使用GAN实现压缩感知MRI图像重建：Python实战-平芜编程栈

DL00112-使用GAN的压缩感知MRI图像重建python实现旨在重建满足欠采样测量数据约束的图像；以及这些结果是否与完全无锯齿的结果相似。另外，如果从数据集中获取的全采样图像也经历了同样的欠采样加速过程；仍然可以收到原始图像所期望的重建结果。

在医学成像领域，MRI（磁共振成像）是一种强大的技术，但传统MRI采集时间较长，这给患者带来了不便，也限制了其在一些场景中的应用。压缩感知技术与生成对抗网络（GAN）的结合为MRI图像重建提供了一种高效的解决方案。今天就来聊聊如何用Python实现基于GAN的压缩感知MRI图像重建。

一、目标解析

本次实现旨在重建满足欠采样测量数据约束的图像。啥意思呢？就是我们在采集MRI数据时，不采集完整的数据，而是只采集一部分（欠采样），然后通过算法把完整的图像重建出来。并且，我们还关心重建出来的图像和理想中完全无锯齿的图像相似度如何。

另外一个有趣的点是，如果从数据集中获取的全采样图像也经历同样的欠采样加速过程，是否还能得到原始图像所期望的重建结果。这就像是一个实验，看看我们的重建方法是不是足够鲁棒。

二、代码实现

1. 数据预处理

首先，我们需要导入一些必要的库。

import numpy as np import torch import torch.nn as nn import torch.optim as optim from torch.utils.data import DataLoader, Dataset import h5py

这里导入了numpy用于数值计算，torch及其相关模块用于构建和训练神经网络。h5py用于读取MRI数据文件，通常MRI数据会以.h5格式存储。

假设我们的MRI数据存储在.h5文件中，并且数据集中包含全采样图像和对应的欠采样测量数据。我们可以定义一个数据集类来加载数据。

class MRIDataset(Dataset): def __init__(self, h5_file): self.data = h5py.File(h5_file, 'r') self.full_images = self.data['full_images'][:] self.undersampled_measurements = self.data['undersampled_measurements'][:] def __len__(self): return len(self.full_images) def __getitem__(self, idx): full_image = torch.from_numpy(self.full_images[idx]).unsqueeze(0).float() undersampled_measurement = torch.from_numpy(self.undersampled_measurements[idx]).unsqueeze(0).float() return full_image, undersampled_measurement

在这个数据集类中，init方法打开.h5文件并读取全采样图像和欠采样测量数据。len方法返回数据集的大小，getitem方法根据索引获取对应的全采样图像和欠采样测量数据，并将它们转换为PyTorch的张量格式。

2. 构建GAN网络

接下来，我们定义生成器和判别器。生成器的任务是根据欠采样测量数据生成重建图像，判别器则判断生成的图像是真实的全采样图像还是生成器伪造的。

class Generator(nn.Module): def __init__(self): super(Generator, self).__init__() self.main = nn.Sequential( nn.Conv2d(1, 64, kernel_size=3, padding=1), nn.ReLU(True), nn.Conv2d(64, 128, kernel_size=3, padding=1), nn.ReLU(True), nn.Conv2d(128, 1, kernel_size=3, padding=1), nn.Tanh() ) def forward(self, x): return self.main(x) class Discriminator(nn.Module): def __init__(self): super(Discriminator, self).__init__() self.main = nn.Sequential( nn.Conv2d(1, 64, kernel_size=3, padding=1), nn.LeakyReLU(0.2, inplace=True), nn.Conv2d(64, 128, kernel_size=3, padding=1), nn.LeakyReLU(0.2, inplace=True), nn.Conv2d(128, 1, kernel_size=3, padding=1), nn.Sigmoid() ) def forward(self, x): return self.main(x)

生成器中，通过几个卷积层逐步增加特征维度，最后输出重建图像。判别器类似，不过激活函数使用LeakyReLU，最后用Sigmoid输出一个0到1之间的概率值，表示输入图像是真实图像的可能性。

3. 训练过程

# 初始化网络 generator = Generator() discriminator = Discriminator() # 定义损失函数和优化器 criterion = nn.BCELoss() optimizerG = optim.Adam(generator.parameters(), lr=0.0001) optimizerD = optim.Adam(discriminator.parameters(), lr=0.0001) # 加载数据集 h5_file = 'your_mri_data.h5' dataset = MRIDataset(h5_file) dataloader = DataLoader(dataset, batch_size=16, shuffle=True) # 训练循环 num_epochs = 50 for epoch in range(num_epochs): for i, (full_images, undersampled_measurements) in enumerate(dataloader): # 训练判别器 optimizerD.zero_grad() real_labels = torch.ones(full_images.size(0), 1, 1, 1) fake_labels = torch.zeros(full_images.size(0), 1, 1, 1) real_outputs = discriminator(full_images) d_loss_real = criterion(real_outputs, real_labels) fake_images = generator(undersampled_measurements) fake_outputs = discriminator(fake_images.detach()) d_loss_fake = criterion(fake_outputs, fake_labels) d_loss = d_loss_real + d_loss_fake d_loss.backward() optimizerD.step() # 训练生成器 optimizerG.zero_grad() fake_images = generator(undersampled_measurements) fake_outputs = discriminator(fake_images) g_loss = criterion(fake_outputs, real_labels) g_loss.backward() optimizerG.step() print(f'Epoch [{epoch+1}/{num_epochs}], d_loss: {d_loss.item():.4f}, g_loss: {g_loss.item():.4f}')

在训练过程中，我们交替训练判别器和生成器。判别器的损失由真实图像的损失和伪造图像的损失组成，通过反向传播更新判别器的参数。生成器则通过让判别器误以为生成的图像是真实的来更新自己的参数。