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 PDF

Info

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
Application number
CN202010743645.XA
Other languages
English (en)
Other versions
CN111915007A (zh
Inventor
屈小波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xiamen University
Original Assignee
Xiamen University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xiamen University filed Critical Xiamen University
Priority to CN202010743645.XA priority Critical patent/CN111915007B/zh
Publication of CN111915007A publication Critical patent/CN111915007A/zh
Application granted granted Critical
Publication of CN111915007B publication Critical patent/CN111915007B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

一种基于神经网络的磁共振谱降噪方法
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
Figure BDA0002607578000000031
组数据，称作训练扩增集；
Figure BDA0002607578000000032
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
Figure BDA0002607578000000033
个数据，再随机选取其中M个数据作为训练集
Figure BDA00026075780000000310
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,
Figure BDA0002607578000000034
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
Figure BDA00026075780000000311
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：
Figure BDA0002607578000000035
其中，
Figure BDA0002607578000000036
表示输入模块的训练参数，
Figure BDA0002607578000000037
表示从(St,Xt)到
Figure BDA0002607578000000038
的线性映射；
c)设计适应滑窗的长短期记忆网络细胞模块，利用输入模块的输出
Figure BDA0002607578000000039
和第t-1个长短期记忆细胞的输出矩阵Ht-1、单元状态矩阵Ct-1来预测第t个长短期记忆细胞的输出矩阵Ht、单元状态矩阵Ct，可表示为：
Figure BDA0002607578000000041
其中，
Figure BDA0002607578000000042
表示适应滑窗的长短期记忆网络的训练参数，
Figure BDA0002607578000000043
表示从
Figure BDA0002607578000000044
到(Ht,Ct)的非线性映射；
d)设计一个线性回归模块，该线性回归模块将第t个细胞的输出值Ht转换成预测的第t个的采样点的向量
Figure BDA0002607578000000045
Figure BDA0002607578000000046
其中，
Figure BDA0002607578000000047
表示线性回归模块的训练参数，
Figure BDA0002607578000000048
表示从Ht到
Figure BDA0002607578000000049
的线性映射；
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：
Figure BDA00026075780000000410
其中，Θt是各层网络训练参数
Figure BDA00026075780000000411
的集合，F(·)表示各层网络的组合，f((xt,Xt,St)|Θt)表示训练xt,Xt,St到
Figure BDA00026075780000000412
的非线性映射；
e)设计更新模块，更新滑动窗信号矩阵St+1，将预测的第t个的采样点的值矩阵
Figure BDA00026075780000000413
更新到St+1，可表示为：
Figure BDA00026075780000000414
Figure BDA00026075780000000415
表示
Figure BDA00026075780000000416
与
Figure BDA00026075780000000417
的矩阵拼接，
Figure BDA00026075780000000418
表示矩阵Xt的第2到第r列构成的新矩阵。
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：
a)数据校验层用于完成数据校验功能，将输入信号的第t个的采样点的值xt与预测的第t个的采样点的值
Figure BDA00026075780000000419
作为数据校验层的输入，其表达式为：
Figure BDA00026075780000000420
其中，λ是可训练的数据校验层权重系数，
Figure BDA0002607578000000051
表示数据校验后的第t个采样点的值，
Figure BDA0002607578000000052
表示从输入信号的第t个的采样点的值xt与预测的第t个的采样点的值
Figure BDA0002607578000000053
到数据校验后的第t个采样点的值
Figure BDA0002607578000000054
的线性映射；
整个网络可表示为：
Figure BDA0002607578000000055
其中，
Figure BDA0002607578000000056
是将X的T个采样点按以上流程顺序循环从xt映射到
Figure BDA0002607578000000057
从而得到Xout的非线性映射，Θ是网络的参数集合，即在循环T个采样点映射后的最终各模块参数Θt的集合，λ是数据校验层中可训练的权重系数；
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：
Figure BDA0002607578000000058
其中，
Figure BDA00026075780000000517
表示训练集，|·|表示向量的1范数；
Figure BDA0002607578000000059
是XL的第t行向量；
