CN111915007B - 一种基于神经网络的磁共振谱降噪方法 - Google Patents
一种基于神经网络的磁共振谱降噪方法 Download PDFInfo
- Publication number
- CN111915007B CN111915007B CN202010743645.XA CN202010743645A CN111915007B CN 111915007 B CN111915007 B CN 111915007B CN 202010743645 A CN202010743645 A CN 202010743645A CN 111915007 B CN111915007 B CN 111915007B
- Authority
- CN
- China
- Prior art keywords
- noise reduction
- training
- magnetic resonance
- data
- network
- 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
- 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
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06F2218/04—Denoising
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
一种基于神经网络的磁共振谱降噪方法,涉及磁共振谱降噪方法。1)利用多次采集的不同组合求均值构建相应的训练模型数据集与标签集,用于求解高信噪比与低信噪比磁共振谱之间的映射关系;2)构建基于迭代滑窗的长短时记忆循环神经网络的用于磁共振谱降噪的深度学习网络模型;3)将步骤1)生成的数据集训练步骤2)中所设计深度学习网络模型,使用ADAM优化算法训练步骤2)中网络的参数,得到模型最优参数;4)对低信噪比的磁共振谱的时域信号使用步骤3)训练好的网络模型进行降噪处理,对降噪后的时域信号进行傅里叶变换得到对应的降噪后磁共振谱。具有无需先验知识、降噪速度快、降噪质量高、泛化性好的特点,且适用于密集谱峰降噪。
Description
技术领域
本发明涉及磁共振谱降噪方法,尤其是涉及一种基于神经网络的磁共振谱降噪方法。
背景技术
磁共振谱是利用磁共振中的化学位移现象来确定分子组成及空间分布的一种检查方法,是一种无创研究活体器官组织代谢、生物变化及化合物定量分析的检测技术。磁共振谱的采样过程会受噪声影响,实际中常常通过重复采样叠加取平均值来减少噪声影响。但过多的采样次数会增加采样时间,给采样增加困难和成本。
在实际应用中,对于磁共振谱的时域信号,Cadzow(Yung,Ya Lin,Lian Pin,Hwang,"NMR signal enhancement based on matrix property mappings,"Journal ofMagnetic Resonance,Series A,103,109-114,1993)是一种典型的降噪方法,但这种方法不能保证得到的解为全局最优解。还有些研究人员提出了利用指数信号的汉克尔矩阵的低秩特性进行去噪和欠采样重建(Xiaobo Qu,Maxim Mayzel,Jian-Feng Cai,Zhong Chen,Vladislav Orekhov,"Accelerated NMR spectroscopy with low-rankreconstruction,"Angewandte Chemie International Edition,54,852-854,2015),通过构建基于汉克尔矩阵核范数的拉格朗日凸优化求解模型,对信号进行降噪,并将此方法推广到多维信号(Jiaxi Ying,Hengfa Lu,Qingtao Wei,Jian-Feng Cai,Di Guo,Jihui Wu,Zhong Chen,Xiaobo Qu."Hankel matrix nuclear norm regularized tensorcompletion for N-dimensional exponential signals,"IEEE Transactions on SignalProcessing,65(14),3702-3717,2017)和时域频域信号混合的情况(Hengfa Lu,XinlinZhang,Tianyu Qiu,Jian Yang,Jiaxi Ying,Di Guo,Zhong Chen,Xiaobo Qu,"Low rankenhanced matrix recovery of hybrid time and frequency data in fast magneticresonance spectroscopy,"IEEE Transactions on Biomedical Engineering,65(4),809-820,2018)。