CN116415503B - 一种物理模型驱动人工智能的磁共振波谱定量方法 - Google Patents

一种物理模型驱动人工智能的磁共振波谱定量方法 Download PDF

Info

Publication number
CN116415503B
CN116415503B CN202310396819.3A CN202310396819A CN116415503B CN 116415503 B CN116415503 B CN 116415503B CN 202310396819 A CN202310396819 A CN 202310396819A CN 116415503 B CN116415503 B CN 116415503B
Authority
CN
China
Prior art keywords
edit
signal
magnetic resonance
metabolite
spectrum
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
CN202310396819.3A
Other languages
English (en)
Other versions
CN116415503A (zh
Inventor
屈小波
陈晓蝶
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 CN202310396819.3A priority Critical patent/CN116415503B/zh
Publication of CN116415503A publication Critical patent/CN116415503A/zh
Application granted granted Critical
Publication of CN116415503B publication Critical patent/CN116415503B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4866—Evaluating metabolism
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
    • G06N10/20—Models of quantum computing, e.g. quantum circuits or universal quantum computers
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Surgery (AREA)
  • Mathematical Physics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Computing Systems (AREA)
  • Pathology (AREA)
  • Public Health (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Psychiatry (AREA)
  • Mathematical Optimization (AREA)
  • Computer Hardware Design (AREA)
  • Computational Mathematics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Mathematical Analysis (AREA)
  • Geometry (AREA)
  • Pure & Applied Mathematics (AREA)
  • Signal Processing (AREA)
  • Physiology (AREA)
  • Obesity (AREA)

Abstract

一种物理模型驱动人工智能的磁共振波谱定量方法，涉及磁共振波谱定量方法。利用量子演化得到代谢物基集，基于磁共振信号物理解析模型，添加非理想因子，构建训练集；设计基于物理模型驱动的深度学习量化网络模型及损失函数，得到最优网络模型；目标信号量化，将实际采集的目标数据输入最优网络模型，即得到量化的目标代谢物浓度和矫正后的输入谱。本发明结合神经网络优越的非线性学习能力和磁共振信号模型的可解释性，可以快速精准量化γ‑氨基丁酸等目标代谢物，有效减小了非理想因素造成的量化误差，提高了量化结果的稳定性。

