CN117314765A - 一种核磁共振谱降噪方法及其核磁共振谱降噪装置 - Google Patents

一种核磁共振谱降噪方法及其核磁共振谱降噪装置 Download PDF

Info

Publication number
CN117314765A
CN117314765A CN202311102399.XA CN202311102399A CN117314765A CN 117314765 A CN117314765 A CN 117314765A CN 202311102399 A CN202311102399 A CN 202311102399A CN 117314765 A CN117314765 A CN 117314765A
Authority
CN
China
Prior art keywords
nuclear magnetic
feature map
decoding
data
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
Application number
CN202311102399.XA
Other languages
English (en)
Inventor
詹昊霖
房启元
刘佳伟
陈心语
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.)
Hefei University of Technology
Original Assignee
Hefei University of Technology
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 Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN202311102399.XA priority Critical patent/CN117314765A/zh
Publication of CN117314765A publication Critical patent/CN117314765A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明涉及一种核磁共振谱降噪方法及其核磁共振谱降噪装置。所述方法采用的深度神经网络模型，其设计方法包括：对所述低信噪比核磁谱数据依次进行m次编码得到特征图；对特征图进行优化得到中间特征图；对中间特征图依次进行m次解码，在每次解码时需要叠加相应倒叙次数的编码输出，最终得到解码特征图；对解码特征图叠加低信噪比核磁谱数据后再进行数据重建得到高信噪比核磁谱数据。本发明将通过少量采集次数获得的低信噪比核磁谱数据，输入深度神经网络，得到高信噪比的核磁谱数据，因而去噪质量高，结果可靠，重构时间短，具有广泛的应用前景。