还提出了结合范德蒙分解的方法优化算法(Jiaxi Ying,Jian-Feng Cai,Di Guo,Gongguo Tang,Zhong Chen,Xiaobo Qu,"Vandermonde factorization of Hankelmatrix for complex exponential signal recovery—application in fast NMRspectroscopy,"IEEE Transactions on Signal Processing,66(21),5520-5533,2018),但此方法在采样点数较多的情况下降噪时间较长。
随着深度学习的发展,神经网络越来越多地被应用在磁共振谱领域(DichengChen,Zi Wang,Di Guo,Vladislav Orekhov,Xiaobo Qu,"Review and Prospect:Deeplearning in nuclear magnetic resonance spectroscopy,"Chemistry-A EuropeanJournal,DOI:10.1002/chem.202000246,2020)。Qu等人利用卷积神经网络为快速波谱采样与超快速重建提供了一个很好的解决办法(Xiaobo Qu,Yihui Huang,Hengfa Lu,TianyuQiu,Di Guo,Tatiana Agback,Vladislav Orekhov,Zhong Chen,"Accelerated nuclearmagnetic resonance spectroscopy with deep learning,"Angewandte ChemieInternational Edition,59(26),10297-10300,2019)。而在时间序列相关问题上,研究人员提出了双向长短期记忆网络(Wei Cao,Dong Wang,Jian Li,Hao Zhou,Lei Li,YitanLi,"BRITS:bidirectional recurrent imputation for time series,"Advances inNeural Information Processing Systems,6775-6785,2018)用于解决数据缺失的时间序列补全问题。但该方法对采样点间相关性较复杂的磁共振谱信号表现欠佳。
发明内容
本发明目的在于提供有无需先验知识、降噪速度快、降噪质量高、泛化性好的特点,且可适用于密集谱峰降噪的一种利用迭代滑窗结合长短时记忆循环神经网络的磁共振谱快速降噪方法。
本发明包括以下步骤:
1)利用多次采集的不同组合求均值构建相应的训练模型数据集与标签集,用于求解高信噪比与低信噪比磁共振谱之间的映射关系;
2)构建基于迭代滑窗的长短时记忆循环神经网络的用于磁共振谱降噪的深度学习网络模型;
3)将步骤1)生成的数据集用于训练步骤2)中所设计深度学习网络模型,使用ADAM优化算法训练步骤2)中网络的参数,得到模型的最优参数;
4)对低信噪比的磁共振谱的时域信号使用步骤3)训练好的网络模型进行降噪处理,对降噪后的时域信号进行傅里叶变换得到对应的降噪后的磁共振谱。
在步骤1)中,所述利用多次采集的不同组合求均值构建相应的训练模型数据集与标签集的具体方法可为:对同一个被采集者采集Q次磁共振谱信号,收集J名被采集者,得到J×Q个谱来构成训练源;根据训练源,对于某一被采集者的Q次采集,在前2×m次采集中随机选取m次,用于产生规模足够大的组数据,称作训练扩增集;是从2×m个不同元素中不分顺序取出m个元素的组合数,其中2m<Q,m是正整数;对训练扩增集的每组数据的m次采集取平均值后得到个数据,再随机选取其中M个数据作为训练集的输入数据X,X的大小为T×2,T是单个一维谱的采样点数,列数为2表示将复数的实部和虚部进行分开存储,在全部Q次采集中随机选取Q-m次,用于产生同规模的标签扩增集,对标签扩增集的每组数据的Q-m个向量取均值后再随机选取M次采集作为训练集的输出标签XL,同样XL是大小为T×2的矩阵;按如上操作,对所有J个被采集者的数据处理后,得到训练集共有J×M个输入数据,J×M个输出标签;
所述不同组合包括不同采集者的感兴趣代谢物的含量不同、对应代谢产物的谱峰高度和相位不同、噪声不同。
在步骤2)中构建基于迭代滑窗的长短时记忆循环神经网络的用于磁共振谱降噪的网络模型的具体方法为:
a)初始化一个大小为r×2的滑动窗矩阵St;第t-r个输入信号矩阵表示为Xt,Xt大小为r×2,由输入数据X的第t-r行到t-1行构成,即:
Xt=[xt-r,xt-r+1,...,xt-1] (1)
