[發明專利]基于離散余弦變換的深度神經網絡磁共振信號消噪方法

有效

• 申請號: 201910098593.2
• 申請日: 2019-01-31
• 公開（公告）號: CN109870729B
• 公開（公告）日: 2020-01-24
• 發明（設計）人: 林婷婷;李玥;張揚;于思佳;萬玲
• 申請（專利權）人: 吉林大學
• 主分類號: G01V3/14
• 分類號: G01V3/14;G01V3/38
• 代理公司: 21241 沈陽銘揚聯創知識產權代理事務所(普通合伙)
• 代理人: 屈芳

1.一種基于離散余弦變換的深度神經網絡磁共振信號消噪方法，其特征在于，該方法包括：

步驟A、在仿真核磁共振信號E(t)中加入空采核磁共振噪聲，作離散余弦變換，獲得神經網絡的訓練樣本集X＝[X₁,X₂,...,X_M]和測試數據集T＝[T₁,T₂,...,T_N]；

步驟B、對訓練樣本集和測試數據集作均值歸一化處理得到和

步驟C、設置深度神經網絡結構，以受限玻爾茲曼機訓練方式并將歸一化處理后的訓練樣本集作為可見向量輸入到RBM中，對DNN進行預訓練，得到DNN的初始化網絡權值和偏置向量；

步驟D、利用反向傳播算法，將原訓練樣本集與RBM訓練輸出的類標簽組成新的訓練樣本集作為DNN的輸入，對仿真核磁共振信號E(t)作DCT變換和均值歸一化，作為DNN的理想輸出Y，將步驟C中訓練得到的網絡權值和偏置向量作為DNN的初始化參數，有監督地對DNN進行全局訓練，微調DNN網絡權值參數；

步驟E、將測試數據集輸入訓練完畢的DNN，對DNN輸出反歸一化后，作離散余弦反變換，得到消噪后的核磁共振時域信號。

2.按照權利要求1所述的方法，其特征在于，所述步驟A包括以下步驟：

A1、空采核磁共振噪聲Ns組，加入仿真核磁共振信號

A2、對Ns組含噪核磁共振信號作DCT變換為式(1)：

其中，x(k)為離散信號序列，x_l為信號長度，m＝0,1,2,...,x_l-1，

DCT反變化表示為式(2)

A3、將步驟A2得到的Ns組含噪核磁共振信號C(m)的70％作為訓練樣本集X＝[X₁,X₂,...,X_M]，30％作為測試數據集T＝[T₁,T₂,...,T_N]，M和N分別為訓練樣本集和測試數據集的樣本數。

3.按照權利要求1所述的方法，其特征在于，所述步驟B均值歸一化的具體方法為：

計算訓練樣本集的訓練樣本平均值用代替X_p對訓練樣本集進行均值歸一化得到測試數據集作同樣變換得到

4.按照權利要求1所述的方法，其特征在于，所述步驟C具體包括：

C1、設置DNN隱藏層層數L和每層所含神經單元個數；

C2、將DNN的輸入層和第一層隱藏層作為第一個RBM網絡的可見層和隱藏層進行訓練，可見層含神經元n_v個，隱藏層含神經元n_h個；

C3、初始化RBM網絡參數集合θ＝{W,a,b}和學習速率α，其中為RBM可見層與隱藏層之間的權重矩陣，是可見層偏置向量，是隱藏層偏置向量，將歸一化的訓練樣本集作為可見向量v⁽⁰⁾輸入到RBM中；

C4、利用基于K步吉布斯抽樣的對比散度算法獲得各參數梯度的近似；

C5、根據步驟C4獲得的各參數梯度的近似，并利用隨機梯度上升法更新RBM網絡參數；

C6、用DNN的第一層隱藏層和第二層隱藏層作為第二個RBM網絡的可見層和隱藏層，第一個RBM網絡的輸出P(h_j＝1|v)作為第二個RBM網絡的輸入，重復步驟C2～C5，直至獲得所有RBM的參數。

5.按照權利要求4所述的方法，其特征在于，所述C4利用基于K步吉布斯抽樣的對比散度算法獲得各參數梯度的近似包括：

對r＝0,1,...,K-1，計算RBM隱藏層輸出其中是RBM網絡的激活函數，i＝1,2,...,n_v，j＝1,2,...,n_h；

根據條件概率分布采樣

將作為RBM網絡隱藏層輸入，RBM可見層輸出為

根據條件概率分布采樣