Description

一种核磁共振谱降噪方法及其核磁共振谱降噪装置
技术领域
本发明涉及核磁共振谱降噪领域中的一种降噪方法，特别是涉及一种基于轻量级神经网络的核磁共振谱降噪方法。
背景技术
磁共振波谱是一种基于分子内部原子核核磁矩与强磁场相互作用的分析方法，通过给原子核施加射频电磁波并检测其磁场效应来获取分子结构和化学键信息。该分析方法具有高度的精准度和分辨率，被广泛应用于化学、生物、医学等领域的研究，可以用于检测脑部疾病、材料结构、电子状态等领域。在进行磁共振波谱数据降噪时，需要考虑到数据的准确性和噪声的特征。目前，常用的降噪方法包括基线校正、峰强度平滑、信噪比增强、小波分析和主成分分析等。基于深度学习的降噪方法在近年来也得到了广泛应用，Olaf等人提出了卷积神经网络Unet，该网络采用自编码器结构，将输入数据编码为更低维度的特征表示，并通过解码器将其还原为原始数据。该网络被广泛应用在图像分割，图像去噪等领域。近年来Wu等人提出了基于Unet的磁共振波谱去噪网络DNUnet，对于液体核磁数据取得了很好的降噪效果，但该网络模型庞大且训练时间成本高，这些都限制了该方法的广泛应用。
发明内容
基于此，有必要针对现有核磁共振谱降噪方法所采用的深度神经网络模型的训练时间成本高、降噪效果不理想的技术问题，本发明提供一种基于轻量级神经网络的核磁共振谱降噪方法。
本发明采用以下技术方案实现：一种核磁共振谱降噪方法，其将低信噪比核磁谱数据输入到深度神经网络模型进行降噪得到高信噪比核磁谱数据；所述深度神经网络模型设计方法包括以下步骤：
步骤S1，对所述低信噪比核磁谱数据依次进行m次编码得到编码特征图DResultm；
步骤S2，对编码特征图DResultm进行优化得到中间特征图Resultmid；
步骤S3，对中间特征图Resultmid依次进行m次解码，在每次解码时需要叠加相应倒叙次数的编码特征图，最终得到解码特征图UResultm；
步骤S4，对解码特征图UResultm叠加所述低信噪比核磁谱数据后再进行数据重建得到所述高信噪比核磁谱数据。
作为上述方案的进一步改进，在步骤S1中，所述m次编码的编码方法包括以下步骤：
步骤S11，对所述低信噪比核磁谱数据做一维卷积处理；
步骤S12，对一维卷积处理后的所述低信噪比核磁谱数据做批量归一化处理；
步骤S13，根据激活函数对批量归一化处理后的所述低信噪比核磁谱数据做激活处理，得到第m次待叠加用的特征图DCResult1；
步骤S14，对特征图DCResult1上的数据点，每隔一个数据点获取相应频谱数据形成第1次编码的特征图DResult1；
对特征图DResult1重复步骤S11至S14循环m次，得到所述特征图DResultm、以及第1至m次待叠加用的特征图DCResultm～DCResult1。
进一步地，在步骤S2中，的特征图DResultm优化方法包括以下步骤：
步骤S21，对特征图DResultm做一维卷积处理；
步骤S22，对一维卷积处理后的特征图DResultm做批量归一化处理；
步骤S13，根据激活函数对批量归一化处理后的特征图DResultm做激活处理，得到所述中间特征图Resultmid。
再进一步地，在步骤S3中，所述m次解码的解码方法包括以下步骤：
步骤S31，将中间特征图Resultmid进行线性插值做维度扩充；
步骤S32，对维度扩充后的Resultmid叠加第m次待叠加用的特征图DCResultm，得到叠加特征图DUResult1；
步骤S33，对叠加特征图DUResult1进行一维卷积处理；
步骤S34，对一维卷积处理后的叠加特征图DUResult1做批量归一化处理；
步骤S35，根据激活函数对批量归一化处理后的叠加特征图DUResult1做激活处理，得到第1次解码的解码特征图UResult1；
对解码特征图UResult1重复步骤S31至S35循环m次，得到第m次解码的解码特征图UResultm。
优选地，在步骤S3中，所述数据重建的方法包括以下步骤：
步骤S41，对解码特征图UResultm叠加所述低信噪比核磁谱数据；
步骤S42，对叠加后的解码特征图UResultm进行一维卷积处理；
步骤S43，根据激活函数对一维卷积处理后的解码特征图UResultm做激活处理，得到所述高信噪比核磁谱数据。
再优选地，在m次编码中，相应一维卷积的卷积核为15，步长为1，进行零填充；
在优化方法中，相应一维卷积的卷积核为15，步长为1，进行零填充；
在m次解码中，相应一维卷积的卷积核为5，步长为1，进行零填充；
在数据重建中，相应一维卷积的卷积核为1，步长为1，不进行零填充。
再优选地，在m次编码中，相应的激活函数采用LeakyRelu激活函数；
