CN110490063A - 基于神经网络算法的不均匀场下脑模型定域谱校正方法 - Google Patents
基于神经网络算法的不均匀场下脑模型定域谱校正方法 Download PDFInfo
- Publication number
- CN110490063A CN110490063A CN201910624693.4A CN201910624693A CN110490063A CN 110490063 A CN110490063 A CN 110490063A CN 201910624693 A CN201910624693 A CN 201910624693A CN 110490063 A CN110490063 A CN 110490063A
- Authority
- CN
- China
- Prior art keywords
- data
- neural network
- brainmetabolite
- uniform field
- brain model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Algebra (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明提供了基于神经网络算法的不均匀场下脑模型定域谱校正方法,涉及生物活体脑代谢物定域谱校正方法。利用自由感应衰减信号模拟软件,生成脑模型样品的核磁共振模拟信号;建立不均匀磁场与均匀磁场下不同浓度代谢物的脑模型一维定域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;利用本发明提出的神经网络算法强大的拟合能力,可以实现一种快速且准确地校正不均匀磁场下脑模型样品谱图的方法,使定域谱具有更广泛的应用性。
Description
技术领域
本发明涉及不均匀场下定域谱的校正方法,尤其是涉及一种基于神经网络算法的不均匀磁场下定域谱的校正方法。
背景技术
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。核磁共振波谱的质量以及能否被有效利用的其中一个因素取决于谱峰的线宽(与谱图分辨率有关),线宽或者谱图分辨率又高度依赖于核磁共振实验中被测样品所感受到磁场强度的均匀性。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。所以发展一种对具有低信噪比、谱峰重叠(或者线宽过大)以及未知基线问题的活体代谢物波谱进行校正且具有良好鲁棒性的方法,已经成为1H-MRS领域需要重点研究的地方。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,输出对应的均匀磁场下有着较高分辨率和信噪比的谱图,从而实现校正。
发明内容
本发明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场下脑模型定域谱校正方法,实现稳定且精准地对不均匀磁场下定域谱进行校正。
为了解决上述的技术问题,本发明提供了基于神经网络算法的不均匀场下脑模型定域谱校正方法,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,并在数据中加入高斯白噪声,得到最终的脑模型模拟信号;
2)通过产生不同线宽、不同信噪比、不同脑代谢物浓度的在不均匀场下和均匀场下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均匀场下的波谱作为标签数据;
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:对实验实采数据进行预处理后,输入优化好的量化模型,即可输出其对应的均匀场下的谱图信息;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,本发明的技术方案具备以下有益效果:
本发明在校正能力上具有更准确且稳定的优势,其次本发明对磁场的不均匀性表现出更佳的鲁棒性。
附图说明
图1为本发明涉及到的用于脑模型谱图校正采用的神经网络结构(输入和输出维度相同)。
图2为使用本发明提出的方法对3组脑模型模拟数据(线宽分布范围为5.9Hz-22.5Hz,编号为1-3)进行校正处理的误差对比:
(a)-(c)非均匀场数据;
(d)-(f)均匀场数据;
(g)-(i)模型校正结果;
(j)-(l)均匀场数据与模型校正结果差值及%MSE。
图3为使用本发明提出的方法对3组脑模型溶液实采数据(线宽分布范围为3.2Hz到20.5Hz)进行校正处理得到的均匀场下结果:
(a)-(c)非均匀场数据;
(d)-(f)均匀场数据(相等);
(g)-(i)模型校正结果。
图4实采脑模型数据处理结果图,局部放大图(同一谱图不同区域):
(a)-(b)非均匀场数据;
(c)-(d)均匀场数据;
(e)-(f)模型校正结果。
具体实施方式
以下实施例将结合附图对本发明作进一步的说明。
本发明实施例将利用利用自由感应衰减信号模拟软件FID-A(The FIDAppliance)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发明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(The FID Appliance)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(本发明模拟数据采样点数为8192,模拟主场强为7.0T),通过对各个脑代谢物的模拟信号进行带系数加权累加,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。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。
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)的在均匀场下和不均匀场下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均匀场下谱图作为标签数据(线宽1.0,无噪声)。
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(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),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,得到量化模型。最终处理过程如图1所示。
5)利用测试数据对量化模型进行测试检验,并计算校正误差。所述测试数据包括模拟数据和实验实采数据。
图2是使用本发明提出的方法对3组脑模型模拟数据(脑模型保持一致,线宽分布范围为5.9Hz-22.5Hz,如图所示编号为a,b,c)进行校正处理的误差对比。从图中可以看出,当线宽增大,即磁场的不均匀度增大时,本发明方法依然具有较好的性能。图3是使用本发明提出的方法对3组脑模型溶液实采数据(线宽分布范围为3.2Hz到20.5Hz)进行校正处理得到的校正后在均匀磁场下的较高分辨率的谱图结果。脑模型数据在瓦里安Varian 7.0T磁共振仪器上采集得到,采样点数为8192,TE1=8ms,TE2=7ms,TR=3s。由于模型校正后的数据属于无噪声数据,而实际采集到的均匀场数据却存在噪声,因此这里不再做差值,也不再计算%MSE(均方误差),而是给出局部放大图。图四为实采脑膜型数据处理结果图的局部放大图(同一谱图不同区域),用来展示校正后的谱图具有的高分辨和高信噪比。
上文所述,仅为本发明较佳的实施范例,不能依此限定本发明实施的范围。即依本发明专利范围及说明书内容所作的等效变化与修饰,皆应仍属本发明涵盖的范围内。
Claims (5)
1.基于神经网络算法的不均匀场下脑模型定域谱校正方法,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,并在数据中加入高斯白噪声,得到最终的脑模型模拟信号;
2)通过产生不同线宽、不同信噪比、不同脑代谢物浓度的在不均匀场下和均匀场下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均匀场下的波谱作为标签数据;
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:对实验实采数据进行预处理后,输入优化好的量化模型,即可输出其对应的均匀场下的谱图信息;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场下脑模型定域谱校正方法,其特征在于:所述脑代谢物包括但不限于Cr、NAA、Cho、Gln、GABA、Ins、Tau、Lac、Glu。
3.根据权利要求1所述的基于神经网络算法的不均匀场下脑模型定域谱校正方法,其特征在于: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。
