CN113743682A - 一种基于有监督深度神经网络的nmr弛豫时间反演方法 - Google Patents

一种基于有监督深度神经网络的nmr弛豫时间反演方法 Download PDF

Info

Publication number
CN113743682A
CN113743682A CN202111297872.5A CN202111297872A CN113743682A CN 113743682 A CN113743682 A CN 113743682A CN 202111297872 A CN202111297872 A CN 202111297872A CN 113743682 A CN113743682 A CN 113743682A
Authority
CN
China
Prior art keywords
nmr relaxation
relaxation time
neural network
nmr
supervised
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.)
Granted
Application number
CN202111297872.5A
Other languages
English (en)
Other versions
CN113743682B (zh
Inventor
刘朝阳
申胜
陈方
陈黎
陈俊飞
汪慧娟
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.)
Institute of Precision Measurement Science and Technology Innovation of CAS
Original Assignee
Institute of Precision Measurement Science and Technology Innovation of CAS
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 Institute of Precision Measurement Science and Technology Innovation of CAS filed Critical Institute of Precision Measurement Science and Technology Innovation of CAS
Priority to CN202111297872.5A priority Critical patent/CN113743682B/zh
Publication of CN113743682A publication Critical patent/CN113743682A/zh
Application granted granted Critical
Publication of CN113743682B publication Critical patent/CN113743682B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Strategic Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Biomedical Technology (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明公开了一种基于有监督深度神经网络的NMR弛豫时间反演方法，构建样本对数据集，样本对数据集为NMR弛豫信号和对应的NMR弛豫时间谱组成的样本对的集合；构建有监督深度神经网络模型，构建损失函数；根据样本对数据集生成训练数据集和验证数据集，训练有监督神经网络模型，得到的模拟NMR弛豫信号与NMR弛豫时间谱的最佳映射关系记为预测模型；将待反演的NMR弛豫信号输入到预测模型中进行预测，输出对应的预测NMR弛豫时间谱。本发明预测过程全自动，无需人工参与，无需先验信息；预测的NMR弛豫时间谱，更精确，可以提供更可靠的定量信息。

