CN112881450B - 一种组织成分的定量分析模型构建及定量分析方法、系统 - Google Patents
一种组织成分的定量分析模型构建及定量分析方法、系统 Download PDFInfo
- Publication number
- CN112881450B CN112881450B CN202010388177.9A CN202010388177A CN112881450B CN 112881450 B CN112881450 B CN 112881450B CN 202010388177 A CN202010388177 A CN 202010388177A CN 112881450 B CN112881450 B CN 112881450B
- Authority
- CN
- China
- Prior art keywords
- matrix
- sample
- nuclear magnetic
- quantitative analysis
- tissue
- 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
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N24/00—Investigating or analyzing materials by the use of nuclear magnetic resonance, electron paramagnetic resonance or other spin effects
- G01N24/08—Investigating or analyzing materials by the use of nuclear magnetic resonance, electron paramagnetic resonance or other spin effects by using nuclear magnetic resonance
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- High Energy & Nuclear Physics (AREA)
- Medical Informatics (AREA)
- Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Epidemiology (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Biochemistry (AREA)
- Artificial Intelligence (AREA)
- Bioethics (AREA)
- Analytical Chemistry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Chemical & Material Sciences (AREA)
- Public Health (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biotechnology (AREA)
- Evolutionary Biology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Theoretical Computer Science (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种组织成分的定量分析模型构建及定量分析方法、系统,组织成分的定量分析模型构建方法包括:按照正交试验规则利用不同质量的不同样品混合物,制备定标样品,得到样品质量浓度矩阵;利用核磁共振装置,获取定标样品的核磁信号,核磁信号具有不同质量的不同样品混合物相对应的信号特征;利用定标样品的核磁信号和样品质量浓度矩阵,构建离体组织成分的定量分析模型。本发明通过正交试验规则制备定标样品,利用核磁共振装置获取定标样品的核磁信号,进而构建定量分析模型,使得测试可重复、降低了工作量,并且减少了系统偏差,进行保证了构建模型的过程更加快速、安全、可靠,为离体组织主要成分的分析提供了一种强有力的手段。
Description
技术领域
本发明涉及核磁共振定量分析技术领域,具体涉及一种组织成分的定量分析模型构建及定量分析方法、系统。
背景技术
回归算法通过利用测试集数据来建立模型,再利用这个模型训练集中的数据进行处理的算法,线性回归旨在寻找到一根线,这个线到达所有样本点的距离的和是最小的,常用在预测和分类领域中使用。动物的离体组织如肝脏、肾脏及心脏等的主要组成成分如:粗脂肪、瘦肉及自由水在科学研究中具有重要的意义,在药物开发及功能性食品的开发过程中,常常需要直接对小动物如小白鼠的离体组织成分进行测试,以观察具体的变化,传统的方法使用的化学分析的方法进行测试,但是化学分析的方法过程长,工作量大,并且测试重复性差;现有的其他测试方法,如双能X射线法、计算机断层扫描法及核磁共振成像法、多元回归分析法等,存在测试时间长、系统偏差严重、需要借鉴传统的化学分析方法建立定量多元回归分析模型时间长等问题。
发明内容
有鉴于此,本发明实施例提供了一种组织成分的定量分析模型构建及定量分析方法、系统,解决现有技术中对离体组织中主要成分的定量分析的方法过程长,工作量大,系统偏差严重,并且测试重复性差的问题。
为达到上述目的,本发明提供如下技术方案:
第一方面,本发明实施例提供组织成分的定量分析模型构建方法,包括如下步骤:按照正交试验规则利用不同质量的不同样品混合物,制备定标样品,得到样品质量浓度矩阵;利用核磁共振装置,获取所述定标样品的核磁信号,所述核磁信号具有所述不同质量的不同样品混合物相对应的信号特征;利用所述定标样品的核磁信号和所述样品质量浓度矩阵,构建离体组织成分的定量分析模型。
在一实施例中,所述利用所述定标样品的核磁信号和所述样品质量浓度矩阵,构建离体组织成分的定量分析模型,包括如下步骤:对所述核磁信号进行去噪处理,得到标准核磁信号;把多个标准核磁信号堆叠成待分析的三维矩阵,利用平行因子法对所述待分析的三维矩阵进行分析,得到得分矩阵,所述得分矩阵中每一个元素表示一个样品中每种成分含量的系数;利用所述得分矩阵和所述样品质量浓度矩阵,构建离体组织成分的定量分析模型。
在一实施例中,所述利用平行因子法对所述待分析的三维矩阵进行分析,得到得分矩阵,包括如下步骤:利用平行因子模型估计所述待分析的三维矩阵的体系因子,所述体系因子包括组分数和噪声干扰种类;利用所述体系因子和奇异向量,迭代得到所述得分矩阵,所述奇异向量表示样本的特性,用于对所述得分矩阵进行初始化估计。
