一种基于深度学习的磁共振波谱智能量化分析方法技术

一种基于深度学习的磁共振波谱智能量化分析方法，涉及磁共振波谱量化分析方法。提供可实现目标代谢信号的量化分析，并且具有量化速度快、量化精度高和智能一体化特点的一种基于深度学习的磁共振波谱智能量化分析方法。利用磁共振波谱信号模型构建仿真数据，其中包括模拟非理想成像条件下的磁共振波谱信号、对应的代谢物分量信号以及背景信号波谱作为仿真训练集；设计深度学习波谱量化网络及损失函数；利用获得的仿真训练集训练步所述网络，得到最优参数下的网络；将活体磁共振波谱输入最优参数下的网络，得到背景信号和目标代谢物分量信号，以及代谢物分量在非理想成像条件下的信号参数；利用网络预测得出的信号参数计算目标代谢物的浓度。标代谢物的浓度。

【技术实现步骤摘要】
一种基于深度学习的磁共振波谱智能量化分析方法


[0001]本专利技术涉及磁共振波谱量化分析方法，尤其是涉及一种基于深度学习的磁共振波谱智能量化分析方法。

技术介绍

[0002]磁共振波谱(Magnetic Resonance Spectroscopy,MRS)被广泛用于非入侵式的生物活体代谢检测中，其中质子磁共振波谱能够无创地量化大脑中的代谢物浓度，用于分析多种疾病，比如癫痫、多发性硬化症、中风、癌症和代谢疾病等。由于MRS的信号特点以及实验条件，其研究分析的挑战性在于：(1)体内代谢物种类繁多导致谱峰重叠严重难以分离；(2)MRS信号的采集易受到噪声干扰，信噪比较低；(3)由于脂质大分子和残留水峰的存在会产生严重的背景信号干扰，使得信号建模困难；(4)由于生理运动、采集仪器精度、磁场不均匀等不理想的客观实验条件带来的一系列信号缺陷。
[0003]现有的MRS信号量化策略包括基于时域信号特点和基于频域信号特点的方法。基于时域信号特点的方法AMARES(Leentje Vanhamme,Aad van den Boogaart,Sabine Van Huffel,"Improved method for accurate and efficient quantification of MRS data with use of prior knowledge,"Journal of Magnetic Resonance,vol.129,no.1,pp.35
‑
43,1997.)利用指数信号模型对波谱信号进行拟合，相关实验结果表明这种方法无法精确识别复杂谱峰。基于频域信号特点的方法LCModel(Stephen W.Provencher,"Estimation of metabolite concentrations from localized in vivo proton NMR spectra,"Magnetic Resonance in Medicine,vol.30,no.6,pp.672
‑
679,1993.)在额外采集的代谢物基础频谱作为信号先验的基础上，对代谢信号及背景信号建模，通过迭代求解得到最优的拟合频谱。以上方法都无法避免最优化算法的迭代计算过程，波谱量化时间和准确性难以保证。
[0004]近年来，深度学习在各个领域都取得革命性的进展，其中在磁共振波谱领域广泛的应用(Dicheng Chen,Zi Wang,Di Guo,Vladislav Orekhov,Xiaobo Qu,"Review and prospect:deep learning in nuclear magnetic resonance spectroscopy,"Chemistry
–
A European Journal,vol.26,no.46,pp.10391
‑
10401,2020.)。在欠采样的磁共振波谱重建问题中Qu等人利用仿真指数数据训练的卷积神经网络实现高保真的超快速重建(Xiaobo Qu,Yihui Huang,Hengfa Lu,Tianyu Qiu,Di Guo,Tatiana Agback,Vladislav Orekhov,Zhong Chen,"Accelerated nuclear magnetic resonance spectroscopy with deep learning,"Angewandte Chemie International Edition,vol.59,no.26,pp.10297
‑
10300,2020)。但是，MRS深度学习量化方法的研究并不广泛。