Description

一种基于有监督深度神经网络的NMR弛豫时间反演方法
技术领域
本发明属于核磁共振技术领域，具体涉及一种基于有监督深度神经网络的NMR弛豫时间反演方法。
背景技术
在核磁共振（NMR）研究领域，所研究样品的NMR弛豫时间是与物质分子的结构和动态过程以及所处的环境密切相关, 是表征物质特性以及所处的环境相互关系的特征参数。研究中最常用的NMR弛豫时间有两种：纵向（自旋-晶格）弛豫时间T1和横向(自旋-自旋) 弛豫时间T2。对于简单体系的NMR样品（如纯水）弛豫过程是单指数的时变函数形式，样品的弛豫时间（T1和T2）是易于分析的单组份。而如果所研究的样品含有多种物质成分或者是样品内部的局部微环境不均匀的复杂体系，样品的NMR弛豫过程不再是简单的单指数时变函数形式，而是比较复杂的多指数时变函数形式，样品NMR弛豫时间隐含有多种组分信息，复杂体系的数据分析要复杂和困难得多，必须通过合适的特定的NMR弛豫时间反演方法进行演算分析才能获得各种组分的弛豫时间（又称为：NMR弛豫时间谱，T1谱，T2谱），并由此分析和了解所研究样品的各组分对应的物质特性和动力学信息。
目前，NMR弛豫时间谱相关技术已被广泛地用于石油、化工、食品、农业、医药、材料等诸多领域。例如，在石油测井中，通过弛豫时间谱来进一步评价底层孔隙度、渗透率、流体类型、流体饱和度、孔径分布、地层润湿性以及原油粘度等储层参数；在食品工业中，可以通过弛豫时间谱用于确定食品和乳液中的固体脂肪含量和液滴大小分布，并用于液体分型和定量等；在材料领域，弛豫时间谱可以用于材料的老化研究、湿润和干燥性研究、多孔介质的研究等。
获得NMR弛豫时间谱的传统方法通常是对采集到的原始自旋弛豫信号进行拉普拉斯反演。该方法属于病态的算法，即解不唯一，对于具有有限噪声的给定数据集，许多解将数据拟合到噪声统计中。由于NMR技术存在检测灵敏度低的缺点，导致许多样品的NMR数据的信噪比（SNR）不高，尤其是NMR弛豫法常用的低场核磁共振领域，所以，通过拉普拉斯反演获得的NMR自旋弛豫时间谱不确定性很大。
为改善这种问题，目前传统的方法是在反演方法的目标函数中增加正则化约束项，以用于压制噪声造成的解振荡，并约束解的幅度和形态。常用的例如，Tikonov正则化和最大熵等方法。但是这些传统的反演方法普遍存在需要先验信息，且正则化因子是需要动态调节的，不匹配的正则化参数容易造成弛豫时间谱的宽化或使神经网络权重发生明显的变化，在一定程度上限制了该种类型反演方法的通用性以及量化的精确度，尤其是在结构或样品分布复杂多样的体系研究中，会进一步加剧测试结果的不确定性。另，该类方法通常是通过迭代的方式寻找目标函数的最优解，算法非常耗时。
针对上述传统反演算法存在的问题，本发明提出了一种有监督的深度神经网络(Supervised training of deepneural network，STD)。首先，建立双路深度神经网络模型，联合自旋弛豫信号损失和NMR弛豫时间谱损失建立损失函数；然后，使用模拟的含噪声NMR弛豫数据和参考的弛豫时间谱作为样本对的数据集对神经网络进行训练，输出预测网络模型；最后，通过预测网络模型对待测NMR弛豫信号进行反演，得到弛豫时间谱。
与传统的方法相比，过程全自动，不依赖先验信息，无需人工参与，正则化参数自学习；联合损失函数的建立，提高了预测精度，可以准确地确定传统方法中通常不可靠的NMR弛豫时间谱峰的宽度；且预测速度快。
发明内容
本发明的目的在于针对现有技术上存在的缺陷，提供一种基于有监督深度神经网络的NMR弛豫时间反演方法。
为了实现上述的目的，本发明采用以下技术措施：
一种基于有监督深度神经网络的NMR弛豫时间反演方法，包括以下步骤：
步骤1、构建样本对数据集，样本对数据集为NMR弛豫信号
Figure 315754DEST_PATH_IMAGE001
和对应的NMR弛豫时 间谱
Figure 924590DEST_PATH_IMAGE002
组成的样本对
Figure 98083DEST_PATH_IMAGE003
的集合；
步骤2、构建有监督深度神经网络模型，构建损失函数：
Figure 921813DEST_PATH_IMAGE004
其中，
Figure 889769DEST_PATH_IMAGE005
为输入有监督深度神经网络模型的第
Figure 48218DEST_PATH_IMAGE006
个NMR弛豫信号
Figure 494243DEST_PATH_IMAGE007
与对 应的有监督深度神经网络模型输出的NMR弛豫时间谱之间的映射关系，
Figure 625010DEST_PATH_IMAGE008
为样本对中与第
Figure 75452DEST_PATH_IMAGE006
个NMR弛豫信号
Figure 658880DEST_PATH_IMAGE007
对应的NMR弛豫时间谱，K为反演核矩阵，
Figure 970912DEST_PATH_IMAGE009
为神经网络权重，
Figure 956186DEST_PATH_IMAGE010
是样 本对的个数，
Figure 265945DEST_PATH_IMAGE011
为2-范数的平方，
Figure 149718DEST_PATH_IMAGE012
和
Figure 203125DEST_PATH_IMAGE013
均为正则化参数；
步骤3、根据样本对数据集生成训练数据集和验证数据集，训练数据集训练有监督神经网络模型，使得损失函数最小，得到的NMR弛豫信号与NMR弛豫时间谱的最佳映射关系记为预测模型；验证数据集用于在训练过程中调整有监督神经网络模型的超参数，以提升有监督网络模型的泛化能力；
步骤4、将待反演的NMR弛豫信号输入到步骤3中学习得到的预测模型中进行预测，输出对应的预测NMR弛豫时间谱。
