[发明专利]一种基于深度学习的磁共振波谱重建方法

说明书

一种基于深度学习的磁共振波谱重建方法，涉及磁共振波谱重建方法。利用指数函数生成磁共振波谱的时域信号；建立欠采样时域信号与全采样波谱的训练集；设计数据校验卷积神经网络结构中的卷积神经网络；设计数据校验卷积神经网络结构中的瓶颈层；设计数据校验卷积神经网络结构中的数据校验层；设计数据校验卷积神经网络结构中的反馈功能；建立数据校验卷积神经网络结构作为波谱重建模型；训练网络最优化参数；对目标的欠采样磁共振时域信号进行重建；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。

技术领域

本发明涉及磁共振波谱重建方法，尤其是涉及一种基于深度学习的磁共振波谱重建方法。

背景技术

磁共振波谱(Magnetic Resonance Spectroscopy,MRS)是一种测定分子结构的一项技术，在医学、化学和生物学等领域有着重要应用。在磁共振波谱中，如何保证波谱信号质量的同时降低采样时间是磁共振波谱的关键。

传统的磁共振重建方法主要利用磁共振时间或者频率信号的数学特性来重建频谱。Qu Xiaobo等(Qu X,Mayzel M,Cai J,Chen Z,Orekhov V.Accelerated NMRspectroscopy with low-Rank reconstruction[J].Angewandte Chemie InternationalEdition,2015,54(3):852-854.)提出了一种基于低秩汉克尔矩阵的磁共振波谱重建方法，在欠采样过程中重建出的高质量波谱信号，解决了对不同宽度的谱峰重建效果差的问题。该方法还扩展到了三维及更高维的波谱重建中(Ying J,Lu H,Wei Q,Cai J,Guo D,Wu J,Chen Z,Qu X.Hankel matrix nuclear norm regularized tensor completion for N-dimensional exponential signals[J],IEEE Transactions on Signal Processing,2017,65(14):3702-3717.)，还通过对汉克尔矩阵的范德蒙分解(Ying J,Cai J,Guo Di,Tang G,Chen Z,Qu X,Vandermonde factorization of Hankel matrix for complexexponential signal recovery—application in fast NMR spectroscopy[J],IEEETransactions on Signal Processing,2018,66(21):5520-5533.)和奇异值操作(Guo D,Qu X.Improved reconstruction of low intensity magnetic resonance spectroscopywith weighted low rank Hankel matrix completion[J].IEEE Access,2018,6:4933-4940)和(Qu X,Qiu T,Guo Di,Lu H,Ying J,Shen M,Hu B,Orekhov V,Chen Z.High-fidelity spectroscopy reconstruction in accelerated NMR[J],ChemicalCommunications,2018,54(78):10958-10961.)提高了波谱重建对密集谱峰和低强度谱峰的重建能力。但是，这类低秩汉克尔矩阵重建方法在迭代计算中的奇异值分解的时间消耗高，因此导致波谱重建时间较长。Guo Di等(Guo D,Lu H,Qu X.A fast low rank Hankelmatrix factorization reconstruction method for non-uniformly sampled magneticresonance spectroscopy[J].IEEE Access,2017,5:16033-16039.)成功地将低秩矩阵进行因式分解并引入并行计算，避免时间复杂度高的奇异值分解方法。Lu Hengfa等(Lu H,Zhang X,Qiu T,Yang J,Ying J,Guo D,Chen Z,Qu X.Low rank enhanced matrixrecovery of hybrid time and frequency data in fast magnetic resonancespectroscopy[J].IEEE Transactions on Biomedical Engineering,2018,65(4):809-820.)则提出利用费罗贝尼乌斯范数项进行矩阵因子分解来避免奇异值分解，完成对欠采样多维磁共振波谱信号的快速和高质量波谱重建。