Description

一种物理模型驱动人工智能的磁共振波谱定量方法
技术领域
本发明涉及磁共振波谱定量方法，尤其是涉及一种物理模型驱动人工智能的磁共振波谱定量方法。
背景技术
γ-氨基丁酸(γ-Aminobutyric Acid，GABA)是各种精神和神经疾病的关键生物标志物，如双相情感障碍症、抑郁症、癫痫等。从磁共振波谱(Magnetic ResonanceSpectroscopy，MRS)中量化GABA是一个非常具有挑战性的任务，GABA的谱峰与其他代谢物的谱峰严重重叠(Edden RA,Barker PB,”Spatial effects in the detection of gamma-aminobutyric acid:improved sensitivity at high fields using inner volumesaturation,"Magnetic Resonance in Medicine,58(6):1276-82,2007.)。在GABA在3.0ppm的谱峰与肌酸(Cr)和磷酸肌酸(PCr)引起的信号重叠；在2.3ppm处与谷氨酰胺和谷氨酸(Glx)重叠；在1.9ppm处与N-乙酰天冬氨酸(NAA)和N-乙酰天门冬氨酰谷氨酸(NAAG)发生重叠(Craven AR,Bhattacharyya PK,Clarke WT,etal.,"Comparison of sevenmodelling algorithms for gamma-aminobutyric acid-edited proton magneticresonance spectroscopy,"NMR in Biomedicine,35(7):e4702,2022.)。最常用的定量GABA的MRS方法，是利用谱编辑方法生成的编辑谱序列帮助量化分析GABA。比如，J调制差分技术(Rothman DL,Petroff O,Behar KL,et al.,"Localized1H NMR measurements ofgamma-aminobutyric acid in human brain in vivo,"Proceedings of The NationalAcademy of Sciences,90(12):5662-5666,1993)，生成谱编辑序列MEGA-PRESS，从重新聚焦的EDIT-ON频谱中减去非重新聚焦的EDIT-OFF频谱得到只保留那些受编辑脉冲影响的峰值的编辑谱(Mullins PG,Mcgonigle DJ,O'Gorman RL,et al.,"Current practice inthe use of MEGA-PRESS spectroscopy for the detection of GABA,"NeuroImage,86:43-52,2014)。对于GABA来说，通常使用编辑谱在3ppm处的谱峰进行量化。但是通常预期的GABA的“伪双峰”在实现中很难观察到，原因是：(1)GABA在体内浓度很低，GABA的谱峰与其他代谢物的谱峰严重重叠；如肌酸(Cr)和N-乙酰天冬氨酸(NAA)，难以分离；(2)低浓度分子的信号与噪声几乎无法区分；(3)生理运动、B0场漂移，软件处理等问题可能会导致DIFF谱出现伪影，影响目标代谢物的量化分析。
现有的磁共振波谱量化分析方法主要包括基于峰值拟合和基于基集拟合的算法。基于基集拟合的方法LCModel(Vanhamme L,van den Boogaart A,Van Huffel S,"Improved method for accurate and efficient quantification of MRS data withuse of prior knowledge,"Journal of Magnetic Resonance,129(1):35-43,1997.)被广泛认为是量化磁共振波谱的金标准，将磁共振信号建模为代谢物基集的线性组合，使用迭代求解最优的拟合误差。基于峰值拟合的方法Gannet(Edden RA,Puts NA,Harris AD,etal.,"Gannet:A batch-processing tool for the quantitative analysis of gamma-aminobutyric acid-edited MR spectroscopy spectra,"Journal of MagneticResonance Imaging,40(6):1445-1452,2014.)，专门用于定量磁共振编辑谱，通过对波谱使用非线性最小二乘拟合，估计目标代谢物浓度。以上方法都难以避免最优化计算过程，并且易受伪影干扰，对目标波谱的质量要求较高，量化时间和量化结果稳定性难以保证。
近年来，深度学习在磁共振领域广泛发展。在离体磁共振波谱上，屈小波等(Qu X,Huang Y,Lu H,et al.,"Accelerated nuclear magnetic resonance spectroscopy withdeep learning,"Angewandte Chemie International Edition,132(26):10383-10386,2020.)首次提出并实现基于深度学习的快速高质量磁共振波谱重建人工智能方法。黄奕晖等(Huang Y,Zhao J,Wang Z,et al.,"Exponential signal reconstruction with deephankel matrix factorization,"IEEE Transactions on Neural Networks andLearning Systems,DOI:10.1109/TNNLS.2021.3134717,2021.)