如上所述的步骤1中构建样本对数据集包括以下步骤：
模拟反演核矩阵K，模拟连续的NMR弛豫时间谱
Figure 42905DEST_PATH_IMAGE002
，模拟噪声
Figure 585882DEST_PATH_IMAGE014
，根据
Figure 878323DEST_PATH_IMAGE015
可计算出含噪声的NMR弛豫信号
Figure 47005DEST_PATH_IMAGE001
，构建样本对数据集。
如上所述的模拟反演核矩阵K包括以下步骤：
预定义回波信号参数，具体为：预定义回波信号个数，预定义相邻两个回波信号的采样时间点的间隔；
预定义NMR弛豫时间参数，具体为：预定义NMR弛豫时间的个数，在NMR弛豫时间范 围内对数布点多个预定义的NMR弛豫时间
Figure 741291DEST_PATH_IMAGE016
；
根据上述设置的回波信号参数以及NMR弛豫时间参数计算反演核矩阵K。
如上所述的模拟连续的NMR弛豫时间谱
Figure 392852DEST_PATH_IMAGE002
包括以下步骤：
在对数尺度上随机产生4个具有随机峰半高宽、随机位置和随机相对幅度的高斯 函数来模拟连续的NMR弛豫时间谱F，谱峰的半高宽在0.1~1之间，谱峰的位置在上述多个预 定义的NMR弛豫时间
Figure 500486DEST_PATH_IMAGE016
的最大值到最小值的范围内变化。
如上所述的有监督深度神经网络模型包括第一子网络和第二子网络，第一子网络包括一个输入层，四个隐藏层和一个输出层；第二子网络包括一个输入层，二个隐藏层和一个输出层，第一子网络和第二子网络共用同一个输入层。
如上所述的有监督深度神经网络模型训练前，有监督深度神经网络模型的超参数的设置如下：输入层、各个隐藏层和最后的输出层的初始偏置矢量均为零，迭代回合为2000，迭代算法采用的是自适应矩估计算法，学习率为0.00001。
本发明相比于现有技术具有以下有益效果：
1、本发明得出的预测模型，预测过程全自动，无需人工参与，无需先验信息。
2、本发明预测时间短，为在线实时监测等应用提供了可行性。
3、本发明预测的NMR弛豫时间谱，更精确，可以提供更可靠的定量信息。
附图说明
图1是本发明的有监督深度神经网络模型的结构示意图；
图2A为信噪比为80的模拟的谱峰宽较窄的NMR横向弛豫衰减信号；
图2B为根据图2A的NMR横向弛豫衰减信号预测NMR横向弛豫时间谱（实线）和对应的模拟的NMR横向弛豫时间谱（虚线）的对比图；
图3A为信噪比为80的模拟的谱峰宽较宽的NMR横向弛豫衰减信号；
图3B为根据图3A的NMR横向弛豫衰减信号预测NMR横向弛豫时间谱（实线）和对应的模拟的NMR横向弛豫时间谱（虚线）的对比图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明，下面结合实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。
弛豫时间包括横向弛豫时间和纵向弛豫时间，本实施例是以横向弛豫时间为例进行说明，纵向弛豫时间与横向弛豫时间的区别仅在弛豫信号的公式上。横向弛豫信号是衰减信号（随时间减小），而纵向弛豫信号是恢复信号（随时间增大）。纵向弛豫时间T 1谱和横向弛豫时间T 2谱的反演求解算法在数学原理上是一致的，所以一般在探讨研究多指数反演算法时常以T 2为例。
本实施例中，NMR弛豫信号为NMR横向弛豫衰减信号，NMR弛豫时间谱为NMR横向弛 豫时间谱，NMR弛豫信号及其对应的NMR弛豫时间谱作为数据集中的样本对。NMR弛豫时间
Figure 895695DEST_PATH_IMAGE016
对应的NMR弛豫信号的数学模型如公式（1）所示：
Figure 444488DEST_PATH_IMAGE017
公式（1）
其中，
Figure 345579DEST_PATH_IMAGE018
是回波采样时间，
Figure 612612DEST_PATH_IMAGE016
是NMR弛豫时间，
Figure 545933DEST_PATH_IMAGE019
是NMR弛豫信号强度，本实施例 中，NMR弛豫信号强度为NMR横向弛豫衰减信号强度，
Figure 277129DEST_PATH_IMAGE020
是NMR弛豫时间
Figure 536072DEST_PATH_IMAGE016
的分布，即弛 豫时间谱，本实施例中，NMR弛豫时间
Figure 24822DEST_PATH_IMAGE016
的分布为NMR横向弛豫时间
Figure 338998DEST_PATH_IMAGE016
的分布，弛豫时间谱 为横向弛豫时间谱，
Figure 862383DEST_PATH_IMAGE014
为噪声。
NMR弛豫时间反演，是指给定回波采样时间
Figure 88965DEST_PATH_IMAGE018
的一系列设定值，测量得到一组NMR弛 豫信号强度
Figure 330590DEST_PATH_IMAGE019
，求解出NMR弛豫时间谱
Figure 871293DEST_PATH_IMAGE020
。
对上述问题的求解，首先，将公式（1）离散化：
Figure 62234DEST_PATH_IMAGE015
公式（2）
其中，
Figure 662980DEST_PATH_IMAGE021
，
Figure 126322DEST_PATH_IMAGE022
，
Figure 533033DEST_PATH_IMAGE023
Figure 31010DEST_PATH_IMAGE001
为NMR弛豫信号，F为NMR弛豫时间谱，K为反演核矩阵，n为回波信号的总个数，
Figure 537078DEST_PATH_IMAGE024
