CN111751773B - 一种基于1D-Unet的低场核磁共振仪器信号校正方法 - Google Patents
一种基于1D-Unet的低场核磁共振仪器信号校正方法 Download PDFInfo
- Publication number
- CN111751773B CN111751773B CN202010641488.1A CN202010641488A CN111751773B CN 111751773 B CN111751773 B CN 111751773B CN 202010641488 A CN202010641488 A CN 202010641488A CN 111751773 B CN111751773 B CN 111751773B
- Authority
- CN
- China
- Prior art keywords
- data
- host
- cpmg
- slave
- unet
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R33/00—Arrangements or instruments for measuring magnetic variables
- G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
- G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
- G01R33/48—NMR imaging systems
- G01R33/58—Calibration of imaging systems, e.g. using test probes, Phantoms; Calibration objects or fiducial markers such as active or passive RF coils surrounding an MR active material
- G01R33/583—Calibration of signal excitation or detection systems, e.g. for optimal RF excitation power or frequency
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Abstract
本发明提供了一种基于1D‑Unet的低场核磁共振仪器信号校正方法,包括以下步骤:步骤1,将两台相同型号的低场核磁共振仪器分为目标仪器和待校正仪器,将目标仪器作为主机,待校正仪器作为从机,而后利用主机采集样本的多条第一CPMG原始信号,并利用从机采集样本的多条第二CPMG原始信号;步骤2,对每条第一CPMG原始信号和每条第二CPMG原始信号分别进行归一化预处理操作,得到主机归一化数据和从机归一化数据,并保存主机归一化数据的预处理数据结构体;步骤3,构建1D‑Unet网络并通过1D‑Unet网络校正从机数据,得到校正后数据;步骤4,通过预处理数据结构体对校正后数据进行反归一化处理,得到与主机数据在同一量纲下的标准数据,完成主机和从机之间的信号校正。
Description
技术领域
本发明属于深度学习与核磁共振信号处理技术领域,具体涉及一种基于1D-Unet的低场核磁共振仪器信号校正方法。
背景技术
低场核磁共振技术是近年来迅猛发展起来的用于观察、分析样品物性参数的一种新技术,这标志着核磁共振从高端的分子化学结构研究和医疗检查服务走向了更为广泛的工农业领域,如食品业、农业、矿业、化工等,并且在相关领域的应用和科学研究中发挥着越来越大的作用。低场核磁共振技术重点关注油、水及高分子聚合物中的氢原子核:获取样品的氢核所产生的共振信号之后,经由信号处理对样品特性或分布进行分析测量,从而间接对其载体或环境(如孔隙大小)进行研究分析。该技术可深入观测、分析物质内部信息而不破坏样品,并具有快速、准确、一机多参数、无辐射、无环境污染等特点。
低场核磁共振信号微弱,信噪比低,静磁场与射频场的分布直接决定着核磁共振信号幅值的大小,所以磁体与射频线圈的设计是低场核磁共振仪器中的核心。实际应用中,由于磁体场强的误差与射频线圈缠绕的差异也会导致信号接收器接收到的核磁共振信号存在幅值差异,使得对于使用某款型号低场核磁共振仪器仪器所得的实验结果,在另一款相同型号的仪器中可能无法对相同实验完全复现。同样的,这种信号差异也出现在近红外仪器中,因此,直接标准化(Direct standardization,DS)、分段直接标准化(Piecewisedirect standardization,PDS)和正交信号校正(Orthogonal signal correction,OSC)等算法被提出用于解决相同型号仪器之间的信号校正问题。但是,上经数据预处理(标准化或归一化)后,上述方法得到的校正后信号是无量纲的,所以需要一种能够实现低场核磁共振信号校正且能够将校正后信号恢复至原有量纲下的方法。
发明内容
本发明是为了解决上述问题而进行的,目的在于提供一种基于1D-Unet的低场核磁共振仪器信号校正方法。
