一种基于稀疏表示的深度学习磁共振波谱重建方法技术

一种基于稀疏表示的深度学习磁共振波谱重建方法，涉及磁共振波谱重建方法。包括以下步骤：1)利用磁共振波谱的时域信号的指数函数特性，仿真产生全采样的时域信号；2)对时域信号进行欠采样，建立包含全采样时域信号对应的波谱、欠采样时域信号和对应欠采样模板的训练集；3)设计基于稀疏表示的深度学习网络模型、网络的反馈功能及损失函数；4)利用步骤2)获得的训练集，求解基于稀疏表示的深度学习网络的最优参数；5)将待重建的欠采样的磁共振时域信号输入网络重建磁共振波谱。通过约束磁共振频域信号的稀疏性，以传统最优化方法为指导设计深度神经网络，具有重建速度快、重建质量高和网络可解释性强的特点。

【技术实现步骤摘要】
一种基于稀疏表示的深度学习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稀疏表示的深度学习磁共振波谱重建方法。
技术介绍
磁共振波谱能够提供分子结构的原子水平的信息，是医学、化学和生命科学领域的重要分析工具。磁共振实验中，信号的采样时间随分辨率和采样维度的增大而增大。非均匀采样技术通过获取部分数据的方法，被广泛地用来加速实验数据的采集，但它需要先进的波谱重建方法来得到完整的波谱。在波谱重建中，一些研究人员利用磁共振时域和频域信号的特性来重建波谱。其中效果较好的一种利用了磁共振频域信号的稀疏特性。比如，Qu等(XiaoboQu,XueCao,DiGuo,ZhongChen,"Compressedsensingforsparsemagneticresonancespectroscopy,"inInternationalSocietyforMagneticResonanceinMedicine19thScientificMeeting,pp.3371,2010.；XiaoboQu,DiGuo,XueCao,ShuhuiCai,ZhongChen,"Reconstructionofself-sparse2DNMRspectrafromundersampleddatainindirectdimension,"Sensors,vol.11,pp.8888-8909,2011.)指出磁共振波谱具有自稀疏特性，并从稀疏性和相干性的角度分析，建议通过最小化波谱的p范数(0<p≤1)来重建磁共振波谱。之后，利用同样的自稀疏特性，研究人员将压缩感知成功应用于蛋白质的二维甚至更高维磁共振波谱的重建中(KrzysztofKazimierczukandVladislavOrekhov,"AcceleratedNMRSpectroscopybyUsingCompressedSensing,"AngewandteChemieInternationalEdition,vol.50,pp.5556-5559,2011.；DanielHolland,MarkBostock,LynnGladden,DanielNietlispach,"FastmultidimensionalNMRspectroscopyusingcompressedsensing,"AngewandteChemieInternationalEdition,vol.50,pp.6548-6551,2011.；SvenHyberts,AlexanderMilbradt,AndreasWagner,HaribabuArthanari,GerhardWagner,"ApplicationofiterativesoftthresholdingforfastreconstructionofNMRdatanon-uniformlysampledwithmultidimensionalPoissonGapscheduling,"JournalofBiomolecularNMR,vol.52,pp.315-327,2012.)。此外，Qu等(XiaoboQu,MaximMayzel,Jian-FengCai,ZhongChen,VladislavOrekhov,"AcceleratedNMRspectroscopywithlow-rankreconstruction,"AngewandteChemieInternationalEdition,vol.54,pp.852-854,2015.)还针对宽谱峰重建效果不理想等问题，提出基于低秩汉克尔矩阵对欠采样的波谱进行高质量的重建方法。但是，以上方法受限于最优化算法的迭代计算过程，波谱重建时间较长。随着人工智能的发展，深度学习为解决传统最优化重建方法存在的问题提供了一种新的思路。Qu等(XiaoboQu,YihuiHuang,HengfaLu,TianyuQiu,DiGuo,TatianaAgback,VladislavOrekhov,ZhongChen,"Acceleratednuclearmagneticresonancespectroscopywithdeeplearning,"AngewandteChemieInternationalEdition,DOI:10.1002/anie.201908162,2019.)提出了在磁共振频域信号上利用卷积神经网络和合成数据训练的深度学习网络来进行欠采样磁共振波谱的重建的新方法，明显降低了波谱重建时间。Chen和Wang等(DichengChen,ZiWang,DiGuo,VladislavOrekhov,XiaoboQu,"Reviewandprospect:deeplearninginnuclearmagneticresonancespectroscopy,"Chemistry-AEuropeanJournal,DOI:10.1002/chem.202000246,2020.)综述了深度学习在磁共振波谱领域的历史和前沿进展。但是，磁共振波谱重建中，现有方法的重建质量仍有待提高，尚无利用频域信号的稀疏特性，建立深度学习神经网络来实现快速且高质量的磁共振波谱重建的方法。
技术实现思路
本专利技术目的在于提供重建速度快、重建质量高和可解释性强的一种基于稀疏表示的深度学习磁共振波谱重建方法。本专利技术包括以下步骤：1)利用磁共振波谱的时域信号的指数函数特性，仿真产生全采样的时域信号；2)对时域信号进行欠采样，建立包含全采样时域信号对应的波谱、欠采样时域信号和对应欠采样模板的训练集；3)设计基于稀疏表示的深度学习网络模型、网络的反馈功能及损失函数；4)利用步骤2)获得的训练集，求解基于稀疏表示的深度学习网络的最优参数；5)将待重建的欠采样的磁共振时域信号输入网络重建磁共振波谱。在步骤1)中，所述利用磁共振波谱的时域信号的指数函数特性，仿真产生全采样的时域信号的具体方法为：根据指数函数生成全采样的磁共振波谱的时域信号，该时域信号可以被表示为有限个指数函数的叠加。在步骤2)中，所述对时域信号进行欠采样，建立包含全采样时域信号对应的波谱、欠采样时域信号和对应欠采样模板的训练集的具体方法为：定义为时域中的欠采样且在未采样点填零的算子，其对应的欠采样模板为U，对全采样时域信号s进行欠采样操作，得到欠采样时域信号y：定义yn与Un中的下标n表示欠采样时域信号y与欠采样模板U的第n个元素，算子u的具体操作为：若Un＝1，全采样时域信号s的第n个元素保留到欠采样时域信号y，表示全采样时域信号s的第n个元素有采样到；若Un＝0，则对应的yn＝0，表示全采样时域信号s的第n个元素没有采样到；这一过程表示为先对全采样时域信号s进行傅里叶变换得到对应的全采样波谱x，再将欠采样时域信号y，全采样波谱x和欠采样模板U共同组成训练集其中欠采样时域信号y和全采样波谱x分别作为神经网络的输入数据和标签。在步骤3)中，所述基于稀疏表示的深本文档来自技高网...

