[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

一種基于矩陣分解的深度學習磁共振波譜重建方法，涉及磁共振波譜重建方法。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。既有深度學習方法優異的時間表現，又基于傳統重建方法具有相對可靠的理論支撐；可快速高質量地重建磁共振信號。

技術領域

本發明涉及磁共振波譜重建方法，尤其是涉及一種基于矩陣分解的求解磁共振波譜重建問題的深度學習方法。

背景技術

磁共振波譜是醫學、化學和生物學領域的重要分析工具之一。磁共振波譜的采樣時間與被測點數成正比，采樣時間隨分辨率和矩陣維度的增大而增大。一種快速采樣方式是通過欠采樣來加速數據采集，通過波譜重建得到預期分辨率和完整數據。

在波譜重建中，一些研究人員利用磁共振信號的數學特性來重建波譜。其中效果較好的一種是利用磁共振波譜的時間信號的低秩特性。比如，Xiaobo Qu等(Xiaobo Qu,Maxim Mayzel,Jian-Feng Cai,Zhong Chen,VladislavOrekhov,Accelerated NMRspectroscopy with low-rank reconstruction,AngewandteChemie InternationalEdition,vol.54,pp.852-854,2015.)提出基于低秩漢克爾矩陣對欠采樣的頻譜進行高質量的重建方法，解決了壓縮感知對寬譜峰重建效果不理想等問題。研究人員還提出了對二維甚至更高維譜的優化解決方案(Jiaxi Ying,Hengfa Lu,Qingtao Wei,Jian-Feng Cai,Di Guo,Jihui Wu,Zhong Chen,Xiaobo Qu,Hankel matrix nuclear norm regularizedtensor completion for N-dimensional exponential signals,IEEE Transactions onSignal Processing,vol 65,pp.3702-3717,2017.)，并使之應用于時域頻域混合的多維信號(Hengfa Lu,Xinlin Zhang,TianyuQiu,Jian Yang,Jiaxi Ying,Di Guo,Zhong Chen,Xiaobo Qu,Low rank enhanced matrix recovery of hybrid time and frequencydata in fast magnetic resonance spectroscopy,IEEE Transactions on BiomedicalEngineering,vol 65,pp.809-820,2017.)。DiGuo等(DiGuo,Hengfa Lu,Xiaobo Qu,Afast low rank Hankel matrix factorization reconstruction method for non-uniformly sampled magnetic resonance spectroscopy,IEEE Access,vol 5,pp.16033-16039,2017.)針對典型核范數最小的低秩重建方法耗時問題，從最優化問題數值算法角度提出了矩陣分解來替代耗時的奇異值分解，達到降低磁共振信號重建時間的目的。但是，該方法受限于傳統最優化方法，波譜重建時間仍然相對較長。