[发明专利]基于残差网络的磁共振信号的时频变换和相位校正的方法

说明书

基于残差网络的磁共振信号的时频变换和相位校正的方法，涉及磁共振信号的时频变换方法。根据FID信号的特征，构建同时存在零阶相位失调与一阶相位失调的自由感应衰减时域信号的数学模型和理想的吸收谱，即无相位失调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；搭建残差网络模型，设置好相关的训练参数；网络训练；网络测试。利用深度学习中的残差神经网络，实现了将时域的自由感应衰减信号自动变换成理想吸收谱，即无相位失调的频谱实部。此过程中完成了从时域自动变换到频域，以及相位失调的自动校正，进而可以得到理想吸收谱。

技术领域

本发明涉及磁共振信号的时频变换方法，尤其是涉及基于残差网络的磁共振信号的时频变换和相位校正的方法。

背景技术

磁共振(NMR)被广泛地应用在化学计量分析和生物技术领域，从磁共振波谱中可以得到丰富的分子结构信息。然而在实际应用中磁共振谱经常存在着各种类型的相位失调，所以磁共振谱数据预处理是谱分析过程中不可或缺的一部分。相位失调一般包括零阶失调和一阶失调。零阶失调是指参考相位与仪器接收的自由感应衰减信号(FreeInduction Decay，FID)之间的相位差^[1]。一阶失调可能由不同的原因引起，例如，激励和检测之间的时延或者由抗混叠滤波器引起的相移^[2]。有效和可靠地校正零阶和一阶失调是从NMR谱中获取定量结果的先决条件^[3]。故相位校正是谱数据预处理中非常关键的一步，而大多数现有的软件，需要操作者设置零阶、一阶调相值，从而对核磁共振谱进行相位校正。这不仅非常费时，而且校正的谱图质量依赖于操作者的经验，所以快速自动的相位校正非常必要，即将手工/视觉相位校正过程变化成自动相位校正。已提出的一些传统方法进行自动化相位校正时往往都不具有足够的准确性和鲁棒性。

深度学习通过分析并组合初级(浅层)特征，学习更加抽象和复杂的高层特征，以实现对数据的分类，或通过进一步组合高层特征进行数据的处理^[4]。随着越来越多的优秀网络模型的提出，如卷积神经网络^[5]、残差网络(Residual Network，ResNet)^[6]和生成对抗网络(GenerativeAdversarial Network，GAN)^[7]，深度学习的应用也越来越广泛、成熟。

参考文献：

[1]L.Chen,Z.Weng,L.Goh,M.Garland,An efficient algorithm for automaticphase correction of NMR spectra based on entropy minimization,J.Magn.Reson.158(2002)164–168.

[2]E.C.Craig,A.G.Marshall,Automated phase correction of FT NMRspectra by means of phase measurement based on dispersion versus absorptionrelation(DISPA),J.Magn.Reson.76(3)(1988)458–475.

[3]F.Malz,H.Jancke,Validation of quantitative NMR,J.Pharm.Biomed.Anal.38(5)(2005)813–823(Quantitative NMR Spectroscopy).

[4]S.S.Wang,Z.H.Su,L.Ying,X.Peng,S.Zhu,F.Liang,D.G.Feng,andD.Liang,Accelerating magnetic resonance imaging via deep learning,in 2016IEEE 13thInternational Symposium on Biomedical Imaging(ISBI),pp.514-517,2016.