心肌纤维结构与心脏功能密切相关,研究心肌结构对解释各种心血管疾病的成因和早期诊断具有重要的理论意义和临床价值。磁共振扩散成像技术(d MRI)是目前无损检测心肌纤维组织结构的主要方法,但是该成像技术对心脏跳动信息特别敏感,使采集的磁共振影像存在伪影,同时也无法获得整个心动周期的d MRI图像。此外,由于伦理限制,离体心脏难以获得,所以离体心肌磁共振成像数据亦非常有限。随着大数据和深度学习的出现,利用海量医学影像数据探索重大疾病的成因和早期诊断已成为主要的研究趋势,到目前为止,心肌d MRI数据仍较少。所以本文在有限心肌纤维d MRI数据的基础上,采用了三种深度学习模型以合成大量的、具有多样性并符合实际采集特征的心肌d MRI数据。具体工作如下:(1).基于有限的离体心肌d MRI数据,本文采用了DCGAN网络结构合成大量的离体心肌d MRI数据,合成d MRI图像在视觉上(灰度上)与真实采集图像非常逼近,并且能够从中准确提取出心肌纤维方向。证实了深度学习模型在d MRI数据合成方面应用的可行性。(2).为了进一步提高d MRI图像的生成质量。结合解析模型和深度学习网络来实现更符合实际采集的心肌d MRI图像。即首先采用解析模型生成理想化的扩散加权图像,将其作为网络输入,然后设计d MRI-GAN网络模型,即在pix2pix模型的基础上,引入了SE模块,感知损失和Wasserstein GAN损失进行d MRI图像生成。实验结果表明,d MRI-GAN模型表现优于pix2pix模型,可以合成逼真的扩散加权图像,其图像也能反映真实组织的微观结构。(3).由于活体心肌d MRI数据受心脏跳动影响而存在运动模糊和伪影现象,本文采用了深度学习模型,以补全活体心肌扩散加权影像。该深度学习模型由边缘生成模型和内容补全模型构成,边缘生成模型负责补全图像轮廓,图像内容补全模型负责补缺失区域的像素值。实验结果表明,补全模型能够较好的恢复图像轮廓,也能补全出不规则形状缺失区域的结构信息,并且模型还能恢复缺失区域的纤维方向和扩散特性。