一种基于深度学习的磁共振波谱重建方法技术

一种基于深度学习的磁共振波谱重建方法，涉及磁共振波谱重建方法。利用指数函数生成磁共振波谱的时域信号；建立欠采样时域信号与全采样波谱的训练集；设计数据校验卷积神经网络结构中的卷积神经网络；设计数据校验卷积神经网络结构中的瓶颈层；设计数据校验卷积神经网络结构中的数据校验层；设计数据校验卷积神经网络结构中的反馈功能；建立数据校验卷积神经网络结构作为波谱重建模型；训练网络最优化参数；对目标的欠采样磁共振时域信号

【技术实现步骤摘要】
一种基于深度学习的磁共振波谱重建方法
本专利技术涉及磁共振波谱重建方法，尤其是涉及一种基于深度学习的磁共振波谱重建方法。
技术介绍
磁共振波谱(MagneticResonanceSpectroscopy,MRS)是一种测定分子结构的一项技术，在医学、化学和生物学等领域有着重要应用。在磁共振波谱中，如何保证波谱信号质量的同时降低采样时间是磁共振波谱的关键。传统的磁共振重建方法主要利用磁共振时间或者频率信号的数学特性来重建频谱。QuXiaobo等(QuX,MayzelM,CaiJ,ChenZ,OrekhovV.AcceleratedNMRspectroscopywithlow-Rankreconstruction[J].AngewandteChemieInternationalEdition,2015,54(3):852-854.)提出了一种基于低秩汉克尔矩阵的磁共振波谱重建方法，在欠采样过程中重建出的高质量波谱信号，解决了对不同宽度的谱峰重建效果差的问题。该方法还扩展到了三维及更高维的波谱重建中(YingJ,LuH,WeiQ,CaiJ,GuoD,WuJ,ChenZ,QuX.HankelmatrixnuclearnormregularizedtensorcompletionforN-dimensionalexponentialsignals[J],IEEETransactionsonSignalProcessing,2017,65(14):3702-3717.)，还通过对汉克尔矩阵的范德蒙分解(YingJ,CaiJ,GuoDi,TangG,ChenZ,QuX,VandermondefactorizationofHankelmatrixforcomplexexponentialsignalrecovery—applicationinfastNMRspectroscopy[J],IEEETransactionsonSignalProcessing,2018,66(21):5520-5533.)和奇异值操作(GuoD,QuX.ImprovedreconstructionoflowintensitymagneticresonancespectroscopywithweightedlowrankHankelmatrixcompletion[J].IEEEAccess,2018,6:4933-4940)和(QuX,QiuT,GuoDi,LuH,YingJ,ShenM,HuB,OrekhovV,ChenZ.High-fidelityspectroscopyreconstructioninacceleratedNMR[J],ChemicalCommunications,2018,54(78):10958-10961.)提高了波谱重建对密集谱峰和低强度谱峰的重建能力。但是，这类低秩汉克尔矩阵重建方法在迭代计算中的奇异值分解的时间消耗高，因此导致波谱重建时间较长。GuoDi等(GuoD,LuH,QuX.AfastlowrankHankelmatrixfactorizationreconstructionmethodfornon-uniformlysampledmagneticresonancespectroscopy[J].IEEEAccess,2017,5:16033-16039.)成功地将低秩矩阵进行因式分解并引入并行计算，避免时间复杂度高的奇异值分解方法。LuHengfa等(LuH,ZhangX,QiuT,YangJ,YingJ,GuoD,ChenZ,QuX.Lowrankenhancedmatrixrecoveryofhybridtimeandfrequencydatainfastmagneticresonancespectroscopy[J].IEEETransactionsonBiomedicalEngineering,2018,65(4):809-820.)则提出利用费罗贝尼乌斯范数项进行矩阵因子分解来避免奇异值分解，完成对欠采样多维磁共振波谱信号的快速和高质量波谱重建。深度学习是一种新兴的数据处理与重建方法。自Lecun等(LecunY,BottouL,BengioY,HaffnerP.Gradient-basedlearningappliedtodocumentrecognition[J].ProceedingsoftheIEEE,1998,86(11):2278-2324.)提出卷积神经网络(ConvolutionalNeuralNetworks，CNN)受到许多关注并且发展迅速。JoSchlemper等(SchlemperJ,CaballeroJ,HajnalJV,PriceA,RueckertD.AdeepcascadeofconvolutionalneuralnetworksfordynamicMRimagereconstruction[J].IEEETransactionsonMedicalImaging,2018,37(2):491-503.)提出了利用设备实测采集数据作为训练集的压缩感知重建的神经网络构。
技术实现思路
本专利技术的目的在于提供一种基于深度学习的磁共振波谱重建方法。本专利技术包括以下步骤：1)利用指数函数生成磁共振波谱的时域信号；在步骤1)中，所述利用指数函数生成磁共振波谱的时域信号的具体方法可为：根据指数函数生成磁共振波谱时域的全采样信号的表达式为：其中，表示复数的集合，N和M表示时间信号的行数和列数，Tn,m表示信号T的第n行，第m列的数据，R表示谱峰个数，ar表示幅度大小，Δt1和Δt2表示时间增量，f1,r和f2,r表示归一化频率，τ1，r和τ2，r表示衰减因子；表达式(1)同样适用于一维自由感应衰减全采样信号，此时有n＝1，m>1或m＝1，n>1。2)建立欠采样时域信号与全采样波谱的训练集；在步骤2)中，所述建立欠采样时域信号与全采样波谱的训练集的具体方法可为：采用M表示在时域中的欠采样操作，模板中白色表示对应的数据点被采样，黑色表示的数据点未被采样，Ω表示M的索引子集，若某一个信号点的索引(p,q)出现在集合Ω中，则(p,q)∈Ω；若某一个信号点的索引(p,q)没有出现在集合Ω中，则根据欠采样模板M对T中未被采样的信号通过填0得到补全的时域信号Tu，对Tu进行傅里叶变换获得带混叠的波谱信号Su；对全采样信号T进行傅里叶变换得到全采样波谱S，并将S的实部和虚部分开保存，即其中，表示实数，由Tu和S两者共同组成训练集3)设计数据校验卷积神经网络结构中的卷积神经网络；在步骤3)中，所述设计数据校验卷积神经网络结构中的卷积神经网络的具体方法可为：卷积神经网络模块将包含L个卷积层，每个卷积层I个滤波器；卷积层间采用密集连接的方式，模块中每一层的输入都是前面所有层输出的并集，在所有的卷积层中，卷积核大小为k。通过卷积神经网络模块，完成从第l层(1≤l≤L)的输入信号Sl经过卷积神经网络后输出信号Scnn,l，它的定义为：Scnn,l＝f(Sl|θ)(2)其中，θ是卷积神经网络的训练参数，f(Sl|θ)表示训练的从Sl到Scnn,l的非线性映射。4)设计数据校验卷积神经本文档来自技高网...