提出一种基于Hankel矩阵分解的深度学习指数信号重建方法。王孜等(Wang Z,Guo D,Tu Z,et al.,"A sparsemodel-inspired deep thresholding network for exponential signalreconstruction-application in fast biological spectroscopy,"IEEE Transactionson Neural Networks and Learning Systems,DOI:10.1109/TNNLS.2022.3144580,2022.)提出了一个深度自适应阈值网络，运用稀疏最优化理论的同时结合深度学习，实现了鲁棒，高保真且计算成本低的波谱重建。在活体磁共振波谱上，陈棣成等(Chen D,Hu W,Liu H,etal.,"Magnetic resonance spectroscopy deep learning denoising using few invivo data,"ArXiv preprint,ArXiv:2101.11442,2021)利用深度学习实现了磁共振波谱低信噪比下的高保真去噪。磁共振领域持续致力于设计更可靠的波谱量化分析方法，特别是对于GABA等较为挑战的代谢物，以使MRS成为协助临床实践的有效工具。最近，Chandler等人(Chandler M,Jenkins C,Shermer S M,and Langbein F C,"MRSNet:metabolitequantification from edited magnetic resonance spectra with convolutionalneural networks,"ArXiv preprint,ArXiv:1909.03836,2019.)首次利用神经网络对MEGA-PRESS序列进行量化，但此方法基于“端到端”的网络学习来实现目标代谢物的浓度估计，缺乏一定的可解释性和泛化性证明(Yang Q,Wang Z,Guo K,et al.,"Physics-drivensynthetic data learning for biomedical magnetic resonance:the imagingphysics-based data synthesis paradigm for artificial intelligence,"IEEESignal Processing Magazine,40(2):129-140,2023)。
发明内容
本发明的目的在于利用磁共振信号的物理特性与深度学习网络，提供一种适合磁共振波谱的量化分析方法。本发明用于量化磁共振波谱，具有定量准确性高、定量结果稳定、泛化性好、减少预处理操作的特点。
本发明包括以下步骤：
1)基于量子演化模拟生成代谢物基集，添加如频率偏移、相位偏移、噪声的非理想因子，构建仿真数据集；
2)构建基于物理模型驱动的用于磁共振波谱定量的深度学习网络模型及损失函数，得到最优网络模型；
3)将利用谱编辑技术采集到的人体磁共振编辑谱作为输入数据，通过步骤2)中的最优网络模型，预测得到目标代谢物浓度和矫正后的输入谱。
4)利用步骤3)中预测的浓度，计算目标代谢物的相对浓度。
在步骤1)中，基于量子演化模拟生成代谢物基集，添加非理想因子，包括频率偏移、相位偏移、噪声，构建仿真数据集的具体方法为：
理想条件下采集的EDIT-ON信号不包括零阶相位、频率偏移和噪声，理想磁共振EDIT-ON信号可建模为磁共振时域信号模型b(nΔt)，用公式表示为：
其中，Δt表示信号采样时间间隔，n表示信号长度，总长度为N；下标m表示第m种代谢物，M表示代谢物类别的总数，cm表示第m种代谢物的浓度，vm(nΔt)对应EDIT-ON信号第m种代谢物的基集信号。
理想磁共振EDIT-OFF信号可建模为磁共振时域信号模型s(nΔt)，用公式表示为：
其中，hm(nΔt)对应EDIT-OFF信号第m种代谢物的基集信号。
添加非理想因子，包括频率偏移、相位偏移、噪声，使得仿真数据接近实测数据，非理想磁共振EDIT-ON信号可建模为磁共振时域信号模型p(nΔt)，用公式表示为：
其中，εEDIT-ON(nΔt)表示EDIT-ON信号的高斯白噪声，xm(nΔt)表示EDIT-ON信号的第m种代谢物分量信号，具体用公式表示为：
其中，i表示虚数单位且i2＝-1，φ1和f1模拟非理想条件下导致EDIT-ON信号产生的零阶相位和频率偏移。
非理想EDIT-OFF信号可建模为磁共振时域信号模型q(nΔt)，用公式表示为：
其中，εEDIT-OFF(nΔt)表示EDIT-OFF信号的高斯白噪声，ym(nΔt)表示EDIT-OFF信号的第m种代谢物分量信号，具体用公式表示为：
其中，φ2和f2模拟非理想条件下导致EDIT-OFF信号产生的零阶相位和频率偏移。
每组仿真数据包含EDIT-ON信号和EDIT-OFF信号，不同组仿真数据的代谢物浓度根据活体代谢物浓度范围随机分布；零阶相位值、频率偏移量根据实测数据设定合理范围，在合理范围内随机分布。同一组仿真数据的EDIT-ON和EDIT-OFF信号施加相同的浓度和不同的零阶相位值、频率偏移量。
根据磁共振信号特点，同一组仿真数据取n＝0,1,2,3,...,N-1分别构成EDIT-ON和EDIT-OFF谱的时域向量pt＝[p(0),p(1),...,p(N-1)]T和qt＝[q(0),q(1),...,q(N-1)]T，对这两个向量进行离散傅里叶变换，得到仿真的非理想EDIT-ON、EDIT-OFF波谱pf和qf，维度为N×1；EDIT-ON和EDIT-OFF谱相减，可以得到仿真的非理想编辑谱z，可以用公式表示为：
