[发明专利]一种基于谱分解的深度学习磁共振波谱重建方法

说明书

一种基于谱分解的深度学习磁共振波谱重建方法，涉及磁共振波谱重建方法。基于磁共振波谱时域信号的指数函数特性，生成仿真信号；将仿真信号进行欠采样作为网络的输入，对应的全采样信号作为输出的标签，构建出网络训练集；设计基于谱分解的深度学习网络迭代块，并对网络执行反馈操作，生成重建模型；用上述训练集对网络进行训练后，将需要进行重建的欠采样核磁共振波谱信号作为网络的输入，获得输出的重建波谱信号。这种通过对磁共振信号进行谱分解的深度学习重建方法在重建过程中充分保护和利用了谱峰信息，具有重建速度快、重建质量高的优势。

技术领域

本发明涉及磁共振波谱重建方法，尤其是涉及一种基于谱分解的深度学习磁共振波谱重建方法。

背景技术

磁共振波谱是生物、化学、医学等领域的一种重要分析工具。磁共振波谱的采样时间与采样点数成正比，并随着分辨率与数据维度的增长而增长。欠采样通过仅采集部分波谱数据，成为快速采集信号的一种重要手段。欠采样之后需要通过磁共振波谱重建得到预期分辨率和完整数据。

传统的磁共振波谱重建方法是基于模型的最优化算法，这类方法通过利用磁共振波谱信号的数学特性来重建信号。一种较好的方法是利用磁共振波谱信号在时域的低秩特性。Qu等(Xiaobo Qu,Maxim Mayzel,Jian-Feng Cai,Zhong Chen,VladislavOrekhov,Accelerated NMR spectroscopy with low-rank reconstruction,AngewandteChemieInternational Edition,vol.54,pp.852-854,2015.)基于低秩汉克尔矩阵对欠采样的指数信号进行重建，解决了压缩感知对宽谱峰重建效果不理想等问题。研究人员还提出了对二维甚至更高维磁共振波谱信号的优化解决方案(Jiaxi Ying,Hengfa Lu,Qingtao Wei,Jian-Feng Cai,Di Guo,Jihui Wu,Zhong Chen,Xiaobo Qu,Hankel matrix nuclearnorm regularized tensor completion for N-dimensional exponential signals,IEEE Transactions on Signal Processing,vol 65,pp.3702-3717,2017.)。针对典型核范数最小的低秩重建方法的耗时问题，Guo等(DiGuo,Hengfa Lu,Xiaobo Qu,A fast lowrank Hankel matrix factorization reconstruction method for non-uniformlysampled magnetic resonance spectroscopy,IEEE Access,vol 5,pp.16033-16039,2017.)用矩阵分解来替代耗时的奇异值分解，达到了降低磁共振波谱信号重建时间的目的。但是受限于传统最优化方法的迭代机制，这些磁共振波谱信号重建方法仍需耗费较长的时间。

随着人工智能的兴起与发展，深度学习方法开始被广泛应用于各领域。为解决基于模型最优化重建方法存在的问题，Qu等(Xiaobo Qu,Yihui Huang,HengfaLu,TianyuQiu,Di Guo,Tatiana Agback,VladislavOrekhov,Zhong Chen,Accelerated nuclearmagnetic resonance spectroscopy with deep learning,AngewandteChemieInternational Edition,vol.59,no.26,pp.10297-10300,2020.)设计了一套利用频域卷积和模拟数据训练集的深度学习神经网络，显著提高了指数信号重建的速度。

发明内容

本发明目的在于提供通过对时域的磁共振波谱信号的汉克尔矩阵进行谱分解与并行重建的一种基于谱分解的深度学习磁共振波谱重建方法。

本发明包括以下步骤：

1)利用指数函数生成磁共振波谱时域仿真信号；