CN117152297A - 加速获取核磁共振纯化学位移谱的方法及其装置 - Google Patents
加速获取核磁共振纯化学位移谱的方法及其装置 Download PDFInfo
- Publication number
- CN117152297A CN117152297A CN202311123099.XA CN202311123099A CN117152297A CN 117152297 A CN117152297 A CN 117152297A CN 202311123099 A CN202311123099 A CN 202311123099A CN 117152297 A CN117152297 A CN 117152297A
- Authority
- CN
- China
- Prior art keywords
- pure chemical
- chemical shift
- data
- deep
- magnetic resonance
- 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.)
- Pending
Links
- 239000000126 substance Substances 0.000 title claims abstract description 77
- 238000001228 spectrum Methods 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000005481 NMR spectroscopy Methods 0.000 title claims abstract description 51
- 238000000605 extraction Methods 0.000 claims abstract description 67
- 238000013135 deep learning Methods 0.000 claims abstract description 56
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000005070 sampling Methods 0.000 claims description 49
- 238000012545 processing Methods 0.000 claims description 32
- 230000001133 acceleration Effects 0.000 claims description 24
- 238000006073 displacement reaction Methods 0.000 claims description 18
- 238000001994 activation Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 13
- 230000006698 induction Effects 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 13
- 230000008878 coupling Effects 0.000 claims description 12
- 238000010168 coupling process Methods 0.000 claims description 12
- 238000005859 coupling reaction Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 7
- 238000013178 mathematical model Methods 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 3
- 230000004931 aggregating effect Effects 0.000 claims description 2
- 238000002474 experimental method Methods 0.000 abstract description 5
- 238000012360 testing method Methods 0.000 abstract description 3
- 239000000523 sample Substances 0.000 description 14
- 238000010586 diagram Methods 0.000 description 7