在优化方法中，相应的激活函数采用LeakyRelu激活函数；
在m次解码中，相应的激活函数采用LeakyRelu激活函数；
在数据重建中，相应的激活函数采用tanh激活函数。
作为上述方案的进一步改进，所述核磁共振谱降噪方法还包括以下步骤：
使用训练好的深度神经网络模型进行相应的数据处理；所述深度神经网络模型的训练方法包括以下步骤：
步骤S51，利用公式FID＝Aei2πf1t1e-t1/T2根据不同的A、f1、T2生成一系列的一维核磁共振数据作为训练样本集，式中，A为幅值，f1为频率，T2为弛豫时间，t1为模拟采样时间点，i为虚部标记；
步骤S52，每个训练样本中的噪声采用白噪声Noise，利用公式Noise＝n*(randn(1,NF2)+i*randn(1,NF2))生成，式中n为噪声的强度范围内的采样点数，NF2为噪声的直接维的采样点数，randn(1,NF2)代表点数为NF2的白噪声；
步骤S54，叠加每个训练样本FID和相应的白噪声Noise得到训练样本FIDnoisy；
步骤S55，对每个训练样本采用四种不同信噪比的噪声数据 对应同一无噪声标签信号Yk，训练数据第k条数据对表示为/>
步骤S56，根据训练样本X对所述深度神经网络模型进行迭代训练，直至相应的归一化均方误差损失函数收敛时，终止训练，当前的深度神经网络模型即为训练好的深度神经网络模型。
进一步地，在步骤S52之后还对训练样本FID做预处理，训练样本FID的预处理方法包括以下步骤：
步骤S531，对训练样本FID进行傅里叶变换；
步骤S532，将傅里叶变换后的训练样本FID的实部与虚部都依照信号实部的最大值进行归一化；
步骤S533，再对归一化后的结果进行反傅里叶变化得到FID2；
因此，训练样本FIDnoisy＝FID2+Noise。
本发明还提供一种核磁共振谱降噪装置，其应用了上述任意核磁共振谱降噪方法，所述核磁共振谱降噪装置包括：
编码器模块，其用于对所述低信噪比核磁谱数据依次进行m次编码得到特征图DResultm；
中间模块，其用于对特征图DResultm进行优化得到中间特征图Resultmid；
解码器模块，其用于对中间特征图Resultmid依次进行m次解码，在每次解码时需要叠加相应倒叙次数的编码输出，最终得到解码特征图UResultm；
输出模块，其用于对解码特征图UResultm叠加所述低信噪比核磁谱数据后再进行数据重建得到所述高信噪比核磁谱数据。
与现有技术相比，本发明核磁共振谱降噪方法具备如下有益效果：
(1)采用的深度神经网络模型，其为基于U-Net的自编码器器式结构，构建了低信噪比到高信噪比核磁共振谱的映射，缩短了实验采集时间。该结构与普通的卷积神经网络相比，能通过编码器提取不同尺度的特征信息，更好的保留微小特征，对核磁共振谱数据有很高的应用价值。
(2)不同于传统Unet的二维卷积，编码器模块采用一维卷积实现，对于一维的核磁数据，一维卷积较好的保持了信号的完整性，同时编码器模块的卷积函数采用了较小数量的卷积核，大大缩小了网络参数量。
(3)反卷积部分采用线性插值算法，来还原特征图的维度，该方法优势在于没有需要学习的参数，可以缩小模型参数量，此外，线性插值方法可以避免高频伪影的产生，以提升网络的准确度。
(4)由于噪声数据的多样性，同一模拟数据样本标签添加四种不同大小的白噪声，该方法可以提升网络对噪声抑制和弱峰恢复的能力。
附图说明
图1为本发明实施例提供的核磁共振谱降噪方法的流程图。
图2为应用图1中核磁共振谱降噪方法的核磁共振谱降噪装置的功能模块图。
图3为图1中核磁共振谱降噪方法采用的编码方法的流程图。
图4为图1中核磁共振谱降噪方法采用的特征图DResultm优化方法的流程图。
图5为图1中核磁共振谱降噪方法采用的解码方法的流程图。
图6为图1中核磁共振谱降噪方法采用的数据重建方法的流程图。
图7为图1中核磁共振谱降噪方法采用的深度神经网络模型在训练时采用的训练样本集的设置方法流程图。
图8为应用图1中核磁共振谱降噪方法的实验结果示意图。
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。
本实施例的核磁共振谱降噪方法用于将低信噪比核磁谱数据输入到深度神经网络模型进行降噪得到高信噪比核磁谱数据。深度神经网络模型在本实施例中，设计成了一种轻量级神经网络模型，基于所述轻量级神经网络模型，本发明能够将通过少量采集次数获得的低信噪比核磁谱数据，输入所述轻量级神经网络模型，得到高信噪比的核磁谱数据，该发明去噪质量高，结果可靠，重构时间短，具有广泛的应用前景。
