一种基于深度学习的核磁共振信号弛豫时间分布计算方法技术

本发明专利技术提供了一种基于深度学习的核磁共振信号弛豫时间分布计算方法，根据拉普拉斯核磁共振信号的特征，构建存在噪声的弛豫过程指数衰减信号的数学模型和理想的弛豫时间谱，其中理想的弛豫时间谱作为标签，弛豫时间谱的谱峰所在的位置为T1弛豫时间或T2弛豫时间的确切值，谱峰的半高宽对应着结果的不确定度；由数学模型生成仿真信号，构建训练集数据和测试集数据；搭建网络模型；训练集数据输入到网络模型中进行训练；将测试集数据输入网络模型测试；本发明专利技术提供的方法，依赖弛豫过程指数衰减信号的数学模型构建数据集进行训练，无需收集大量的真实数据，且能够将NMR弛豫时间谱的计算时间控制在秒级，同时对不同信噪比的测试数据都具有较高的鲁棒性。据都具有较高的鲁棒性。据都具有较高的鲁棒性。

【技术实现步骤摘要】
一种基于深度学习的核磁共振信号弛豫时间分布计算方法


[0001]本专利技术涉及核磁共振领域，特别是指一种基于深度学习的核磁共振信号弛豫时间分布计算方法。

技术介绍

[0002]核磁共振(NMR,Nuclear Magnetic Resonance)是广泛应用于临床诊断和工业测量中一种非侵入式的检测技术，其中核磁共振波谱常用于有机分子结构测定和物质成分分析。传统的NMR实验采样获得的自由感应衰减(FID,Free Induction Decay)信号可通过傅立叶变换转换为频谱图，从而揭示样品中具有特定化学位移的原子核的相对数量。然而，与分子动力学和自旋相互作用相关的弛豫时间通过常规的NMR实验无法直接测得，通常需要由拉普拉斯NMR实验提供。研究中所涉及的NMR弛豫时间有两种，一种是纵向(自旋
‑
晶格)弛豫时间T1反映纵向磁化矢量恢复到其平衡值的速率，另一种是横向(自旋
‑
自旋)弛豫时间T2反映横向分量的衰减率。通过测量NMR弛豫时间可获取物质分子的重要属性，与其相关的技术被广泛用于石油、化工、食品、农业、医药、材料等诸多领域。
[0003]拉普拉斯NMR实验中的测量信号是弛豫时间分布(即NMR弛豫时间谱，T1谱，T2谱)的拉普拉斯变换，因此，理论上可以对测量信号通过拉普拉斯反演计算以获得NMR弛豫时间谱。然而，拉普拉斯反演是不适定的逆问题，即一个测量信号可能对应着无数个弛豫时间谱，所以通过拉普拉斯反演获得的NMR弛豫时间谱的不确定性很大，尤其是在测量信号的信噪比(SNR)比较低的情况下。为了得到高分辨率的NMR弛豫时间谱，当前传统的方法是在逆问题的目标函数中添加约束和正则化项，以约束解的性质和形态，如最大熵法和多指数衰减的迭代阈值算法。然而，传统方法仍然面临一些挑战。首先，它们依赖于复杂的优化算法，优化算法决定如何在解空间中搜索以及何时终止并输出结果，在反演过程中往往需要精细的数学推导和长时间的迭代。其次，不同的正则化项需要相应的正则化参数进行权衡，不匹配的正则化参数容易造成弛豫时间谱的不确定性增大，如谱峰线宽增大。
[0004]目前，还有方法通过未经训练的神经网络对这类不适定的逆问题进行优化。该类方法处理复杂目标函数的能力得益于神经网络的强大表征能力，然而对于不同的测试数据，需要重新初始化网络权重并对相关参数进行迭代优化，才能够得到相应的结果。当需要批量对一系列测试数据进行反演计算时，该类方法的灵活性和稳定性较差。