c)采用深度学习中表现较好的ADAM优化器，对步骤2)中的模型参数经过最小化损失函数MAE(Θ,λ)训练可得到最优目标参数集
Figure BDA00026075780000000510
和
Figure BDA00026075780000000511
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
Figure BDA00026075780000000512
矩阵大小为T×2；将需要降噪的信号
Figure BDA00026075780000000513
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
Figure BDA00026075780000000514
用公式表示为：
Figure BDA00026075780000000515
对降噪后的时域信号
Figure BDA00026075780000000516
进行傅里叶变换，即可得到降噪后的磁共振谱。
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
Figure BDA0002607578000000061
组数据，称作训练扩增集。
Figure BDA0002607578000000062
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
Figure BDA0002607578000000063
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
Figure BDA0002607578000000064
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：
Figure BDA0002607578000000071
其中
Figure BDA0002607578000000072
表示输入模块的训练参数，
Figure BDA0002607578000000073
表示从(St,Xt)到
Figure BDA0002607578000000074
的线性映射。
c)设计适应滑窗的长短期记忆网络细胞模块。利用输入模块的输出
Figure BDA0002607578000000075
和第t-1个长短期记忆细胞的输出矩阵Ht-1，单元状态矩阵Ct-1来预测第t个长短期记忆细胞的输出矩阵Ht，单元状态矩阵Ct，可表示为：
Figure BDA0002607578000000076
其中
Figure BDA0002607578000000077
表示适应滑窗的长短期记忆网络的训练参数，
Figure BDA0002607578000000078
表示从
Figure BDA0002607578000000079
到(Ht,Ct)的非线性映射。
d)设计一个线性回归模块。该线性回归模块将第t个细胞的输出值Ht转换成预测的第t个的采样点的向量
Figure BDA00026075780000000710
Figure BDA00026075780000000711
其中
Figure BDA00026075780000000712
表示线性回归模块的训练参数，
Figure BDA00026075780000000713
表示从Ht到
Figure BDA00026075780000000714
的线性映射。
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：
Figure BDA00026075780000000715
其中Θt是各层网络训练参数
Figure BDA00026075780000000716
的集合。F(·)表示各层网络的组合。f((xt,Xt,St)|Θt)表示训练的xt,Xt,St到
Figure BDA0002607578000000081
的非线性映射。
e)设计更新模块，更新滑动窗信号矩阵St+1。将预测的第t个的采样点的值矩阵
Figure BDA0002607578000000082
更新到St+1，可表示为：
Figure BDA0002607578000000083
Figure BDA0002607578000000084
表示
Figure BDA0002607578000000085
与
Figure BDA0002607578000000086
的矩阵拼接，
Figure BDA0002607578000000087
表示矩阵Xt的第2到第5列构成的新矩阵。
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：
a)数据校验层主要完成数据校验功能。将输入信号的第t个的采样点的值xt与预测的第t个的采样点的值
Figure BDA0002607578000000088
作为数据校验层的输入，其表达式为：
Figure BDA0002607578000000089
其中，λ是可训练的数据校验层权重系数，
Figure BDA00026075780000000810
表示数据校验后的第t个采样点的值，
Figure BDA00026075780000000811
表示从输入信号的第t个的采样点的值xt与预测的第t个的采样点的值
Figure BDA00026075780000000812
到数据校验后的第t个采样点的值
Figure BDA00026075780000000813
的线性映射。
整个网络可表示为：
Figure BDA00026075780000000814
其中
Figure BDA00026075780000000815
是将X的800个采样点按以上流程顺序循环从xt映射到
Figure BDA00026075780000000816
从而得到Xout的非线性映射。Θ是网络的参数集合，即在循环800个采样点映射后的最终各模块参数Θt的集合，λ是数据校验层中可训练的权重系数。
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：
Figure BDA00026075780000000817
其中，
Figure BDA00026075780000000819
表示训练集，|·|表示向量的1范数。
Figure BDA00026075780000000818
是XL的第t行向量。
c)采用深度学习中表现较好的ADAM优化器，对步骤2)中的模型参数经过最小化损失函数MAE(Θ,λ)训练可得到最优目标参数集
Figure BDA0002607578000000091
和
Figure BDA0002607578000000092
学习率为1e3。批大小为64。
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
Figure BDA0002607578000000093
矩阵大小为800×2，如图2所示是
Figure BDA0002607578000000094
在傅里叶变换后的绝对值谱图。将需要降噪的信号
Figure BDA0002607578000000095
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
Figure BDA0002607578000000096
用公式表示为：
Figure BDA0002607578000000097
对降噪后的时域信号
Figure BDA0002607578000000098
