[发明专利]一种基于深度学习的超复数磁共振波谱重建方法

权利要求书

1.一种基于深度学习的超复数磁共振波谱重建方法，其特征在于包括以下步骤：

1)根据磁共振波谱信号指数模型生成超复数磁共振波谱的全采样时域信号，按照欠采样模板对超复数磁共振波谱的全采样时域信号进行欠采样以及对没有采集到的数据点位置进行置零得到超复数磁共振波谱的欠采样时域信号，将该超复数磁共振波谱的欠采样时域信号以及对应超复数磁共振波谱的全采样时域信号换为复数时域信号，各自进行傅立叶变换得到对应的频率域的欠采样和全采样磁共振波谱，生成用于超复数谱重建的训练集；

所述生成用于超复数谱重建的训练集的具体步骤为：

(1)通过下式构建超复数磁共振波谱的全采样时域信号

其中，表示超复数集合，N和M表示时域信号的行数和列数，表示信号的第n行，第m列的数据，R表示谱峰个数，a_r表示每个谱峰的幅度大小，Δt₁和Δt₂表示两个时间维的增量，f_1,r和f_2,r表示两个频率维的归一化频率，τ_1,r和τ_2,r表示两个时间维信号的衰减因子；

(2)根据由步骤(1)生成的超复数磁共振波谱的全采样时域信号的大小设计欠采样模板M，该模板由0和1组成，其中0表示该点对应的数据点没有被采集到，1表示该点对应的数据点被采集到，将该模板M与步骤1)生成的超复数磁共振波谱的全采样时域信号进行点乘，得到超复数磁共振波谱的欠采样时域信号T_u；然后，将所有超复数磁共振波谱的欠采样时域信号以及对应的全采样信号利用超复数转复数技术，将其转化为复数信号；最后，将复数信号进行傅立叶变换，得到带伪影的波谱S_u和参考波谱S作为用于超复数谱重建的预训练数据对；

2)构建用于超复数磁共振波谱重建的由多个密集连接卷积神经网络模块和数据校验模块级连构成的深度学习网络，采用由步骤1)得到的训练集对该深度学习网络进行训练，得到训练好的超复数磁共振波谱重建的网络参数；

3)采用训练好的网络对超复数磁共振波谱的欠采样时域信号进行重建，得到完整的超复数磁共振波谱，具体方法为：

输入待重建的目标超复数磁共振波谱的欠采样时域信号转化成复数信号；然后将复数信号向训练好的超复数磁共振波谱重建的网络正向传播后，得到重建出的完整复数频域信号，进行逆傅里叶变换后得到重建后的时域复数信号，再对重建后的时域复数信号进行复数到超复数变换和傅里叶变换后，即得到重建后完整的超复数磁共振波谱。

2.如权利要求1所述一种基于深度学习的超复数磁共振波谱重建方法，其特征在于在步骤2)中，所述深度学习网络用于超复数磁共振波谱重建，由多个密集连接卷积神经网络模块和多个数据校验模块分别串联组成；每个密集连接卷积神经网络模块包含L卷积层，每个卷积层包含I卷积核，除最后一个卷积层外，每个卷积层均连接一个ReLu层；密集连接卷积神经网络模块中每一个卷积层的输入都是前面所有层输出的并集；所述数据校验模块用于利用采集到的数据点对密集连接卷积神经网络模块重建信号进行数据校验；每个数据校验模块输出信号与全采样信号误差之和为设计的损失函数，所述设计的损失函数指导每个密集连接卷积神经网络模块和数据校验层组合的模块输出更逼近真实谱信号。

3.如权利要求1所述一种基于深度学习的超复数磁共振波谱重建方法，其特征在于在步骤2)中，所述采用由步骤1)得到的训练集对该深度学习网络进行训练，采用ADAM优化算法。