【技术保护点】
1.一种基于深度学习的磁共振波谱重建方法，其特征在于包括以下步骤：1)利用指数函数生成磁共振波谱的时域信号；2)建立欠采样时域信号与全采样波谱的训练集；3)设计数据校验卷积神经网络结构中的卷积神经网络；4)设计数据校验卷积神经网络结构中的瓶颈层；5)设计数据校验卷积神经网络结构中的数据校验层；6)设计数据校验卷积神经网络结构中的反馈功能；7)建立数据校验卷积神经网络结构作为波谱重建模型；8)训练网络最优化参数；9)对目标的欠采样磁共振时域信号

【技术特征摘要】
1.一种基于深度学习的磁共振波谱重建方法，其特征在于包括以下步骤：1)利用指数函数生成磁共振波谱的时域信号；2)建立欠采样时域信号与全采样波谱的训练集；3)设计数据校验卷积神经网络结构中的卷积神经网络；4)设计数据校验卷积神经网络结构中的瓶颈层；5)设计数据校验卷积神经网络结构中的数据校验层；6)设计数据校验卷积神经网络结构中的反馈功能；7)建立数据校验卷积神经网络结构作为波谱重建模型；8)训练网络最优化参数；9)对目标的欠采样磁共振时域信号进行重建；10)在时频域进行欠采样操作的同时，利用卷积神经网络的强拟合能力和数据校验层数据校验的能力，完成对欠采样磁共振波谱信号的快速且高质量的重建。2.如权利要求1所述一种基于深度学习的磁共振波谱重建方法，其特征在于在步骤1)中，所述利用指数函数生成磁共振波谱的时域信号的具体方法为：根据指数函数生成磁共振波谱时域的全采样信号的表达式为：其中，表示复数的集合，N和M表示时间信号的行数和列数，Tn,m表示信号T的第n行，第m列的数据，R表示谱峰个数，ar表示幅度大小，Δt1和Δt2表示时间增量，f1,r和f2,r表示归一化频率，τ1，r和τ2，r表示衰减因子；表达式(1)同样适用于一维自由感应衰减全采样信号，此时有n＝1，m>1或m＝1，n>1。3.如权利要求1所述一种基于深度学习的磁共振波谱重建方法，其特征在于在步骤2)中，所述建立欠采样时域信号与全采样波谱的训练集的具体方法为：采用M表示在时域中的欠采样操作，模板中白色表示对应的数据点被采样，黑色表示的数据点未被采样，Ω表示M的索引子集，若某一个信号点的索引(p,q)出现在集合Ω中，则(p,q)∈Ω；若某一个信号点的索引(p,q)没有出现在集合Ω中，则根据欠采样模板M对T中未被采样的信号通过填0得到补全的时域信号Tu，对Tu进行傅里叶变换获得带混叠的波谱信号Su；对全采样信号T进行傅里叶变换得到全采样波谱S，并将S的实部和虚部分开保存，即其中，表示实数，由Tu和S两者共同组成训练集4.如权利要求1所述一种基于深度学习的磁共振波谱重建方法，其特征在于在步骤3)中，所述设计数据校验卷积神经网络结构中的卷积神经网络的具体方法为：卷积神经网络模块将包含L个卷积层，每个卷积层I个滤波器；卷积层间采用密集连接的方式，模块中每一层的输入都是前面所有层输出的并集，在所有的卷积层中，卷积核大小为k；通过卷积神经网络模块，完成从第l层(1≤l≤L)的输入信号Sl经过卷积神经网络后输出信号Scnn,l，它的定义为：Scnn,l＝f(Sl|θ)(2)其中，θ是卷积神经网络的训练参数，f(...

【专利技术属性】
技术研发人员：屈小波，
申请(专利权)人：厦门大学，
类型：发明
国别省市：福建,35