技术实现思路

[0005]本专利技术的目的在于提供可实现目标代谢信号的量化分析，并且具有量化速度快、量化精度高和智能一体化特点的一种基于深度学习的磁共振波谱智能量化分析方法。
[0006]本专利技术包括以下步骤：
[0007]1)利用磁共振波谱信号模型构建仿真数据，其中包括模拟非理想成像条件下的磁共振波谱信号、对应的代谢物分量信号以及背景信号波谱作为仿真训练集；
[0008]2)设计深度学习波谱量化网络及损失函数；
[0009]3)利用步骤1)获得的仿真训练集训练步骤2)中所述网络，得到最优参数下的网络；
[0010]4)将活体磁共振波谱输入步骤3)中最优参数下的网络，得到背景信号和目标代谢物分量信号，以及代谢物分量在非理想成像条件下的信号参数；
[0011]5)利用步骤4)中网络预测得出的信号参数计算目标代谢物的浓度。
[0012]在步骤1)中，利用磁共振波谱信号模型构建仿真数据，其中包括模拟非理想成像条件下的磁共振波谱信号、对应的代谢物分量信号以及背景信号波谱作为仿真训练集的具体方法为：
[0013]磁共振波谱时域信号x(nΔt)可建模成代谢物分量信号，背景信号以及噪声的合成，用公式表示为：
[0014][0015]其中，N表示信号的长度，Δt表示信号采样时间间隔，ε(nΔt)表示高斯白噪声；b(nΔt)表示由于脂质大分子以及残留水峰所构成的难以建模的背景信号，利用随机高斯函数组合进行仿真。表示第m个代谢物分量信号，具体用公式表示为：
[0016][0017]其中，i表示虚数单位且满足i2＝
‑
1；θ为描述实际非理想成像环境对理想磁共振波谱信号造成影响的参数集合，定义为θ＝{θ1,θ2}；其中第一个参数集合θ1定义为m＝1,...,M，下标m表示第m个目标代谢物，M表示总的代谢物个数，Δf
m
表示由于磁场不均匀导致的第m个代谢物的中心频率偏移量，Δd表示谱峰线型展宽因子；第二个参数集合θ2定义为θ2＝{c
m
},m＝1,...,M，c
m
表示第m个代谢物的浓度加权因子；v
m
(t)表示第m个代谢物的理想磁共振波谱信号。表示由于非理想的信号接收过程所带来的多阶相位偏移，具体用公式表示为：
[0018][0019]其中，j＝0,...,J表示j阶相位偏移量的集合。
[0020]根据时域信号模型(1)和(2)，取n＝0,...,N
‑
1得到对应的信号采样点x
n
＝x(nΔt)，构成向量[x0,x1,...,x
N
‑1]T
，对向量进行傅里叶变换，得到模拟非理想成像条件下的磁共振波谱信号x，维度为N
×
1，作为网络训练集的输入数据。
[0021]根据时域信号模型(2)，取n＝0,...,N
‑
1得到对应的信号采样点构成向量对向量进行傅里叶变换，得到模拟非理想成像条件下的代谢物分量信号波谱维度为N
×
1。将共M个代谢物分量波谱按列排列成代谢物分量信号波谱矩阵维度
为N
×
M，B
label
作为网络训练集的标签数据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的磁共振波谱智能量化分析方法，其特征在于包括以下步骤：1)利用磁共振波谱信号模型构建仿真数据，其中包括模拟非理想成像条件下的磁共振波谱信号、对应的代谢物分量信号以及背景信号波谱作为仿真训练集；2)设计深度学习波谱量化网络及损失函数；3)利用步骤1)获得的仿真训练集训练步骤2)中所述网络，得到最优参数下的网络；4)将活体磁共振波谱输入步骤3)中最优参数下的网络，得到背景信号和目标代谢物分量信号，以及代谢物分量在非理想成像条件下的信号参数；5)利用步骤4)中网络预测得出的信号参数计算目标代谢物的浓度。2.如权利要求1所述一种基于深度学习的磁共振波谱智能量化分析方法，其特征在于在步骤1)中，利用磁共振波谱信号模型构建仿真数据，其中包括模拟非理想成像条件下的磁共振波谱信号、对应的代谢物分量信号以及背景信号波谱作为仿真训练集的具体方法为：磁共振波谱时域信号x(nΔt)可建模成代谢物分量信号，背景信号以及噪声的合成，用公式表示为：其中，N表示信号的长度，Δt表示信号采样时间间隔，ε(nΔt)表示高斯白噪声；b(nΔt)表示由于脂质大分子以及残留水峰所构成的难以建模的背景信号，利用随机高斯函数组合进行仿真；表示第m个代谢物分量信号，具体用公式表示为：其中，i表示虚数单位且满足i2＝
‑
1；θ为描述实际非理想成像环境对理想磁共振波谱信号造成影响的参数集合，定义为θ＝{θ1,θ2}；其中第一个参数集合θ1定义为下标m表示第m个目标代谢物，M表示总的代谢物个数，Δf
m
表示由于磁场不均匀导致的第m个代谢物的中心频率偏移量，Δd表示谱峰线型展宽因子；第二个参数集合θ2定义为θ2＝{c
m
},m＝1,...,M，c
m
表示第m个代谢物的浓度加权因子；v
m
(t)表示第m个代谢物的理想磁共振波谱信号；表示由于非理想的信号接收过程所带来的多阶相位偏移，具体用公式表示为：其中，表示j阶相位偏移量的集合；根据时域信号模型(1)和(2)，取n＝0,...,N
‑
1得到对应的信号采样点x
n
＝x(nΔt)，构成向量[x0,x1,...,x
N
‑1]
T
，对向量进行傅里叶变换，得到模拟非理想成像条件下的磁共振波谱信号x，维度为N
×
1，作为网络训练集的输入数据；根据时域信号模型(2)，取n＝0,...,N
‑
1得到对应的信号采样点构成向量对向量进行傅里叶变换，得到模拟非理想成像条件下的代谢物分量信号波谱维度为N
×
1；将共M个代谢物分量波谱按列排列成代谢物分量信号波谱矩阵维度为N
×
M，B
label
作为网络训
练集的标签数据1；取n＝0,...,N
‑
1得到对应的信号采样点b
n
＝b(nΔt)，构成向量[b0,b1,...,b
N
‑1]
T
，对向量进行傅里叶变换，得到背景信号波谱b
label
，维度为N
×
1，作为网络训练集的标签数据2；{输入数据，{标签数据1，标签数据2}}共同构成网络训练集。3.如权利要求1所述一种基于深度...

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