[发明专利]一种基于深度学习核磁共振二维扩散排序谱数据处理方法

说明书

本发明提供了一种基于深度学习核磁共振二维扩散排序谱数据处理方法，首先，根据核磁共振二维扩散排序谱信号特征，以相关数学模型生成模拟数据，构建模拟数据集；生成网络训练所用标签，所述标签为二维矩阵，两个维度分别为化学位移系数和扩散系数；搭建深度学习网络模型，设置训练参数；用构建的模拟数据集进行深度学习网络模型训练；深度学习网络模型测试；本发明提供的方法，无需待测样品分子成分的确切数量作为先验知识，且训练数据均为模拟数据，无需大量采集真实数据。

技术领域

本发明涉及核磁共振技术领域，特别是指一种基于深度学习核磁共振二维扩散排序谱数据处理方法。

背景技术

核磁共振(NMR)是化学、药理学和生物学中的一种通用分析技术，使用户能够从样品中解读出丰富的结构信息。扩散排序谱(DOSY)是一种用于物质成分分析的核磁共振技术，通过对DOSY实验数据进行处理，可以构建一个二维谱图，其中一个维度是化学位移，另一个是扩散系数，可用于混合物成分分离、识别、以及成分间相互作用分析。

高分辨率的DOSY谱中，同一分子的峰有很好的对齐性，不同化合物的峰也能够很好的分离。为了从实验数据中重建出高分辨DOSY谱，人们提出了多种处理方法，这些方法可大致分为两类：单变量方法和多变量方法。多指数拟合、CONTIN、最大熵法、iRRT这些单变量方法都是独立拟合单个一维信号的衰减，在处理高信噪比的数据时大多表现良好，但在真实世界的环境下，实验噪声经常导致属于同一化学成分的峰的对齐性不佳。与单变量方法不同，多变量方法同时处理多个一维信号，抑或是处理整个波谱，其优点在于可以利用无重叠信号的信息来提高重叠信号的分辨率和准确性。

另一方面，DOSY谱处理还可以分成指数拟合及反拉普拉斯变换两类方法。一些多变量方法，如CORE(成分解析核磁共振)、SCORE(快速成分解析)和DECRA(直接指数曲线解析算法)，均属于指数拟合法。这类方法可以直接输出预测的扩散系数值，但需要待测样品分子成分的确切数量作为先验知识。不同于指数拟合方法，反拉普拉斯变换法(ILT)产生扩散系数分布谱，而不直接反应扩散系数的精确值。峰值位置代表扩散系数的最有可能的值，这些峰的半高宽表示不确定性。分布谱的构建被视为一个逆问题，人们提出了很多算法来解决，包括非负最小均值(NNLMS)算法、CONTIN、最大熵法(MaxEnt)，多指数衰减迭代阈值算法(ITAMeD)、增强识别多维拉普拉斯逆变换(EDMILT)和低秩稀疏拉普拉斯逆变换(LRSpILT)等，这些算法的主要区别在于所使用的正则化方法。虽然ILT方法不需要分子成分的真实数目作为输入，但它们需要对优化公式的参数进行一些调整，只有在参数调整得当的情况下，才能产生预期的结果。

随着深度学习的发展，更多的神经网络框架被开发出来，在机器翻译、计算机视觉、医学成像和核磁共振数据处理等领域得到广泛应用。在DOSY数据处理方面，协调多指数拟合(CoMeF)是一种使用神经网络的DOSY数据处理的技术，它使用轻量级神经网络来解决高度非线性和非凸性的优化问题。然而，CoMeF并不是一个真正的深度学习方法，因为它只是使用了一个神经网络作为优化器，其训练过程类似于非凸优化问题的迭代解过程。换句话说，在处理多个DOSY实验数据的时候，需要对每个数据分别进行耗时的独立训练。使用深度学习方法进行DOSY数据处理仍有两个挑战：(1)深度学习方法通常需要大量的训练样本。但由于实验样本和仪器时间的限制，不可能为DOSY谱构建足够大的数据集。(2)大多数神经网络要求测试数据与训练数据的大小相同。然而，从脉冲梯度自旋回波(PGSE)实验中得到的信号会随着实验样本和仪器参数的变化而变化，特别是在梯度维度上。

发明内容

本发明的主要目的在于克服现有技术中的上述缺陷，提出一种基于深度学习的核磁共振二维扩散排序谱(DOSY)数据处理方法，能够解决传统DOSY数据处理对先验知识的需要以及繁杂的参数调整问题，并且能快速的对各种尺寸的DOSY数据进行处理，处理结果谱峰对齐性好，分离度高，鲁棒性强。

本发明采用如下技术方案：

一种基于深度学习核磁共振二维扩散排序谱数据处理方法，包括：