- RKFAZBXYICVSKP-AATRIKPKSA-N alpha-asarone Chemical compound COC1=CC(OC)=C(\C=C\C)C=C1OC RKFAZBXYICVSKP-AATRIKPKSA-N 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 229910052739 hydrogen Inorganic materials 0.000 description 2
- 239000001257 hydrogen Substances 0.000 description 2
- 238000005160 1H NMR spectroscopy Methods 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- -1 agriculture Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000425 proton nuclear magnetic resonance spectrum Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000012488 sample solution Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/203—Drawing of straight lines or curves
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明涉及加速获取核磁共振纯化学位移谱的方法及其装置。所述采用深度学习网络模型进行谱图重建的方法包括以下步骤：对所述纯化学位移欠采样数据集进行浅层特征提取得到初步特征集合I；对初步特征集合I做深层特征提取得到深层特征集合YK；对所述深层特征集合YK进行数据特征提取得到所述纯化学位移谱S。本发明将核磁共振实验得到的纯化学位移欠采数据作为测试集进行重建，获得高分辨的纯化学位移谱，有效地缓解了传统伪二维纯化学位移实验时间长的问题，且无需先验知识，训练数据均为模拟数据，可快速重建出伪影小，分辨率高，信噪比高的核磁共振纯化学位移谱。
Description
技术领域
本发明涉及核磁共振技术领域，特别是涉及加速获取核磁共振纯化学位移谱的方法及其装置。
背景技术
核磁共振(NMR)技术作为分析物质组成结构和空间信息的手段，由于其无辐射，无侵入，高分辨的特点被广泛应用于物理学、化学、生物、药学、医学、农业、材料学等学科领域。一维1H核磁共振波谱分析是核磁共振不可或缺的方法之一。然而，1H核有限的化学位移分布范围(约为10-15ppm)，以及氢核之间相互的标量耦合引起的谱峰裂分往往使得复杂样品的1H NMR谱图存在谱峰拥挤重叠和谱图分辨率低的问题，导致谱图解析困难。纯化学位移核磁共振(pure shift NMR)技术能够消除质子的自旋-自旋耦合效应，谱图中由于耦合裂分产生的多峰转为单峰，从而使复杂的氢谱信号得到简化，提高谱图分辨率。
纯化学位移实验采集有两种常用的方法，实时采集和伪二维采集。伪二维采集，每次采集需要保留一小段信号，再经过多次采样后将得到的多个信号通过数据拼接实现一维纯化学位移谱，所以不可避免的导致采集时间长。而实时采集是将去耦模块嵌入到采样中，在采集中采样与去耦模块穿插进行，实现实时去耦，使采集时间大大减小，但在实际应用中，也会使谱图分辨率有所下降以及干扰信号的增加。
核磁共振实验时间会随波谱分辨率与维度的提高而迅速增加，采用非均匀采样可以避免采集时间长的问题，常见的非均匀欠采样方法有：随机采样，指数采样，泊松-间隙采样，这些方法都会以缺失数据为代价，导致谱图出现严重伪影，需要设计重建算法修复欠采样所造成的信息损失。传统的重建方法有：最大熵重建(ME)，压缩感知(CS)，谱线形状增强重建(SMILE)，等。用于重建高质量波谱的现代方法依赖于先验知识与假设，此外，这些方法通常采用迭代的算法，时间成本较高。
发明内容
基于此，有必要针对传统纯化学位移谱获取时间长，时间成本高的问题，提供一种加速获取核磁共振纯化学位移谱的方法及其装置。
本发明采用以下技术方案实现：一种基于深度学习加速获取核磁共振纯化学位移谱的方法，其采用深度学习网络模型将纯化学位移欠采样数据集进行谱图重建获得高分辨的纯化学位移谱S，所述采用深度学习网络模型进行谱图重建的方法包括以下步骤：
步骤S1，对所述纯化学位移欠采样数据集进行浅层特征提取得到初步特征集合I，其中，所述浅层特征提取包括以下步骤：
步骤S11，对所述欠采样数据集进行一维卷积处理；
步骤S12，对一维卷积处理后的所述欠采样数据集做批标准化处理；
步骤S13，通过激活函数对批标准化处理后的所述欠采样数据集进行激活处理；
