近年来,随着深度学习技术的不断发展,将深度学习技术应用于医学影像的诊断中是目前应用最为广泛的场景。磁共振成像（MRI）技术是一种无损伤、高分辨率的医学影像检查方式,已被广泛应用在临床诊断中。但在常用于评估肝脏和脑部肿瘤性疾病的病变、组织生理性质的动态对比度增强磁共振成像（DCE-MRI）检查中仍需为患者注射含钆对比剂,而含钆对比剂的使用存在一定的风险。为此,本文提出基于循环生成对抗网络（Cycle GAN）的磁共振成像动态对比度增强方法,通过未注射对比剂的MRI图像合成与对比剂增强后近似的DCE-MRI图像,以替代含钆对比剂的注射。并结合实际需求,设计实现了一个DCE-MRI合成临床科研软件。本文的主要工作如下:（1）肝脏MRI具有复杂的解剖结构且难以配准,因此针对肝血管瘤及其影像学特征提出基于残差结构生成器Cycle GAN的DCE-MRI图像合成方法,并在残差结构中嵌入特征压缩与激发模块提供注意力机制,加强生成器对于肝血管瘤MRI图像中特征信息的提取能力。实验结果表明该方法合成的肝血管瘤DCE-MRI图像的结构相似性为0.782,峰值信噪比为22.8,与原始Cycle GAN相比,结构相似性提高了0.008,峰值信噪比提高了0.9。（2）脑MRI具有单一的解剖结构且易于配准,为了更好地挖掘配准后的多模态脑MRI中的信息,因此针对脑胶质瘤及其影像学特征提出在Cycle GAN的网络结构基础上使用U-Net网络结构生成器取代残差结构生成器;并引入注意力门机制,加强模型对病灶区域的关注;引入一种残差卷积模块,加深模型深度。实验结果表明该方法合成的肝血管瘤DCE-MRI图像的结构相似性为0.863,峰值信噪比为24.7,与现有方法相比,结构相似性提高了0.095,峰值信噪比提高了4.3。（3）基于上述工作和实际需求,设计并实现了一个磁共振增强图像合成临床科研软件,包括图像读取模块、图像预处理模块、图像生成模块和图像后处理模块。图像读取模块实现了影像文件的上传、图像与头文件信息查看;图像预处理模块实现了图像插值处理、去噪处理与偏置场矫正。图像生成模块功能为通过生成对抗网络模型进行DCEMRI图像合成。图像后处理模块实现了病灶标注、病灶体积预估、标注结果保存等功能。最后对软件的功能需求和非功能需求进行了测试,验证了该软件的有效性和实用性。综上所述,本文从医院影像科室的实际需求出发,以基于生成对抗网络的磁共振动态增强图像合成方法为研究内容,针对肝血管瘤和脑胶质瘤设计了用于磁共振动态增强图像合成的生成对抗网络模型,并实现了磁共振增强图像合成临床科研软件使该方法具有临床应用的价值。