在一实施例中,所述利用所述体系因子和奇异向量,迭代得到所述得分矩阵,包括如下步骤:利用所述组分数、所述噪声干扰种类和奇异向量得到第一初始化矩阵和第二初始化矩阵,所述第一初始化矩阵和所述第二初始化矩阵是与所述样品质量浓度矩阵的行数和列数一致的任意矩阵;利用所述第一初始化矩阵和所述第二初始化矩,计算得到中间负荷矩阵;利用中间负荷矩阵、第一初始化矩阵和第二初始化矩阵,迭代计算第一负荷矩阵和第二负荷矩阵;利用收敛函数判断所述第一负荷矩阵和所述第二负荷矩阵是否收敛;当所述第一负荷矩阵和所述第二负荷矩阵收敛时,利用所述第一负荷矩阵和所述第二负荷矩阵中各元素之间的含量关系,确定所述得分矩阵。
在一实施例中,所述利用所述体系因子和奇异向量,迭代得到所述得分矩阵,还包括如下步骤:当所述第一负荷矩阵和所述第二负荷矩阵不收敛时,将所述第一负荷矩阵和所述第二负荷矩阵确定为所述第一初始化矩阵和所述第二初始化矩阵,重新进行迭代直到第一负荷矩阵和第二负荷矩阵收敛。
在一实施例中,所述利用所述定标样品的核磁信号和所述样品质量浓度矩阵,构建离体组织成分的定量分析模型,包括如下步骤:利用最小二乘回归方法和所述样品质量浓度矩阵,拟合出回归方程中的回归系数和截距;利用所述得分矩阵、回归系数和截距,构建离体组织成分的定量分析模型。
第二方面,本发明实施例提供一种组织成分的定量分析方法,包括如下步骤:获取待测组织样品的核磁信号;利用平行因子法对定标样品的核磁信号和待测组织样品的核磁信号组合的三维矩阵进行分析,得到待测组织样品的得分矩阵;采用本发明第一方面及任意一种可选方式所述的组织成分的定量分析模型构建方法构建的定量分析模型和待测组织样品的得分矩阵,计算得到待测组织样品的质量浓度。
第三方面,本发明实施例提供一种组织成分的定量分析模型构建系统,包括如下模块,第一获取模块,用于按照正交试验规则利用不同质量的不同样品混合物,制备定标样品,得到样品质量浓度矩阵;第二获取模块,用于利用核磁共振装置,获取所述定标样品的核磁信号,所述核磁信号具有所述不同质量的不同样品混合物相对应的信号特征;模型构建模块,用于利用所述定标样品的核磁信号和所述样品质量浓度矩阵,构建离体组织成分的定量分析模型。
第四方面,本发明实施例提供一种组织成分的定量分析系统,包括如下模块,第三获取模块,用于获取待测组织样品的核磁信号;第一计算模块,用于利用平行因子法对定标样品的核磁信号和待测组织样品的核磁信号组合的三维矩阵进行分析,得到待测组织样品的得分矩阵;第二计算模块,用于采用本发明第三方面及任意一种可选方式的所述的组织成分的定量分析模型构建系统构建的定量分析模型和待测组织样品的得分矩阵,计算得到待测组织样品的质量浓度。
本发明实施例提供了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令被处理器执行时实现本发明第一方面及任意一种可选方式所述的组织成分的定量分析模型构建方法,或者,实现本发明第二方面及任意一种可选方式所述的组织成分的定量分析方法。
本发明实施例提供了一种电子设备,包括:存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行本发明第一方面及任意一种可选方式所述的组织成分的定量分析模型构建方法,或者,执行本发明第二方面及任意一种可选方式所述的组织成分的定量分析方法。
本发明技术方案,具有如下优点:
1.本发明提供的组织成分的定量分析模型构建方法,通过正交试验规则制备定标样品,得到样品质量浓度矩阵,制备有代表性的组分进行试验,保证试验结果的可靠性;利用核磁共振装置获取定标样品的核磁信号,然后构建离体组织成分的定量分析模型,通过核磁信号表示样品的特性,以便于后续进行分析并构建离体组织成分的定量分析模型,避免了使用的化学分析的方法进行测试的过程长、工作量大、系统偏差严重等问题,使得测试可重复、降低了工作量,并且减少了定标样品和待测组织样品之间的系统偏差,进行保证了构建模型的过程更加快速、安全、可靠,为离体组织主要成分的分析提供了一种强有力的手段。
2.本发明提供的组织成分的定量分析方法,通过对核磁信号进行去噪,进而保证了分析数据的准确性,利用平行因子法对三维矩阵进行分析,可以在未知成分干扰的情况下,利用数学的方法分别分辨出多个性质的相似性响应信号,把多个指标中的大部分信息浓缩到几个比较少的指标中,可以仅关注几个重要指标,提高了分析效率,具有无损、快速、准确及无污染的特点;利用收敛函数判断收敛性,进一步保证了数据的一致性与准确性,最后通过多组数据进行拟合,得到最后的定量分析模型,然后利用分析模型分析未知的待测样品,得到待测组织样品的质量浓度,保证了测试结果的可重复性与稳定性。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的组织成分的定量分析模型构建方法的一个具体示例的流程图;
图2为本发明实施例提供的迭代得到得分矩阵的一个具体示例的流程图;
图3为本发明实施例提供的组织成分的定量分析方法的一个具体示例的流程图;
图4为本发明实施例提供的组织成分的定量分析模型构建系统示意图;
图5为本发明实施例提供的组织成分的定量分析系统示意图;
图6为本发明实施例提供的电子设备一个具体示例的组成图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,还可以是两个元件内部的连通,可以是无线连接,也可以是有线连接。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
动物的离体组织如肝脏、肾脏及心脏等的主要组成成分如:粗脂肪、瘦肉及自由水在科学研究中具有重要的意义,在药物开发及功能性食品的开发过程中,常常需要对直接对小动物如小白鼠的离体组织主要成分进行测试,以观察具体的变化。利用核磁共振弛豫分析技术,该技术原理明确,具有无损、快速、准确及无污染的特点。
实施例1
本发明实施例提供一种组织成分的定量分析模型构建方法,如图1所示,包括如下步骤:
步骤S1:按照正交试验规则利用不同质量的不同样品混合物,制备定标样品,得到样品质量浓度矩阵。
本发明实施例中,正交试验设计(Orthogonal experimental design)是研究多因素多水平的一种设计方法,它是根据正交性从全面试验中挑选出部分有代表性的点进行试验,这些有代表性的点具备了“均匀分散,齐整可比”的特点,正交试验设计是分式析因设计的主要方法,按照正交试验规则利用不同质量的不同样品混合物,制备定标样品。其中,举例说明制备定标样品的过程,准备1g-500g的菜籽油(未变质)、1g-500g的鸡胸肉(三天内的新鲜样品)、1g-500g的硫酸铜水溶液(使用当天配制:弛豫时间500ms-1000ms),每种标样分别取不同质量的样品,样品个数5个-50个;按照正交实验规则设计样品质量浓度矩阵,其中测试用标样是3种单独标样的混合物,其质量组合参见表1。