步骤S14，对激活处理后的所述欠采样数据集进行Dropout正则化处理，得到初步特征集合I＝{I1,I2,···,In,···,IN}，In表示第n个样本的初步特征；
步骤S2，对初步特征集合I做至少一次深层特征提取得到深层特征集合YK，K表示深层特征提取的次数；其中，所述深层特征提取包括以下步骤：
步骤S21，将所述初步特征集合I＝{I1,I2,···,In,···,IN}依次进行三次浅层特征提取得到中间特征集合当第二次浅层特征提取时，所述浅层特征提取采用分组卷积；
步骤S22，将初步特征集合I＝{I1,I2,···,In,···,IN}与中间特征集合进行叠加作为第一次深层特征提取的输出特征集合
将所述输出特征集合重复步骤S21至步骤S22循环K-1次，得到所述深层特征集合YK；
步骤S3，对所述深层特征集合YK进行数据特征提取得到所述纯化学位移谱S。
作为优选实例，在一维卷积处理中，使用的卷积核大小为f1＝9×1的一维卷积核，步长为S＝1，填充为p1＝4；
在激活处理中，所使用的激活函数使用LeakyReLU，设置为0.2；
使用Dropout正则化处理设置为0.4。
作为优选实例，在对初步特征集合I做深层特征提取的过程中，使用的卷积核大小为f2＝21×1，步长为s＝1，填充为p2＝10；所述一维卷积处理采用分组卷积的组数为C＝32；
和/或，在步骤S3中，所述数据特征提取包括以下步骤：将所述深层特征集合YK通过1×1卷积核进行数据特征提取，步长为1，不使用零填充，得到重建后的所述纯化学位移谱S。
作为优选实例，所述深度学习网络模型的训练方法包括以下步骤：
步骤S41，在伪二维采集模式下获取核磁共振纯化学位移谱，并在Matlab中建立其对应的数学模型，利用数学模型给各参数设置范围，直接运行生成得到理想标签数据和自由感应衰减信号；
步骤S42，对自由感应衰减信号进行拼接和全采样处理，再将处理后的所述自由感应衰减信号进行傅里叶变换和归一化处理，得到全采样原始数据集；
步骤S43，根据指数采样对全采样原始数据集中的数据块进行拼接和非均匀欠采样处理，再将处理后的所述全采样原始数据集进行傅里叶变换和归一化处理，得到欠采样数据集其中，/>表示V对应的欠采样数据集中的第n个样本，n＝1,2···,N，N表示总样本数；
步骤S44，使用优化器最小化一维纯化学位移频谱S与欠采样数据集对应的全采样理想数据集V形成的平均绝对误差损失函数，深度学习网络模型进行迭代训练直至收敛，停止训练，此时的深度学习网络模型即为训练好的深度学习网络模型。
作为优选实例，在整个获取过程中，标量耦合选择性翻转，残留的标量耦合使每个数据块都受到调制，得到的所述自由感应衰减信号表达式为：
其中，t1为数据块的采样时间，SW1为间接维的谱宽，t2＝0:1/SW1为数据块的直接维采样时间，A为幅度，f为频率，T2为弛豫时间，J为标量耦合。
作为优选实例，所述理想标签数据只需要考虑化学位移演化和弛豫作用的影响，即通过理想标签数据构建的全采样理想数据集V表达式为：
其中，A为幅度，t1为数据块的采样时间，t2＝0:1/SW1为数据块的直接维采样时间，f为频率，T2为弛豫时间。
作为优选实例，对所述全采样原始数据进行指数采样的过程包括以下步骤：
a)、根据指数采样原理获取所需的数据块数，通过求解如下积分表达式得到所需块数；
式中，连续采样概率密度函数F(x)＝e-mxdx,x＞0，m为满足的因子，N为一维纯化学位移谱的总块数，n为欠采样需要的块数，其中n<N，对于每一次积分j＝0,1,......,n-1需满足Uk＝j；
b)、利用得到的表达式(1)对时域FID信号进行欠采样处理，对未采样的块数对应位置进行零填充。
作为优选实例，所述深度学习网络模型的训练过程中，初始学习率设为0.001，批次大小设定为32，学习率策略为当验证集损失值不下降时，学习率降为原来的0.1倍时，将全采样理想数据集V＝{V1,V2,···,Vn,···,VN}和欠采样数据集输入深度学习网络模型中训练直至损失函数完全收敛；
其中，所述损失函数为N表示总样本数，n表示第n个样本。
本发明还提供了一种基于深度学习加速获取核磁共振纯化学位移谱的装置，其应用了上述的基于深度学习加速获取核磁共振纯化学位移谱的方法，所述基于深度学习加速获取核磁共振纯化学位移谱的装置包括：
浅层特征提取模块，其用于对所述纯化学位移欠采样数据集进行浅层特征提取得到初步特征集合I；
K个深层特征迭代提取模块，其用于对初步特征集合I做深层特征提取得到深层特征集合YK；
数据特征提取层，其用于对所述深层特征集合YK进行数据特征提取得到所述纯化学位移谱S。
作为优选实例，所述深层特征迭代提取模块由三个浅层特征提取模块级联后再使用跳跃连接而成，其中，第二个浅层特征提取模块的卷积层采用分组卷积。