请参阅图1及图2，图1为本发明实施例提供的核磁共振谱降噪方法的流程图；图2为本发明实施例提供的核磁共振谱降噪装置的功能模块示意图。在本实施例中，所使用的样品为阿奇霉素，采集的数据为阿奇霉素的一维频谱数据，使用的仪器为Varian 500MHz核磁共振波谱仪。本发明的核磁共振谱降噪方法在具体应用时，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。该计算机终端还可以是能够执行程序的智能手机、平板电脑、笔记本电脑等。处理器在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器通常用于控制计算机设备的总体操作。本实施例中，处理器用于运行存储器中存储的程序代码或者处理数据。处理器执行程序时可实现本发明的核磁共振谱降噪方法的步骤。
本发明的核磁共振谱降噪方法在应用中，还可以设计成一种可读存储介质，如U盾，所述可读存储介质中存储有计算机程序指令，计算机程序指令被一处理器读取并运行时，执行上述任意的核磁共振谱降噪方法的步骤。做成U盾的形式，可以通过电子插接的方式插接在传统的降噪分析仪上，降噪分析仪通过读取U盾内的计算机程序指令并执行，就能在核磁共振谱降噪时，解决传统核磁共振谱降噪方法所采用的深度神经网络模型的训练时间成本高、降噪效果不理想的技术问题。因此通过U盾的方式还可以实现对传统降噪分析仪的升级改造，从而利于本发明的推广与应用。
不论是非嵌入式还是嵌入式，核磁共振谱降噪方法都可以归纳为相应的核磁共振谱降噪装置，目的是用于将频谱数据(即低信噪比核磁谱数据)通过本发明设计好的深度神经网络模型进行降噪后得到去噪频谱(高信噪比核磁谱数据)。所述装置主要包括编码器模块、中间模块、解码器模块、输出模块。
所述深度神经网络模型的设计方法主要包括以下四大步骤。
步骤S1，对所述低信噪比核磁谱数据依次进行m次编码得到特征图DResultm。
此步骤由编码器模块执行，所述编码器模块实现的功能如图3所示，图3为图1中核磁共振谱降噪方法采用的编码方法的流程图。所述编码方法对所述低信噪比核磁谱数据依次进行m次编码，最终输出特征图DResultm。
所述m次编码的编码方法包括以下步骤：
步骤S11，对所述低信噪比核磁谱数据做一维卷积处理；
步骤S12，对一维卷积处理后的所述低信噪比核磁谱数据做批量归一化处理；
步骤S13，根据激活函数对批量归一化处理后的所述低信噪比核磁谱数据做激活处理，得到第m次待叠加用的特征图DCResult1；
步骤S14，对特征图DCResult1上的数据点，每隔一个数据点获取相应频谱数据形成第1次编码的特征图DResult1；
对特征图DResult1重复步骤S11至S14循环m次，得到所述特征图DResultm、以及第1至m次待叠加用的特征图DCResultm～DCResult1。
编码器模块包括M个下采样模块，分别为DSampleBlock1，…，DSampleBlockm，…，DSampleBlockM；其中，DSampleBlockm表示第m级下采样模块，m＝1,2,…,M。每个下采样模块包括一维卷积模块一，批量归一化模块一，激活函数模块一，特征剔除模块一。
在第1次编码中，所述低信噪比核磁谱数据输入一维卷积模块一，经过批量归一化模块一和激活函数模块一后，得到第m次待叠加用的特征图DCResult1。本实施例中，一维卷积模块一的卷积核大小为15，卷积步长为1，进行零填充。特征图DCResult1通道数为24*m，特征图大小保持不变。经过特征剔除模块一后，将信号的分辨率转变为原来的1/2倍，得到特征图DResult1，在本实施例中，是对特征图DCResult1上的数据点，每隔一个数据点获取相应频谱数据形成第1次编码的特征图DResult1。
以此类推，对特征图DResult1重复步骤S11至S14循环m次，得到所述特征图DResultm、以及第1至m次待叠加用的特征图DCResultm～DCResult1。
步骤S2，对特征图DResultm进行优化得到中间特征图Resultmid。
此步骤由中间模块执行，中间模块实现的功能如图4所示，图4为图1中核磁共振谱降噪方法采用的特征图DResultm优化方法的流程图。特征图DResultm优化方法包括以下步骤：
步骤S21，对特征图DResultm做一维卷积处理；
步骤S22，对一维卷积处理后的特征图DResultm做批量归一化处理；
步骤S13，根据激活函数对批量归一化处理后的特征图DResultm做激活处理，得到所述中间特征图Resultmid。
中间模块包括一维卷积层模块二，批量归一化模块二和激活函数模块二。特征图DResultm经过中间模块处理后，输出中间特征图Resultmid，中间层的通道数为288，卷积核大小为15，卷积步长为1，进行零填充。