其中,Mrn表示序号为n的样品中菜籽油的质量,Mbn表示序号为n的样品中鸡胸肉的质量,Mcn表示序号为n的样品中硫酸铜水溶液的质量,混合样就是分别取不同质量的3种单独标样的混合物,Mr0=Mb0=Mc0=0g,代表空基底,用于建模过程中的噪声估计。
表1标样设计参考表
序号 | 菜籽油(g) | 鸡胸肉(g) | 硫酸铜水溶液(g) | 混合样 |
0 | Mr0 | Mb0 | Mc0 | Mr0+Mb0+Mc0 |
1 | Mr1 | Mb1 | Mc1 | Mr1+Mb1+Mc1 |
2 | Mr2 | Mb2 | Mc2 | Mr2+Mb2+Mc2 |
3 | Mr3 | Mb3 | Mc3 | Mr3+Mb3+Mc3 |
4 | Mr4 | Mb4 | Mc4 | Mr4+Mb4+Mc4 |
... | ... | ... | ... | ... |
... | ... | ... | ... | ... |
n | Mrn | Mbn | Mcn | Mrn+Mbn+Mcn |
需要说明的是,本发明实施例仅仅举例说明按照正交试验规则制备定标样品,在实际应用中还可以根据所接受的样品的状态及分析要求(分析元素、精密度、准确度等)确定制样的方法,并且制备定标样品的过程也是举例进行说明,在实际应用中可以根据实验要求进行设定的,本发明并不以此为限。
步骤S2:利用核磁共振装置,获取定标样品的核磁信号,核磁信号具有不同质量的不同样品混合物相对应的信号特征。
本发明实施例中,获取制备好的定标样品的核磁信号,既将制备好的定标样品放入石英试管中,然后再放入核磁共振装置的探头线圈中,使用combined T1-T2序列测试样品的核磁信号,其中核磁信号具有不同质量的不同样品混合物相对应的信号特征,其中使用combined T1-T2序列的序列参数包括重复采样等待时间:TW=100ms-3000ms,射频延迟:RFD=0.002ms-0.5ms,模拟增益:RG1:10-20,数字增益:DRG1=1-3,重复采样次数:NS=4-1024,回波个数1:20-1000,回波个数2=50-18000;90℃脉冲翻转次数:NTI=10-100;半回波间隔0.05ms-2ms,前置放大增益PRG:0-3。需要说明的是,实现核磁共振,可以保持磁场不变而调节入射电磁波的频率,也可以使用固定频率的电磁波照射,而调节样品所受的外磁场,本发明并不以此为限。
在实际应用中,核磁共振成像是从核磁共振谱进一步发展起来的先进技术,目前已有多种核磁共振成像方法,如质子密度成像、投影重建成像、弛豫时间成像、化学位移成像等等,这些成像方法各有优缺点,在实际选择过程中可以根据实际实验需要进行选择,本发明并不以此为限。
步骤S3:利用定标样品的核磁信号和样品质量浓度矩阵,构建离体组织成分的定量分析模型。
本发明实施例中,利用定标样品的核磁信号和样品质量浓度矩阵,构建离体组织成分的定量分析模型,可以通过多组定标样品,利用其定标样品的核磁信号和样品质量浓度矩阵不断的对构建离体组织成分的定量分析模型进行优化,最终得到离体组织成分的定量分析模型,使得离体组织成分的定量分析模型更加接近实际。需要说明的是,本发明实施例中,可以根据实际实验重要性、准确性及实验时间的要求进行模型精准度进行确定,在实际应用中本发明并不以此为限。
本发明提供的组织成分的定量分析模型构建方法,通过正交试验规则制备定标样品,得到样品质量浓度矩阵,制备有代表性的组分进行试验,保证试验结果的可靠性;利用核磁共振装置获取定标样品的核磁信号,然后构建离体组织成分的定量分析模型,通过核磁信号表示样品的特性,以便于后续进行分析并构建离体组织成分的定量分析模型,避免了使用的化学分析的方法进行测试的过程长、工作量大、系统偏差严重等问题,使得测试可重复、降低了工作量,并且减少了系统偏差,进行保证了构建模型的过程更加快速、安全、可靠,为离体组织主要成分的分析提供了一种强有力的手段。
在一具体实施例中,利用定标样品的核磁信号和样品质量浓度矩阵,构建离体组织成分的定量分析模型,包括如下步骤:
步骤S31:对核磁信号进行去噪处理,得到标准核磁信号。
本发明实施例中,通过核磁共振装置,获取定标样品的核磁信号后,为了保证能够准确的获取信号的特征,使用离散小波包变换的方法对核磁信号进行去噪处理,得到标准核磁信号,其中,降噪的目的在于突出信号本身而抑制噪声影响,从这个角度,降噪就是给信号一个高的权重而给噪声一个低的权重。本发明实施例选择离散小波包变换的方法对核磁信号进行去噪处理,在实际应用中也可以根据实际实验要求选择其他去噪方法,例如平滑滤波、维纳(wiener)滤波、Savitzky-Golay滤波、混合经验模态分解(EEMD)滤波等方法,本发明并不以此为限。
步骤S32:把多个标准核磁信号堆叠成待分析的三维矩阵,利用平行因子法对待分析的三维矩阵进行分析,得到得分矩阵,得分矩阵中每一个元素表示一个样品中每种成分含量的系数。
本发明实施例中,将标准核磁信号堆叠成M*N的二维矩阵,然后将Q个样品组成待分析的Q*M*N的三维矩阵,得到待分析的三维矩阵,利用平行因子法对待分析的三维矩阵进行分析,得到得分矩阵,其中得分矩阵中每一个元素表示一个样品中每种成分含量的系数。在对某一个问题进行论证分析时,采集大量多变量的数据能为我们的研究分析提供更为丰富的信息和增加分析的精确度。然而,这种方法不仅需要巨大的工作量,并且可能会因为变量之间存在相关性而增加了我们研究问题的复杂性。
在实际应用中,因子分析法就是从研究变量内部相关的依赖关系出发,把一些具有错综复杂关系的变量归结为少数几个综合因子的一种多变量统计分析方法。这样就可以对原始的数据进行分类归并,将相关比较密切的变量分别归类,归出多个综合指标,这些综合指标互不相关,即它们所综合的信息互相不重叠,这些综合指标就称为因子或公共因子。因子分析法的基本思想是将观测变量进行分类,将相关性较高,即联系比较紧密的分在同一类中,而不同类变量之间的相关性则较低,那么每一类变量实际上就代表了一个基本结构,即公共因子。因子分析法的核心是对若干综合指标进行因子分析并提取公共因子,再以每个因子的方差贡献率作为权数与该因子的得分乘数之和构造得分矩阵。
步骤S33:利用得分矩阵和样品质量浓度矩阵,建立定量分析模型。
在一具体实施例中,利用平行因子法对待分析的三维矩阵进行分析,得到得分矩阵,包括如下步骤:
步骤S321:利用平行因子模型估计待分析的三维矩阵的体系因子,体系因子包括组分数和噪声干扰种类。
本发明实施例中,利用平行因子模型估计待分析的三维矩阵的体系因子,通过平行因子模型中的超对角阵T和truck3模型中的立方矩阵G之间的相似程度来估计待分析的三维矩阵的体系因子,可通过以下公式表示:
其中,F表示模型的因子数,gdef表示立方矩阵G的元素,tdef表示立方矩阵T的元素。对于理想的平行因子模型模型,超对角阵T和truck3模型的立方矩阵G非常相似,则结果为1;实际中只要一致性大于0.6,就认为符合三线性分析模型,否则不符合;本发明实施例中体系因子包括组分数和噪声干扰种类,还以上述制备定标样品为例进行说明,其中组分数和噪声干扰种类,主要为4类,一种为未知干扰,三种为已知信号。
步骤S322:利用体系因子和奇异向量,迭代得到得分矩阵,奇异向量表示样本的特性,用于对得分矩阵进行初始化估计。
本发明实施例中,利用体系因子和奇异向量,迭代得到得分矩阵,可以使用的前N列奇异向量进行初始化估计。需要说明的是,进行初始化估计可以根据实际实验需要进行,奇异向量的分解过程也是利用现有的方法进行分解的,并且在初始化的过程中也可以增加时间因子增加矩阵的随机性,本发明并不以此为限。
在一具体实施例中,如图2所示,利用体系因子和奇异向量,迭代得到得分矩阵,包括如下步骤:
步骤S3221:利用组分数、噪声干扰种类和奇异向量得到第一初始化矩阵和第二初始化矩阵,第一初始化矩阵和第二初始化矩阵是与样品质量浓度矩阵的行数和列数一致的任意矩阵。
步骤S3222:利用第一初始化矩阵和第二初始化矩,计算得到中间负荷矩阵。
本发明实施例中,可以通过以下公式计算中间负荷矩阵:
步骤S3223:利用中间负荷矩阵、第一初始化矩阵和第二初始化矩阵,迭代计算第一负荷矩阵和第二负荷矩阵。
本发明实施例中,得到中间负荷矩阵后,利用第一初始化矩阵和第二初始化矩阵,迭代计算第一负荷矩阵和第二负荷矩阵,通过以下公式计算第一负荷矩阵:
其中,A′表示第一负荷矩阵,Xk表示第k个建模样品的中不同组分的质量,Ck表示第k个中间负荷矩阵,A表示第一初始化矩阵,B表示第二初始化矩阵。
通过以下公式计算第二负荷矩阵:
其中,B′表示第二负荷矩阵,Xk表示第k个建模样品的中不同组分的质量,Ck表示第k个中间负荷矩阵,A表示第一初始化矩阵,B表示第二初始化矩阵。
需要说明的是,在实际迭代的过程中,还可以根据实际因子的重要性或者实验的侧重性对矩阵进行加权处理或者增加一个基数,本发明仅仅举例进行说明,本发明并不以此为限。
步骤S3224:利用收敛函数判断第一负荷矩阵和第二负荷矩阵是否收敛。
本发明实施例中,利用收敛函数判断第一负荷矩阵和第二负荷矩阵是否收敛,计算回归问题的拟合优度,保证计算结果的稳定性。通过以下公式表示收敛函数:
其中,SSR表示第一负荷矩阵和第二负荷矩阵的回归平方和。
步骤S3225:当第一负荷矩阵和第二负荷矩阵收敛时,利用第一负荷矩阵和第二负荷矩阵中各元素之间的含量关系,确定得分矩阵。
步骤S3226:当第一负荷矩阵和第二负荷矩阵不收敛时,将第一负荷矩阵和第二负荷矩阵确定为第一初始化矩阵和第二初始化矩阵,重新进行迭代直到第一负荷矩阵和第二负荷矩阵收敛。
在一具体实施例中,利用定标样品的核磁信号和样品质量浓度矩阵,构建离体组织成分的定量分析模型,包括如下步骤:
步骤S331:利用最小二乘回归方法和样品质量浓度矩阵,拟合出回归方程中的回归系数和截距。
在实际应用中,利用最小二乘回归方法和样品质量浓度矩阵,拟合确定回归方程的回归系数k和截距b。
步骤S332:利用得分矩阵、回归系数和截距,构建离体组织成分的定量分析模型。
本发明实施例中,利用得分矩阵、回归系数和截距,构建离体组织成分的定量分析模型,通过以下公式表示离体组织成分的定量分析模型:
y=k*A+b (6)
其中,y表示定量分析模型,k表示回归系数,A表示得分矩阵,b表示截距。
本发明提供的组织成分的定量分析模型构建方法,通过对核磁信号进行去噪,进而保证了分析数据的准确性,利用平行因子法对三维矩阵进行分析,把多个指标中的大部分信息浓缩到几个比较少的指标中,可以仅关注几个重要指标,提高了分析效率;利用收敛函数判断收敛性,进一步保证了数据的一致性与准确性,最后通过多组数据进行拟合,得到最后的定量分析模型用于对未知待测样品的分析,保证了测试结果的可重复性与稳定性。
实施例2
本发明实施例还提供了一种组织成分的定量分析方法,如图3所示,该组织成分的定量分析方法具体包括:
步骤S01:获取待测组织样品的核磁信号。
本发明实施例中,获取动物离体组织(肝脏、肾脏、心脏)样品的核磁信号,然后将采集的T个待测组织样品的核磁信号,然后进行进行离散小波包变换去噪处理,最终堆叠成T*M*N的三维矩阵。
步骤S02:利用平行因子法对定标样品的核磁信号和待测组织样品的核磁信号组合的三维矩阵进行分析,得到待测组织样品的得分矩阵。
步骤S03:采用组织成分的定量分析模型构建方法构建的定量分析模型和待测组织样品的得分矩阵,计算得到待测组织样品的质量浓度。
在实际应用中,准备10g的菜籽油(未变质)、5g的鸡胸肉(三天内的新鲜样品)、5g的硫酸铜水溶液(使用当天配制:弛豫时间800ms),每种标样分别取不同质量的样品,样品个数10个;按照正交实验规则设计样品质量浓度矩阵,其中测试用标样是3种单独标样的混合物,其质量组合参见表2:
其中,使用离散小波包变换的方法对于采集的核磁信号进行去噪处理;首先对数据进行归一化处理,然后把单个样品采样数据堆叠成50*28的二维矩阵,10个样品组成了待分析的10*50*28三维矩阵;使用最终的得分矩阵A和质量浓度矩阵,建立定量分析模型;其中回归系数k及b利用最小二乘回归方法拟合得到,最终得到,k=9.806,b=0.428,定量分析模型为y=9.806*A+0.428。
表2标样质量列表
序号 | 菜籽油(g) | 鸡胸肉(g) | 硫酸铜水溶液(g) | 混合样 |
0 | 0 | 0 | 0 | 0 |
1 | 0.996 | 2.501 | 3.499 | 6.995 |
2 | 2.013 | 5.002 | 1.500 | 8.515 |
3 | 2.986 | 2.004 | 5.001 | 9.991 |
4 | 4.003 | 4.500 | 3.001 | 11.504 |
5 | 4.975 | 1.502 | 0.901 | 7.377 |
6 | 5.971 | 4.002 | 4.505 | 14.477 |
7 | 7.015 | 1.001 | 2.499 | 10.515 |
8 | 8.092 | 3.500 | 0.500 | 12.091 |