本发明提供了一种基于1D-Unet的低场核磁共振仪器信号校正方法,具有这样的特征,包括以下步骤:步骤1,将两台相同型号的低场核磁共振仪器分为目标仪器和待校正仪器,将目标仪器作为主机Mo,待校正仪器作为从机Mc,而后利用主机Mo采集样本的多条第一CPMG原始信号,并利用从机Mc采集样本的多条第二CPMG原始信号;
步骤2,对每条第一CPMG原始信号和每条第二CPMG原始信号分别进行归一化预处理操作,得到主机归一化数据M'o和从机归一化数据M'c,并保存主机归一化数据M'o的预处理数据结构体So;
步骤3,构建1D-Unet网络并通过1D-Unet网络校正从机归一化数据M'c,得到校正后数据M'co;
步骤4,通过预处理数据结构体So对校正后数据M'co进行反归一化处理,得到与主机数据Mo在同一量纲下的标准数据Mco,完成主机Mo和从机Mc之间的信号校正。
在本发明提供的基于1D-Unet的低场核磁共振仪器信号校正方法中,还可以具有这样的特征:其中,步骤2中,对每条CPMG原始信号均进行归一化预处理操作,数据归一化公式如下:
公式(1)中,Mi,max和Mi,min分别表示第i条CPMG原始信号中的最大值和最小值。
在本发明提供的基于1D-Unet的低场核磁共振仪器信号校正方法中,还可以具有这样的特征:其中,预处理数据结构体So中保存有n条第一CPMG原始信号的最大值和最小值,并按样本采集顺序进行排列。
在本发明提供的基于1D-Unet的低场核磁共振仪器信号校正方法中,还可以具有这样的特征:其中,步骤3中,1D-Unet网络的编码层通过Convolution1D和Maxpooling1D进行构建,用于完成样本数据关键特征的提取,1D-Unet网络的解码层通过Upsamling1D和Copy进行构建,用于融合下采样特征,同时扩增特征信号的维度。
在本发明提供的基于1D-Unet的低场核磁共振仪器信号校正方法中,还可以具有这样的特征:其中,步骤3中,将从机归一化数据M'c作为1D-Unet网络的输入层,将主机归一化数据M'o作为1D-Unet网络的输出层,且输入层数据和输出层数据按样本采集顺序一一对应,1D-Unet网络的损失函数为相对残差公式,如公式(2),
公式(2)中,M'o,i和M'co,i分别代表第i条主机归一化数据M'o和第i条校正后数据M'co,||·||表示L2范数,所有样本相对残差累加和的平均值即为1D-Unet网络的损失率。
发明的作用与效果
根据本发明所涉及的基于1D-Unet的低场核磁共振仪器信号校正方法,因为通过构建1D-Unet网络对从机数据进行处理得到校正后数据,处理过程中不需对数据进行特征筛选,所以,能够直接将全部数据特征用于信号校正,更能体现真实的数据分布;并且从机的校正后数据经过反归一化处理后得到的标准数据与主机数据在同一量纲下,能够完全复现主机数据的处理方法。因此,本发明的一种基于1D-Unet的低场核磁共振仪器信号校正方法计算精度高、时间快、鲁棒性好,能够进行可靠、稳定的信号校正。
附图说明
图1是本发明的实施例中的基于1D-Unet的低场核磁共振仪器信号校正方法的流程图;
图2是本发明的实施例中的1D-Unet网络的网络框架图;
图3是本发明的实施例中CuSO4水溶液的主机数据、从机数据、经过基于1D-Unet的低场核磁共振仪器信号校正方法校正后的从机数据和经过DS算法校正后的从机数据的对比曲线图;
图4为图3的部分曲线放大图;
图5是本发明的实施例中食用油的主机数据、从机数据、经过基于1D-Unet的低场核磁共振仪器信号校正方法校正后的从机数据和经过DS算法校正后的从机数据的对比曲线图;
图6为图5的部分曲线放大图。
具体实施方式
为了使本发明实现的技术手段与功效易于明白了解,以下结合实施例及附图对本发明作具体阐述。
图1是本发明的实施例中的基于1D-Unet的低场核磁共振仪器信号校正方法的流程图。
如图1所示,本实施例的基于1D-Unet的低场核磁共振仪器信号校正方法,包括以下步骤:
步骤1,将两台相同型号的低场核磁共振仪器分为目标仪器和待校正仪器,将目标仪器作为主机Mo,待校正仪器作为从机Mc,而后利用主机Mo采集样本的多条第一CPMG原始信号,并利用从机Mc采集样本的多条第二CPMG原始信号。
步骤2,对每条第一CPMG原始信号和每条第二CPMG原始信号分别进行归一化预处理操作,得到主机归一化数据M'o和从机归一化数据M'c,并保存主机归一化数据M'o的预处理数据结构体So。
步骤2中,对每条CPMG原始信号均进行归一化预处理操作,数据归一化公式如下:
公式(1)中,Mi,max和Mi,min分别表示第i条CPMG原始信号中的最大值和最小值。
预处理数据结构体So中保存有n条第一CPMG原始信号的最大值和最小值,并按样本采集顺序进行排列。
步骤3,构建1D-Unet网络并通过1D-Unet网络校正从机归一化数据M'c,得到校正后数据M'co。
图2是本发明的实施例中的1D-Unet网络的网络框架图。
如图2所示,步骤3中1D-Unet网络的编码层通过Convolution1D和Maxpooling1D进行构建,用于完成样本数据关键特征的提取,1D-Unet网络的解码层通过Upsamling1D和Copy进行构建,用于融合下采样特征,同时扩增特征信号的维度。