步骤S3，对中间特征图Resultmid依次进行m次解码，在每次解码时需要叠加相应倒叙次数的编码输出，最终得到解码特征图UResultm。
此步骤由解码器模块执行，所述解码器模块实现的功能如图5所示，图5为图1中核磁共振谱降噪方法采用的解码方法的流程图。所述解码方法对中间特征图Resultmid依次进行m次解码，最终输出解码特征图UResultm。
所述m次解码的解码方法包括以下步骤：
步骤S31，将中间特征图Resultmid进行线性插值做维度扩充；
步骤S32，对维度扩充后的Resultmid叠加第m次待叠加用的特征图DCResultm，得到叠加特征图DUResult1；
步骤S33，对叠加特征图DUResult1进行一维卷积处理；
步骤S12，对一维卷积处理后的叠加特征图DUResult1做批量归一化处理；
步骤S13，根据激活函数对批量归一化处理后的叠加特征图DUResult1做激活处理，得到第1次解码的解码特征图UResult1；
对解码特征图UResult1重复步骤S31至S34循环m次，得到第m次解码的解码特征图UResultm。
在解码器模块中，通过采用线性插值算法，来还原特征图的维度，该方法优势在于没有需要学习的参数，可以缩小模型参数量，此外，线性插值方法可以避免高频伪影的产生，以提升网络的准确度。
解码器模块包括M个上采样模块构成，M个上采样模块分别为USampleBlock1，…，为USampleBlockm，…，USampleBlockM；其中，USampleBlockm表示第m级上采样模块，m＝1,2,…,M。每个上采样模块包括线性插值函数模块，叠加模块一，一维卷积模块三，批量化归一化层模块三和激活函数模块三。本实施例中，M＝12，因此，第m级上采样模块DSampleBlockm为第12级上采样模块三。
当m＝1时，解码器模块接收特征图Resultmid，将Resultmid进行线性插值后扩充维度后与解码器部分的输出DCResult11按通道数进行叠加，随后进行一维卷积进行特征融合，得到上采样模块的输出UResult1，通道数为264，特征图大小为输入的两倍。其中一维卷积采样的卷积核大小为5，步长为1，进行零填充。
当m＝2,3…M时，解码器模块接收特征图UResultm-1，将Resultm-1进行线性插值后扩充维度后与解码器部分的输出DCResult12-m按通道数进行叠加，随后进行一维卷积进行特征融合，得到上采样模块的输出UResultm，通道数为288-24*m,特征图大小为2m+1。其中解码器模块所采用的一维卷积参数均一致。
步骤S4，对解码特征图UResultm叠加所述低信噪比核磁谱数据后再进行数据重建得到所述高信噪比核磁谱数据。
此步骤由输出模块执行，输出模块实现的功能如图6所示，图6为图1中核磁共振谱降噪方法采用的数据重建方法的流程图。输出模块包括叠加模块二、一维卷积模块四和激活函数模块四。一维卷积模块四采用卷积核大小为1，步长为1，不进行零填充，在本实施例中，最终输出数据大小为8192，与输入样本一致，即为高信噪比的核磁谱图数据。
所述数据重建的方法包括以下步骤：
步骤S41，对解码特征图UResultm叠加所述低信噪比核磁谱数据；
步骤S42，对叠加后的解码特征图UResultm进行一维卷积处理；
步骤S43，根据激活函数对一维卷积处理后的解码特征图UResultm做激活处理，得到所述高信噪比核磁谱数据。
本发明不同于传统Unet的二维卷积，本网络的编码器模块采用一维卷积实现，对于一维的核磁数据，一维卷积较好的保持了信号的完整性，同时编码器模块部分的一维卷积采用了相对编码器模块较小数量的卷积核，大大缩小了网络参数量。针对具体的一维卷积函数没有特别的要求，在本实施例中，是在m次编码中，相应一维卷积的卷积核为15，步长为1，进行零填充；在优化方法中，相应一维卷积的卷积核为15，步长为1，进行零填充；在m次解码中，相应一维卷积的卷积核为5，步长为1，进行零填充；在数据重建中，相应一维卷积的卷积核为1，步长为1，不进行零填充。
激活函数也没有特别的要求，最好是在m次编码中，相应的激活函数采用LeakyRelu激活函数；在优化方法中，相应的激活函数采用LeakyRelu激活函数；在m次解码中，相应的激活函数采用LeakyRelu激活函数；在数据重建中，相应的激活函数采用tanh激活函数。
以上是本发明的核磁共振谱降噪方法所采用的深度神经网络模型具体结构的介绍，针对建立的深度神经网络模型最好做训练处理，从而使用训练好的深度神经网络模型进行相应的数据处理。在本实施例中，所述深度神经网络模型训练时采用的训练样本集的设置方法包括以下步骤。
