[发明专利]一种基于神经网络的磁共振谱降噪方法

说明书

一种基于神经网络的磁共振谱降噪方法，涉及磁共振谱降噪方法。1)利用多次采集的不同组合求均值构建相应的训练模型数据集与标签集，用于求解高信噪比与低信噪比磁共振谱之间的映射关系；2)构建基于迭代滑窗的长短时记忆循环神经网络的用于磁共振谱降噪的深度学习网络模型；3)将步骤1)生成的数据集训练步骤2)中所设计深度学习网络模型，使用ADAM优化算法训练步骤2)中网络的参数，得到模型最优参数；4)对低信噪比的磁共振谱的时域信号使用步骤3)训练好的网络模型进行降噪处理，对降噪后的时域信号进行傅里叶变换得到对应的降噪后磁共振谱。具有无需先验知识、降噪速度快、降噪质量高、泛化性好的特点，且适用于密集谱峰降噪。

技术领域

本发明涉及磁共振谱降噪方法，尤其是涉及一种基于神经网络的磁共振谱降噪方法。

背景技术

磁共振谱是利用磁共振中的化学位移现象来确定分子组成及空间分布的一种检查方法，是一种无创研究活体器官组织代谢、生物变化及化合物定量分析的检测技术。磁共振谱的采样过程会受噪声影响，实际中常常通过重复采样叠加取平均值来减少噪声影响。但过多的采样次数会增加采样时间，给采样增加困难和成本。

在实际应用中，对于磁共振谱的时域信号，Cadzow(Yung,Ya Lin,Lian Pin,Hwang,NMR signal enhancement based on matrix property mappings,Journal ofMagnetic Resonance,Series A,103,109-114,1993)是一种典型的降噪方法，但这种方法不能保证得到的解为全局最优解。还有些研究人员提出了利用指数信号的汉克尔矩阵的低秩特性进行去噪和欠采样重建(Xiaobo Qu,Maxim Mayzel,Jian-Feng Cai,Zhong Chen,Vladislav Orekhov,Accelerated NMR spectroscopy with low-rankreconstruction,Angewandte Chemie International Edition,54,852-854,2015)，通过构建基于汉克尔矩阵核范数的拉格朗日凸优化求解模型，对信号进行降噪，并将此方法推广到多维信号(Jiaxi Ying,Hengfa Lu,Qingtao Wei,Jian-Feng Cai,Di Guo,Jihui Wu,Zhong Chen,Xiaobo Qu.Hankel matrix nuclear norm regularized tensorcompletion for N-dimensional exponential signals,IEEE Transactions on SignalProcessing,65(14),3702-3717,2017)和时域频域信号混合的情况(Hengfa Lu,XinlinZhang,Tianyu Qiu,Jian Yang,Jiaxi Ying,Di Guo,Zhong Chen,Xiaobo Qu,Low rankenhanced matrix recovery of hybrid time and frequency data in fast magneticresonance spectroscopy,IEEE Transactions on Biomedical Engineering,65(4),809-820,2018)。还提出了结合范德蒙分解的方法优化算法(Jiaxi Ying,Jian-Feng Cai,Di Guo,Gongguo Tang,Zhong Chen,Xiaobo Qu,Vandermonde factorization of Hankelmatrix for complex exponential signal recovery—application in fast NMRspectroscopy,IEEE Transactions on Signal Processing,66(21),5520-5533,2018)，但此方法在采样点数较多的情况下降噪时间较长。