[發明專利]一種基于矩陣分解的深度學習磁共振波譜重建方法

有效

• 申請號: 202010129060.9
• 申請日: 2020-02-28
• 公開（公告）號: CN111324861B
• 公開（公告）日: 2022-05-03
• 發明（設計）人: 屈小波
• 申請（專利權）人: 廈門大學
• 主分類號: G06F17/16
• 分類號: G06F17/16;G06N3/04;G06N3/08;G01R33/561
• 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

1.一種基于矩陣分解的深度學習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；

2)建立包含全采樣時域信號與欠采樣時域信號的訓練集；

3)設計基于矩陣分解的深度學習網絡結構；

4)設計基于矩陣分解的深度學習網絡的數據校驗層；

5)設計基于矩陣分解的深度學習網絡的反饋功能；

6)生成基于矩陣分解的深度學習網絡的波譜重建模型；

7)訓練網絡的相對最優參數；

8)對需要進行欠采樣重建的磁共振信號進行重建；

9)對重建后的時域信號進行傅里葉變換即得到重建的波譜。

2.如權利要求1所述一種基于矩陣分解的深度學習磁共振波譜重建方法，其特征在于在步驟1)中，所述利用指數函數生成磁共振波譜的時域信號的具體方法為：根據指數函數生成全采樣的全采樣磁共振波譜時域信號上標F表示全采樣的時域信號；s^F的表達式為：

其中，表示長度為N的復數向量,的下標n表示信號向量s^F的第n個元素，J表示指數函數個數，j表示第j個指數，a_j、Δt、f_j、τ_j和φ_j分別表示第j個指數的幅度、時間間隔、歸一化頻率、示衰減因子和相位。

3.如權利要求1所述一種基于矩陣分解的深度學習磁共振波譜重建方法，其特征在于在步驟2)中，所述建立包含全采樣時域信號與欠采樣時域信號的訓練集的具體方法為：表示在時域中的欠采樣操作，其對應的欠采樣模板為U；對于全采樣磁共振波譜時域信號s^F做欠采樣操作得到欠采樣集s^U如下：

其中，與U_n中的下標n表示向量s^U與U的第n個元素；算子的具體操作為：給定欠采樣模板U的第n個元素U_n，若U_n＝1則s^F的第n個元素保留到若U_n＝0則這一過程表示為n＝1,2,…,N；相應地，然后，將s^U和s^F共同組成訓練集將s^U和s^F分別作為神經網絡的輸入數據和輸出標簽。

4.如權利要求1所述一種基于矩陣分解的深度學習磁共振波譜重建方法，其特征在于在步驟3)中，所述設計基于矩陣分解的深度學習網絡結構的具體方法為：深度學習網絡結構以迭代塊為核心，通過疊加若干個迭代塊作為整體的網絡結構，其中迭代塊包括四個子塊：s更新塊、P更新塊、Q更新塊和D更新塊。

5.如權利要求1所述一種基于矩陣分解的深度學習磁共振波譜重建方法，其特征在于在步驟4)中，所述設計基于矩陣分解的深度學習網絡的數據校驗層的具體方法為：將第k+1個迭代塊中s更新塊的輸出信號s_k+1作為該迭代塊的數據校驗層的輸入，數據校驗層用于完成數據校驗功能，其表達式為：

其中，λ是可訓練的數據校驗層權重系數，最后一個迭代塊輸出不需要經過數據校驗層，最后一個迭代塊的輸出為

整個網絡表示為：

其中，是訓練從s^U到的K個迭代塊級聯的非線性映射；Θ是網絡的參數集合，即包含全部K個迭代塊的參數Θ^k的集合。

6.如權利要求1所述一種基于矩陣分解的深度學習磁共振波譜重建方法，其特征在于在步驟5)中，所述設計基于矩陣分解的深度學習網絡的反饋功能的具體方法為：反饋功能是網絡求解目標值的重要過程，通過將網絡的輸出值與全采樣磁共振波譜時域信號s^F進行比較并反饋梯度給模塊進行參數更新，使得網絡的輸出值更逼近全采樣的磁共振信號。