与现有技术相比，本发明提供的基于深度学习加速获取核磁共振纯化学位移谱的方法具备如下有益效果：本发明将核磁共振实验得到的纯化学位移欠采数据作为测试集进行重建，获得高分辨的纯化学位移谱，有效地缓解了传统伪二维纯化学位移实验时间长的问题，且无需先验知识，训练数据均为模拟数据，可快速重建出伪影小，分辨率高，信噪比高的核磁共振纯化学位移谱。
附图说明
图1为本发明中基于深度学习加速获取核磁共振纯化学位移谱的方法的流程图；
图2为本发明中基于深度学习加速获取核磁共振纯化学位移谱的装置的功能模块图；
图3为图1中得到初步特征集合I的流程图；
图4为图1中得到深层特征集合YK的流程图；
图5为本发明中所采用的深度学习网络模型训练时的功能模块图；
图6为本发明中纯化学位移谱伪二维采集示意图；
图7为本发明中所采用的深度学习网络模型的训练流程图；
图8为本发明实施例中在伪二维采集下获取的细辛醚溶液的一维核磁共振纯化学位移谱、16.1％欠采率的纯化学位移谱和谱图重建结果的示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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。
需要说明的是，当组件被称为“安装于”另一个组件，它可以直接在另一个组件上或者也可以存在居中的组件。当一个组件被认为是“设置于”另一个组件，它可以是直接设置在另一个组件上或者可能同时存在居中组件。当一个组件被认为是“固定于”另一个组件，它可以是直接固定在另一个组件上或者可能同时存在居中组件。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“或/及”包括一个或多个相关的所列项目的任意的和所有的组合。
请参阅图1，图1为本发明中基于深度学习加速获取核磁共振纯化学位移谱的方法的流程图.本发明的基于深度学习加速获取核磁共振纯化学位移谱的方法采用深度学习网络模型将纯化学位移欠采样数据集进行谱图重建获得高分辨的纯化学位移谱S，本发明的方法依赖于所搭建的深度学习网络模型。本发明的方法在应用时，可设计成相应的基于深度学习加速获取核磁共振纯化学位移谱的装置，也即深度学习网络模型的构架，如图2所示的基于深度学习加速获取核磁共振纯化学位移谱的装置的功能模块示意图(也即深度学习网络模型的构架结构示意图)。基于深度学习加速获取核磁共振纯化学位移谱的装置包括浅层特征提取模块、K个深层特征迭代提取模块、数据特征提取层。K的取值为正整数。
深度学习网络模型进行谱图重建的方法包括以下三大步骤：步骤S1，对所述纯化学位移欠采样数据集进行浅层特征提取得到初步特征集合I；步骤S2，对初步特征集合I做深层特征提取得到深层特征集合YK；步骤S3，对所述深层特征集合YK进行数据特征提取得到所述纯化学位移谱S。接下来对每一步骤进行详细展开说明。
步骤S1由浅层特征提取模块执行，请参照图3，该步骤S1中，通过浅层特征提取模块对欠采样数据集进行浅层特征提取包括以下步骤：
步骤S11，对所述欠采样数据集进行一维卷积处理；
步骤S12，对一维卷积处理后的所述欠采样数据集做批标准化处理；
步骤S13，通过激活函数对批标准化处理后的所述欠采样数据集进行激活处理；
步骤S14，对激活处理后的所述欠采样数据集进行Dropout正则化处理，得到初步特征集合I＝{I1,I2,···,In,···,IN}，In表示第n个样本的初步特征；
上述步骤中，使用卷积核大小优选为f1＝9×1的一维卷积核，步长优选为S＝1，填充优选为p1＝4，激活函数优选使用LeakyReLU，设置为0.2，使用Dropout正则化，设置为0.4，级联构成浅层特征提取模块。
步骤S2由K个深层特征迭代提取模块执行，在步骤S2中，对初步特征集合I做至少一次深层特征提取得到深层特征集合YK，其中K表示深层特征提取的次数。请参照图4和图5，该步骤中，利用三个浅层特征提取模块级联后并使用跳跃连接组成深层特征迭代提取模块，卷积核大小为f2＝21×1，步长为s＝1，填充为p2＝10，值得一提的是，中间的浅层特征提取模块的卷积层采用分组卷积(Group Convolution)，组数C＝32。使用深层特征迭代提取模块进行深层特征提取包括以下步骤：
当K＝1时，将所述的初步特征集合I＝{I1,I2,···,In,···,IN}输入并依次送入第1个深层特征迭代提取模块的三个浅层特征提取模块中，输出特征集合其中/>表示第一次深层特征迭代提取模块的第n个样本的无跳跃连接输出特征，并将初步特征集合I与输出特征集合Y1,0形成跳跃连接共同作为所述的第一个深层特征迭代提取模块的输出特征集合/>
当K＝2,3,···,K时，将特征集合Yk-1作为第K个深层特征迭代提取模块的输入，送入第K个深层特征迭代提取模块的三个浅层特征提取模块，得到无跳跃连接输出特征集合其中/>表示第K次深层特征迭代提取模块的第n个样本的无跳跃连接输出特征，并将特征集合Yk-1与Yk,0形成跳跃连接共同作为所述的第K个深层特征迭代提取模块的输出特征集合/>从而由第K个深层特征迭代提取模块得到最终的输出特征集合/>