本实施例中,Convolution1D层用于完成样本数据关键特征的提取,卷积核的大小为1*3,填充方式为same,
Maxpooling层用于减少卷积层的特征数进而降低运算参数从而加快计算速度,共有5个池化层,Maxpooling窗口大小分别为2、2、2、5、5,
Copy层用于将浅层特征与深层特征进行级联,使校正后信号最大层度反应原始信号信息,
Upsampling层用于通过上采样层完成信号的反卷积,使信号逐步解码扩增至输入维度大小,Upsampling层窗口大小分别为5、5、2、2、2。
步骤3中,将从机归一化数据M'c作为1D-Unet网络的输入层,将主机归一化数据M'o作为1D-Unet网络的输出层,且输入层数据和输出层数据按样本采集顺序一一对应,
1D-Unet网络的损失函数为相对残差公式,如公式(2),
公式(2)中,M'o,i和M'co,i分别代表第i条主机归一化数据M'o和第i条校正后数据M'co,||·||表示L2范数,所有样本相对残差累加和的平均值即为1D-Unet网络的损失率。
步骤4,通过预处理数据结构体So对校正后数据M'co进行反归一化处理,得到与主机数据M'o在同一量纲下的标准数据Mco,完成主机Mo和从机Mc之间的信号校正。
本实施例中还选用CuSO4水溶液和食用油进行仿真实验,并与DS算法进行对比,实验过程如下:
配制6种不同浓度CuSO4水溶液(2mmol/L,3mmol/L,4mmol/L,5mmol/L,6mmol/L,7mmol/L),主机Mo与从机Mc分别对各个浓度下的CPMG原始信号进行采集,每个浓度采集50次,共得到300个样本,其中210个训练集,90个测试集,采用测试集校正后信号对结果进行评价,
主机Mo与从机Mc分别采集52种品牌食用油的CPMG原始信号,共468个样本,其中364个训练集,104个测试集,采用测试集校正后信号对结果进行评价。
图3是本发明的实施例中CuSO4水溶液的主机数据、从机数据、经过基于1D-Unet的低场核磁共振仪器信号校正方法校正后的从机数据和经过DS算法校正后的从机数据的对比曲线图,图4为图3的部分曲线放大图,图5是本发明的实施例中食用油的主机数据、从机数据、经过基于1D-Unet的低场核磁共振仪器信号校正方法校正后的从机数据和经过DS算法校正后的从机数据的对比曲线图,图6为图5的部分曲线放大图。
如图3-图6所示,CuSO4水溶液和食用油的主机数据和从机数据存在明显的信号幅值的差异,从机数据经过DS算法和本发明的基于1D-Unet的低场核磁共振仪器信号校正方法校正后,与主机数据的差异几乎可以忽略不计,但是通过对比分析发现,经过本发明的基于1D-Unet的低场核磁共振仪器信号校正方法校正后的信号与主机原始信号几乎重合,而经DS算法校正后的信号与主机原始信号还是存在微小的幅值差异。
表1是CuSO4水溶液信号校正前、后的相对残差值,表2是食用油信号校正前、后的相对残差值。
表1 CuSO4水溶液信号校正前、后的相对残差值
校正前 | DS算法校正 | 本发明方法校正 | |
相对残差 | 0.0132 | 0.0043 | 0.0019 |
表2 食用油信号校正前、后的相对残差值
校正前 | DS算法校正 | 本发明方法校正 | |
相对残差 | 0.0212 | 0.0212 | 0.0051 |
如表1和表2所示,经过本发明的基于1D-Unet的低场核磁共振仪器信号校正方法校正后的从机数据与主机数据的相对残差值最小,因此,本发明的基于1D-Unet的低场核磁共振仪器信号校正方法在低场核磁共振仪器信号校正中,具有良好的校正能力。
实施例的作用与效果
根据本实施例所涉及的基于1D-Unet的低场核磁共振仪器信号校正方法,因为通过构建1D-Unet网络对从机数据进行处理得到校正后数据,处理过程中不需对数据进行特征筛选,所以,能够直接将全部数据特征用于信号校正,更能体现真实的数据分布;并且从机的校正后数据经过反归一化处理后得到的标准数据与主机数据在同一量纲下,能够完全复现主机数据的处理方法。因此,本实施例的一种基于1D-Unet的低场核磁共振仪器信号校正方法计算精度高、时间快、鲁棒性好,能够进行可靠、稳定的信号校正。
上述实施方式为本发明的优选案例,并不用来限制本发明的保护范围。
Claims (3)
1.一种基于1D-Unet的低场核磁共振仪器信号校正方法,其特征在于,包括以下步骤:
步骤1,将两台相同型号的低场核磁共振仪器分为目标仪器和待校正仪器,将所述目标仪器作为主机Mo,所述待校正仪器作为从机Mc,而后利用所述主机Mo采集样本的多条第一CPMG原始信号,并利用所述从机Mc采集所述样本的多条第二CPMG原始信号;
步骤2,对每条所述第一CPMG原始信号和每条所述第二CPMG原始信号分别进行归一化预处理操作,得到主机归一化数据M'o和从机归一化数据M'c,并保存所述主机归一化数据M'o的预处理数据结构体So;
步骤3,构建1D-Unet网络并通过所述1D-Unet网络校正所述从机归一化数据M'c,得到校正后数据M'co;
步骤4,通过所述预处理数据结构体So对所述校正后数据M'co进行反归一化处理,得到与所述第一CPMG原始信号在同一量纲下的标准数据Mco,完成所述主机Mo和所述从机Mc之间的信号校正,
