磁共振成像(Magnetic resonance imaging,MRI)在医学上是一种常见的影像成像方法,可以无创的对内部组织结构进行成像,其成像过程是先在频域中进行信号采集,再将采集的信号变换到时域完成成像,其拥有成像分辨率高、扫描无辐射等优点。但由于扫描时间过长,患者难以忍受长时间保持固定姿势,且成像精度易受到生理性运动的影响,产生运动伪影。传统的磁共振图像重构算法中,通常是利用压缩感知(Compressed Sensing)来实现欠采样磁共振数据的恢复,但是在低采样率下重构效果有待提高。随着深度学习(Deep Learning)技术的发展,基于神经网络的磁共振图像重构技术成为了快速磁共振成像研究的重点。本文主要围绕深度学习中Wasserstein生成对抗网络模型(Wasserstein Generative Adversarial Network,WGAN)来重构磁共振图像,具体的研究内容如下:(1)提出了一种基于微调Wasserstein生成对抗网络(De-aliasing Fine-tuning Wasserstein Generative Adversarial Network,DA-FWGAN)的磁共振图像重构算法。原始生成对抗网络在训练过程中往往会导致判别器训练的越好,生成器梯度消失问题就越严重,网络训练不稳定。Wasserstein生成对抗网络作为生成对抗网络的一种改进,其Wasserstein距离可以有效避免梯度消失问题的发生,并提高训练稳定性。训练时首先采用少量数据对生成器网络前半部分进行预训练,预训练结束后再使用大量数据和迁移学习微调网络参数的方法精确训练整个生成器网络的参数。此外,为了更好地重构出图像中的纹理结构,我们将感知损失、图像损失和频率损失加入至损失函数中进行网络训练。实验结果表明,相比其他深度学习方法,本文所提出的基于DA-FWGAN的磁共振图像重构算法在图像重构质量和稳定性上有明显提升。(2)提出了一种基于改进 Wasserstein 生成对抗网络(De-aliasing Wasserstein Generative Adversarial Network with Gradient Penalty,DAWGAN-GP)的磁共振图像重构算法,该方法利用改进Wasserstein生成对抗网络代替传统的生成对抗网络,结合梯度惩罚的方法提高训练速度和网络稳定性,解决基于WGAN的磁共振图像重构中网络收敛缓慢的问题。实验结果表明,相比于几种基于GAN的磁共振图像重构算法,基于DAWGAN-GP的磁共振图像重构方法可以重构出更好的组织结构和局部细节。通过对实验结果分析表明,基于Wasserstein生成对抗网络的磁共振图像重构算法相对于压缩感知MRI重构和GAN重构算法,可明显提高MRI重构质量和模型稳定性。