其中,xt是输入数据X的第t行;且有初始滑窗Sr+1=Xr+1;其中r<t≤T,T是谱信号的采样点数;
b)设计一个输入模块,该输入模块由三层线性层和线性整流函数构成,可表示为:
将输入模块、长短期记忆网络细胞模块、线性回归模块级联,网络可表示为如公式(5)的非线性映射函数组:
在步骤3)中,所述深度学习网络模型包括数据校验层、损失函数、优化器,训练步骤2)中所设计深度学习网络模型的具体方法可为:
整个网络可表示为:
b)最小化网络输出的数据校验后的谱信号Xout与输入谱信号X对应的标签XL形成的损失函数:
在步骤4)中,所述得到降噪后的磁共振谱的具体方法为:对待降噪被采集者的n次采集的均值作为测试输入数据矩阵大小为T×2;将需要降噪的信号作为网络的输入,依照训练好的网络参数进行前向传播,得到降噪后的时域信号用公式表示为:
本发明提出了一种基于深度学习的磁共振谱降噪方法。所述方法包括:1)训练集的构建:利用多次采集的不同组合求均值得到相应的训练模型数据集与标签集,用于求解高信噪比(较多采集次数的平均值)与低信噪比(较少次数采集的平均值)磁共振谱之间的映射关系。2)模型与求解:设计迭代更新的滑窗与长短时记忆细胞结合的循环神经网络,并对其进行逐步迭代求解。3)求解最优网络参数:采用梯度反向传播与迭代更新来训练网络参数,最终得到降噪前后的映射关系的最优网络参数。4)目标信号去噪:将含高噪声的磁共振谱的目标数据输入训练好的网络模型,即可快速且高质量地得到降噪后的磁共振谱。本发明利用磁共振谱时域信号的指数特性与深度学习循环神经网络,提出一种适合磁共振谱的快速降噪方法。本发明用于降噪磁共振波谱,具有无需先验知识、降噪速度快、降噪质量高、泛化性好的特点,且可适用于密集谱峰的降噪。
附图说明
图1为利用迭代滑窗结合长短时记忆循环神经网络循环分解示意图。
图2为实施例中14次采集均值谱的输入谱图。
图3为实施例中14次采集均值谱通过本方法降噪后的谱图。
图4为实施例中116次采集均值的标签谱图。
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。
本发明实施例用8名被采集者作为训练源,另外1名被采集者作为测试源。通过若干次迭代网络训练得到网络参数。最后将用于的测试的1名被采集者的前14次采集数据作为含有高噪声的待降噪谱数据输入网络来验证本方法的降噪效果。
1)对同一个被采集者采集116次磁共振谱信号。收集8名被采集者,允许不同采集者的感兴趣代谢物的含量不同、对应代谢产物的谱峰高度和相位都可以不同、噪声也可能不同。最终得到928个谱来构成训练源。
根据训练源,对于某一被采集者的116次采集,在前28次采集中随机选取14次,用于产生规模足够大的组数据,称作训练扩增集。是从28个不同元素中不分顺序取出14个元素的组合数。对训练扩增集的每组数据的14个向量取平均值后再随机选取2000个数据作为训练集的输入数据X,X的大小为800×2,列数为2表示将复数的实部和虚部进行分开存储。在全部116次采集中随机选取102次,用于产生同规模的标签扩增集,对标签扩增集的每组数据的102个向量取均值后再随机选取2000次采集作为训练集的输出标签XL,同样XL是大小为800×2的矩阵。按照如上操作,对所有8个被采集者的数据处理后,得到训练集共有16000个输入数据,16000个输出标签。
2)构建基于迭代滑窗的长短时记忆循环神经网络的用于磁共振谱降噪的网络模型;
构建网络的具体方式为:
a)初始化一个大小为5×2的滑动窗矩阵St。第t-5个输入信号矩阵可表示为Xt,Xt大小为5×2,由输入数据X的第t-5行到t-1行构成。即
Xt=[xt-5,xt-4,...,xt-1] (1)
其中xt是输入数据X的第t行。且有初始滑窗S6=X6。
b)设计一个输入模块。该输入模块由三层线性层和线性整流函数构成,可表示为:
综上,将输入模块、长短期记忆网络细胞模块、线性回归模块级联。网络可表示为如公式(5)的非线性映射函数组:
3)步骤1)生成的数据集用于训练步骤2)中所设计的深度学习网络。使用ADAM优化算法训练步骤2)中网络的参数,得到模型的最优参数;所设计的深度学习网络的模型包括数据校验层、损失函数、优化器的设计:
整个网络可表示为:
b)最小化网络输出的数据校验后的谱信号Xout与输入谱信号X对应的标签XL形成的损失函数:
整个网络设计如图1结构所示。图1给出了利用迭代滑窗结合长短时记忆循环神经网络循环分解示意图(当滑窗长度为5)。
4)对低信噪比的磁共振谱时域信号使用步骤3)所述的训练好的网络对其进行降噪处理。最后,对降噪后的时域信号进行傅里叶变换得到对应的降噪后的磁共振谱。对含有高噪声的需要降噪的信号进行降噪的过程为:对待降噪被采集者的14次采集的均值作为测试输入数据矩阵大小为800×2,如图2所示是在傅里叶变换后的绝对值谱图。将需要降噪的信号作为网络的输入,依照训练好的网络参数进行前向传播,得到降噪后的时域信号用公式表示为:
