1.一种基于深度生成对抗神经网络的核磁共振多加权成像方法，其特征在于，包括如下步骤：

1)构造深度生成对抗神经网络；

2)构造训练数据集和评估数据集；训练数据集由N1对脑部水平切面的T2加权核磁共振图像和PD加权核磁共振图像构成，评估数据集由N2对脑部水平切面的T2加权核磁共振图像和PD加权核磁共振图像构成,其中，N1表示训练数据集的数量，N2表示评估数据集的数量；

3)训练深度生成对抗神经网络的权重；

所述步骤3)中，训练深度生成对抗神经网络的权重并获得最优权重w*包括如下步骤：

3.1)初始化生成网络和判别网络的权重，初始化生成网络的最小归一化均方误差变量BEST_NMSE＝∞；

3.2)初始化变量K＝10，其中，K表示距离训练结束的回合数；

3.3)初始化变量i＝0，其中，i表示每个回合中已经进行过的训练次数；

3.4)从训练数据集中随机抽取N3对训练数据构成网络训练批处理集Ψ；其中，N3表示网络训练批处理集Ψ的数量；

3.5)以Ψ作为判别网络的训练集，通过反向传播算法、自适应矩估计算法对判别网络的损失进行优化和网络权重更新；

3.6)使用网络训练批处理集Ψ作为生成网络的训练集，通过反向传播算法、自适应矩估计算法和L2正则化对生成网络的损失进行优化和网络权重更新；

3.7)i＝i+1；

3.8)判断i是否小于N1/N3，如小于转步骤3.4)，否则转步骤3.9)；

3.9)使用评估数据集进行评估；

*

3.10)深度生成对抗神经网络训练完成并获得最优权重w；

4)将T2加权核磁共振图像作为输入，通过训练好的深度生成对抗神经网络输出PD加权核磁共振图像。

2.如权利要求1所述的基于深度生成对抗神经网络的核磁共振多加权成像方法，其特征在于，所述步骤1)中，构造深度生成对抗神经网络,包括如下步骤：

1.1)构造生成网络，所述生成网络包括批归一化层、卷积层、反卷积层和全连接层，其中，卷积层的批归一化输出和对应反卷积层的批归一化输出通过全连接层进行跳接相加作为下一个反卷积层的输入；

1.2)构造判别网络，判别网络用于输出图像被判为PD加权核磁共振图像的概率，判别网络包括批归一化层和卷积层；

1.3)确定生成网络的损失函数；

1.4)确定判别网络的损失函数。

3.如权利要求2所述的基于深度生成对抗神经网络的核磁共振多加权成像方法，其特征在于，所述步骤1.3)中，生成网络的损失函数RG(w)为：其中，xu和xt表示核磁共振设备采集得到的同时期同部位T2加权核磁共振图像和PD加权核磁共振图像，Ψ表示训练数据集中的一个批处理集，|Ψ|表示批处理集中元素的个数，Lnmse为归一化均方误差，Lfft为频率损失，Lls为最小二乘损失，Ll2为L2正则化。

4.如权利要求2所述的基于深度生成对抗神经网络的核磁共振多加权成像方法，其特征在于，所述步骤1.4)中，判别网络的损失函数为：其中，Ψ表示训练数据集中的一个批处理集，|Ψ|表示批处理集中元素的个数，xu和xt表示核磁共振设备采集得到的同时期同部位T2加权核磁共振图像和PD加权核磁共振图像，表示网络输出图像， 表示判别网络的输出。

5.如权利要求1所述的基于深度生成对抗神经网络的核磁共振多加权成像方法，其特征在于，所述步骤3.9)中使用评估数据集进行评估，具体包括如下步骤：

3.9.1)从评估数据集随机选择N3对评估数据作为生成网络的评估集，并计算T2加权图像的生成图像和评估集中PD加权图像的归一化均方误差，记为NMSE；

3.9.2)判断NMSE是否小于BEST_NMSE，如小于转步骤3.9.3)，否则转步骤3.9.4)；

3.9.3)BEST_NMSE＝NMSE，保存此次训练模型并设置为最优模型，转步骤3.2)；

3.9.4)K＝K‑1；转步骤3.9.5)；

3.9.5)判断K是否等于0，如等于则停止训练，转步骤3.10)，否则转步骤3.3)。

6.如权利要求3所述的基于深度生成对抗神经网络的核磁共振多加权成像方法，其特征在于，所述Lnmse归一化均方误差的计算方法如下：其中， 表示网络输出图像。

7.如权利要求3所述的基于深度生成对抗神经网络的核磁共振多加权成像方法，其特征在于，所述Lfft频率损失计算方法如下：其中，yt和 是xt和 对应的k空间数据。

8.如权利要求3所述的基于深度生成对抗神经网络的核磁共振多加权成像方法，其特征在于，所述Lls最小二乘损失计算方法如下：其中，G(xu)表示生成网络的输出，D(G(xu))表示判别网络的输出。

9.如权利要求3所述的基于深度生成对抗神经网络的核磁共振多加权成像方法，其特征在于，所述Ll2正则化计算方法如下：其中，w为生成网络的权重，λ是正则项系数。