9 | 8.977 | 0.501 | 4.001 | 13.480 |
10 | 10.102 | 3.002 | 2.002 | 15.106 |
得到定量分析模型后,获取小动物离体组织(肝脏、肾脏、心脏)样品的核磁信号,采集10个待分析离体组织的核磁信号,然后进行离散小波包变换去噪处理,最终堆叠成10*50*28的三维矩阵,实现待测小动物离体组织样品中粗脂肪、瘦肉及水分(Fat、Lean及Water)的计算;使用平行因子算法解析定标样品及待测样品组合成的三维矩阵,得到得分矩阵A如表3所示:
表3待测样品的得分矩阵参数
编号 | Fat-系数 | Lean-系数 | Water-系数 |
1 | 0.0569 | 0.1958 | 0.2862 |
2 | 0.1949 | 0.4975 | 0.0596 |
3 | 0.2780 | 0.1495 | 0.4600 |
4 | 0.3883 | 0.3987 | 0.2308 |
5 | 0.4436 | 0.1060 | 0.0913 |
6 | 0.5373 | 0.4221 | 0.2932 |
7 | 0.6965 | 0.0570 | 0.2371 |
8 | 0.7379 | 0.2661 | 0.0111 |
9 | 0.8744 | 0.0000 | 0.3206 |
10 | 1.0000 | 0.2610 | 0.1353 |
将得分矩阵带入回归方程,得到最终待测样品的质量浓度,得到待测样品的质量浓度如表4所示:
表4待测样品的质量浓度
编号 | Fat--真实值 | Fat--预测值 | Lean-真实值 | Lean-预测值 | Water-真实值 | Water-预测值 |
1 | 0.986 | 0.986 | 2.348 | 2.329 | 3.234 | 3.326 |
2 | 2.339 | 2.328 | 5.306 | 5.300 | 1.012 | 0.985 |
3 | 3.154 | 3.162 | 1.894 | 1.874 | 4.939 | 4.956 |
4 | 4.236 | 4.244 | 4.338 | 4.325 | 2.691 | 2.667 |
5 | 4.778 | 4.772 | 1.467 | 1.438 | 1.323 | 1.321 |
6 | 5.697 | 5.683 | 4.567 | 4.558 | 3.303 | 3.306 |
7 | 7.258 | 7.255 | 0.987 | 0.967 | 2.753 | 2.758 |
8 | 7.663 | 7.659 | 3.037 | 3.002 | 0.536 | 0.526 |
9 | 9.002 | 8.997 | 0.428 | 0.428 | 3.572 | 3.578 |
10 | 10.234 | 10.227 | 2.987 | 2.978 | 1.755 | 1.756 |
在实际应用中,测试完成后,需要分析测试的稳定性,关于稳定性验证的方法,本研究参考GB/T 15000.3-2008《标样样品工作导则(3)标准样品定值的一般原则和统计方法》的规定的方法进行实施。其中,稳定性研究进行7周,需要每周进行一次测试,各自以当年的平均值作为检测结果,本研究中长期稳定性试验设计为经典稳定性研究。以直线为经验模式,截距(在不确定度内)等于测定得到的值,斜率接近于零。在95%置信水平上,|b1|<T0.95,n-2.s(b1)。具体操作方法建立测试周数据和均值之间的线性回归,统计回归系数和截距,然后进行显著性评价。
本发明实施例中,为了验证该测试方法的稳定性,按照本实施例中的步骤,取两个模拟离体组织样品,在相同的测试环境条件下没周固定时间连续测试三次取平均值,连续测试7周,统计其重复性测试结果如表5所示。
通过表5可以看出,测试结果随着日期的变化不显著,也可以得出测试结果长期稳定的结论。
表5重复性测试结果
通过上述步骤S01至步骤S03,本发明实施例提供了一种组织成分的定量分析方法,通过对核磁信号进行去噪,进而保证了分析数据的准确性,利用平行因子法对三维矩阵进行分析,把多个指标中的大部分信息浓缩到几个比较少的指标中,可以仅关注几个重要指标,提高了分析效率,具有无损、快速、准确及无污染的特点;利用收敛函数判断收敛性,进一步保证了数据的一致性与准确性,最后通过多组数据进行拟合,得到最后的定量分析模型,然后利用分析模型分析未知的待测样品,得到待测组织样品的质量浓度,保证了测试结果的可重复性与稳定性。
实施例3
本发明实施例提供一种组织成分的定量分析模型构建系统,如图4所示,包括:
第一获取模块1,用于按照正交试验规则利用不同质量的不同样品混合物,制备定标样品,得到样品质量浓度矩阵;此模块执行实施例1中的步骤S1所描述的方法,在此不再赘述。
第二获取模块2,用于利用核磁共振装置,获取定标样品的核磁信号,核磁信号具有不同质量的不同样品混合物相对应的信号特征;此模块执行实施例1中的步骤S2所描述的方法,在此不再赘述。
模型构建模块3,用于利用定标样品的核磁信号和样品质量浓度矩阵,构建离体组织成分的定量分析模型;此模块执行实施例1中的步骤S3所描述的方法,在此不再赘述。
本发明提供的组织成分的定量分析模型构建系统,通过正交试验规则制备定标样品,得到样品质量浓度矩阵,制备有代表性的组分进行试验,保证试验结果的可靠性;利用核磁共振装置获取定标样品的核磁信号,然后构建离体组织成分的定量分析模型,通过核磁信号表示样品的特性,以便于后续进行分析并构建离体组织成分的定量分析模型,避免了使用的化学分析的方法进行测试的过程长、工作量大、系统偏差严重等问题,使得测试可重复、降低了工作量,并且减少了系统偏差,进行保证了构建模型的过程更加快速、安全、可靠,为离体组织主要成分的分析提供了一种强有力的手段。
实施例4
本发明实施例提供一种组织成分的定量分析系统,如图5所示,包括:
第三获取模块01,用于获取待测组织样品的核磁信号;此模块执行实施例2中的步骤S01所描述的方法,在此不再赘述。
第一计算模块02,用于利用平行因子法对定标样品的核磁信号和待测组织样品的核磁信号组合的三维矩阵进行分析,得到待测组织样品的得分矩阵;此模块执行实施例2中的步骤S02所描述的方法,在此不再赘述。
第二计算模块03,用于采用组织成分的定量分析模型构建系统构建的定量分析模型和待测组织样品的得分矩阵,计算得到待测组织样品的质量浓度;此模块执行实施例2中的步骤S03所描述的方法,在此不再赘述。