为NMR弛豫时间
Figure 64880DEST_PATH_IMAGE016
的个数，i为回波信号的序号，j为NMR弛豫时间
Figure 947385DEST_PATH_IMAGE016
的序号，
Figure 299869DEST_PATH_IMAGE025
为第j 个NMR弛豫时间
Figure 39155DEST_PATH_IMAGE016
，
Figure 477090DEST_PATH_IMAGE026
为第j个NMR弛豫时间
Figure 163286DEST_PATH_IMAGE025
所对应的幅值，
Figure 183326DEST_PATH_IMAGE027
为第
Figure 296775DEST_PATH_IMAGE028
个回波信号 的采样时间。
Figure 222006DEST_PATH_IMAGE029
为第
Figure 508631DEST_PATH_IMAGE028
个回波信号强度，是多个单指数回波信号强度的叠加，本实施例 中，单指数回波信号强度为单指数衰减回波信号强度。
然后，求解
Figure 835707DEST_PATH_IMAGE001
到
Figure 431642DEST_PATH_IMAGE002
之间的映射关系
Figure 578590DEST_PATH_IMAGE030
，如公式3所示。
Figure 606589DEST_PATH_IMAGE031
公式（3）
本发明提出的反演方法是通过有监督深度神经网络模型来实现的，有监督深度神经网络模型可表示为以下公式：
Figure 850488DEST_PATH_IMAGE032
公式(3)
NMR弛豫信号
Figure 305740DEST_PATH_IMAGE001
作为有监督深度神经网络模型的输入；NMR弛豫时间谱
Figure 205563DEST_PATH_IMAGE002
作为有 监督深度神经网络模型的输出；
Figure 584723DEST_PATH_IMAGE009
为有监督深度神经网络模型的神经网络权重；
Figure 620812DEST_PATH_IMAGE030
为有监 督深度神经网络模型输入的NMR弛豫信号与输出的NMR弛豫时间谱之间的映射关系。
一种基于有监督深度神经网络的NMR弛豫时间反演方法，包括以下步骤：
步骤1、样本对数据集准备
样本对数据集是NMR弛豫信号
Figure 246966DEST_PATH_IMAGE001
和对应的NMR弛豫时间谱
Figure 430822DEST_PATH_IMAGE002
组成的样本对
Figure 800624DEST_PATH_IMAGE003
的集合，本实施例中，NMR弛豫信号为NMR横向弛豫衰减信号，NMR弛豫时间谱为NMR 横向弛豫时间谱。
本实施例中样本对数据集中的样本对通过以下方式获得：
1）模拟反演核矩阵K：
预定义回波信号参数，具体为：预定义回波信号个数
Figure 956798DEST_PATH_IMAGE033
为2048，TE为0.2ms，即回波 信号的采样时间点数为2048个，相邻两个回波信号的采样时间点的间隔为0.2ms；
预定义NMR弛豫时间
Figure 65438DEST_PATH_IMAGE034
参数，本实施例中，NMR弛豫时间为NMR横向弛豫时间，具 体为：预定义NMR弛豫时间
Figure 674274DEST_PATH_IMAGE034
的个数
Figure 582187DEST_PATH_IMAGE024
为128，即在NMR弛豫时间范围0.1ms-1000ms内对 数布点128个预定义的NMR弛豫时间
Figure 655185DEST_PATH_IMAGE016
；
根据上述设置的回波信号参数以及NMR弛豫时间参数计算反演核矩阵K。
2）模拟连续的NMR弛豫时间谱
Figure 623141DEST_PATH_IMAGE002
：在对数尺度上随机产生4个具有随机峰半高宽 (the full width half maxima)、随机位置和随机相对幅度的高斯函数来模拟连续的NMR 弛豫时间谱F。谱峰的半高宽在0.1~1之间，谱峰的位置在上述128个预定义的NMR弛豫时间
Figure 719273DEST_PATH_IMAGE016
的最大值到最小值的范围内变化；谱峰的幅度进行归一化处理。
3）模拟噪声
Figure 243926DEST_PATH_IMAGE014
（信噪比在10~80随机产生），噪声
Figure 374693DEST_PATH_IMAGE014
为瑞利噪声，根据
Figure 513551DEST_PATH_IMAGE015
即可计算出含噪声的NMR弛豫信号
Figure 893716DEST_PATH_IMAGE001
。
4）构建样本对数据集：令
Figure 409011DEST_PATH_IMAGE006
为样本对的序号，记
Figure 394285DEST_PATH_IMAGE008
为第
Figure 15628DEST_PATH_IMAGE006
个NMR弛豫时间谱，记
Figure 820773DEST_PATH_IMAGE007
为第
Figure 874180DEST_PATH_IMAGE006
个NMR弛豫时间谱
Figure 776277DEST_PATH_IMAGE008
对应的NMR弛豫信号，由第
Figure 256936DEST_PATH_IMAGE006
个NMR弛豫信号
Figure 628006DEST_PATH_IMAGE007
和对应的第
Figure 219524DEST_PATH_IMAGE006
个 NMR弛豫时间谱
Figure 179390DEST_PATH_IMAGE008
组成第