z＝pf-qf (22)
其中，z维度为N×1，z作为网络训练的输入数据。
每组浓度[c1,c2,...,cM]T构成向量c，维度为M×1。
同一组仿真数据取n＝0,1,2,3,...,N-1分别构成EDIT-ON和EDIT-OFF谱的时域向量bt＝[b(0),b(1),...,b(N-1)]T和st＝[s(0),s(1),...,s(N-1)]T，对这两个向量进行离散傅里叶变换，得到仿真的理想EDIT-ON、EDIT-OFF波谱bf和sf，维度为N×1。
bf、sf、c三者共同构成标签{c,bf,sf}。
训练集由若干组{z,{c,bf,sf}}组成。
在步骤2)中，构建基于物理模型驱动的用于磁共振波谱定量的深度学习网络模型及损失函数，求解最优网络模型的具体方法为：
a)设计一个非线性映射模块，预测代谢物浓度系数该非线性映射模块由若干个卷积块和若干个全连接层组成。每个卷积块包含两个二维卷积层和一个最大池化层。非线性映射模块可表示为：
其中，θ表示非线性映射模块的训练参数集合，表示从z到/>的非线性映射。
b)设计一个线性回归模块，获得矫正后的输入谱取n＝0,1,2,3,...,N-1构成EDIT-ON和EDIT-OFF谱的基集信号时域分向量/>对向量进行离散傅里叶变换，得到EDIT-ON和EDIT-OFF的基集分量信号波谱/>维度为N×1。将/>共2M个基集分量信号波谱按列排列成基集分量信号波谱矩阵/>维度都为N×M。该线性回归模块引入EDIT-ON和EDIT-OFF谱的基集VON、HOFF作为物理先验，进一步约束网络，将a)模块预测的浓度系数/>和EDIT-ON、EDIT-OFF谱的基集VON、HOFF代入公式(1)、(2)得到理想的EDIT-ON、EDIT-OFF波谱/>和/>则矫正后的输入谱/>可以通过以下公式计算：
因此，线性回归模块的功能可以用公式表示为：
其中，表示从预测浓度/>到矫正后的输入谱/>的线性映射。
综上，整体网络将线性映射模块、非线性回归模块级联。整体网络可表示为：
其中，表示从z到/>的非线性映射。
c)设计损失函数，损失函数值作为网络最优模型的评估指标，整体网络损失函数的定义为：
其中，ω1和ω2是权重系数，ω3是网络中定义的batchsize的值，表示向量的2范数。
d)将步骤1)构建的仿真数据训练集输入网络，利用Adam优化器，通过网络迭代训练，通过最小化损失函数Loss(θ)获得最优参数集合下的最优网络模型。
在步骤3)中，将利用谱编辑技术采集到的人体磁共振编辑谱作为输入数据，通过步骤2)中的最优网络模型，预测得到目标代谢物浓度和矫正后的输入谱的具体方法为：
将采集的活体ON和OFF谱p*、q*相减得到编辑谱z*，可表示为：
z*＝p*-q* (28)
将z*输入步骤2)中所述的最优参数集合下的最优网络模型，得到预测的目标代谢物浓度/>和矫正后的输入谱/>用公式表示为：
在步骤4)中，利用步骤3)中预测的浓度，计算目标代谢物的相对浓度的具体方法为：
代谢物a和代谢物b与d的混合物的相对浓度计算可以表示为：
其中，a∈{1,2,...,M},b∈{1,2,...,M},c∈{1,2,...,M},a≠b≠d；表示代谢物a的浓度，/>表示代谢物b的浓度，/>表示代谢物d的浓度。
本发明结合神经网络优越的非线性学习能力和磁共振信号模型的可解释性，可以快速精准量化γ-氨基丁酸等目标代谢物，有效减小了非理想因素造成的量化误差，提高了量化结果的稳定性。
附图说明
图1基于物理模型驱动的磁共振编辑谱智能量化网络结构。
图2实施例中实测活体磁共振编辑谱输入网络的谱图，ppm是化学位移的单位。
图3实施例中实测活体磁共振编辑谱经过网络校正的谱图，ppm是化学位移的单位。
具体实施方式
下面将以实施例结合附图对本发明进行实例性说明。
本发明实施例依据磁共振波谱信号特点，根据MEGA-PRESS编辑序列作用原理，基于量子仿真模拟生成非理想的仿真编辑谱，将仿真的编辑谱和对应的EDIT-ON、EDIT-OFF谱的基集波谱以及EDIT-ON、EDIT-OFF谱的理想波谱作为训练集，通过迭代训练，得到最优网络模型。最后将实际采集的活体磁共振编辑谱输入网络来预测对应的目标代谢物浓度和矫正后的输入谱。
本发明实施例包括如下步骤：
1)基于量子演化模拟生成代谢物基集，添加如频率偏移、相位偏移、噪声的非理想因子，构建仿真数据集，具体方法为：
理想条件下采集的EDIT-ON信号不包括零阶相位、频率偏移和噪声，理想磁共振EDIT-ON信号可建模为磁共振时域信号模型b(nΔt)，用公式表示为：
其中，Δt表示信号采样时间间隔，n表示信号长度，总长度为N，本实施例中N＝295；下标m表示第m种代谢物，M表示代谢物类别的总数，本实施例中M＝17，包括丙氨酸(Alanine，Ala)、肌酸(Creatine，Cr)、肌醇(myo-Inositol，mI)、γ-氨基丁酸(γ-Aminobutyric Acid，GABA)、葡萄糖(Glucose，Glc)、谷氨酰胺(Glutamine，Gln)、谷氨酸(Glutamate，Glu)、甘油磷酸胆碱(Glycerolphosphatecholine，GPC)、天门冬氨酸(Aspartic，Asp)、谷胱甘肽(Glutathione，GSH)、乳酸(L-Lactate，Lac)、N-乙酰天门冬氨酸(N-acetylaspartate,NAA)、N-乙酰天门冬氨酰谷氨酸(N-acetylaspartylglutamate，NAAG)、磷酸胆碱(Phosphocholine，PCh)、磷酸肌酸(PCr，Phosphocreatine)以及牛磺酸(Taurine，Tau)，鲨肌醇(Scyllo-Inositol，sI)。本方法还可扩展至更多代谢物。cm表示第m种代谢物的浓度，vm(nΔt)对应EDIT-ON信号第m种代谢物的基集信号。