【技术保护点】
1.一种基于稀疏表示的深度学习磁共振波谱重建方法，其特征在于包括以下步骤：/n1)利用磁共振波谱的时域信号的指数函数特性，仿真产生全采样的时域信号；/n2)对时域信号进行欠采样，建立包含全采样时域信号对应的波谱、欠采样时域信号和对应欠采样模板的训练集；/n3)设计基于稀疏表示的深度学习网络模型、网络的反馈功能及损失函数；/n4)利用步骤2)获得的训练集，求解基于稀疏表示的深度学习网络的最优参数；/n5)将待重建的欠采样的磁共振时域信号输入网络重建磁共振波谱。/n

【技术特征摘要】
1.一种基于稀疏表示的深度学习磁共振波谱重建方法，其特征在于包括以下步骤：
1)利用磁共振波谱的时域信号的指数函数特性，仿真产生全采样的时域信号；
2)对时域信号进行欠采样，建立包含全采样时域信号对应的波谱、欠采样时域信号和对应欠采样模板的训练集；
3)设计基于稀疏表示的深度学习网络模型、网络的反馈功能及损失函数；
4)利用步骤2)获得的训练集，求解基于稀疏表示的深度学习网络的最优参数；
5)将待重建的欠采样的磁共振时域信号输入网络重建磁共振波谱。


2.如权利要求1所述一种基于稀疏表示的深度学习磁共振波谱重建方法，其特征在于在步骤1)中，所述利用磁共振波谱的时域信号的指数函数特性，仿真产生全采样的时域信号的具体方法为：根据指数函数生成全采样的磁共振波谱的时域信号，该时域信号可以被表示为有限个指数函数的叠加。


3.如权利要求1所述一种基于稀疏表示的深度学习磁共振波谱重建方法，其特征在于在步骤2)中，所述对时域信号进行欠采样，建立包含全采样时域信号对应的波谱、欠采样时域信号和对应欠采样模板的训练集的具体方法为：定义为时域中的欠采样且在未采样点填零的算子，其对应的欠采样模板为U，对全采样时域信号s进行欠采样操作，得到欠采样时域信号y：



定义yn与Un中的下标n表示欠采样时域信号y与欠采样模板U的第n个元素，算子的具体操作为：若Un＝1，全采样时域信号s的第n个元素保留到欠采样时域信号y，表示全采样时域信号s的第n个元素有采样到；若Un＝0，则对应的yn＝0，表示全采样时域信号s的第n个元素没有采样到；这一过程表示为先对全采样时域信号s进行傅里叶变换得到对应的全采样波谱x，再将欠采样时域信号y，全采样波谱x和欠采样模板U共同组成训练集其中欠采样时域信号y和全采样波谱x分别作为神经网络的输入数据和标签。


4.如权利要求1所述一种基于稀疏表示的深度学习磁共振波谱重建方法，其特征在于在步骤3)中，所述基于稀疏表示的深度学习网络模型以迭代块为核心，通过叠加若干个迭代块作为整体的网络结构，每个迭代块包含三个子块；单个迭代块的网络结构如下：
a)子块D用于更新网络中间量d，它由LD层卷积神经网络密集连接构成，卷积核大小均为ID×ID；第一层输入为和欠采样时域信号y的并集，其中F表示傅里叶变换，上标H表示复共轭转置，表示上一个迭代块的最终输出；第2～LD-1层之间以线性整流函数(RectifiedLinearUnit,ReLU)连接，且每层输入均为之前网络层输出的并集；最后一层输出子块D的计算结果d；完整的子块D用如下非线性映射函数表示：



其中，ΘD表示该迭代块中子块D的内部参数；fD(·)表示子块D所训练的非线性映射；
b)子块R用于更新网络中间量r；它由LR层卷积神经网络密集连接构成，卷积核大小均为IR×IR；第一层输入为上一个迭代块的最终输出和γFUTd的并集，其中上标T表示转置，d表示子块D的计算结果，γ表示步长；第2～LR-1层之间以线性整流函数(RectifiedLinearUnit,ReLU...

【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