Figure 893268DEST_PATH_IMAGE006
个样本对
Figure 673005DEST_PATH_IMAGE035
，
Figure 68215DEST_PATH_IMAGE036
为样本对数据集中的样本对的总对数，在 本实施例中，在样本对数据集中的样本对的总对数为50000。
步骤2、建立有监督深度神经网络模型
本实施例建立的有监督深度神经网络模型由两个子网络组成，分别为第一子网络和第二子网络。如图1所示，第一子网络包括一个输入层，四个隐藏层和一个输出层；第二子网络包括一个输入层，二个隐藏层和一个输出层。第一子网络和第二子网络共用同一个输入层，输入层神经元个数为2048。第一子网络每个隐藏层均有2048个神经元，输出层的神经元为128。第二子网络每个隐藏层均有2048个神经元，输出层的神经元个数为2。隐藏层的激活函数均为线性整流函数（Rectified Linear Unit, ReLU）。第一子网络输出层的激活函数为softmax；第二子网络的输出层的激活函数为softplus。
有监督神经网络训练过程即是最小化预定义的损失函数以确定神经网络权重的过程。
本实施例建立的损失函数为：
Figure 194171DEST_PATH_IMAGE037
其中，
Figure 16634DEST_PATH_IMAGE005
为输入有监督深度神经网络模型的第
Figure 283667DEST_PATH_IMAGE006
个NMR弛豫信号
Figure 544884DEST_PATH_IMAGE007
与对 应的有监督深度神经网络模型输出的NMR弛豫时间谱之间的映射关系，
Figure 213763DEST_PATH_IMAGE008
为样本对中与第
Figure 207127DEST_PATH_IMAGE006
个NMR弛豫信号
Figure 774505DEST_PATH_IMAGE007
对应的NMR弛豫时间谱，K为反演核矩阵，
Figure 777097DEST_PATH_IMAGE009
为神经网络权重，
Figure 300482DEST_PATH_IMAGE010
是样 本对的个数，
Figure 527064DEST_PATH_IMAGE011
为2-范数的平方。
Figure 768689DEST_PATH_IMAGE012
和
Figure 309392DEST_PATH_IMAGE013
均为正则化参数，为第二子网络的输出结果。 在
Figure 998868DEST_PATH_IMAGE010
个样本对
Figure 599614DEST_PATH_IMAGE038
上训练具有神经网络权重
Figure 62956DEST_PATH_IMAGE009
的映射关系
Figure 469667DEST_PATH_IMAGE005
。
对于训练数据集，损失函数最小，即得到最佳的映射关系。
损失函数中第一项：
Figure 702065DEST_PATH_IMAGE039
为NMR弛豫信号保真度损失项。保真度损失是 根据前向物理模型和数据噪声特性定义。保真项，用来约束网络输出与测量数据的一致性。
损失函数中的第二项：
Figure 473712DEST_PATH_IMAGE040
为有监督神经网络模型输出的NMR弛豫时间 谱与样本对中
Figure 237400DEST_PATH_IMAGE007
对应的NMR弛豫时间谱
Figure 119905DEST_PATH_IMAGE008
之间的损失项。
损失函数中第三项：
Figure 472389DEST_PATH_IMAGE041
为正则化参数项，是损失函数第一项与第二项的 平衡项。
步骤3、有监督神经网络模型训练
为了有效地训练有监督神经网络模型，首先将步骤1中准备的样本对数据集
Figure 477254DEST_PATH_IMAGE042
中的样本对顺序打乱，然后从中随机选取输入40000个样本对 作为训练数据集，用以训练有监督神经网络模型，使得损失函数最小，以得到模拟NMR弛豫 信号与NMR弛豫时间谱的最佳映射关系。剩下的10000条数据作为验证数据集，用于在训练 过程中评估有监督神经网络模型，并微调有监督神经网络模型的超参数，以提升有监督网 络模型的泛化能力。获得的NMR弛豫信号与对应的NMR弛豫时间谱的最佳的映射关系构成预 测模型，称其为T2Inversion-STD。
本实施例中，有监督深度神经网络模型训练前，有监督深度神经网络模型的超参数的设置如下：输入层、各个隐藏层和最后的输出层的初始偏置矢量均为零，迭代回合（epoch）为2000。迭代算法采用的是自适应矩估计算法（Adam），学习率为0.00001。
步骤4、反演
将待反演的NMR弛豫衰减信号输入到步骤3中学习得到的预测模型（T2Inversion-STD模型）中进行预测，输出对应的预测NMR弛豫时间谱。
图2A显示的是信噪比为80的模拟的谱峰宽较窄的NMR横向弛豫衰减信号；
图2B显示的是根据图2A的NMR横向弛豫衰减信号预测NMR横向弛豫时间谱（实线）和对应的模拟的NMR横向弛豫时间谱（虚线）的对比图；
图3A显示的是信噪比为80的模拟的谱峰宽较宽的NMR横向弛豫衰减信号；
图3B显示的是根据图3A的NMR横向弛豫衰减信号预测NMR横向弛豫时间谱（实线）和对应的模拟的NMR横向弛豫时间谱（虚线）的对比图；
从实验结果可以看出，本发明方法在一定信噪比条件下，能准确地确定NMR横向弛豫时间谱峰的宽度和位置。
在配有GTX1080Ti的计算机上，对2176个待测样本进行预测，总的预测时间为2.34375s，一个样本的预测时间为1.077ms。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (6)

