磁共振图像、所述第二模拟欠采样磁共振图像以及所述第二模拟全采样磁共振图像；

将所述第一模拟全采样磁共振图像和所述全采样磁共振图像，输入至预先构建的第一模拟磁共振图像类别判别模型，以得到对所述第一模拟全采样磁共振图像是否为模拟磁共振图像类别的第一判别结果；

将所述第一模拟欠采样磁共振图像和所述欠采样磁共振图像，输入至预先构建的第二模拟磁共振图像类别判别模型，以得到对所述第一模拟欠采样磁共振图像是否为模拟磁共振图像类别的第二判别结果；

根据预设损失函数、所述第一判别结果、所述第二判别结果、所述第二模拟欠采样磁共振图像、所述第二模拟全采样磁共振图像、所述欠采样磁共振图像和所述全采样磁共振图像，调整所述环形深度神经网络的网络参数，以得到训练好的磁共振成像模型。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、和计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、和结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个和多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/和方框图来描述的。应理解可由计算机程序指令实现流程图和/和方框图中的每一流程和/和方框、以及流程图和/和方框图中的流程和/和方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机和其它可编程数据处理设备的处理器以产生一个机器，使得通过计算机和其它可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程和多个流程和/和方框图一个方框和多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机和其它可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程和多个流程和/和方框图一个方框和多个方框中指定的功能。

这些计算机程序指令也可装载到计算机和其它可编程数据处理设备上，使得在计算机和其它可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机和其它可编程设备上执行的指令提供用于实现在流程图一个流程和多个流程和/和方框图一个方框和多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个和多个处理器(cpu)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/和非易失性内存等形式，如只读存储器(rom)和闪存(flashram)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法和技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块和其它数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其它类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体和其它内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)和其它光学存储、磁盒式磁带，磁带磁磁盘存储和其它磁性存储设备和任何其它非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”和者其任何其它变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品和者设备不仅包括那些要素，而且还包括没有明确列出的其它要素，和者是还包括为这种过程、方法、商品和者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品和者设备中还存在另外的相同要素。

以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。