所述步骤3中,所述1D-Unet网络的编码层通过Convolution1D和Maxpooling1D进行构建,用于完成样本数据关键特征的提取,
所述1D-Unet网络的解码层通过Upsamling1D和Copy进行构建,用于融合下采样特征,同时扩增特征信号的维度,
所述步骤3中,将所述从机归一化数据M'c作为所述1D-Unet网络的输入层,将所述主机归一化数据M'o作为所述1D-Unet网络的输出层,且输入层数据和输出层数据按样本采集顺序一一对应,
所述1D-Unet网络的损失函数为相对残差公式,如公式(2),
公式(2)中,M'o,i和M'co,i分别代表第i条所述主机归一化数据M'o和第i条所述校正后数据M'co,||·||表示L2范数,所有样本相对残差累加和的平均值即为所述1D-Unet网络的损失率,n为所述第一CPMG原始信号的条数。
3.根据权利要求1所述的基于1D-Unet的低场核磁共振仪器信号校正方法,其特征在于:
其中,所述预处理数据结构体So中保存有n条所述第一CPMG原始信号的最大值和最小值,并按样本采集顺序进行排列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010641488.1A CN111751773B (zh) | 2020-07-06 | 2020-07-06 | 一种基于1D-Unet的低场核磁共振仪器信号校正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010641488.1A CN111751773B (zh) | 2020-07-06 | 2020-07-06 | 一种基于1D-Unet的低场核磁共振仪器信号校正方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111751773A CN111751773A (zh) | 2020-10-09 |
CN111751773B true CN111751773B (zh) | 2023-07-04 |
Family
ID=72679539
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010641488.1A Active CN111751773B (zh) | 2020-07-06 | 2020-07-06 | 一种基于1D-Unet的低场核磁共振仪器信号校正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111751773B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106525887A (zh) * | 2016-09-22 | 2017-03-22 | 大连工业大学 | 变温低场核磁共振检测装置 |
CN109409503A (zh) * | 2018-09-27 | 2019-03-01 | 深圳市铱硙医疗科技有限公司 | 神经网络的训练方法、图像转换方法、装置、设备及介质 |
CN109949321A (zh) * | 2019-03-26 | 2019-06-28 | 电子科技大学 | 基于三维Unet网络的脑部核磁共振图像组织分割方法 |
CN110570486A (zh) * | 2019-08-23 | 2019-12-13 | 清华大学深圳研究生院 | 一种基于深度学习的欠采样核磁共振图像重建方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10783639B2 (en) * | 2016-10-19 | 2020-09-22 | University Of Iowa Research Foundation | System and method for N-dimensional image segmentation using convolutional neural networks |
US11756160B2 (en) * | 2018-07-27 | 2023-09-12 | Washington University | ML-based methods for pseudo-CT and HR MR image estimation |
-
2020
- 2020-07-06 CN CN202010641488.1A patent/CN111751773B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106525887A (zh) * | 2016-09-22 | 2017-03-22 | 大连工业大学 | 变温低场核磁共振检测装置 |
CN109409503A (zh) * | 2018-09-27 | 2019-03-01 | 深圳市铱硙医疗科技有限公司 | 神经网络的训练方法、图像转换方法、装置、设备及介质 |
CN109949321A (zh) * | 2019-03-26 | 2019-06-28 | 电子科技大学 | 基于三维Unet网络的脑部核磁共振图像组织分割方法 |
