[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

说明书

一种基于深度学习的超复数磁共振波谱重建方法，涉及磁共振波谱。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，将该欠采样时域信号以及对应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；构建用于超复数磁共振波谱重建的深度学习网络，采用得到的训练集对该深度学习网络训练，得到训练好的超复数磁共振波谱重建的网络参数；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重建，得到完整的超复数磁共振波谱。

技术领域

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

背景技术

磁共振波谱(Magnetic Resonance Spectroscopy,MRS)可以明确地阐明分子结构，已经被广泛应用于医学、化学和生物学等领域。在欠采样磁共振波谱重建中，如何在保证重建波谱质量的同时降低采样时间是一个重要技术问题。

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，约束磁共振时域信号转Hankel矩阵的低秩特性，在低强度宽谱峰恢复上取得了比较好的结果。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,WuJ,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.)，并且通过利用汉克尔矩阵的范德蒙分解(Ying J,Cai J,GuoDi,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.)以及加权核范数操作(Guo D,Qu X.Improved reconstruction of low intensity magnetic resonancespectroscopy with 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,ChenZ.High-fidelity spectroscopy reconstruction in accelerated NMR[J],ChemicalCommunications,2018,54(78):10958-10961.)进一步提高了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迭代过程中的奇异值分解所耗费的时间较高，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分解并引入并行计算，避免时间复杂度高的奇异值分解，不过仍然需要花费一定时间。对于超复数磁共振波谱，其信号包括多个虚部分量，与传统复数磁共振波谱只有一个虚部分量不同。