1.一种基于有监督深度神经网络的NMR弛豫时间反演方法，其特征在于，包括以下步骤：
步骤1、构建样本对数据集，样本对数据集为NMR弛豫信号
Figure 980415DEST_PATH_IMAGE001
和对应的NMR弛豫时间谱
Figure 925237DEST_PATH_IMAGE002
组成的样本对
Figure 277721DEST_PATH_IMAGE003
的集合；
步骤2、构建有监督深度神经网络模型，构建损失函数：
Figure 220269DEST_PATH_IMAGE004
其中，
Figure 993226DEST_PATH_IMAGE005
为输入有监督深度神经网络模型的第
Figure 413843DEST_PATH_IMAGE006
个NMR弛豫信号
Figure 948729DEST_PATH_IMAGE007
与对应的 有监督深度神经网络模型输出的NMR弛豫时间谱之间的映射关系，
Figure 62179DEST_PATH_IMAGE008
为样本对中与第
Figure 987410DEST_PATH_IMAGE006
个 NMR弛豫信号
Figure 24767DEST_PATH_IMAGE007
对应的NMR弛豫时间谱，K为反演核矩阵，
Figure 86264DEST_PATH_IMAGE009
为神经网络权重，
Figure 370615DEST_PATH_IMAGE010
是样本对 的个数，
Figure 845458DEST_PATH_IMAGE011
为2-范数的平方，
Figure 873457DEST_PATH_IMAGE012
和
Figure 55040DEST_PATH_IMAGE013
均为正则化参数；
步骤3、根据样本对数据集生成训练数据集和验证数据集，训练数据集训练有监督神经网络模型，使得损失函数最小，得到的NMR弛豫信号与NMR弛豫时间谱的最佳映射关系记为预测模型；验证数据集用于在训练过程中调整有监督神经网络模型的超参数，以提升有监督网络模型的泛化能力；
步骤4、将待反演的NMR弛豫信号输入到步骤3中学习得到的预测模型中进行预测，输出对应的预测NMR弛豫时间谱。
2.根据权利要求1所述的一种基于有监督深度神经网络的NMR弛豫时间反演方法，其特征在于，所述的步骤1中构建样本对数据集包括以下步骤：
模拟反演核矩阵K，模拟连续的NMR弛豫时间谱
Figure 556297DEST_PATH_IMAGE002
，模拟噪声
Figure 456120DEST_PATH_IMAGE014
，根据
Figure 22231DEST_PATH_IMAGE015
可计 算出含噪声的NMR弛豫信号
Figure 386216DEST_PATH_IMAGE001
，构建样本对数据集。
3.根据权利要求2所述的一种基于有监督深度神经网络的NMR弛豫时间反演方法，其特征在于，所述模拟反演核矩阵K包括以下步骤：
预定义回波信号参数，具体为：预定义回波信号个数，预定义相邻两个回波信号的采样时间点的间隔；
预定义NMR弛豫时间参数，具体为：预定义NMR弛豫时间的个数，在NMR弛豫时间范围内 对数布点多个预定义的NMR弛豫时间
Figure 746790DEST_PATH_IMAGE016
；
根据上述设置的回波信号参数以及NMR弛豫时间参数计算反演核矩阵K。
4.根据权利要求2所述的一种基于有监督深度神经网络的NMR弛豫时间反演方法，其特 征在于，所述模拟连续的NMR弛豫时间谱
Figure 946958DEST_PATH_IMAGE002
包括以下步骤：
在对数尺度上随机产生4个具有随机峰半高宽、随机位置和随机相对幅度的高斯函数 来模拟连续的NMR弛豫时间谱F，谱峰的半高宽在0.1~1之间，谱峰的位置在上述多个预定义 的NMR弛豫时间
Figure 316760DEST_PATH_IMAGE016
的最大值到最小值的范围内变化。
5.根据权利要求1所述的一种基于有监督深度神经网络的NMR弛豫时间反演方法，其特征在于，所述的有监督深度神经网络模型包括第一子网络和第二子网络，第一子网络包括一个输入层，四个隐藏层和一个输出层；第二子网络包括一个输入层，二个隐藏层和一个输出层，第一子网络和第二子网络共用同一个输入层。
6.根据权利要求1所述的一种基于有监督深度神经网络的NMR弛豫时间反演方法，其特征在于，所述的有监督深度神经网络模型训练前，有监督深度神经网络模型的超参数的设置如下：输入层、各个隐藏层和最后的输出层的初始偏置矢量均为零，迭代回合为2000，迭代算法采用的是自适应矩估计算法，学习率为0.00001。
CN202111297872.5A 2021-11-03 2021-11-03 一种基于有监督深度神经网络的nmr弛豫时间反演方法 Active CN113743682B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111297872.5A CN113743682B (zh) 2021-11-03 2021-11-03 一种基于有监督深度神经网络的nmr弛豫时间反演方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111297872.5A CN113743682B (zh) 2021-11-03 2021-11-03 一种基于有监督深度神经网络的nmr弛豫时间反演方法