如图4所示是待降噪被采集者116次采集均值做傅里叶变换后的绝对值谱图。
Claims (5)
1.一种基于神经网络的磁共振谱降噪方法,其特征在于包括以下步骤:
1)利用多次采集的不同组合求均值构建相应的训练模型数据集与标签集,用于求解高信噪比与低信噪比磁共振谱之间的映射关系;
2)构建基于迭代滑窗的长短时记忆循环神经网络的用于磁共振谱降噪的深度学习网络模型,具体方法为:
a)初始化一个大小为r×2的滑动窗矩阵St;第t-r个输入信号矩阵表示为Xt,Xt大小为r×2,由输入数据X的第t-r行到t-1行构成,即:
Xt=[xt-r,xt-r+1,...,xt-1] (1)
其中,xt是输入数据X的第t行;且有初始滑窗Sr+1=Xr+1,其中r<t≤T,T是谱信号的采样点数;
b)设计一个输入模块,该输入模块由三层线性层和线性整流函数构成,表示为:
将输入模块、长短期记忆网络细胞模块、线性回归模块级联,网络表示为如公式(5)的非线性映射函数组:
3)将步骤1)生成的数据集用于训练步骤2)中所设计深度学习网络模型,使用ADAM优化算法训练步骤2)中网络的参数,得到模型的最优参数;
4)对低信噪比的磁共振谱的时域信号使用步骤3)训练好的网络模型进行降噪处理,对降噪后的时域信号进行傅里叶变换得到对应的降噪后的磁共振谱。
2.如权利要求1所述一种基于神经网络的磁共振谱降噪方法,其特征在于在步骤1)中,所述利用多次采集的不同组合求均值构建相应的训练模型数据集与标签集的具体方法为:对同一个被采集者采集Q次磁共振谱信号,收集J名被采集者,得到J×Q个谱来构成训练源;根据训练源,对于某一被采集者的Q次采集,在前2×m次采集中随机选取m次,用于产生规模足够大的组数据,称作训练扩增集;是从2×m个不同元素中不分顺序取出m个元素的组合数,其中2m<Q,m是正整数;对训练扩增集的每组数据的m次采集取平均值后得到个数据,再随机选取其中M个数据作为训练集的输入数据X,X的大小为T×2,T是单个一维谱的采样点数,列数为2表示将复数的实部和虚部进行分开存储,在全部Q次采集中随机选取Q-m次,用于产生同规模的标签扩增集,对标签扩增集的每组数据的Q-m个向量取均值后再随机选取M次采集作为训练集的输出标签XL,同样XL是大小为T×2的矩阵;按如上操作,对所有J个被采集者的数据处理后,得到训练集共有J×M个输入数据,J×M个输出标签。
3.如权利要求2所述一种基于神经网络的磁共振谱降噪方法,其特征在于在步骤1)中,所述不同组合包括不同采集者的感兴趣代谢物的含量不同、对应代谢产物的谱峰高度和相位不同、噪声不同。
4.如权利要求3所述一种基于神经网络的磁共振谱降噪方法,其特征在于在步骤3)中,所述深度学习网络模型包括数据校验层、损失函数、优化器,训练步骤2)中所设计深度学习网络模型的具体方法为:
整个网络表示为:
b)最小化网络输出的数据校验后的谱信号Xout与输入谱信号X对应的标签XL形成的损失函数:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010743645.XA CN111915007B (zh) | 2020-07-29 | 2020-07-29 | 一种基于神经网络的磁共振谱降噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010743645.XA CN111915007B (zh) | 2020-07-29 | 2020-07-29 | 一种基于神经网络的磁共振谱降噪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111915007A CN111915007A (zh) | 2020-11-10 |
CN111915007B true CN111915007B (zh) | 2022-06-14 |
Family
ID=73287647
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010743645.XA Active CN111915007B (zh) | 2020-07-29 | 2020-07-29 | 一种基于神经网络的磁共振谱降噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111915007B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113240078B (zh) * | 2021-04-26 | 2024-03-19 | 南方医科大学 | 基于深度学习网络的磁共振r2*参数量化方法、介质及设备 |
