[發明專利]一種基于深度學習的磁共振波譜重建方法

有效

• 申請號: 201910075573.3
• 申請日: 2019-01-25
• 公開（公告）號: CN109903259B
• 公開（公告）日: 2020-05-29
• 發明（設計）人: 屈小波
• 申請（專利權）人: 廈門大學
• 主分類號: G06T5/50
• 分類號: G06T5/50
• 代理公司: 廈門南強之路專利事務所(普通合伙) 35200
• 代理人: 馬應森

1.一種基于深度學習的磁共振波譜重建方法，其特征在于包括以下步驟：

1)利用指數函數生成磁共振波譜的時域信號，具體方法為：根據指數函數生成磁共振波譜時域的全采樣信號的表達式為：

其中，表示復數的集合，N和M表示時間信號的行數和列數，T^n,m表示信號T的第n行，第m列的數據，R表示譜峰個數，a_r表示幅度大小，Δt₁和Δt₂表示時間增量，f_1,r和f_2,r表示歸一化頻率，τ_1，r和τ_2，r表示衰減因子；表達式(1)同樣適用于一維自由感應衰減全采樣信號，此時有n＝1，m1或m＝1，n1；

2)建立欠采樣時域信號與全采樣波譜的訓練集，具體方法為：采用M表示在時域中的欠采樣操作，模板中白色表示對應的數據點被采樣，黑色表示的數據點未被采樣，Ω表示M的索引子集，若某一個信號點的索引(p,q)出現在集合Ω中，則(p,q)∈Ω；若某一個信號點的索引(p,q)沒有出現在集合Ω中，則根據欠采樣模板M對T中未被采樣的信號通過填0得到補全的時域信號T_u，對T_u進行傅里葉變換獲得帶混疊的波譜信號S_u；對全采樣信號T進行傅里葉變換得到全采樣波譜S，并將S的實部和虛部分開保存，即其中，表示實數，由T_u和S兩者共同組成訓練集

3)設計數據校驗卷積神經網絡結構中的卷積神經網絡；

4)設計數據校驗卷積神經網絡結構中的瓶頸層；

5)設計數據校驗卷積神經網絡結構中的數據校驗層；

6)設計數據校驗卷積神經網絡結構中的反饋功能；

7)建立數據校驗卷積神經網絡結構作為波譜重建模型；

8)訓練網絡最優化參數；

9)對目標的欠采樣磁共振時域信號進行重建；

10)在時頻域進行欠采樣操作的同時，利用卷積神經網絡的強擬合能力和數據校驗層數據校驗的能力，完成對欠采樣磁共振波譜信號的快速且高質量的重建。

2.如權利要求1所述一種基于深度學習的磁共振波譜重建方法，其特征在于在步驟3)中，所述設計數據校驗卷積神經網絡結構中的卷積神經網絡的具體方法為：卷積神經網絡模塊將包含L個卷積層，每個卷積層I個濾波器；卷積層間采用密集連接的方式，模塊中每一層的輸入都是前面所有層輸出的并集，在所有的卷積層中，卷積核大小為k；通過卷積神經網絡模塊，完成從第l層(1≤l≤L)的輸入信號S_l經過卷積神經網絡后輸出信號S_cnn,l，它的定義為：

S_cnn,l＝f(S_l|θ) (2)

其中，θ是卷積神經網絡的訓練參數，f(S_l|θ)表示訓練的從S_l到S_cnn,l的非線性映射。

3.如權利要求1所述一種基于深度學習的磁共振波譜重建方法，其特征在于在步驟4)中，所述設計數據校驗卷積神經網絡結構中的瓶頸層的具體方法為：瓶頸層在網絡結構中完成改變特征圖數量的功能，瓶頸層位于卷積神經網絡模塊的前后，進入卷積神經網絡模塊前信號會通過一個Ki個濾波器的瓶頸層以提高特征圖數量，卷積神經網絡模塊的輸出信號也會通過一個k_o個濾波器的瓶頸層以減少特征圖數量。

4.如權利要求1所述一種基于深度學習的磁共振波譜重建方法，其特征在于在步驟5)中，所述設計數據校驗卷積神經網絡結構中的數據校驗層的具體方法為：數據校驗層在網絡結構中完成數據校驗功能，將來自第ι個卷積神經網絡的輸出信號S_cnn,l作為輸入，利用傅里葉逆變換F^H將輸入信號S_cnn,l變換回時域中，獲得信號T_l，公式如下：

T_l＝F^HS_cnn，l (3)

數據校驗層的表達式如下：

最后輸出頻域波譜其中最后一次，即第L層(L＞1)的波譜即為整個深度學習網絡的輸出