一种核磁共振谱降噪方法及其核磁共振谱降噪装置制造方法及图纸

技术编号：40003099 阅读：7 留言：0更新日期：2024-01-09 04:13

本发明专利技术涉及一种核磁共振谱降噪方法及其核磁共振谱降噪装置。所述方法采用的深度神经网络模型，其设计方法包括：对所述低信噪比核磁谱数据依次进行m次编码得到特征图；对特征图进行优化得到中间特征图；对中间特征图依次进行m次解码，在每次解码时需要叠加相应倒叙次数的编码输出，最终得到解码特征图；对解码特征图叠加低信噪比核磁谱数据后再进行数据重建得到高信噪比核磁谱数据。本发明专利技术将通过少量采集次数获得的低信噪比核磁谱数据，输入深度神经网络，得到高信噪比的核磁谱数据，因而去噪质量高，结果可靠，重构时间短，具有广泛的应用前景。

全部详细技术资料下载

【技术实现步骤摘要】

本专利技术涉及核磁共振谱降噪领域中的一种降噪方法，特别是涉及一种基于轻量级神经网络的核磁共振谱降噪方法。

技术介绍

1、磁共振波谱是一种基于分子内部原子核核磁矩与强磁场相互作用的分析方法，通过给原子核施加射频电磁波并检测其磁场效应来获取分子结构和化学键信息。该分析方法具有高度的精准度和分辨率，被广泛应用于化学、生物、医学等领域的研究，可以用于检测脑部疾病、材料结构、电子状态等领域。在进行磁共振波谱数据降噪时，需要考虑到数据的准确性和噪声的特征。目前，常用的降噪方法包括基线校正、峰强度平滑、信噪比增强、小波分析和主成分分析等。基于深度学习的降噪方法在近年来也得到了广泛应用，olaf等人提出了卷积神经网络unet，该网络采用自编码器结构，将输入数据编码为更低维度的特征表示，并通过解码器将其还原为原始数据。该网络被广泛应用在图像分割，图像去噪等领域。近年来wu等人提出了基于unet的磁共振波谱去噪网络dnunet，对于液体核磁数据取得了很好的降噪效果，但该网络模型庞大且训练时间成本高，这些都限制了该方法的广泛应用。

技术实现思路

1、基于此，有必要针对现有核磁共振谱降噪方法所采用的深度神经网络模型的训练时间成本高、降噪效果不理想的技术问题，本专利技术提供一种基于轻量级神经网络的核磁共振谱降噪方法。

2、本专利技术采用以下技术方案实现：一种核磁共振谱降噪方法，其将低信噪比核磁谱数据输入到深度神经网络模型进行降噪得到高信噪比核磁谱数据；所述深度神经网络模型设计方法包括以下步骤：</p>

3、步骤s1，对所述低信噪比核磁谱数据依次进行m次编码得到编码特征图dresultm；

4、步骤s2，对编码特征图dresultm进行优化得到中间特征图resultmid；

5、步骤s3，对中间特征图resultmid依次进行m次解码，在每次解码时需要叠加相应倒叙次数的编码特征图，最终得到解码特征图uresultm；

6、步骤s4，对解码特征图uresultm叠加所述低信噪比核磁谱数据后再进行数据重建得到所述高信噪比核磁谱数据。

7、作为上述方案的进一步改进，在步骤s1中，所述m次编码的编码方法包括以下步骤：

8、步骤s11，对所述低信噪比核磁谱数据做一维卷积处理；

9、步骤s12，对一维卷积处理后的所述低信噪比核磁谱数据做批量归一化处理；

10、步骤s13，根据激活函数对批量归一化处理后的所述低信噪比核磁谱数据做激活处理，得到第m次待叠加用的特征图dcresult1；

11、步骤s14，对特征图dcresult1上的数据点，每隔一个数据点获取相应频谱数据形成第1次编码的特征图dresult1；

12、对特征图dresult1重复步骤s11至s14循环m次，得到所述特征图dresultm、以及第1至m次待叠加用的特征图dcresultm～dcresult1。