理想磁共振EDIT-OFF信号可建模为磁共振时域信号模型s(nΔt)，用公式表示为：
其中，hm(nΔt)对应EDIT-OFF信号第m种代谢物的基集信号。
添加非理想因子，包括频率偏移、相位偏移、噪声，使得仿真数据接近实测数据。非理想磁共振EDIT-ON信号可建模为磁共振时域信号模型p(nΔt)，用公式表示为：
其中，εEDIT-ON(nΔt)表示EDIT-ON信号的高斯白噪声，xm(nΔt)表示EDIT-ON信号的第m种代谢物分量信号，具体用公式表示为：
其中，i表示虚数单位且i2＝-1，φ1和f1模拟非理想条件下导致EDIT-ON信号产生的零阶相位和频率偏移。
非理想EDIT-OFF信号可建模为磁共振时域信号模型q(nΔt)，用公式表示为：
其中，εEDIT-OFF(nΔt)表示EDIT-OFF信号的高斯白噪声，ym(nΔt)表示EDIT-OFF信号的第m种代谢物分量信号，具体用公式表示为：
其中，φ2和f2模拟非理想条件下导致EDIT-OFF信号产生的零阶相位和频率偏移。
每组仿真数据包含EDIT-ON信号和EDIT-OFF信号，不同组仿真数据的代谢物浓度根据活体代谢物浓度范围随机分布。零阶相位值、频率偏移量根据实测数据设定合理范围，在合理范围内随机分布。同一组仿真数据的EDIT-ON和EDIT-OFF信号施加相同的浓度，不同的零阶相位值、频率偏移量。本实施例中f1的取值范围是[-20Hz,+20Hz]，φ1的取值范围是[-180°,+180°]。f2和f1的相差范围是[-6Hz,+6Hz]，φ2和φ1的相差范围是[-15°,+15°]。
根据磁共振信号特点，同一组仿真数据取n＝0,1,2,3,...,294分别构成EDIT-ON和EDIT-OFF谱的时域向量pt＝[p(0),p(1),...,p(294]T和qt＝[q(0),q(1),...,q(294]T，对这两个向量进行离散傅里叶变换，得到仿真的非理想EDIT-ON、EDIT-OFF波谱pf和qf，维度为295×1；EDIT-ON和EDIT-OFF谱相减，可以得到仿真的非理想编辑谱z，可以用公式表示为：
z＝pf-qf (37)
其中z维度为295×1，z作为网络训练的输入数据。
每组浓度[c1,c2,...,cM]T构成向量c，维度为17×1。
同一组仿真数据取n＝0,1,2,3,...,294分别构成EDIT-ON和EDIT-OFF谱的时域向量bt＝[b(0),b(1),...,b(294)]T和st＝[s(0),s(1),...,s(294)]T，对这两个向量进行离散傅里叶变换，得到仿真的理想EDIT-ON、EDIT-OFF波谱bf和sf，维度为295×1。
bf、sf、c三者共同构成标签{c,bf,sf}。
训练集由50000组{z,{c,bf,sf}}组成。
2)构建基于物理模型驱动的用于磁共振波谱定量的深度学习网络模型及损失函数，得到最优网络模型。
a)设计一个非线性映射模块，预测代谢物浓度系数该非线性映射模块由若干个卷积块和若干个全连接层组成，每个卷积块包含两个二维卷积层和一个最大池化层。非线性映射模块可表示为：
其中θ表示非线性映射模块的训练参数集合，表示从z到/>的非线性映射。
b)设计一个线性回归模块，获得矫正后的输入谱取n＝0,1,2,3,...,294构成ON和OFF谱的基集信号时域分向量/>对向量进行离散傅里叶变换，得到EDIT-ON和EDIT-OFF的基集分量信号波谱/>维度为295×1。将 共34个基集分量信号波谱按列排列成基集分量信号波谱矩阵维度都为295×17。该线性回归模块引入ON和OFF谱的基集VON、HOFF作为物理先验，进一步约束网络，将a)模块预测的浓度系数/>和ON、OFF谱的基集VON、HOFF代入公式(1)、(2)得到理想的ON、OFF波谱/>和/>则矫正后的输入谱/>可以通过以下公式计算：
因此，线性回归模块的功能可以用公式表示为：
其中，表示从预测浓度/>到矫正后的输入谱/>的线性映射。
综上，整体网络将线性映射模块、非线性回归模块级联。整体网络可表示为：
其中，表示从z到/>的非线性映射。
c)设计损失函数，损失函数值作为网络最优模型的评估指标，整体网络损失函数的定义为：
其中，ω1和ω2是权重系数，ω3是网络中定义的batchsize的值。本实施例中，ω1的值是10，ω2的值是1，ω3的值是64，表示向量的2范数。
设计的基于物理模型驱动的用于磁共振波谱定量的深度学习网络结构如图1所示。
d)将步骤1)构建的仿真数据训练集输入网络，利用Adam优化器，通过网络迭代训练，通过最小化损失函数Loss(θ)获得最优参数集合下的最优网络模型。
3)将利用谱编辑技术采集到的人体磁共振编辑谱作为输入数据，通过步骤2)中的最优网络模型，预测得到目标代谢物浓度和矫正后的输入谱的具体方法为：
将采集的活体ON和OFF谱p*、q*相减得到编辑谱z*，可表示为：
z*＝p*-q* (43)
将z*输入步骤3)中的最优参数集合下的最优网络模型，得到预测的目标代谢物浓度/>和矫正后的输入谱/>用公式表示为：
本实施例中使用实际采集的活体磁共振编辑谱z*作为输入数据，维度为295×1，如图2所示。经过网络矫正后的输入谱的结果如图3所示。
4)利用步骤3)中预测的浓度，计算目标代谢物的相对浓度。
代谢物a和代谢物b与d的混合物的相对浓度计算可以表示为：
其中，a∈{1,2,...,M},b∈{1,2,...,M},c∈{1,2,...,M},a≠b≠d；表示代谢物a的浓度，/>表示代谢物b的浓度，/>表示代谢物d的浓度。