技术实现思路

[0005]本专利技术的主要目的在于克服现有技术中的上述缺陷，提出一种基于深度学习的核磁共振信号弛豫时间分布计算方法，依赖弛豫过程指数衰减信号的数学模型构建数据集进行训练，无需收集大量的真实数据。通过预训练的网络模型，能够将NMR弛豫时间谱的计算时间控制在秒级，同时对不同信噪比的测试数据都具有较高的鲁棒性。
[0006]本专利技术采用如下技术方案：
[0007]一种基于深度学习的核磁共振信号弛豫时间分布计算方法，包括：
[0008]根据拉普拉斯核磁共振信号的特征，构建存在噪声的弛豫过程指数衰减信号的数学模型和理想的弛豫时间谱，其中理想的弛豫时间谱作为标签，弛豫时间谱的谱峰所在的位置为T1弛豫时间或T2弛豫时间的确切值，谱峰的半高宽对应着结果的不确定度；由数学模型生成仿真信号，构建训练集数据和测试集数据；
[0009]搭建网络模型，设置好相关的训练参数；
[0010]训练集数据输入到网络模型中进行训练，调整网络参数，直至损失函数下降至收敛并趋于稳定，得到训练好的网络模型；
[0011]将测试集数据输入训练好的网络模型中进行测试；具体为：将得到测试集数据信号输入到训练好的网络模型中，得到经训练好的网络模型进行弛豫时间反演生成的核磁共振弛豫时间谱，并与标签中谱峰所在的位置，即T1弛豫时间值或T2弛豫时间值，以及半高宽相比较以验证网络模型的收敛程度；再将真实采集的核磁共振横向弛豫信号输入到训练好的网络模型中，得到经训练好的网络模型进行弛豫时间反演生成相应的核磁共振弛豫时间谱，并与拟合方法得到的期望值进行比较以验证网络模型的有效性。
[0012]具体地，搭建网络模型，设置好相关的训练参数，具体为：
[0013]网络模型分为网络主体结构和损失函数两个部分；网络的主体结构由一个全连接层和N层前馈模块堆叠而成，每层的前馈模块与上层输出结果之间通过残差连接，而后经过归一化进入到下一层；每个前馈模块中包括两个全连接层，每个全连接层之后是一个非线性单元ReLU；网络框架的损失函数为：
[0014][0015]其中S
in
(i)为输入网络的网络标签中第i个点的幅度，S
out
(i)为网络的输出结果中第i个点的幅度。
[0016]具体地，训练集数据输入到网络模型中进行训练，调整网络参数，直至损失函数下降至收敛并趋于稳定，得到训练好的网络模型，具体为：
[0017]训练网络的方式为：采用Adam(AdaptiveMomentEstimation)优化器进行训练，每次迭代计算网络损失，并以此损失更新网络中的参数；当达到预定的最大迭代次数，或者损失函数下降至收敛并趋于稳定时，终止训练，获得训练好的网络模型。
[0018]由上述对本专利技术的描述可知，与现有技术相比，本专利技术具有如下有益效果：
[0019](1)本专利技术提供了一种基于深度学习的核磁共振信号弛豫时间分布计算方法，根据拉普拉斯核磁共振信号的特征，构建存在噪声的弛豫过程指数衰减信号的数学模型和理想的弛豫时间谱，其中理想的弛豫时间谱作为标签，弛豫时间谱的谱峰所在的位置为T1弛豫时间或T2弛豫时间的确切值，谱峰的半高宽对应着结果的不确定度；由数学模型生成仿真信号，构建训练集数据和测试集数据；搭建网络模型，设置好相关的训练参数；训练集数据输入到网络模型中进行训练，调整网络参数，直至损失函数下降至收敛并趋于稳定，得到训练好的网络模型；将测试集数据输入训练好的网络模型中进行测试；本专利技术提供的方法，依赖弛豫过程指数衰减信号的数学模型构建数据集进行训练，无需收集大量的真实数据。通过预训练的网络模型，能够将NMR弛豫时间谱的计算时间控制在秒级，同时对不同信噪比的测试数据都具有较高的鲁棒性。
[0020](2)本专利技术利用深度学习，实现了对含噪声的NMR弛豫衰减信号进行反演得到NMR
弛豫时间谱，具有精度高、速度快以及普适性强等特点。
附图说明
[0021]图1为根据本专利技术实施例的深度学习网络的整体框架图。
[0022]图2为根据本专利技术实施例的经网络模型反演和传统拟合方法得到的横向弛豫时间T2值的对比图，其中图2(a)为传统拟合方法得到的期望值，图2(b)为经网络模型反演得到的预测值。
[0023]以下结合附图和具体实施例对本专利技术作进一步详述。
具体实施方式
[0024]以下通过具体实施方式对本专利技术作进一步的描述。
[0025]弛豫时间包括横向弛豫时间T2和纵本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的核磁共振信号弛豫时间分布计算方法，其特征在于，包括：根据拉普拉斯核磁共振信号的特征，构建存在噪声的弛豫过程指数衰减信号的数学模型和理想的弛豫时间谱，其中理想的弛豫时间谱作为标签，弛豫时间谱的谱峰所在的位置为T1弛豫时间或T2弛豫时间的确切值，谱峰的半高宽对应着结果的不确定度；由数学模型生成仿真信号，构建训练集数据和测试集数据；搭建网络模型，设置好相关的训练参数；训练集数据输入到网络模型中进行训练，调整网络参数，直至损失函数下降至收敛并趋于稳定，得到训练好的网络模型；将测试集数据输入训练好的网络模型中进行测试；具体为：将得到测试集数据信号输入到训练好的网络模型中，得到经训练好的网络模型进行弛豫时间反演生成的核磁共振弛豫时间谱，并与标签中谱峰所在的位置，即T1弛豫时间值或T2弛豫时间值，以及半高宽相比较以验证网络模型的收敛程度；再将真实采集的核磁共振横向弛豫信号输入到训练好的网络模型中，得到经训练好的网络模型进行弛豫时间反演生成相应的核磁共振弛豫时间谱，并与拟合方法得到的期望值进行比较以验证网络模型的有效性。2.根据权利要求1所述的一种基于深度...

【专利技术属性】
技术研发人员：黄玉清，陈博，吴柳滨，杨钰，陈忠，
申请(专利权)人：厦门大学，
类型：发明
国别省市：