步骤S3由数据特征提取层执行，对所述深层特征集合YK进行数据特征提取得到所述纯化学位移谱S。该步骤中，通过1×1卷积核，步长为1，不使用0填充，得到重建后的纯化学位移谱S，将深层特征迭代提取模块迭代完成后输出的特征图Yk经过卷积通道合并输出S＝{S1,S2,···,Sn,···,SN}，其中Sn表示输出的第n个特征图，且
其中，表示第k次迭代后第n个样本的第d个通道的特征图，Wd表示第d个通道对应的通道权重系数，b表示偏置项。
以上是本发明的基于深度学习加速获取核磁共振纯化学位移谱的方法和其所采用的深度学习网络模型的介绍，针对所搭建的深度学习网路模型最好做训练处理，从而使用训练好的深度神经网路模型进行相应的数据处理。在本实施例中，请结合参阅图5和图6，所述深度学习网络模型训练时的方法包括以下步骤：
步骤S41，在伪二维采集模式下获取核磁共振纯化学位移谱，并在Matlab中建立其对应的数学模型，利用数学模型给各参数设置范围，直接运行生成得到理想标签数据和自由感应衰减信号。
模拟伪二维采集模式下的自由感应衰减信号数据块拼接数据如图6所示，t1为数据块的采样时间，SW1为间接维的谱宽。在整个演化时间内，标量耦合选择性翻转，选择性翻转模块无法完全消除标量耦合，残留的标量耦合使每个数据块都受到调制，伪二维采集下的自由感应衰减信号表达式为：
其中，t2＝0:1/SW1，为数据块的直接维采样时间，A，f，T2，J，分别代表幅度，频率，弛豫时间和标量耦合。
在Matlab模拟实现中，用采样点数分别代替时间t1和t2，表示如下：
t1＝1/SW1*(0:ni-1)
t2＝1/SW2*(0:pn-1)
其中SW2为直接维谱宽，ni和pn分别代表数据块总数和每个数据块的点数。
而理想标签数据只需要考虑化学位移演化和弛豫作用的影响，在之前所述的模型中忽略余弦调制项，即通过理想标签数据构建的全采样理想数据集V的表达式为：
其中，A为幅度，t1为数据块的采样时间，t2＝0:1/SW1为数据块的直接维采样时间，f为频率，T2为弛豫时间。该全采样理想数据集V＝{V1,V2,···,Vn,···,VN}只作损失函数计算使用，其中，Vn表示全采样理想数据集中第n个样本，n＝1,2···,N，N表示总样本数。
步骤S42，对自由感应衰减信号进行拼接和全采样处理，再将处理后的所述自由感应衰减信号进行傅里叶变换和归一化处理，得到全采样原始数据集；
步骤S43，根据指数采样对全采样原始数据集中的数据块进行拼接和非均匀欠采样处理，再将处理后的所述全采样原始数据进行傅里叶变换和归一化处理，得到欠采样数据集其中，/>表示V对应的欠采样数据集中的第n个样本，n＝1,2···,N，N表示总样本数。
在该步骤中，对全采样原始数据集进行指数采样(即欠采样)的具体实现过程包括：
a)根据指数采样原理获取所需的数据块数，通过求解如下积分表达式可得到所需块数；
式中，连续采样概率密度函数F(x)＝e-mxdx,x＞0，m为满足的因子，N为一维纯化学位移谱的总块数，n为欠采样需要的块数，其中n<N，对于每一次积分j＝0,1,......,n-1需满足Uk＝j；
b)利用得到的上述表达式对时域FID信号进行欠采样处理，对未采样的块数对应位置进行零填充。
步骤S44，使用优化器最小化一维纯化学位移频谱S与欠采样数据集对应的全采样理想数据集V形成的平均绝对误差损失函数，深度学习网络模型进行迭代训练直至收敛，停止训练，此时的深度学习网络模型即为训练好的深度学习网络模型。
该步骤中，初始学习率设为0.001，批次大小设定为32，优化器使用RMSprop，损失函数如下所示
其中N表示总样本数，n表示第n个样本。
学习率策略为当验证集损失值不下降时，学习率降为原来的0.1倍，将全采样理想数据集V＝{V1,V2,···,Vn,···,VN}和欠采样数据集输入深度学习网络模型中训练直至损失函数完全收敛。
为验证本申请所达到的效果，利用上述经过指数非均匀欠采样采集以及加窗、傅里叶变换、相位校正、归一化处理后的纯化学位移测试数据对深度学习网络模型进行测试，以细辛醚(asarone)为样品，在伪二维采集模式下获取asarone的一维核磁共振纯化学位移谱，请参阅图8，其中图a)为实验采集的细辛醚(asarone)样品溶液的伪二维PSYCHE谱，图b)为16.1％欠采率的纯化学位移谱，图c)则为利用本申请的方法进行降噪重建后的纯化学位移谱，根据图中的图谱对比，可以看出利用本发明提供的方法，重建得到伪影少、分辨率高、信噪比高的纯化学位移谱，实现了加速获取核磁共振纯化学位移谱的效果。
