近年来,深度学习技术得到了快速发展,各种深度学习算法已经被应用到了社会的各行各业。深度学习技术被应用在医疗行业已经成为了现代医疗的发展趋势。核磁共振成像技术作为疾病诊断的一个重要依据,一直以来被广泛应用在各类医疗机构中,然而核磁共振成像时会产生运动伪影,严重影响疾病诊断的准确性。本文充分利用深度学习以及核磁共振成像的特点,设计了一种基于web技术的核磁共振图像去除伪影的可视化系统,本文主要做了以下几个方面的工作:1.本文首先研究了深度学习技术和核磁共振成像技术的一些基础知识,为去除伪影模型的设计打下基础,然后对医院采集的核磁共振图像进行处理和整理,形成了一套可用于模型训练的数据集。2.本文采用了两种不同的深度学习算法来设计去除伪影的模型,第一种是基于生成式对抗网络来进行模型的设计。在选择骨干网络时,本文用resnet和U-net做对比实验,在选择损失函数时,本文对四种损失函数进行消融实验,设计出了一种新的损失函数——EdgeLoss。3.第二种方法是基于多尺度神经网络来设计模型,通过比较不同的多尺度神经网络来选择最终的网络结构,通过比较多种残差模块来提高模型提取图像特征的能力,本文设计出了一种更深更宽的残差模块,并应用在了图像去除伪影的模型上。4.在设计去除伪影可视化系统时,本文采用SpringMVC架构,前端采用html+css+javascript技术,服务器端采用java调用Python代码的设计。系统实现了在线模型调用、输出结果和展示图片的功能。本文研究的目的是通过深度学习模型来学习核磁共振图像特征,同时基于训练的机制来学习从含有伪影图像到不含有伪影图像的映射。本文使用两种不同的深度学习思想,同时对模型中用到的部件进行比较和创新,来提升模型去除伪影的效果。在以上的基础上,设计一种基于web技术的核磁共振图像去除伪影的可视化系统,在一定程度上简化了使用步骤,同时帮助医生更好更准确地对疾病进行诊断。