Publications (2)

Publication Number Publication Date
CN113743682A true CN113743682A (zh) 2021-12-03
CN113743682B CN113743682B (zh) 2022-02-18

Family

ID=78727354

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111297872.5A Active CN113743682B (zh) 2021-11-03 2021-11-03 一种基于有监督深度神经网络的nmr弛豫时间反演方法

Country Status (1)

Country Link
CN (1) CN113743682B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116338501A (zh) * 2022-12-19 2023-06-27 哈尔滨工业大学 基于神经网络预测弛豫电压的锂离子电池健康检测方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106772645A (zh) * 2016-12-15 2017-05-31 中国石油大学(北京) 基于一般先验信息约束的核磁共振数据反演方法和装置
CN107728231A (zh) * 2017-10-18 2018-02-23 科为联合(青岛)能源技术研究院有限公司 一种预测核磁共振测井横向弛豫时间t2分布的方法
CN108010100A (zh) * 2017-12-07 2018-05-08 厦门大学 一种基于残差网络的单扫描磁共振定量t2成像重建方法
CN108009125A (zh) * 2017-12-15 2018-05-08 中国石油大学(北京) 基于l0正则化的核磁共振回波数据反演方法及装置
CN108120944A (zh) * 2017-11-16 2018-06-05 上海理工大学 一种加权迭代的低场核磁共振t2谱反演算法
CN109598245A (zh) * 2018-12-07 2019-04-09 上海理工大学 基于1d-cnn的食用油横向弛豫衰减曲线信号特征提取方法
CN109870729A (zh) * 2019-01-31 2019-06-11 吉林大学 基于离散余弦变换的深度神经网络磁共振信号消噪方法
CN110321524A (zh) * 2018-03-30 2019-10-11 中国石油化工股份有限公司 基于非负弹性网络的核磁共振回波数据反演方法及系统
CN110454153A (zh) * 2019-08-20 2019-11-15 中国海洋石油集团有限公司 一种核磁共振测井弛豫反演方法
CN110618463A (zh) * 2019-09-02 2019-12-27 中国石油大学(北京) 一种核磁共振数据反演方法、装置、存储介质及设备
CN111898734A (zh) * 2020-07-10 2020-11-06 中国科学院精密测量科学与技术创新研究院 一种基于mlp的nmr弛豫时间反演方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106772645A (zh) * 2016-12-15 2017-05-31 中国石油大学(北京) 基于一般先验信息约束的核磁共振数据反演方法和装置
CN107728231A (zh) * 2017-10-18 2018-02-23 科为联合(青岛)能源技术研究院有限公司 一种预测核磁共振测井横向弛豫时间t2分布的方法
CN108120944A (zh) * 2017-11-16 2018-06-05 上海理工大学 一种加权迭代的低场核磁共振t2谱反演算法
CN108010100A (zh) * 2017-12-07 2018-05-08 厦门大学 一种基于残差网络的单扫描磁共振定量t2成像重建方法
CN108009125A (zh) * 2017-12-15 2018-05-08 中国石油大学(北京) 基于l0正则化的核磁共振回波数据反演方法及装置
CN110321524A (zh) * 2018-03-30 2019-10-11 中国石油化工股份有限公司 基于非负弹性网络的核磁共振回波数据反演方法及系统
CN109598245A (zh) * 2018-12-07 2019-04-09 上海理工大学 基于1d-cnn的食用油横向弛豫衰减曲线信号特征提取方法
CN109870729A (zh) * 2019-01-31 2019-06-11 吉林大学 基于离散余弦变换的深度神经网络磁共振信号消噪方法
CN110454153A (zh) * 2019-08-20 2019-11-15 中国海洋石油集团有限公司 一种核磁共振测井弛豫反演方法
CN110618463A (zh) * 2019-09-02 2019-12-27 中国石油大学(北京) 一种核磁共振数据反演方法、装置、存储介质及设备
CN111898734A (zh) * 2020-07-10 2020-11-06 中国科学院精密测量科学与技术创新研究院 一种基于mlp的nmr弛豫时间反演方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JUNFEI CHEN 等: "Characterizing oils in oil-water mixtures inside porous media by Overhauser", 《FUEL》 *
WENG KUNG PENG 等: "Clustering Nuclear Magnetic Resonance: Machine learning assistive rapid two-dimensional relaxometry mapping", 《ENGINEERING REPORT》 *
ZHAO LI 等: "Triple-D network for efficient undersampled magnetic resonance images reconstruction", 《MAGNETIC RESONANCE IMAGE》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116338501A (zh) * 2022-12-19 2023-06-27 哈尔滨工业大学 基于神经网络预测弛豫电压的锂离子电池健康检测方法
CN116338501B (zh) * 2022-12-19 2023-09-12 哈尔滨工业大学 基于神经网络预测弛豫电压的锂离子电池健康检测方法