进行傅里叶变换，即可得到降噪后的波谱，如图3所示。
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：
Figure FDA0003631537950000011
其中，
Figure FDA0003631537950000012
表示输入模块的训练参数，
Figure FDA0003631537950000013
表示从(St,Xt)到
Figure FDA0003631537950000014
的线性映射；
c)设计适应滑窗的长短期记忆网络细胞模块，利用输入模块的输出
Figure FDA0003631537950000015
和第t-1个长短期记忆细胞的输出矩阵Ht-1、单元状态矩阵Ct-1来预测第t个长短期记忆细胞的输出矩阵Ht、单元状态矩阵Ct，表示为：
Figure FDA0003631537950000016
其中，
Figure FDA0003631537950000017
表示适应滑窗的长短期记忆网络的训练参数，
Figure FDA0003631537950000018
表示从
Figure FDA0003631537950000019
到(Ht,Ct)的非线性映射；
d)设计一个线性回归模块，该线性回归模块将第t个细胞的输出值Ht转换成预测的第t个的采样点的向量
Figure FDA00036315379500000110
Figure FDA00036315379500000111
其中，
Figure FDA00036315379500000112
表示线性回归模块的训练参数，
Figure FDA00036315379500000113
表示从Ht到
Figure FDA00036315379500000114
的线性映射；
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：
Figure FDA0003631537950000021
其中，Θt是各层网络训练参数
Figure FDA0003631537950000022
的集合，F（·）表示各层网络的组合，f((xt，Xt，St)|Θt)表示训练xt,Xt,St到
Figure FDA0003631537950000023
非线性映射的总和；
e)设计更新模块，更新滑动窗信号矩阵St+1，将预测的第t个的采样点的向量
Figure FDA00036315379500000213
更新到St+1，表示为：
Figure FDA0003631537950000024
Figure FDA0003631537950000025
表示
Figure FDA0003631537950000026
与
Figure FDA0003631537950000027
的矩阵拼接，
Figure FDA0003631537950000028
表示矩阵Xt的第2到第r列构成的新矩阵；
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
Figure FDA0003631537950000029
组数据，称作训练扩增集；
Figure FDA00036315379500000210
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
Figure FDA00036315379500000211
个数据，再随机选取其中M个数据作为训练集
Figure FDA00036315379500000214
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,
Figure FDA00036315379500000212
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
Figure FDA00036315379500000215
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：
a)数据校验层用于完成数据校验功能，将输入信号的第t个的采样点的值xt与预测的第t个的采样点的向量
Figure FDA0003631537950000031
作为数据校验层的输入，其表达式为：
Figure FDA0003631537950000032
其中，λ是可训练的数据校验层权重系数，
Figure FDA0003631537950000033
表示数据校验后的第t个采样点的值，
Figure FDA0003631537950000034
表示从输入信号的第t个的采样点的值xt与预测的第t个的采样点的值
Figure FDA0003631537950000035
到数据校验后的第t个采样点的值
Figure FDA0003631537950000036
的线性映射；
整个网络表示为：
Figure FDA0003631537950000037
其中，
Figure FDA0003631537950000038
是将X的T个采样点按以上流程顺序循环从xt映射到
Figure FDA0003631537950000039
从而得到Xout的非线性映射，Θ是网络的参数集合，即在循环T个采样点映射后的最终各模块参数Θt的集合，λ是可训练的数据校验层权重系数；
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：
Figure FDA00036315379500000310
其中，
Figure FDA00036315379500000311
表示训练集，|·|表示向量的1范数；
Figure FDA00036315379500000312
是XL的第t行向量；
c)采用深度学习中ADAM优化器，对步骤2)中的模型参数经过最小化损失函数MAE(Θ,λ)训练得到最优目标参数集
Figure FDA00036315379500000313
和
Figure FDA00036315379500000314
5.如权利要求4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4)中，所述得到对应的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
Figure FDA0003631537950000041
矩阵大小为T×2；将需要降噪的信号
Figure FDA0003631537950000042
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
Figure FDA0003631537950000043
用公式表示为：
Figure FDA0003631537950000044
对降噪后的时域信号
Figure FDA0003631537950000045
进行傅里叶变换，即得到降噪后的磁共振谱。
CN202010743645.XA 2020-07-29 2020-07-29 一种基于神经网络的磁共振谱降噪方法 Active CN111915007B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (7)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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