本实施例中，利用步骤3)中网络预测的浓度，用于计算代谢物GABA和代谢物NAA和NAAG混合物的相对浓度值可表示为：
其中，表示代谢物GABA的浓度，/>表示代谢物NAA的浓度，/>表示代谢物NAAG的浓度。
参考文献：
[1]Edden RA,Barker PB,”Spatial effects in the detection of gamma-aminobutyric acid:improved sensitivity at high fields using inner volumesaturation,"Magnetic Resonance in Medicine,58(6):1276-82,2007.
[2]Craven AR,Bhattacharyya PK,Clarke WT,et al.,"Comparison of sevenmodelling algorithms for gamma-aminobutyric acid-edited proton magneticresonance spectroscopy,"NMR in Biomedicine,35(7):e4702,2022.
[3]Rothman DL,Petroff O,Behar KL,et al.,"Localized 1H NMRmeasurements of gamma-aminobutyric acid in human brain in vivo,"Proceedingsof The National Academy of Sciences,90(12):5662-5666,1993.
[4]Mullins PG,Mcgonigle DJ,O'Gorman RL,et al.,"Current practice inthe use ofMEGA-PRESS spectroscopy for the detection of GABA,"NeuroImage,86:43-52,2014.
[5]Vanhamme L,van den Boogaart A,Van Huffel S,"Improved method foraccurate andefficient quantification of MRS data with use of priorknowledge,"Journal of Magnetic Resonance,129(1):35-43,1997.
[6]Edden RA,Puts NA,Harris AD,et al.,"Gannet:A batch-processing toolfor thequantitative analysis of gamma-aminobutyric acid-edited MRspectroscopy spectra,"Journal ofMagnetic Resonance Imaging,40(6):1445-1452,2014.
[7]Qu X,Huang Y,Lu H,et al.,"Accelerated nuclear magnetic resonancespectroscopy withdeep learning,"Angewandte Chemie International Edition,132(26):10383-10386,2020.
[8]Huang Y,Zhao J,Wang Z,et al.,"Exponential signal reconstructionwith deep hankelmatrix factorization,"IEEE Transactions on Neural Networksand Learning Systems,DOI:10.1109/TNNLS.2021.3134717,2021.
[9]Wang Z,Guo D,Tu Z,et al.,"A sparse model-inspired deepthresholding network forexponential signal reconstruction-application in fastbiological spectroscopy,"IEEE Transactions onNeural Networks and LearningSystems,DOI:10.1109/TNNLS.2022.3144580,2022.
[10]Chen D,Hu W,Liu H,et al.,"Magnetic resonance spectroscopy deeplearning denoisingusing few in vivo data,"ArXiv preprint,ArXiv:2101.11442,2021.
[11]Chandler M,Jenkins C,Shermer S M,and Langbein F C,"MRSNet:metabolitequantification from edited magnetic resonance spectra withconvolutional neural networks,"ArXivpreprint,ArXiv:1909.03836,2019.
[12]Yang Q,Wang Z,Guo K,et al.,"Physics-driven synthetic datalearning for biomedicalmagnetic resonance:the imaging physics-based datasynthesis paradigm for artificial intelligence,"IEEE Signal ProcessingMagazine,40(2):129-140,2023.