利用公式生成理想的一维核磁共振数据，其中A,f1,T2分别为理想数据的幅值，频率和弛豫时间。这些参数值在一定范围内随机设置，以生成随机的谱峰，包含多个谱峰的核磁共振数据则由多个谱峰相加获得。训练样本中的噪声采用白噪声，利用公式Noise＝n*(randn(1,NF2)+i*randn(1,NF2))生成，其中n,NF2分别代表噪声的强度范围和直接维的采样点数。在添加噪声之前，先对FID信号进行傅里叶变换，并将其结果的实部与虚部都依照信号实部的最大值进行归一化，再对归一化后的结果进行反傅里叶变化得到FID2，带噪声的FID信号可通过公式FIDnoisy＝FID2+Noise生成，训练数据集采用四种不同信噪比的噪声数据/>对应同一无噪声标签信号Yk(记低信噪比数据为X，标签数据为Y，则X＝fft(FIDnoisy)，Y＝fft(FID))，训练数据第i条数据对可表示为其中Xi，Yi的大小均为8192。
也就是说，请参阅图7，图7为图1中核磁共振谱降噪方法采用的深度神经网络在训练时采用的训练样本集的设置方法流程图。训练样本集的设置方法包括以下步骤。
步骤S51，利用公式根据不同的A、f1、T2生成一系列的一维核磁共振数据作为训练样本集，式中，A为幅值，f1为频率，T2为弛豫时间，t1为模拟采样时间点，i为虚部标记。
可对训练样本FID做预处理，训练样本FID的预处理方法包括以下步骤：步骤S531，对训练样本FID进行傅里叶变换；步骤S532，将傅里叶变换后的训练样本FID的实部与虚部都依照信号实部的最大值进行归一化；步骤S533，再对归一化后的结果进行反傅里叶变化得到FID2。由于噪声数据的多样性，同一模拟数据样本标签添加四种不同大小的白噪声，该方法可以提升网络对噪声和弱峰的恢复能力。
步骤S52，每个训练样本中的噪声采用白噪声Noise，利用公式Noise＝n*(randn(1,NF2)+i*randn(1,NF2))生成，式中n为噪声的强度范围内的采样点数，NF2为噪声的直接维的采样点数，randn(1,NF2)代表点数为NF2的白噪声。一个完整的FID信号可由8192个FID数据点组成。
步骤S54，叠加每个训练样本FID和相应的白噪声Noise得到训练样本FIDnoisy。因此，训练样本FIDnoisy＝FID2+Noise。
步骤S55，对每个训练样本采用四种不同信噪比的噪声数据对应同一无噪声标签信号，记低信噪比数据为X＝fft(FIDnoisy)，标签数据为Y＝fft(FID)，训练数据第k条数据对表示为
步骤S56，根据训练样本X对所述深度神经网络模型进行迭代训练，直至相应的归一化均方误差损失函数收敛时，终止训练，当前的深度神经网络模型即为训练好的深度神经网络模型。
将网络的输出与标签数据进行比对：采用式(1)所示归一化均方误差损失函数计算二者间差值。再采用反向传播算法，结合Adam优化器对所有一维卷积的网络权重值进行更新，下一批数据送入网络后，重复上述步骤，迭代更新网络参数，将每次损失值记录，当损失函数收敛时，终止训练，得到预期的网络模型”。
本实施例中，采用早期停止法训练模型，当损失函数值连续20次不下降后，将学习率调整为原来的1/3，继续训练，当第二轮训练时的损失函数值连续20次不下降后，认为网络已经收敛，记该训练过程中损失函数值最低的模型为最佳模型。本实施例中，迭代训练了100次网络收敛，记第80次迭代生成的为最佳模型并进行后续实验，损失函数值为0.03，两轮训练的学习率分别为0.003和0.001。
构建反向传播损失函数L，如式(1)所示：
L＝LNMSE (1)
式(1)中，LNMSE为归一化后的均方根误差，由式(2)得到
式(2)中，f(j)为第j点的低信噪比数据，为第j点的标签数据。
步骤2.6结合Adam优化器对网络权重值进行更新，计算损失函数值，迭代更新网络参数，将每次损失值记录，当损失函数收敛时，终止训练，得到预期的网络模型。本实施例中，迭代训练了21次网络收敛，损失误差0.03。”
在本实施例中，采用Varian500MHzh核磁共振仪，采样阿奇霉素的核磁共振谱图。对于一维数据进行重复采样4次，随后对实验数据进行傅里叶变换，得到频域数据后添加相位校正程序，最终实验谱图分别如图8中的区域(a)所示。将重复采样4次的数据上述步骤训练好的网络，网络的输出即为降噪后的结果，如图8中的区域(b)所示。总体来说，该方法利用较少的算力资源，达到了较好的降噪效果。
本发明通过构建低信噪比核磁数据到高信噪比核磁数据之间的映射，训练并优化网络参数，得到预期的深度神经网络模型，将通过少量采集次数获得的低信噪比核磁谱数据，输入所述预期的深度神经网络模型，得到高信噪比的核磁谱数据，该发明去噪质量高，结果可靠，重构时间短，具有广泛的应用前景。
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)