CN110570486A (zh) * | 2019-08-23 | 2019-12-13 | 清华大学深圳研究生院 | 一种基于深度学习的欠采样核磁共振图像重建方法 |
Non-Patent Citations (2)
Title |
---|
一种MR图像灰度偏差场的修正方法;周震 等;《中国组织工程研究与临床康复》;20100625;第14卷(第26期);4823-4826 * |
核磁共振代谢组学数据的尺度归一化新方法;董继扬 等;《高等学校化学学报》;20110210;第32卷(第02期);262-268 * |
Also Published As
Publication number | Publication date |
---|---|
CN111751773A (zh) | 2020-10-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110110799A (zh) | 细胞分类方法、装置、计算机设备和存储介质 | |
CN107092829B (zh) | 一种基于图像匹配的恶意代码检测方法 | |
CN110879980B (zh) | 基于神经网络算法的核磁共振波谱去噪方法 | |
CN108680796B (zh) | 用于计算机显示器的电磁信息泄漏检测系统及方法 | |
CN114564982B (zh) | 雷达信号调制类型的自动识别方法 | |
CN109858408A (zh) | 一种基于自编码器的超声信号处理方法 | |
CN107392123B (zh) | 一种基于相参积累消噪的射频指纹特征提取和识别方法 | |
CN113793319A (zh) | 基于类别约束字典学习模型的织物图像瑕疵检测方法及系统 | |
CN114091545A (zh) | 基于深度残差收缩网络的辐射源个体识别方法及装置 | |
US20200103327A1 (en) | System and method for object detection in holographic lens-free imaging by convolutional dictionary learning and encoding | |
US20220101527A1 (en) | Visualization method for evaluating brain addiction traits, apparatus, and medium | |
CN111751773B (zh) | 一种基于1D-Unet的低场核磁共振仪器信号校正方法 | |
CN112836788B (zh) | 一种用于干扰类型识别的低功耗深度学习网络方法 | |
CN109598245B (zh) | 基于1d-cnn的食用油横向弛豫衰减曲线信号特征提取方法 | |
CN115184054B (zh) | 机械设备半监督故障检测分析方法、装置、终端及介质 | |
CN109697474A (zh) | 基于迭代贝叶斯的合成孔径雷达影像变化检测方法 | |
CN115855860A (zh) | 一种茶叶干燥过程中的水分含量预测方法及处理终端 | |
CN113221736A (zh) | 基于多特征协同非负矩阵分解的心电身份识别方法及系统 | |
CN111504908A (zh) | 一种基于光声光谱的岩石类型识别方法及系统 | |
CN113159231B (zh) | 基于残差网络的分子筛sem图像分类方法和系统 | |
CN114062190B (zh) | 表征页岩油微观赋存特征的方法、装置、终端及存储介质 | |
CN114720436B (zh) | 基于荧光高光谱成像的农产品品质参数检测方法及设备 | |
Lu et al. | Denoising method for capillary electrophoresis signal via learned tight frame | |
CN113222061B (zh) | 一种基于双路小样本学习的mri图像分类方法 | |
CN116958128B (zh) | 基于深度学习的医学图像自动定位方法 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230524 Address after: Room 202, building 1, No. 601, Jingji Road, Baoshan District, Shanghai 201900 Applicant after: SHANGHAI KANGDA COLORFUL MEDICAL TECHNOLOGY Co.,Ltd. Address before: 200093 No. 516, military road, Shanghai, Yangpu District Applicant before: University of Shanghai for Science and Technology |
|
GR01 | Patent grant | ||
GR01 | Patent grant |