本发明提供的组织成分的定量分析系统,通过对核磁信号进行去噪,进而保证了分析数据的准确性,利用平行因子法对三维矩阵进行分析,把多个指标中的大部分信息浓缩到几个比较少的指标中,可以仅关注几个重要指标,提高了分析效率,具有无损、快速、准确及无污染的特点;利用收敛函数判断收敛性,进一步保证了数据的一致性与准确性,最后通过多组数据进行拟合,得到最后的定量分析模型,然后利用分析模型分析未知的待测样品,得到待测组织样品的质量浓度,保证了测试结果的可重复性与稳定性。
实施例5
本发明实施例提供一种电子设备,如图6所示,包括:至少一个处理器401,例如CPU(Central Processing Unit,中央处理器),至少一个通信接口403,存储器404,至少一个通信总线402。其中,通信总线402用于实现这些组件之间的连接通信。其中,通信接口403可以包括显示屏(Display)、键盘(Keyboard),可选通信接口403还可以包括标准的有线接口、无线接口。存储器404可以是高速RAM存储器(Ramdom Access Memory,易挥发性随机存取存储器),也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。存储器404可选的还可以是至少一个位于远离前述处理器401的存储装置。其中处理器401可以执行实施例1的组织成分的定量分析模型构建方法,或者执行实施例2的组织成分的定量分析方法。存储器404中存储一组程序代码,且处理器401调用存储器404中存储的程序代码,以用于执行实施例1的实施例1的组织成分的定量分析模型构建方法,或者执行实施例2的组织成分的定量分析方法。
其中,通信总线402可以是外设部件互连标准(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture,简称EISA)总线等。通信总线402可以分为地址总线、数据总线、控制总线等。为便于表示,图6中仅用一条线表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器404可以包括易失性存储器(英文:volatile memory),例如随机存取存储器(英文:random-access memory,缩写:RAM);存储器也可以包括非易失性存储器(英文:non-volatile memory),例如快闪存储器(英文:flash memory),硬盘(英文:hard diskdrive,缩写:HDD)或固降硬盘(英文:solid-state drive,缩写:SSD);存储器404还可以包括上述种类的存储器的组合。
其中,处理器401可以是中央处理器(英文:central processing unit,缩写:CPU),网络处理器(英文:network processor,缩写:NP)或者CPU和NP的组合。
其中,处理器401还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(英文:application-specific integrated circuit,缩写:ASIC),可编程逻辑器件(英文:programmable logic device,缩写:PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(英文:complex programmable logic device,缩写:CPLD),现场可编程逻辑门阵列(英文:field-programmable gate array,缩写:FPGA),通用阵列逻辑(英文:generic arraylogic,缩写:GAL)或其任意组合。
可选地,存储器404还用于存储程序指令。处理器401可以调用程序指令,实现如本申请执行实施例1的组织成分的定量分析模型构建方法,或者执行实施例2的组织成分的定量分析方法。
本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机可执行指令,该计算机可执行指令可执行实施例1的组织成分的定量分析模型构建方法,或者执行实施例2的组织成分的定量分析方法。其中,存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(Random Access Memory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固降硬盘(Solid-StateDrive,SSD)等;存储介质还可以包括上述种类的存储器的组合。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (8)
1.一种组织成分的定量分析模型构建方法,其特征在于,包括:
按照正交试验规则利用不同质量的不同样品混合物,制备定标样品,得到样品质量浓度矩阵;
利用核磁共振装置,获取所述定标样品的核磁信号,所述核磁信号具有所述不同质量的不同样品混合物相对应的信号特征;
对所述核磁信号进行去噪处理,得到标准核磁信号;
把多个标准核磁信号堆叠成待分析的三维矩阵,利用平行因子模型估计所述待分析的三维矩阵的体系因子,所述体系因子包括组分数和噪声干扰种类;
利用所述体系因子和奇异向量,迭代得到得分矩阵,所述奇异向量表示样本的特性,用于对所述得分矩阵进行初始化估计,所述得分矩阵中每一个元素表示一个样品中每种成分含量的系数;
利用所述得分矩阵和所述样品质量浓度矩阵,构建离体组织成分的定量分析模型。
2.根据权利要求1所述的方法,其特征在于,所述利用所述体系因子和奇异向量,迭代得到所述得分矩阵,包括:
利用所述组分数、所述噪声干扰种类和奇异向量得到第一初始化矩阵和第二初始化矩阵,所述第一初始化矩阵和所述第二初始化矩阵是与所述样品质量浓度矩阵的行数和列数一致的任意矩阵;
利用所述第一初始化矩阵和所述第二初始化矩,计算得到中间负荷矩阵;
利用中间负荷矩阵、第一初始化矩阵和第二初始化矩阵,迭代计算第一负荷矩阵和第二负荷矩阵;
利用收敛函数判断所述第一负荷矩阵和所述第二负荷矩阵是否收敛;
当所述第一负荷矩阵和所述第二负荷矩阵收敛时,利用所述第一负荷矩阵和所述第二负荷矩阵中各元素之间的含量关系,确定所述得分矩阵。
3.根据权利要求2所述的方法,其特征在于,所述利用所述体系因子和奇异向量,迭代得到所述得分矩阵,还包括:当所述第一负荷矩阵和所述第二负荷矩阵不收敛时,将所述第一负荷矩阵和所述第二负荷矩阵确定为所述第一初始化矩阵和所述第二初始化矩阵,重新进行迭代直到第一负荷矩阵和第二负荷矩阵收敛。
4.根据权利要求3所述的方法,其特征在于,所述利用所述定标样品的核磁信号和所述样品质量浓度矩阵,构建离体组织成分的定量分析模型,包括:
利用最小二乘回归方法和所述样品质量浓度矩阵,拟合出回归方程中的回归系数和截距;
利用所述得分矩阵、回归系数和截距,构建离体组织成分的定量分析模型。