CN113271272B (zh) * | 2021-05-13 | 2022-09-13 | 侯小琪 | 一种基于残差神经网络的单通道时频混叠信号盲分离方法 |
CN113361819B (zh) * | 2021-07-08 | 2023-04-07 | 武汉中科牛津波谱技术有限公司 | 一种线性预测方法及装置 |
CN114117934B (zh) * | 2021-12-03 | 2023-04-07 | 华电新疆哈密煤电开发有限公司 | 基于门控神经网络的电站锅炉水冷壁壁温在线预测方法 |
CN114186584B (zh) * | 2021-12-06 | 2022-08-30 | 无锡鸣石峻致医疗科技有限公司 | 一种基于扩展指数模型对磁共振信号降噪的方法和设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106646303A (zh) * | 2016-11-17 | 2017-05-10 | 厦门理工学院 | 一种欠采样磁共振波谱的快速重建方法 |
CN107633486A (zh) * | 2017-08-14 | 2018-01-26 | 成都大学 | 基于三维全卷积神经网络的结构磁共振图像去噪方法 |
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 |
CN110826791A (zh) * | 2019-10-31 | 2020-02-21 | 东北电力大学 | 一种基于长短时记忆神经网络的混合风功率预测方法 |
CN110879980A (zh) * | 2019-11-13 | 2020-03-13 | 厦门大学 | 基于神经网络算法的核磁共振波谱去噪方法 |
CN110940944A (zh) * | 2019-12-04 | 2020-03-31 | 厦门大学 | 基于深度学习的磁共振信号的去j耦合方法 |
CN111324861A (zh) * | 2020-02-28 | 2020-06-23 | 厦门大学 | 一种基于矩阵分解的深度学习磁共振波谱重建方法 |
-
2020
- 2020-07-29 CN CN202010743645.XA patent/CN111915007B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106646303A (zh) * | 2016-11-17 | 2017-05-10 | 厦门理工学院 | 一种欠采样磁共振波谱的快速重建方法 |
CN107633486A (zh) * | 2017-08-14 | 2018-01-26 | 成都大学 | 基于三维全卷积神经网络的结构磁共振图像去噪方法 |
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 |
CN110826791A (zh) * | 2019-10-31 | 2020-02-21 | 东北电力大学 | 一种基于长短时记忆神经网络的混合风功率预测方法 |
CN110879980A (zh) * | 2019-11-13 | 2020-03-13 | 厦门大学 | 基于神经网络算法的核磁共振波谱去噪方法 |
CN110940944A (zh) * | 2019-12-04 | 2020-03-31 | 厦门大学 | 基于深度学习的磁共振信号的去j耦合方法 |
CN111324861A (zh) * | 2020-02-28 | 2020-06-23 | 厦门大学 | 一种基于矩阵分解的深度学习磁共振波谱重建方法 |
Non-Patent Citations (2)
Title |
---|
Accelerated Nuclear Magnetic Resonance Spectroscopy with Deep Learning;Xiaobo Qu et al.;《Angewandte Chemie》;20190906;第132卷(第26期);全文 * |
Review and Prospect: Deep Learning in Nuclear Magnetic Resonance Spectroscopy;Dicheng,Chen et al.;《Chemistry (Weinheim an der Bergstrasse, Germany)》;20200406;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111915007A (zh) | 2020-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111915007B (zh) | 一种基于神经网络的磁共振谱降噪方法 | |
