基于神经网络算法的不均匀磁场下脑代谢物浓度量化方法技术

本发明专利技术提供了基于神经网络算法的不均匀场下脑代谢物浓度量化方法，涉及生物活体脑代谢物浓度量化方法。利用自由感应衰减信号模拟软件，生成生物脑代谢物核磁共振模拟信号；建立不均匀磁场下不同浓度代谢物谱图数据集并设计训练数据和标签数据；划分整体数据集为训练集、验证集、测试集；设计神经网络结构并使用验证集选取神经网络超参数；利用测试数据对量化模型进行测试检验；利用本发明专利技术提出的神经网络算法强大的拟合能力，可以实现一种不均匀磁场下生物活体脑代谢物谱图快速且准确地量化，使定域谱具有更广泛的应用性。

Quantitative method of brain metabolite concentration in inhomogeneous magnetic field based on neural network algorithm

The invention provides a method for quantifying the concentration of brain metabolites in an uneven field based on a neural network algorithm, which relates to a method for quantifying the concentration of brain metabolites in vivo. Using the free induction attenuation signal simulation software, generate the biological brain metabolite NMR simulation signal; establish the different concentration metabolite spectrum data set under the uneven magnetic field and design the training data and label data; divide the whole data set into training set, verification set and test set; design the neural network structure and use the verification set to select the neural network super parameters; use the test data to The quantitative model is tested and verified; the powerful fitting ability of the neural network algorithm proposed in the invention can be used to rapidly and accurately quantify the metabolite spectrum of living biological brain under the uneven magnetic field, so that the localized spectrum has a wider application.

【技术实现步骤摘要】
基于神经网络算法的不均匀磁场下脑代谢物浓度量化方法
本专利技术涉及生物活体脑代谢物浓度量化方法，尤其是涉及基于神经网络算法的不均匀磁场下脑代谢物浓度量化方法。
技术介绍
核磁共振定域谱(或MRS)技术目前是一种在生物活体检测中重要的手段，它能以非入侵的形式获得检测生物的代谢物信息。在短回波的采样条件下，代谢物种类多达20多类，并且还有大分子信号与脂质信号作为其背景信号。此外，由于采样过程产生的伪影(如涡流或残余水信号)和高斯白噪声e均对最终获得的信号有影响。目前已经提出的许多拟合方法，如QUEST，LCModel，TARQUIN，依然做不到稳定、可靠且精准地量化脑代谢物。影响谱图质量以及能否被有效利用的因素，其中一点是谱线的宽度，而谱线宽度又取决于磁场的均匀性。虽然说目前从硬件的角度抵抗不均匀场的影响有一定的改善和进步，但某些情况还是无法通过硬件来解决。比如在生物活体检测中，某些代谢组织本身的固有磁化率就不相同，这就导致其实验中感受到的磁场环境的均匀性不尽理想，而这些是很难通过硬件技术解决的。借助于近期已被成功应用到多个领域的神经网络技术，将其引入到核磁共振定域谱领域，正是利用其强大的拟合抽象函数能力，将一张非均匀磁场下较低分辨率及较低信噪比的谱图输入训练好的神经网络模型，输出对应的各种代谢物浓度的信息，从而实现量化。
技术实现思路
本专利技术所要解决的主要技术问题是提供基于神经网络算法的不均匀磁场下脑代谢物谱图量化方法能够稳定且精准的对生物活体脑代谢物浓度进行量化。为了解决上述的技术问题，本专利技术提供了基于神经网络算法的不均匀磁场下脑代谢物谱图量化方法，包括以下步骤：1)利用自由感应衰减信号模拟软件FID-A并选用常见可检测生物活体脑代谢物模拟基集，进行模拟各个脑代谢物PRESS实验，通过对各个脑代谢物的模拟信号进行带系数加权累加，固定水信号加权系数，得到最终的生物脑代谢物模拟信号；2)通过产生不同线宽、不同信噪比、不同脑代谢物浓度的模拟数据建立训练数据集，随机取出训练数据集中的小部分分别作为验证集和测试集，将产生的每一条模拟数据所对应的脑代谢物加权系数作为标签数据；3)对上述所有数据集进行数据预处理，预处理包括一维傅里叶变换、归一化、数据裁剪；4)设计神经网络模型结构，利用验证集选取神经网络结构的超参数，得到量化模型；5)利用测试数据对量化模型进行测试检验：对测试数据进行预处理后，输入量化模型，即可输出其对应的各个代谢物浓度信息；所述预处理包括一维傅里叶变换、归一化、数据裁剪。在一较佳实施例中：所述脑代谢物包括但不限于Cr、NAA、Cho、Gln、GABA、Ins、Tau、Lac、Glu。在一较佳实施例中：步骤1中，各个脑代谢物的模拟信号的系数加权是指:根据各个脑代谢物在脑模型溶液中浓度的不同，确定各个脑代谢物模拟信号在生物脑代谢物模拟信号中的权重，从而得到各个脑代谢物的模拟信号的系数加权。在一较佳实施例中：步骤1中固定水信号系数加权是指，根据水在脑模型溶液中的浓度，确定水信号在生物脑代谢物模拟信号中的权重，从而得到水信号的系数加权。在一较佳实施例中：步骤5中，所述测试数据包括模拟数据和实验实采数据；其中实验实采数据需要经过预处理。在一较佳实施例中：所述数据裁剪是指减小数据的维度。相较于现有技术，本专利技术在量化能力上具有更准确且稳定的优势，其次本专利技术对磁场的不均匀性表现出更佳的鲁棒性。附图说明图1为本专利技术涉及到的用于生物脑代谢物浓度量化采用的神经网络结构。图2测试集(模拟数据)各代谢物浓度量化误差。图3为使用本专利技术提出的方法和Tarquin方法对10组脑模型模拟数据进行量化处理的误差对比。图4为使用本专利技术提出的方法对10组脑模型溶液实采数据进行量化处理得到的各代谢物浓度量化结果。图5为使用Tarquin方法对10组脑模型溶液实采数据进行量化处理得到的各代谢物浓度量化结果。具体实施方式以下实施例将结合附图对本专利技术作进一步的说明。本专利技术实施例将利用利用自由感应衰减信号模拟软件FID-A(TheFIDAppliance)生成磁共振信号并训练网络，然后从不均匀磁场下采集到磁共振信号先经过预处理再利用本专利技术方法输出各个脑代谢物的浓度信息。具体实施过程如下：1)利用自由感应衰减信号模拟软件FID-A(TheFIDAppliance)并选用常见可检测生物活体脑代谢物模拟基集进行模拟各个脑代谢物PRESS实验；通过对各个脑代谢物的模拟信号进行带系数加权累加，固定水信号加权系数，得到最终的脑代谢物模拟信号。所述脑代谢物包括但不限于Cr、NAA、Cho、Gln、GABA、Ins、Tau、Lac、Glu。本实施例中模拟数据采样点数为8192，模拟主场强为7.0T。各个脑代谢物的模拟信号的系数加权是指:根据各个脑代谢物在脑模型溶液中浓度的不同，确定各个脑代谢物模拟信号在生物脑代谢物模拟信号中的权重，从而得到各个脑代谢物的模拟信号的系数加权。固定水信号系数加权是指，根据水在脑模型溶液中的浓度，确定水信号在生物脑代谢物模拟信号中的权重，从而得到水信号的系数加权。本实施例中，参考脑模型溶液中水的浓度为55556mM。2)通过产生不同线宽(1—30Hz)、不同信噪比(约为4.7—52)、不同脑代谢物浓度(随机数产生，范围为0—15)的模拟数据建立训练数据集，随机取出训练数据集中的小部分分别作为验证集和测试集，将产生的每一条模拟数据所对应的脑代谢物加权系数作为标签数据。3)对上述所有数据集进行数据预处理，包括一维傅里叶变换(由时域变换到频域，并取实部作为数据输入)、归一化、数据裁剪(减小数据的维度，从而加速训练过程)。4)设计神经网络模型结构，利用验证集选取神经网络结构的最佳超参数组合，如隐层数和各层的单元数。最终处理过程如图1所示。优化算法采用最常见的Adam算法，参数初始化方式为Xavier初始化，选用的学习率为0.001。5)利用测试数据对量化模型进行测试检验，并计算量化误差。图2是模拟数据测试集经过本专利技术方法处理得到的各代谢物浓度量化误差。计算整体绝对百分误差MAPE为2.15％±0.95％。图3是使用本专利技术提出的方法和Tarquin方法对10组脑模型模拟数据(保持浓度信息不变，10组数据线宽分布范围为3.0Hz-28Hz，按线宽范围从小到大依次编号为1-10)进行量化处理的误差对比。可以看到，当线宽增大，即磁场不均匀度增大时，相较其他方法，本专利技术方法展现出较佳的精确性和稳定性。图4是使用本专利技术提出的方法对10组脑模型溶液实采数据(各代谢物浓度已知，线宽分布范围为1.1Hz到25.1Hz)进行量化处理得到的各代谢物浓度量化结果。脑模型数据在瓦里安Varian7.0T磁共振仪器上采集得到，采样点数为8192，TE1＝8ms，TE2＝7ms，TR＝3s。整体绝对百分误差MAPE为2.39％±1.41本文档来自技高网...

【技术保护点】
1.基于神经网络算法的不均匀磁场下脑代谢物谱图量化方法，其特征在于包括以下步骤：/n1)利用自由感应衰减信号模拟软件FID-A并选用常见可检测生物活体脑代谢物模拟基集，进行模拟各个脑代谢物PRESS实验，通过对各个脑代谢物的模拟信号进行带系数加权累加，固定水信号加权系数，得到最终的生物脑代谢物模拟信号；/n2)通过产生不同线宽、不同信噪比、不同脑代谢物浓度的模拟数据建立训练数据集，随机取出训练数据集中的小部分分别作为验证集和测试集，将产生的每一条模拟数据所对应的脑代谢物加权系数作为标签数据；/n3)对上述所有数据集进行数据预处理，预处理包括一维傅里叶变换、归一化、数据裁剪；/n4)设计神经网络模型结构，利用验证集选取神经网络结构的超参数，得到量化模型；/n5)利用测试数据对量化模型进行测试检验：对测试数据进行预处理后，输入量化模型，即可输出其对应的各个代谢物浓度信息；所述预处理包括一维傅里叶变换、归一化、数据裁剪。/n

【技术特征摘要】
1.基于神经网络算法的不均匀磁场下脑代谢物谱图量化方法，其特征在于包括以下步骤：
1)利用自由感应衰减信号模拟软件FID-A并选用常见可检测生物活体脑代谢物模拟基集，进行模拟各个脑代谢物PRESS实验，通过对各个脑代谢物的模拟信号进行带系数加权累加，固定水信号加权系数，得到最终的生物脑代谢物模拟信号；
2)通过产生不同线宽、不同信噪比、不同脑代谢物浓度的模拟数据建立训练数据集，随机取出训练数据集中的小部分分别作为验证集和测试集，将产生的每一条模拟数据所对应的脑代谢物加权系数作为标签数据；
3)对上述所有数据集进行数据预处理，预处理包括一维傅里叶变换、归一化、数据裁剪；
4)设计神经网络模型结构，利用验证集选取神经网络结构的超参数，得到量化模型；
5)利用测试数据对量化模型进行测试检验：对测试数据进行预处理后，输入量化模型，即可输出其对应的各个代谢物浓度信息；所述预处理包括一维傅里叶变换、归一化、数据裁剪。


2.根据权利要求1所述的基于神经网络算法的不均匀磁场下脑代谢物谱图量化方法，其特征在于：所述脑代...

【专利技术属性】
技术研发人员：林雁勤，苟垚平，段博，陈忠，
申请(专利权)人：厦门大学，
类型：发明
国别省市：福建;35