另外本发明的加速获取核磁共振纯化学位移谱的方法在具体应用时，可以设置成软件的形式，如设计成独立的APP，或者被随时可调用的嵌入式软件，应用在计算机终端中。计算机终端可包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序。存储器至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、磁性存储器、磁盘、光盘等，用于存储安装实现加速获取核磁共振纯化学位移谱的方法的应用软件及可执行的计算机程序。处理器在一些实施例中可以是一中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器或其他数据处理芯片，用于运行存储器中存储的程序代码或处理数据，例如执行加速获取核磁共振纯化学位移谱的方法的程序等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于深度学习加速获取核磁共振纯化学位移谱的方法，其采用深度学习网络模型将纯化学位移欠采样数据集进行谱图重建获得高分辨的纯化学位移谱S，其特征在于，所述采用深度学习网络模型进行谱图重建的方法包括以下步骤：
步骤S1，对所述纯化学位移欠采样数据集进行浅层特征提取得到初步特征集合I，其中，所述浅层特征提取包括以下步骤：
步骤S11，对所述欠采样数据集进行一维卷积处理；
步骤S12，对一维卷积处理后的所述欠采样数据集做批标准化处理；
步骤S13，通过激活函数对批标准化处理后的所述欠采样数据集进行激活处理；
步骤S14，对激活处理后的所述欠采样数据集进行Dropout正则化处理，得到初步特征集合I＝{I1,I2,···,In,···,IN}，In表示第n个样本的初步特征；
步骤S2，对初步特征集合I做至少一次深层特征提取得到深层特征集合YK，K表示深层特征提取的次数；其中，所述深层特征提取包括以下步骤：
步骤S21，将所述初步特征集合I＝{I1,I2,···,In,···,IN}依次进行三次浅层特征提取得到中间特征集合当第二次浅层特征提取时，所述浅层特征提取采用分组卷积；
步骤S22，将初步特征集合I＝{I1,I2,···,In,···,IN}与中间特征集合进行叠加作为第一次深层特征提取的输出特征集合
将所述输出特征集合重复步骤S21至步骤S22循环K-1次，得到所述深层特征集合YK；
步骤S3，对所述深层特征集合YK进行数据特征提取得到所述纯化学位移谱S。
2.根据权利要求1所述的基于深度学习加速获取核磁共振纯化学位移谱的方法，其特征在于，在一维卷积处理中，使用的卷积核大小为f1＝9×1的一维卷积核，步长为S＝1，填充为p1＝4；
在激活处理中，所使用的激活函数使用LeakyReLU，设置为0.2；
使用Dropout正则化处理设置为0.4。
3.根据权利要求1所述的基于深度学习加速获取核磁共振纯化学位移谱的方法，其特征在于，在对初步特征集合I做深层特征提取的过程中，使用的卷积核大小为f2＝21×1，步长为s＝1，填充为p2＝10；所述一维卷积处理采用分组卷积的组数为C＝32；
和/或，在步骤S3中，所述数据特征提取包括以下步骤：将所述深层特征集合YK通过1×1卷积核进行数据特征提取，步长为1，不使用零填充，得到重建后的所述纯化学位移谱S。
4.根据权利要求1所述的基于深度学习加速获取核磁共振纯化学位移谱的方法，其特征在于，所述深度学习网络模型的训练方法包括以下步骤：
步骤S41，在伪二维采集模式下获取核磁共振纯化学位移谱，并在Matlab中建立其对应的数学模型，利用数学模型给各参数设置范围，直接运行生成得到理想标签数据和自由感应衰减信号；
步骤S42，对自由感应衰减信号进行拼接和全采样处理，再将处理后的所述自由感应衰减信号进行傅里叶变换和归一化处理，得到全采样原始数据集；
步骤S43，根据指数采样对全采样原始数据集中的数据块进行拼接和非均匀欠采样处理，再将处理后的所述全采样原始数据集进行傅里叶变换和归一化处理，得到欠采样数据集其中，/>表示V对应的欠采样数据集中的第n个样本，n＝1,2···,N，N表示总样本数；
步骤S44，使用优化器最小化一维纯化学位移频谱S与欠采样数据集对应的全采样理想数据集V形成的平均绝对误差损失函数，深度学习网络模型进行迭代训练直至收敛，停止训练，此时的深度学习网络模型即为训练好的深度学习网络模型。
5.根据权利要求4所述的基于深度学习加速获取核磁共振纯化学位移谱的方法，其特征在于，在整个获取过程中，标量耦合选择性翻转，残留的标量耦合使每个数据块都受到调制，得到的所述自由感应衰减信号表达式为：
其中，t1为数据块的采样时间，SW1为间接维的谱宽，t2＝0:1/SW1为数据块的直接维采样时间，A为幅度，f为频率，T2为弛豫时间，J为标量耦合。
6.根据权利要求5所述的基于深度学习加速获取核磁共振纯化学位移谱的方法，其特征在于，所述理想标签数据只需要考虑化学位移演化和弛豫作用的影响，即通过理想标签数据构建的全采样理想数据集V表达式为：