Also Published As

Publication number Publication date
CN113743682B (zh) 2022-02-18

Similar Documents

Publication Publication Date Title
CN108520088B (zh) 基于数值模拟技术的仿真核磁共振弛豫谱分析方法及系统
Kiselev Fundamentals of diffusion MRI physics
Greenlaw et al. Multiple-frequency acoustical estimation
US20160139291A1 (en) Surface Relaxivity Calculation using Nuclear Magnetic Resonance (NMR) Measurement, Three Dimensional (3D) Rock Model and NMR Response Simulation
CN111898734B (zh) 一种基于mlp的nmr弛豫时间反演方法
US10732314B2 (en) Estimation of petrophysical and fluid properties using integral transforms in nuclear magnetic resonance
DE102004043151A1 (de) Verfahren und Vorrichtung zum Bestimmen der Geschwindigkeit und von Eigenschaften von strömenden Fluiden unter Verwendung von magnetischen Kernresonanzmessungen
CN113743682B (zh) 一种基于有监督深度神经网络的nmr弛豫时间反演方法
Parker et al. Assigning uncertainties in the inversion of NMR relaxation data
Falzone et al. A laboratory study to determine the effect of pore size, surface relaxivity, and saturation on NMR T2 relaxation measurements
Parasram et al. T2 analysis using artificial neural networks
Conte et al. Standardizing the use of fast‐field cycling NMR relaxometry for measuring hydrological connectivity inside the soil
Merz et al. Magnetic resonance monitoring and numerical modeling of soil moisture during evaporation
Guo et al. Variational mode decomposition for NMR echo data denoising
Chen et al. Experimental realization of Hamiltonian tomography by quantum quenches
CN108009125B (zh) 基于l0正则化的核磁共振回波数据反演方法及装置
Awojoyogbe A quantum mechanical model of the Bloch NMR flow equations for electron dynamics in fluids at the molecular level
CN115165770B (zh) 基于宽光谱及bpnn的水体cod与浊度同时检测方法
CN113743597B (zh) 一种基于无训练深度神经网络的nmr弛豫时间反演方法
CN113743596B (zh) 一种基于无监督神经网络的nmr弛豫时间反演方法
Costabel et al. Soil hydraulic interpretation of nuclear magnetic resonance measurements based on circular and triangular capillary models
CN115329802A (zh) 一种基于深度学习的核磁共振信号弛豫时间分布计算方法
Testamanti Assessment of Fluid Transport Mechanisms in Shale Gas Reservoirs
US11680998B2 (en) NMR relaxation time inversion method based on unsupervised neural network
CN108398600B (zh) 基于Prony状态空间算法的阻抗谱测量方法及测试仪

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