Claims (3)

1.一种物理模型驱动人工智能的磁共振波谱定量方法，其特征在于包括以下步骤：
1)基于量子演化模拟生成代谢物基集，添加频率偏移、相位偏移、噪声的非理想因子，构建仿真数据集，具体方法为：
理想条件下采集的EDIT-ON信号不包括零阶相位、频率偏移和噪声，理想磁共振EDIT-ON信号可建模为磁共振时域信号模型b(nΔt)，用公式表示为：
其中，Δt表示信号采样时间间隔，n表示信号长度，总长度为N；下标m表示第m种代谢物，M表示代谢物类别的总数，cm表示第m种代谢物的浓度，vm(nΔt)对应EDIT-ON信号第m种代谢物的基集信号；
理想磁共振EDIT-OFF信号可建模为磁共振时域信号模型s(nΔt)，用公式表示为：
其中，hm(nΔt)对应EDIT-OFF信号第m种代谢物的基集信号；
添加非理想因子，包括频率偏移、相位偏移、噪声，使得仿真数据接近实测数据，非理想磁共振EDIT-ON信号可建模为磁共振时域信号模型p(nΔt)，用公式表示为：
其中，εEDIT-ON(nΔt)表示EDIT-ON信号的高斯白噪声，xm(nΔt)表示EDIT-ON信号的第m种代谢物分量信号，具体用公式表示为：
其中，i表示虚数单位且i2＝-1，φ1和f1模拟非理想条件下导致EDIT-ON信号产生的零阶相位和频率偏移；
非理想EDIT-OFF信号可建模为磁共振时域信号模型q(nΔt)，用公式表示为：
其中，εEDIT-OFF(nΔt)表示EDIT-OFF信号的高斯白噪声，ym(nΔt)表示EDIT-OFF信号的第m种代谢物分量信号，具体用公式表示为：
其中，φ2和f2模拟非理想条件下导致EDIT-OFF信号产生的零阶相位和频率偏移；
每组仿真数据包含EDIT-ON信号和EDIT-OFF信号，不同组仿真数据的代谢物浓度根据活体代谢物浓度范围随机分布；零阶相位值、频率偏移量根据实测数据设定合理范围，在合理范围内随机分布，同一组仿真数据的EDIT-ON和EDIT-OFF信号施加相同的浓度和不同的零阶相位值、频率偏移量；
根据磁共振信号特点，同一组仿真数据取n＝0,1,2,3,...,N-1，代入公式(1)和(2)分别构成EDIT-ON和EDIT-OFF谱的时域向量pt＝[p(0),p(1),...,p(N-1)]T和qt＝[q(0),q(1),...,q(N-1)]T，对这两个向量进行离散傅里叶变换，得到仿真的非理想EDIT-ON、EDIT-OFF波谱pf和qf，维度为N×1，EDIT-ON和EDIT-OFF谱相减，得到仿真的非理想编辑谱z，用公式表示为：
z＝pf-qf (7)
其中z维度为N×1，z作为网络训练的输入数据；
同一组仿真数据取n＝0,1,2,3,...,N-1，代入公式(3)和(4)分别构成EDIT-ON和EDIT-OFF谱的时域向量bt＝[b(0),b(1),...,b(N-1)]T和st＝[s(0),s(1),...,s(N-1)]T，对这两个向量进行离散傅里叶变换，得到仿真的理想EDIT-ON、EDIT-OFF波谱bf和sf，维度为N×1；
bf、sf、c三者共同构成标签{c,bf,sf}；
训练集由50000组{z,{c,bf,sf}}组成；
2)构建基于物理模型驱动的用于磁共振波谱定量的深度学习网络模型及损失函数，得到最优网络模型，具体方法为：
a)设计一个非线性映射模块，预测代谢物浓度系数该非线性映射模块由4个卷积块和2个全连接层组成，每个卷积块包含两个二维卷积层和一个最大池化层；非线性映射模块表示为：
其中θ表示非线性映射模块的训练参数集合，RMPnet(z|θ)表示从z到的非线性映射；
b)设计一个线性回归模块，获得矫正后的输入谱取n＝0,1,2,3,...,N-1构成EDIT-ON和EDIT-OFF谱的基集信号时域分向量/>对向量进行离散傅里叶变换，得到EDIT-ON和EDIT-OFF的基集分量信号波谱/>维度为N×1；将/>共2M个基集分量信号波谱按列排列成基集分量信号波谱矩阵/>维度都为N×M，该线性回归模块引入EDIT-ON和EDIT-OFF谱的基集VON、HOFF作为物理先验，进一步约束网络，将a)步骤中预测的浓度系数/>和EDIT-ON、EDIT-OFF谱的基集VON、HOFF代入公式(1)、(2)得到理想的EDIT-ON、EDIT-OFF波谱/>和/>则矫正后的输入谱/>通过以下公式计算：
因此，线性回归模块的功能用公式表示为：
其中，表示从预测浓度/>到矫正后的输入谱/>的线性映射；
综上，整体网络将线性映射模块、非线性回归模块级联，整体网络表示为：
其中，表示从z到/>的非线性映射；
c)设计损失函数，损失函数值作为网络最优模型的评估指标，整体网络损失函数的定义为：
其中，ω1和ω2是权重系数，ω3是网络中定义的batchsize的值，表示向量的2范数；
d)将步骤1)构建的仿真数据集输入网络，利用Adam优化器，通过网络迭代训练，通过最小化损失函数Loss(θ)获得最优参数集合下的最优网络模型；
3)将利用谱编辑技术采集到的人体磁共振编辑谱作为输入数据，通过步骤2)中的最优网络模型，预测得到目标代谢物浓度和矫正后的输入谱；
4)利用步骤3)中预测的浓度，计算目标代谢物的相对浓度。
2.如权利要求1所述一种物理模型驱动人工智能的磁共振波谱定量方法，其特征在于在步骤3)中，所述将利用谱编辑技术采集到的人体磁共振编辑谱作为输入数据，通过步骤2)中的最优网络模型，预测得到目标代谢物浓度和矫正后的输入谱的具体方法为：
将采集的活体ON和OFF谱p*、q*相减得到编辑谱z*，表示为：
z*＝p*-q* (13)
将z*输入步骤2)中的最优参数集合下的最优网络模型，得到预测的目标代谢物浓度和矫正后的输入谱/>用公式表示为：
3.如权利要求1所述一种物理模型驱动人工智能的磁共振波谱定量方法，其特征在于在步骤4)中，所述利用步骤3)中预测的浓度，计算目标代谢物的相对浓度的具体方法为：
代谢物a和代谢物b与d的混合物的相对浓度计算表示为：
其中，a∈{1,2,...,M},b∈{1,2,...,M},d∈{1,2,...,M},a≠b≠d；表示代谢物a的浓度，/>表示代谢物b的浓度，/>表示代谢物d的浓度。
CN202310396819.3A 2023-04-14 2023-04-14 一种物理模型驱动人工智能的磁共振波谱定量方法 Active CN116415503B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310396819.3A CN116415503B (zh) 2023-04-14 2023-04-14 一种物理模型驱动人工智能的磁共振波谱定量方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310396819.3A CN116415503B (zh) 2023-04-14 2023-04-14 一种物理模型驱动人工智能的磁共振波谱定量方法