其中，A为幅度，t1为数据块的采样时间，t2＝0:1/SW1为数据块的直接维采样时间，f为频率，T2为弛豫时间。
7.根据权利要求4所述的基于深度学习加速获取核磁共振纯化学位移谱的方法，其特征在于，对所述全采样原始数据进行指数采样的过程包括以下步骤：
a)、根据指数采样原理获取所需的数据块数，通过求解如下积分表达式得到所需块数；
式中，连续采样概率密度函数F(x)＝e-mxdx,x＞0，m为满足的因子，N为一维纯化学位移谱的总块数，n为欠采样需要的块数，其中n<N，对于每一次积分j＝0,1,......,n-1需满足Uk＝j；
b)、利用得到的表达式(1)对时域FID信号进行欠采样处理，对未采样的块数对应位置进行零填充。
8.根据权利要求7所述的基于深度学习加速获取核磁共振纯化学位移谱的方法，其特征在于，所述深度学习网络模型的训练过程中，初始学习率设为0.001，批次大小设定为32，学习率策略为当验证集损失值不下降时，学习率降为原来的0.1倍时，将全采样理想数据集V＝{V1,V2,···,Vn,···,VN}和欠采样数据集输入深度学习网络模型中训练直至损失函数完全收敛；
其中，所述损失函数为N表示总样本数，n表示第n个样本。
9.一种基于深度学习加速获取核磁共振纯化学位移谱的装置，其应用了如权利要求1至8中任意一项所述的基于深度学习加速获取核磁共振纯化学位移谱的方法，其特征在于，所述基于深度学习加速获取核磁共振纯化学位移谱的装置包括：
浅层特征提取模块，其用于对所述纯化学位移欠采样数据集进行浅层特征提取得到初步特征集合I；
K个深层特征迭代提取模块，其用于对初步特征集合I做深层特征提取得到深层特征集合YK；
数据特征提取层，其用于对所述深层特征集合YK进行数据特征提取得到所述纯化学位移谱S。
10.根据权利要求9所述的基于深度学习加速获取核磁共振纯化学位移谱的装置，其特征在于，所述深层特征迭代提取模块由三个浅层特征提取模块级联后再使用跳跃连接而成，其中，第二个浅层特征提取模块的卷积层采用分组卷积。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311123099.XA CN117152297A (zh) | 2023-09-01 | 2023-09-01 | 加速获取核磁共振纯化学位移谱的方法及其装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311123099.XA CN117152297A (zh) | 2023-09-01 | 2023-09-01 | 加速获取核磁共振纯化学位移谱的方法及其装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117152297A true CN117152297A (zh) | 2023-12-01 |
Family
ID=88886408
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311123099.XA Pending CN117152297A (zh) | 2023-09-01 | 2023-09-01 | 加速获取核磁共振纯化学位移谱的方法及其装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117152297A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117765286A (zh) * | 2024-02-22 | 2024-03-26 | 清华大学 | 一种水泥基材料的水分相态表征方法和装置 |
-
2023
- 2023-09-01 CN CN202311123099.XA patent/CN117152297A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117765286A (zh) * | 2024-02-22 | 2024-03-26 | 清华大学 | 一种水泥基材料的水分相态表征方法和装置 |
| CN117765286B (zh) * | 2024-02-22 | 2024-05-07 | 清华大学 | 一种水泥基材料的水分相态表征方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210382127A1 (en) | Method for reconstructing magnetic resonance spectrum based on deep learning | |