5.一种组织成分的定量分析方法,其特征在于,包括:
获取待测组织样品的核磁信号;
利用平行因子法对定标样品的核磁信号和待测组织样品的核磁信号组合的三维矩阵进行分析,得到待测组织样品的得分矩阵;
采用如权利要求1-4任一项所述的组织成分的定量分析模型构建方法构建的定量分析模型和待测组织样品的得分矩阵,计算得到待测组织样品的质量浓度。
6.一种组织成分的定量分析模型构建系统,其特征在于,包括:
第一获取模块,用于按照正交试验规则利用不同质量的不同样品混合物,制备定标样品,得到样品质量浓度矩阵;
第二获取模块,用于利用核磁共振装置,获取所述定标样品的核磁信号,所述核磁信号具有所述不同质量的不同样品混合物相对应的信号特征;
模型构建模块,用于对所述核磁信号进行去噪处理,得到标准核磁信号;把多个标准核磁信号堆叠成待分析的三维矩阵,利用平行因子模型估计所述待分析的三维矩阵的体系因子,所述体系因子包括组分数和噪声干扰种类;利用所述体系因子和奇异向量,迭代得到得分矩阵,所述奇异向量表示样本的特性,用于对所述得分矩阵进行初始化估计,所述得分矩阵中每一个元素表示一个样品中每种成分含量的系数;利用所述得分矩阵和所述样品质量浓度矩阵,构建离体组织成分的定量分析模型。
7.一种组织成分的定量分析系统,其特征在于,包括:
第三获取模块,用于获取待测组织样品的核磁信号;
第一计算模块,用于利用平行因子法对定标样品的核磁信号和待测组织样品的核磁信号组合的三维矩阵进行分析,得到待测组织样品的得分矩阵;
第二计算模块,用于采用如权利要求6所述的组织成分的定量分析模型构建系统构建的定量分析模型和待测组织样品的得分矩阵,计算得到待测组织样品的质量浓度。
8.一种电子设备,其特征在于,包括:
存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行如权利要求1-4中任一项所述的方法,或者,执行如权利要求5所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010388177.9A CN112881450B (zh) | 2020-05-09 | 2020-05-09 | 一种组织成分的定量分析模型构建及定量分析方法、系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010388177.9A CN112881450B (zh) | 2020-05-09 | 2020-05-09 | 一种组织成分的定量分析模型构建及定量分析方法、系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112881450A CN112881450A (zh) | 2021-06-01 |
CN112881450B true CN112881450B (zh) | 2022-11-18 |
Family
ID=76042826
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010388177.9A Active CN112881450B (zh) | 2020-05-09 | 2020-05-09 | 一种组织成分的定量分析模型构建及定量分析方法、系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112881450B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5610836A (en) * | 1996-01-31 | 1997-03-11 | Eastman Chemical Company | Process to use multivariate signal responses to analyze a sample |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7620674B2 (en) * | 2003-03-07 | 2009-11-17 | Sensys Medical, Inc. | Method and apparatus for enhanced estimation of an analyte property through multiple region transformation |
CA2641131A1 (en) * | 2008-08-18 | 2010-02-18 | The Governors Of The University Of Alberta | A method of diagnosing a respiratory disease |
CN103870710B (zh) * | 2014-03-30 | 2017-01-18 | 大连理工大学 | 一种用于多被试fMRI数据分析的分组张量方法 |
CN105548233A (zh) * | 2015-10-30 | 2016-05-04 | 中国科学院武汉物理与数学研究所 | 一种基于氢核磁共振鉴别洋槐蜜和油菜蜜的方法 |
CN107525820A (zh) * | 2017-09-30 | 2017-12-29 | 上海纽迈电子科技有限公司 | 一种基于低场核磁共振测定小鼠体成分的方法 |
CN109444199A (zh) * | 2018-10-22 | 2019-03-08 | 大连工业大学 | 利用低场核磁共振技术的冷藏牛肉新鲜度无损检测方法 |
CN109872376A (zh) * | 2019-02-20 | 2019-06-11 | 四川大学华西医院 | 一种重建动态磁共振图像的方法、装置及可读存储介质 |
-
2020
- 2020-05-09 CN CN202010388177.9A patent/CN112881450B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5610836A (en) * | 1996-01-31 | 1997-03-11 | Eastman Chemical Company | Process to use multivariate signal responses to analyze a sample |
Also Published As
Publication number | Publication date |
---|---|