1.一种核磁共振谱降噪方法，其将低信噪比核磁谱数据输入到深度神经网络模型进行降噪得到高信噪比核磁谱数据；其特征在于，所述深度神经网络模型设计方法包括以下步骤：
步骤S1，对所述低信噪比核磁谱数据依次进行m次编码得到编码特征图DResultm；
步骤S2，对编码特征图DResultm进行优化得到中间特征图Resultmid；
步骤S3，对中间特征图Resultmid依次进行m次解码，在每次解码时需要叠加相应倒叙次数的编码特征图，最终得到解码特征图UResultm；
步骤S4，对解码特征图UResultm叠加所述低信噪比核磁谱数据后再进行数据重建得到所述高信噪比核磁谱数据。
2.根据权利要求1所述的核磁共振谱降噪方法，其特征在于，在步骤S1中，所述m次编码的编码方法包括以下步骤：
步骤S11，对所述低信噪比核磁谱数据做一维卷积处理；
步骤S12，对一维卷积处理后的所述低信噪比核磁谱数据做批量归一化处理；
步骤S13，根据激活函数对批量归一化处理后的所述低信噪比核磁谱数据做激活处理，得到第m次待叠加用的特征图DCResult1；
步骤S14，对特征图DCResult1上的数据点，每隔一个数据点获取相应频谱数据形成第1次编码的特征图DResult1；
对特征图DResult1重复步骤S11至S14循环m次，得到所述特征图DResultm、以及第1至m次待叠加用的特征图DCResultm～DCResult1。
3.根据权利要求2所述的核磁共振谱降噪方法，其特征在于，在步骤S2中，的特征图DResultm优化方法包括以下步骤：
步骤S21，对特征图DResultm做一维卷积处理；
步骤S22，对一维卷积处理后的特征图DResultm做批量归一化处理；
步骤S13，根据激活函数对批量归一化处理后的特征图DResultm做激活处理，得到所述中间特征图Resultmid。
4.根据权利要求3所述的核磁共振谱降噪方法，其特征在于，在步骤S3中，所述m次解码的解码方法包括以下步骤：
步骤S31，将中间特征图Resultmid进行线性插值做维度扩充；
步骤S32，对维度扩充后的Resultmid叠加第m次待叠加用的特征图DCResultm，得到叠加特征图DUResult1；
步骤S33，对叠加特征图DUResult1进行一维卷积处理；
步骤S34，对一维卷积处理后的叠加特征图DUResult1做批量归一化处理；
步骤S35，根据激活函数对批量归一化处理后的叠加特征图DUResult1做激活处理，得到第1次解码的解码特征图UResult1；
对解码特征图UResult1重复步骤S31至S35循环m次，得到第m次解码的解码特征图UResultm。
5.根据权利要求4所述的核磁共振谱降噪方法，其特征在于，在步骤S3中，所述数据重建的方法包括以下步骤：
步骤S41，对解码特征图UResultm叠加所述低信噪比核磁谱数据；
步骤S42，对叠加后的解码特征图UResultm进行一维卷积处理；
步骤S43，根据激活函数对一维卷积处理后的解码特征图UResultm做激活处理，得到所述高信噪比核磁谱数据。
6.根据权利要求5所述的核磁共振谱降噪方法，其特征在于，在m次编码中，相应一维卷积的卷积核为15，步长为1，进行零填充；
在优化方法中，相应一维卷积的卷积核为15，步长为1，进行零填充；
在m次解码中，相应一维卷积的卷积核为5，步长为1，进行零填充；
在数据重建中，相应一维卷积的卷积核为1，步长为1，不进行零填充。
7.根据权利要求5所述的核磁共振谱降噪方法，其特征在于，在m次编码中，相应的激活函数采用LeakyRelu激活函数；
在优化方法中，相应的激活函数采用LeakyRelu激活函数；
在m次解码中，相应的激活函数采用LeakyRelu激活函数；
在数据重建中，相应的激活函数采用tanh激活函数。
8.根据权利要求1所述的核磁共振谱降噪方法，其特征在于，所述核磁共振谱降噪方法还包括以下步骤：
使用训练好的深度神经网络模型进行相应的数据处理；所述深度神经网络模型的训练方法包括以下步骤：
步骤S51，利用公式根据不同的A、f1、T2生成一系列的一维核磁共振数据作为训练样本集，式中，A为幅值，f1为频率，T2为弛豫时间，t1为模拟采样时间点，i为虚部标记；
步骤S52，每个训练样本中的噪声采用白噪声Noise，利用公式Noise＝n*(randn(1,NF2)+i*randn(1,NF2))生成，式中n为噪声的强度范围内的采样点数，NF2为噪声的直接维的采样点数，randn(1,NF2)代表点数为NF2的白噪声；
步骤S54，叠加每个训练样本FID和相应的白噪声Noise得到训练样本FIDnoisy；
步骤S55，对每个训练样本采用四种不同信噪比的噪声数据 对应同一无噪声标签信号Yk，训练数据第k条数据对表示为/>
步骤S56，根据训练样本X对所述深度神经网络模型进行迭代训练，直至相应的归一化均方误差损失函数收敛时，终止训练，当前的深度神经网络模型即为训练好的深度神经网络模型。
9.根据权利要求8所述的核磁共振谱降噪方法，其特征在于，在步骤S52之后还对训练样本FID做预处理，训练样本FID的预处理方法包括以下步骤：
步骤S531，对训练样本FID进行傅里叶变换；
步骤S532，将傅里叶变换后的训练样本FID的实部与虚部都依照信号实部的最大值进行归一化；
步骤S533，再对归一化后的结果进行反傅里叶变化得到FID2；
因此，训练样本FIDnoisy＝FID2+Noise。
10.一种核磁共振谱降噪装置，其应用了如权利要求1至9中任意一项所述的核磁共振谱降噪方法，其特征在于，所述核磁共振谱降噪装置包括：
编码器模块，其用于对所述低信噪比核磁谱数据依次进行m次编码得到特征图DResultm；
中间模块，其用于对特征图DResultm进行优化得到中间特征图Resultmid；
解码器模块，其用于对中间特征图Resultmid依次进行m次解码，在每次解码时需要叠加相应倒叙次数的编码输出，最终得到解码特征图UResultm；
输出模块，其用于对解码特征图UResultm叠加所述低信噪比核磁谱数据后再进行数据重建得到所述高信噪比核磁谱数据。
CN202311102399.XA 2023-08-30 2023-08-30 一种核磁共振谱降噪方法及其核磁共振谱降噪装置 Pending CN117314765A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311102399.XA CN117314765A (zh) 2023-08-30 2023-08-30 一种核磁共振谱降噪方法及其核磁共振谱降噪装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311102399.XA CN117314765A (zh) 2023-08-30 2023-08-30 一种核磁共振谱降噪方法及其核磁共振谱降噪装置