| Quan et al. | Compressed sensing MRI reconstruction using a generative adversarial network with a cyclic loss | |
| Ghodrati et al. | MR image reconstruction using deep learning: evaluation of network structure and loss functions | |
| Guerquin-Kern et al. | A fast wavelet-based reconstruction method for magnetic resonance imaging | |
| CN117152297A (zh) | 加速获取核磁共振纯化学位移谱的方法及其装置 | |
| Liu et al. | A deep framework assembling principled modules for CS-MRI: unrolling perspective, convergence behaviors, and practical modeling | |
| CN112819949B (zh) | 一种基于结构化低秩矩阵的磁共振指纹图像重建方法 | |
| CN114820849A (zh) | 基于深度学习的磁共振cest图像重建方法、装置及设备 | |
| Wang et al. | Denoising auto-encoding priors in undecimated wavelet domain for MR image reconstruction | |
| Zhang et al. | High-dimensional embedding network derived prior for compressive sensing MRI reconstruction | |
| Fan et al. | An interpretable MRI reconstruction network with two-grid-cycle correction and geometric prior distillation | |
| He et al. | Deep frequency-recurrent priors for inverse imaging reconstruction | |
| CN111695444B (zh) | 一种基于波原子变换的辐射源个体特征提取方法 | |
| CN110940944B (zh) | 基于深度学习的磁共振信号的去j耦合方法 | |
| CN108828482A (zh) | 结合稀疏和低秩特性的欠采样磁共振扩散谱的重建方法 | |
| Zheng et al. | Tensor completion using patch-wise high order Hankelization and randomized tensor ring initialization | |
| Trevino-Sanchez et al. | Hybrid pooling with wavelets for convolutional neural networks | |
| CN117011409A (zh) | 多部位物理智能高清扩散磁共振数据生成方法 | |
| CN105676156A (zh) | 一种基于多通道协作编码的磁共振成像重建方法和装置 | |
| CN110598579A (zh) | 一种基于深度学习的超复数磁共振波谱重建方法 | |
| CN115511996A (zh) | 一种基于深度学习的压缩感知磁共振图像快速重建方法 | |
| An et al. | A structural oriented training method for gan based fast compressed sensing mri | |
| Oh et al. | Domain transformation learning for MR image reconstruction from dual domain input | |
| Hong et al. | A Complex Quasi-Newton Proximal Method for Image Reconstruction in Compressed Sensing MRI | |
| Huang et al. | Orthogonal tensor dictionary learning for accelerated dynamic 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 |