Publications (2)

Publication Number Publication Date
CN116415503A CN116415503A (zh) 2023-07-11
CN116415503B true CN116415503B (zh) 2023-11-07

Family

ID=87054406

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310396819.3A Active CN116415503B (zh) 2023-04-14 2023-04-14 一种物理模型驱动人工智能的磁共振波谱定量方法

Country Status (1)

Country Link
CN (1) CN116415503B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190063395A (ko) * 2017-11-29 2019-06-07 연세대학교 원주산학협력단 자기공명분광 기반 뇌 대사물질에 대한 시변함수를 이용한 뇌 대사물질 네트워크 생성 시스템 및 방법
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
CN113143243A (zh) * 2021-02-25 2021-07-23 厦门大学 一种基于谱分解的深度学习磁共振波谱重建方法
CN114333983A (zh) * 2021-12-24 2022-04-12 厦门大学 一种基于深度学习的磁共振波谱智能量化分析方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190063395A (ko) * 2017-11-29 2019-06-07 연세대학교 원주산학협력단 자기공명분광 기반 뇌 대사물질에 대한 시변함수를 이용한 뇌 대사물질 네트워크 생성 시스템 및 방법
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
CN113143243A (zh) * 2021-02-25 2021-07-23 厦门大学 一种基于谱分解的深度学习磁共振波谱重建方法
CN114333983A (zh) * 2021-12-24 2022-04-12 厦门大学 一种基于深度学习的磁共振波谱智能量化分析方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Accelerated Detection for Low-Field NMR Using Nonuniform Sampling and Improved Reconstruction;Kaiwen Yao et al.;IEEE Transactions on Instrumentation and Measurement;Vol 71;全文 *

Also Published As

Publication number Publication date
CN116415503A (zh) 2023-07-11

Similar Documents

Publication Publication Date Title
Yiasemis et al. Recurrent variational network: A deep learning inverse problem solver applied to the task of accelerated mri reconstruction
Graveron-Demilly Quantification in magnetic resonance spectroscopy based on semi-parametric approaches
Li et al. A subspace approach to spectral quantification for MR spectroscopic imaging
Hamilton et al. Machine learning for rapid magnetic resonance fingerprinting tissue property quantification
CN109100669B (zh) 基于重叠回波的单扫描同步磁共振扩散及t2成像方法
Liu et al. Improved low-rank filtering of magnetic resonance spectroscopic imaging data corrupted by noise and $ B_0 $ field inhomogeneity
US20130034272A1 (en) System and method for determining motion of a biological object
US11320506B2 (en) Multiband spiral cardiac MRI with non-cartesian reconstruction methods
Iqbal et al. Deep learning can accelerate and quantify simulated localized correlated spectroscopy
Fang et al. High-throughput optogenetic functional magnetic resonance imaging with parallel computations
Rosa et al. Bayesian comparison of neurovascular coupling models using EEG-fMRI
Zöllner et al. Feasibility and implications of using subject‐specific macromolecular spectra to model short echo time magnetic resonance spectroscopy data
Kumar et al. Ground-truth “resting-state” signal provides data-driven estimation and correction for scanner distortion of fMRI time-series dynamics
CN116415503B (zh) 一种物理模型驱动人工智能的磁共振波谱定量方法
Shamaei et al. Physics-informed deep learning approach to quantification of human brain metabolites from magnetic resonance spectroscopy data
Wang et al. Denoising magnetic resonance spectroscopy (MRS) data using stacked autoencoder for improving signal‐to‐noise ratio and speed of MRS
Windolf et al. Robust online multiband drift estimation in electrophysiology data
Iqbal et al. Acceleration and quantitation of localized correlated spectroscopy using deep learning: a pilot simulation study
CN115137347B (zh) 三维超短回波时间磁共振指纹成像的髓鞘定量成像方法
Thomaz et al. Undersampled magnetic resonance image reconstructions based on a combination of u-nets and l1, l2, and tv optimizations
CN114333983A (zh) 一种基于深度学习的磁共振波谱智能量化分析方法
Chen et al. Magnetic resonance spectroscopy quantification aided by deep estimations of imperfection factors and overall macromolecular signal
Shamaei et al. A Wavelet Scattering Convolutional Network for Magnetic Resonance Spectroscopy Signal Quantitation.
Alaya et al. Fast and accurate estimation of the HARDI signal in diffusion MRI using a nearest-neighbor interpolation approach
Küstner et al. Predictive uncertainty in deep learning–based MR image reconstruction using deep ensembles: Evaluation on the fastMRI data set

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