Publications (1)

Publication Number Publication Date
CN117314765A true CN117314765A (zh) 2023-12-29

Family

ID=89272733

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311102399.XA Pending CN117314765A (zh) 2023-08-30 2023-08-30 一种核磁共振谱降噪方法及其核磁共振谱降噪装置

Country Status (1)

Country Link
CN (1) CN117314765A (zh)

Similar Documents

Publication Publication Date Title
Liu et al. Highly undersampled magnetic resonance imaging reconstruction using autoencoding priors
CN110361778B (zh) 一种基于生成对抗网络的地震数据重建方法
CN104063886B (zh) 一种基于稀疏表示和非局部相似的核磁共振图像重建方法
CN110047058A (zh) 一种基于残差金字塔的图像融合方法
CN113094993B (zh) 基于自编码神经网络的调制信号去噪方法
Feng et al. Compressive sensing via nonlocal low-rank tensor regularization
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
Liu et al. A deep framework assembling principled modules for CS-MRI: unrolling perspective, convergence behaviors, and practical modeling
CN112991483B (zh) 一种非局部低秩约束的自校准并行磁共振成像重构方法
Wang et al. Denoising auto-encoding priors in undecimated wavelet domain for MR image reconstruction
CN115456918B (zh) 一种基于小波高频通道合成的图像去噪方法及装置
CN114299185A (zh) 磁共振图像生成方法、装置、计算机设备和存储介质
Bagawade Ramdas et al. Wavelet transform techniques for image resolution enhancement: a study
CN114429151A (zh) 一种基于深度残差网络的大地电磁信号识别与重建方法及其系统
Yang et al. Robust and efficient harmonics denoising in large dataset based on random SVD and soft thresholding
Guan et al. Magnetic resonance imaging reconstruction using a deep energy‐based model
Bader et al. Scalable data parallel algorithms for texture synthesis using Gibbs random fields
Fan et al. An interpretable MRI reconstruction network with two-grid-cycle correction and geometric prior distillation
CN117152297A (zh) 加速获取核磁共振纯化学位移谱的方法及其装置
CN117314765A (zh) 一种核磁共振谱降噪方法及其核磁共振谱降噪装置
Cao et al. Sparse representation of classified patches for CS-MRI reconstruction
CN109188327B (zh) 基于张量积复小波紧框架的磁共振图像快速重构方法
CN110940944A (zh) 基于深度学习的磁共振信号的去j耦合方法
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
Yang et al. A neural network method for nonconvex optimization and its application on parameter retrieval

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