CN109683161B (zh) | 一种基于深度admm网络的逆合成孔径雷达成像的方法 | |
CN103871058B (zh) | 基于压缩采样矩阵分解的红外小目标检测方法 | |
Liu et al. | Hourly stepwise forecasting for solar irradiance using integrated hybrid models CNN-LSTM-MLP combined with error correction and VMD | |
CN111191514A (zh) | 一种基于深度学习的高光谱图像波段选择方法 | |
CN111324861B (zh) | 一种基于矩阵分解的深度学习磁共振波谱重建方法 | |
CN112991483B (zh) | 一种非局部低秩约束的自校准并行磁共振成像重构方法 | |
Liu et al. | Online deep equilibrium learning for regularization by denoising | |
CN115409252A (zh) | 基于lstm的植物生长数据多步预测方法、装置、介质及设备 | |
Yan et al. | A hybrid evolutionary algorithm for multiobjective sparse reconstruction | |
Fan et al. | An interpretable MRI reconstruction network with two-grid-cycle correction and geometric prior distillation | |
Vimalajeewa et al. | Learning in the compressed data domain: Application to milk quality prediction | |
Kang et al. | An enhanced method to reduce reconstruction error of compressed sensing for structure vibration signals | |
Meng et al. | A gear fault diagnosis method based on improved accommodative random weighting algorithm and BB-1D-TP | |
Lian et al. | Wind power prediction based on wavelet denoising and improved slime mold algorithm optimized support vector machine | |
He et al. | Deep frequency-recurrent priors for inverse imaging reconstruction | |
CN110940944B (zh) | 基于深度学习的磁共振信号的去j耦合方法 | |
CN116754231A (zh) | 一种基于RegNet-SES的快速诊断滚动轴承故障方法 | |
Hua et al. | ECG signals deep compressive sensing framework based on multiscale feature fusion and SE block | |
CN114693547A (zh) | 基于图像超分辨的射频图像增强方法及射频图像识别方法 | |
Zhao et al. | An Effective Ionospheric TEC Predicting Approach Using EEMD-PE-Kmeans and Self-Attention LSTM | |
Yu et al. | Universal generative modeling in dual domains for dynamic MRI | |
Long et al. | Low rank tensor completion for multiway visual data | |
Khorasani et al. | Decreasing Cramer–Rao lower bound by preprocessing steps | |
Du et al. | Fast reconstruction of EEG signal compression sensing based on deep learning |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |