1.一种基于局部优化生成对抗网络的MRI(磁共振成像)运动伪影回溯校正方法，其特征在于，包括：

O O

S1：获取多个原始样本图像I ，针对每一所述原始样本图像I ，通过快速傅里叶变换将其转换为K空间数据，并对所述K空间数据进行随机相移后将发生改变的K空间数据通过快MA

速傅里叶逆变换得到带有运动伪影的图像I ；

S2：构建生成对抗网络模型，所述生成对抗网络模型包括生成器和判别器，所述生成器包括下采样模块、残差模块以及与所述下采样模块跳层连接的上采样模块；

MA MA

S3：将所述图像I 输入所述生成对抗网络模型，所述下采样模块提取图像I 的图像特征，所述上采样模块对所述下采样模块输出的对应层级的图像特征以及所述残差模块输出F

的图像特征进行融合处理，并输出去除运动伪影后的校正图像I；

O MA

S4：将所述原始样本图像I 和带有运动伪影的图像I 作为训练数据对生成对抗网络模型的判别器进行t次训练后，再对生成器进行k次训练，交替迭代优化，直至达到总训练轮次得到目标生成对抗网络模型；所述判别器在每一次训练过程中利用预先通过WassersteinF O F O

距离在图像I 和图像I之间构造的对抗损失函数与预先在图像I 和图像I的联合采样空间F

下构造的梯度惩罚损失函数进行优化，所述生成器在每一次训练过程中利用预先在图像IO F O

和图像I之间构造的内容损失函数与预先在图像I 和图像I之间构造的局部优化损失函数进行优化；k>t，t和k为大于等于1的整数；

S5：获取待去除运动伪影的MRI原始图像；

S6：将所述MRI原始图像输入所述目标生成对抗网络模型得到校正后的MRI目标图像。

2.如权利要求1所述的基于局部优化生成对抗网络的MRI运动伪影校正方法，其特征在MA

于，步骤S1中通过 生成带有运动伪影的图像I ；

其中，FFT表示快速傅里叶变换，IFFT表示快速傅里叶逆变换，kx和ky分别表示K空间下O

图像I分别在频率编码方向和相位编码方向上的坐标，m(ky)和n(ky)分别表示K空间下图像O

I分别在kx方向和ky方向上的相移函数。

3.如权利要求1所述的基于局部优化生成对抗网络的MRI运动伪影校正方法，其特征在于，在步骤S3中所述上采样模块通过upsampleout(q)＝σ(concate(upsampleout(q‑1)，F

downsampleout(s‑q+1)))生成并输出去除运动伪影后的校正图像I；

其中，upsampleout(1)＝σ(concate(Res,downsampleout(s)))，所述下采样模块和上采样模块的个数均为s，upsampleout(q)表示第q个上采样模块的输出，downsampleout(s‑q+1)表示第s‑q+1个下采样模块的输出，concate代表在特征图的最后一个维度上进行拼接，σ表示激活函数，所述第s个下采样模块与第1个上采样模块之间连接有所述残差模块，Res表示所述残差模块的输出。

4.如权利要求1所述的基于局部优化生成对抗网络的MRI运动伪影校正方法，其特征在于，步骤S4中预先构造的对抗损失函数为:F

其中， 表示执行去除运动伪影任务的生成器， 表示判别器，p(I)和pO F O

(I)分别表示校正图像I 和原始样本图像I的图像分布， 表示判别器输入为F O

图像I 时判别器的输出， 表示判别器输入为图像I 时判别器的输出，MA F O

表示生成器通过图像I 生成的图像I 和标签图像I之间的Wasserstein距离。

5.如权利要求4所述的基于局部优化生成对抗网络的MRI运动伪影校正方法，其特征在于，步骤S4中预先构造的梯度惩罚损失函数为：其中， ε表示插值取样随机数，表示梯度惩罚损失中间计算参数，λ表示用于权衡损失之间权重的超参数， 表示判别器输入为 时判别器梯度的二范数。

6.如权利要求5所述的基于局部优化生成对抗网络的MRI运动伪影校正方法，其特征在于，所述判别器在每一次训练过程中的总损失函数为

7.如权利要求1所述的基于局部优化生成对抗网络的MRI运动伪影校正方法，其特征在于，步骤S4中预先构造的内容损失函数为：LContent＝LMSE+αLPerceptual；

其中，

LMSE表示像素均方误差损失，LPerceptual表示感知损失，α表示控制感知损失比重的超参数，N表示样本图像的总数, 表示第n个原始样本图像， 表示第n个原始样本图像对应的带有MA

运动伪影的图像I ， 表示生成器输入为图像 时的输出，j表示预训练VGG网络中池化层所在的层数，φj表示所述VGG网络第j层池化层之前的所有网络层针对其输入图像的输出，Wj和Hj是表示φj输出的特征图的宽度和高度。

8.如权利要求7所述的基于局部优化生成对抗网络的MRI运动伪影校正方法，其特征在于，步骤S4中预先构造的局部优化损失函数为：其中，K表示预先定义的单位矩阵，表示卷积运算。

9.如权利要求8所述的基于局部优化生成对抗网络的MRI运动伪影校正方法，其特征在于，所述生成器在每一次训练过程中的总损失函数为其中，β表示控制局部优化损失比重的超参数，γ表示控制对抗损失比重的超参数，F

表示判别器输入为I时，判别器的输出。

10.如权利要求1‑9任一项所述的基于局部优化生成对抗网络的MRI运动伪影校正方法，其特征在于，t＝1，k＝2。