CN112881450A (zh) | 2021-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Barbieri et al. | Deep learning how to fit an intravoxel incoherent motion model to diffusion‐weighted MRI | |
Zhao et al. | Maximum likelihood reconstruction for magnetic resonance fingerprinting | |
Rokem et al. | Evaluating the accuracy of diffusion MRI models in white matter | |
Aja-Fernández et al. | Restoration of DWI data using a Rician LMMSE estimator | |
JP2018023799A (ja) | 核磁気共鳴(nmr)フィンガープリンティング | |
US10145917B2 (en) | Multi-component voxel separation using magnetic resonance fingerprinting with compartment exchange | |
US11846690B2 (en) | Multi-dimensional spectroscopic NMR and MRI using marginal distributions | |
Su et al. | An inversion method of 2D NMR relaxation spectra in low fields based on LSQR and L-curve | |
Galimberti et al. | Simultaneous liver iron and fat measures by magnetic resonance imaging in patients with hyperferritinemia | |
Wang et al. | MRF denoising with compressed sensing and adaptive filtering | |
Song et al. | Real-time optimization of nuclear magnetic resonance experiments | |
Clayden et al. | Microstructural parameter estimation in vivo using diffusion MRI and structured prior information | |
Mastropietro et al. | A supervised deep neural network approach with standardized targets for enhanced accuracy of IVIM parameter estimation from multi‐SNR images | |
CN112881450B (zh) | 一种组织成分的定量分析模型构建及定量分析方法、系统 | |
EP2933743B1 (en) | Method of characterizing molecular diffusion within a body from a set of diffusion-weighted magnetic resonance signals and apparatus for carrying out such a method | |
Cieslak et al. | Analytic tractography: A closed-form solution for estimating local white matter connectivity with diffusion MRI | |
Yang et al. | Classification of brain tumour 1 h mr spectra: Extracting features by metabolite quantification or nonlinear manifold learning? | |
Metzner et al. | Approximate large-scale Bayesian spatial modeling with application to quantitative magnetic resonance imaging | |
US11385311B2 (en) | System and method for improved magnetic resonance fingerprinting using inner product space | |
CN107727678A (zh) | 一种核磁共振弛豫高低本征模态耦合方法 | |
CN114821049A (zh) | 分割图像的方法、装置、设备及存储介质 | |
US10877120B2 (en) | System and method for visualization and segmentation of tissue using a bayesian estimation of multicomponent relaxation values in magnetic resonance fingerprinting | |
Svistoun et al. | Accuracy and performance of functional parameter estimation using a novel numerical optimization approach for GPU-based kinetic compartmental modeling | |
Hou et al. | Weighted iterative inversion method for T2 spectrum in nuclear magnetic resonance | |
Zong et al. | A genetic optimisation and iterative reconstruction framework for sparse multi-dimensional diffusion-relaxation correlation MRI |
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 |