[发明专利]一种基于深度学习的磁共振波谱重建方法

权利要求书

1.一种基于深度学习的磁共振波谱重建方法，其特征在于包括以下步骤：

1)利用指数函数生成磁共振波谱的时域信号，具体方法为：根据指数函数生成磁共振波谱时域的全采样信号的表达式为：

其中，表示复数的集合，N和M表示时间信号的行数和列数，T^n,m表示信号T的第n行，第m列的数据，R表示谱峰个数，a_r表示幅度大小，Δt₁和Δt₂表示时间增量，f_1,r和f_2,r表示归一化频率，τ_1，r和τ_2，r表示衰减因子；表达式(1)同样适用于一维自由感应衰减全采样信号，此时有n＝1，m1或m＝1，n1；

2)建立欠采样时域信号与全采样波谱的训练集，具体方法为：采用M表示在时域中的欠采样操作，模板中白色表示对应的数据点被采样，黑色表示的数据点未被采样，Ω表示M的索引子集，若某一个信号点的索引(p,q)出现在集合Ω中，则(p,q)∈Ω；若某一个信号点的索引(p,q)没有出现在集合Ω中，则根据欠采样模板M对T中未被采样的信号通过填0得到补全的时域信号T_u，对T_u进行傅里叶变换获得带混叠的波谱信号S_u；对全采样信号T进行傅里叶变换得到全采样波谱S，并将S的实部和虚部分开保存，即其中，表示实数，由T_u和S两者共同组成训练集

3)设计数据校验卷积神经网络结构中的卷积神经网络；

4)设计数据校验卷积神经网络结构中的瓶颈层；

5)设计数据校验卷积神经网络结构中的数据校验层；

6)设计数据校验卷积神经网络结构中的反馈功能；

7)建立数据校验卷积神经网络结构作为波谱重建模型；

8)训练网络最优化参数；

9)对目标的欠采样磁共振时域信号进行重建；

10)在时频域进行欠采样操作的同时，利用卷积神经网络的强拟合能力和数据校验层数据校验的能力，完成对欠采样磁共振波谱信号的快速且高质量的重建。

2.如权利要求1所述一种基于深度学习的磁共振波谱重建方法，其特征在于在步骤3)中，所述设计数据校验卷积神经网络结构中的卷积神经网络的具体方法为：卷积神经网络模块将包含L个卷积层，每个卷积层I个滤波器；卷积层间采用密集连接的方式，模块中每一层的输入都是前面所有层输出的并集，在所有的卷积层中，卷积核大小为k；通过卷积神经网络模块，完成从第l层(1≤l≤L)的输入信号S_l经过卷积神经网络后输出信号S_cnn,l，它的定义为：

S_cnn,l＝f(S_l|θ) (2)

其中，θ是卷积神经网络的训练参数，f(S_l|θ)表示训练的从S_l到S_cnn,l的非线性映射。

3.如权利要求1所述一种基于深度学习的磁共振波谱重建方法，其特征在于在步骤4)中，所述设计数据校验卷积神经网络结构中的瓶颈层的具体方法为：瓶颈层在网络结构中完成改变特征图数量的功能，瓶颈层位于卷积神经网络模块的前后，进入卷积神经网络模块前信号会通过一个Ki个滤波器的瓶颈层以提高特征图数量，卷积神经网络模块的输出信号也会通过一个k_o个滤波器的瓶颈层以减少特征图数量。

4.如权利要求1所述一种基于深度学习的磁共振波谱重建方法，其特征在于在步骤5)中，所述设计数据校验卷积神经网络结构中的数据校验层的具体方法为：数据校验层在网络结构中完成数据校验功能，将来自第ι个卷积神经网络的输出信号S_cnn,l作为输入，利用傅里叶逆变换F^H将输入信号S_cnn,l变换回时域中，获得信号T_l，公式如下：

T_l＝F^HS_cnn，l (3)

数据校验层的表达式如下：

最后输出频域波谱其中最后一次，即第L层(L＞1)的波谱即为整个深度学习网络的输出