4.根据权利要求1所述的基于神经网络算法的不均匀场下脑模型定域谱校正方法,其特征在于: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。
5.根据权利要求1所述的基于神经网络算法的不均匀场下脑模型定域谱校正方法,其特征在于:所述数据裁剪是指减小数据的维度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910624693.4A CN110490063A (zh) | 2019-07-11 | 2019-07-11 | 基于神经网络算法的不均匀场下脑模型定域谱校正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910624693.4A CN110490063A (zh) | 2019-07-11 | 2019-07-11 | 基于神经网络算法的不均匀场下脑模型定域谱校正方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110490063A true CN110490063A (zh) | 2019-11-22 |
Family
ID=68547012
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910624693.4A Pending CN110490063A (zh) | 2019-07-11 | 2019-07-11 | 基于神经网络算法的不均匀场下脑模型定域谱校正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110490063A (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103885014A (zh) * | 2012-12-21 | 2014-06-25 | 上海联影医疗科技有限公司 | 一种波谱相位校正方法 |
CN109903259A (zh) * | 2019-01-25 | 2019-06-18 | 厦门大学 | 一种基于深度学习的磁共振波谱重建方法 |
-
2019
- 2019-07-11 CN CN201910624693.4A patent/CN110490063A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103885014A (zh) * | 2012-12-21 | 2014-06-25 | 上海联影医疗科技有限公司 | 一种波谱相位校正方法 |
CN109903259A (zh) * | 2019-01-25 | 2019-06-18 | 厦门大学 | 一种基于深度学习的磁共振波谱重建方法 |
Non-Patent Citations (1)
Title |
---|
HYEONG HUN LEE 等: "Intact metabolite spectrum mining by deep learning in proton magnetic resonance spectroscopy of the brain", 《MAGNETIC RESONANCE IN MEDICINE》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | A subspace approach to spectral quantification for MR spectroscopic imaging | |
Hyberts et al. | Exploring signal-to-noise ratio and sensitivity in non-uniformly sampled multi-dimensional NMR spectra | |
Poot et al. | Optimal experimental design for diffusion kurtosis imaging | |
Zöllner et al. | Comparison of different linear‐combination modeling algorithms for short‐TE proton spectra | |
Thompson et al. | Sources of variability in the response of coupled spins to the PRESS sequence and their potential impact on metabolite quantification | |
US20210134028A1 (en) | Method and system for simultaneous quantitative multiparametric magnetic resonance imaging (mri) | |
CN101088022B (zh) | 磁共振成像系统和方法 | |
CN108027409A (zh) | 时域mri | |
Wang et al. | Magnetic resonance fingerprinting with compressed sensing and distance metric learning | |
JP6424170B2 (ja) | 核磁気共鳴分析のための方法 | |
CN103529411B (zh) | 一种基于梯度编码的自动匀场方法 | |
CN110109037A (zh) | 一种面向多弛豫组分的核磁共振信号的反演方法 | |
Shamaei et al. | Physics-informed deep learning approach to quantification of human brain metabolites from magnetic resonance spectroscopy data | |
Ljungberg et al. | Silent T1 mapping using the variable flip angle method with B1 correction | |
Hiltunen et al. | Quantification of human brain metabolites from in vivo1H NMR magnitude spectra using automated artificial neural network analysis | |
Rizzo et al. | Reliability of quantification estimates in MR spectroscopy: CNNs vs traditional model fitting | |
CN110490063A (zh) | 基于神经网络算法的不均匀场下脑模型定域谱校正方法 | |
CN105997074A (zh) | 一种磁共振定量磁化率成像多回波相位拟合方法 | |
CN110503197A (zh) | 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 | |
Chen et al. | Magnetic resonance spectroscopy quantification aided by deep estimations of imperfection factors and overall macromolecular signal | |
Shamaei et al. | A Wavelet Scattering Convolutional Network for Magnetic Resonance Spectroscopy Signal Quantitation. | |
De Beer et al. | Absolute metabolite quantification by in vivo NMR spectroscopy: V. Multicentre quantitative data analysis trial on the overlapping background problem | |
Coenradie et al. | Background-signal parametrization in in vivo MR spectroscopy | |
Kara | Understanding error in magnetic resonance fingerprinting | |
EP4375691A1 (en) | Apparatus for reconstructing a magnetic resonance image based on a subspace-sampling operator |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20191122 |