13、进一步地，在步骤s2中，的特征图dresultm优化方法包括以下步骤：

14、步骤s21，对特征图dresultm做一维卷积处理；

15、步骤s22，对一维卷积处理后的特征图dresultm做批量归一化处理；

16、步骤s13，根据激活函数对批量归一化处理后的特征图dresultm做激活处理，得到所述中间特征图resultmid。

17、再进一步地，在步骤s3中，所述m次解码的解码方法包括以下步骤：

18、步骤s31，将中间特征图resultmid进行线性插值做维度扩充；

19、步骤s32，对维度扩充后的resultmid叠加第m次待叠加用的特征图dcresultm，得到叠加特征图duresult1；

20、步骤s33，对叠加特征图duresult1进行一维卷积处理；

21、步骤s34，对一维卷积处理后的叠加特征图duresult1做批量归一化处理；

22、步骤s35，根据激活函数对批量归一化处理后的叠加特征图duresult1做激活处理，得到第1次解码的解码特征图uresult1；

23、对解码特征图uresult1重复步骤s31至s35循环m次，得到第m次解码的解码特征图uresultm。

24、优选地，在步骤s3中，所述数据重建的方法包括以下步骤：

25、步骤s41，对解码特征图uresultm叠加所述低信噪比核磁谱数据；

26、步骤s42，对叠加后的解码特征图uresultm进行一维卷积处理；

27、步骤s43，根据激活函数对一维卷积处理后的解码特征图uresultm做激活处理，得到所述高信噪比核磁谱数据。

28、再优选地，在m次编码中，相应一维卷积的卷积核为15，步长为1，进行零填充；

29、在优化方法中，相应一维卷积的卷积核为15，步长为1，进行零填充；

30、在m次解码中，相应一维卷积的卷积核为5，步长为1，进行零填充；

31、在数据重建中，相应一维卷积的卷积核为1，步长为1，不进行零填充。

32、再优选地，在m次编码中，相应的激活函数采用leakyrelu激活函数；

33、在优化方法中，相应的激活函数采用leakyrelu激活函数；

34、在m次解码中，相应的激活函数采用leakyrelu激活函数；

35、在数据重建中，相应的激活函数采用tanh激活函数。

36、作为上述方案的进一步改进，所述核磁共振谱降噪方法还包括以下步骤：

37、使用训练好的深度神经网络模型进行相应的数据处理；所述深度神经网络模型的训练方法包括以下步骤：

38、步骤s51，利用公式fid＝aei2πf1t1e-t1/t2根据不同的a、f1、t2生成一系列的一维核磁共振数据作为训练样本集，式中，a为幅值，f1为频率，t2为弛豫时间，t1为模拟采样时间点，i为虚部标记；

39、步骤s52，每个训练样本中的噪声采用白噪声noise，利用公式noise＝n*(randn(1,nf2)+i*randn(1,nf2))生成，式中n为噪声的强度范围内的采样点数，nf2为噪声的直接维的采样点数，randn(1,nf2)代表点数为nf2的白噪声；

40、步骤s54，叠加每个训练样本fid和相应的白噪声noise得到训练样本fidnoisy；

41、步骤s55，对每个训练样本采用四种不同信噪比的噪声数据对应同一无噪声标签信号yk，训练数据第k条数据对表示为

42、步骤s56，根据训练样本x对所述深度神经网络模型进行迭代训练，直至相应的归一化均方误差损失函数收敛时，终止训练，当前的深度神经网络模型即为训练好的深度神经网络模型。

43、进一步地，在步骤s52之后还对训练样本fid做预处理，训练样本fid的预处理方法包括以下步骤：

<本文档来自技高网...

【技术保护点】

1.一种核磁共振谱降噪方法，其将低信噪比核磁谱数据输入到深度神经网络模型进行降噪得到高信噪比核磁谱数据；其特征在于，所述深度神经网络模型设计方法包括以下步骤：

2.根据权利要求1所述的核磁共振谱降噪方法，其特征在于，在步骤S1中，所述m次编码的编码方法包括以下步骤：

3.根据权利要求2所述的核磁共振谱降噪方法，其特征在于，在步骤S2中，的特征图DResultm优化方法包括以下步骤：

4.根据权利要求3所述的核磁共振谱降噪方法，其特征在于，在步骤S3中，所述m次解码的解码方法包括以下步骤：

5.根据权利要求4所述的核磁共振谱降噪方法，其特征在于，在步骤S3中，所述数据重建的方法包括以下步骤：

6.根据权利要求5所述的核磁共振谱降噪方法，其特征在于，在m次编码中，相应一维卷积的卷积核为15，步长为1，进行零填充；

7.根据权利要求5所述的核磁共振谱降噪方法，其特征在于，在m次编码中，相应的激活函数采用LeakyRelu激活函数；

8.根据权利要求1所述的核磁共振谱降噪方法，其特征在于，所述核磁共振谱降噪方法还包括以下步骤：

9.根据权利要求8所述的核磁共振谱降噪方法，其特征在于，在步骤S52之后还对训练样本FID做预处理，训练样本FID的预处理方法包括以下步骤：

10.一种核磁共振谱降噪装置，其应用了如权利要求1至9中任意一项所述的核磁共振谱降噪方法，其特征在于，所述核磁共振谱降噪装置包括：

...

【技术特征摘要】

2.根据权利要求1所述的核磁共振谱降噪方法，其特征在于，在步骤s1中，所述m次编码的编码方法包括以下步骤：

3.根据权利要求2所述的核磁共振谱降噪方法，其特征在于，在步骤s2中，的特征图dresultm优化方法包括以下步骤：

4.根据权利要求3所述的核磁共振谱降噪方法，其特征在于，在步骤s3中，所述m次解码的解码方法包括以下步骤：

5.根据权利要求4所述的核磁共振谱降噪方法，其特征在于，在步骤s3中，所述数据重建的方法包括以下步骤：

...

【专利技术属性】
技术研发人员：詹昊霖，房启元，刘佳伟，陈心语，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：

全部详细技术资料下载我是这个专利的主人