[发明专利]基于深度学习的磁共振信号的去J耦合方法

权利要求书

1.基于深度学习的磁共振信号的去J耦合方法，其特征在于包括以下步骤：

1)根据磁共振波谱信号的特征，构建网络输入数据的数学模型和网络标签，即无J耦合现象的频谱实部的数学模型，由数学模型生成仿真信号，构建训练集数据和测试集数据；

2)搭建网络模型，设置好相关的训练参数；

3)网络训练：将步骤1)中得到的训练集数据输入到步骤2)搭建的网络模型中训练网络，调整网络参数，直至损失函数下降至收敛并趋于稳定，得到功能化的网络模型；

4)网络测试：将步骤1)中得到测试集数据信号输入到步骤3)训练后的功能化的网络模型中，得到经网络去耦合得到的理想吸收谱图，并与标签进行比较以验证网络的性能。

2.如权利要求1所述基于深度学习的磁共振信号的去J耦合方法，其特征在于在步骤1)中，所述网络输入数据是存在J耦合和存在噪声的一维频谱；所述网络标签是无噪声的具有理想洛仑兹线型的谱峰结果。

3.如权利要求1所述基于深度学习的磁共振信号的去J耦合方法，其特征在于在步骤1)中，所述仿真信号的特征参数包括谱峰间隔、谱峰个数、谱峰间耦合关系、谱峰位置，上述特征参数随机生成。

4.如权利要求1所述基于深度学习的磁共振信号的去J耦合方法，其特征在于在步骤2)中，所述网络模型包括：网络模型的主体结构、网络模型的损失函数和相关的训练参数。

5.如权利要求4所述基于深度学习的磁共振信号的去J耦合方法，其特征在于所述网络模型的主体结构即网络，网络分为两部分，左侧部分为收缩路径，右侧部分为扩展路径，两个路径大部分是左右对称结构；

所述收缩路径的每一阶梯由两层1×3的卷积构成，每层卷积后面是一个非线性单元ReLU，每一阶梯后面用步长为2，大小为1×2的最大池化层进行下采样；在每个下采样的步骤中，将特征通道数量加倍；

所述扩展路径由每一阶梯包括进行上采样、将特征通道数量减半的1×3反卷积和与收缩路径相应的特征映射连接，以及两个1×3的卷积层，每层卷积层后是一个非线性单元ReLU，在最后一层，使用一层1×3的卷积层，最后一层卷积层后不跟随非线性单元ReLU；

所述收缩路径进行特征提取，扩展路径根据提取的特征进行重建，两部分之间特征通道的连接防止了卷积过程中细节信息的丢失，而大量的特征通道使得网络能够将结构信息传播到更高的分辨率层。

6.如权利要求1所述基于深度学习的磁共振信号的去J耦合方法，其特征在于在步骤3)中，所述训练网络的方式为：采用BP算法训练，每次迭代计算网络损失，并以此损失更新网络中的参数；当达到预定的最大迭代次数时，损失函数下降至收敛并趋于稳定，终止训练，获得功能化的网络模型。

7.如权利要求1所述基于深度学习的磁共振信号的去J耦合方法，其特征在于在步骤4)中，所述与标签进行比较的具体方法为：通过两种计算公式分别作为误差和相似性的评价指标来计算网络输出与标签的比较结果，来定量评测网络输出的效果；所述两种计算公式为误差计算公式和相似性公式；

误差计算公式为：

式(1)中，y为网络输出一维谱数据，y_label为标签，即理想参考谱数据；

相似性公式为：

式(2)中，y为网络输出一维谱数据，y_label为标签，即理想参考谱数据，n为一维数据的长度；

通过式(1)和(2)分别定量衡量网络输出与标签间的误差以及相似性，误差越小，相似性越大代表网络输出越接近标签，代表着网络的输出效果越好。