一种基于深度学习的磁共振波谱相位校正方法技术

本发明专利技术公开了一种基于深度学习的磁共振波谱相位校正方法。包括构建磁共振波谱相位校正数据集；搭建基于多尺度残差网络的卷积神经网络；使用损失函数和优化算法迭代训练卷积神经网络直至收敛；将待相位校正的磁共振波谱输入到训练好的卷积神经网络中，得到对应的零阶相位偏差和一阶相位偏差，还原出相位校正后的磁共振谱图。本发明专利技术的卷积神经网络替代了传统磁共振波谱相位校正过程中搜索零阶相位偏差和一阶相位偏差的步骤，学习磁共振波谱到零阶相位偏差和一阶相位偏差的映射，采用基于多个子网络级联的结构方式迭代优化预测结果，有效地提高了磁共振波谱相位校正的准确性。地提高了磁共振波谱相位校正的准确性。地提高了磁共振波谱相位校正的准确性。

【技术实现步骤摘要】
一种基于深度学习的磁共振波谱相位校正方法


[0001]本专利技术涉及代谢组学的核磁共振研究和深度学习
，具体涉及一种基于深度学习的磁共振波谱相位校正方法。

技术介绍

[0002]在理想的情况下，磁共振实验采集到的自由感应衰减(Free Induction Decay：FID)信号经过傅立叶变换得到的是纯吸收线形谱和纯色散线形谱，但在实际的实验过程中总会由于死时间、数字滤波器响应、发射脉冲和接收机之间相位不一致等原因产生一定的相位偏移，使得色散信号和吸收信号混合。
[0003]由于吸收线形谱相比于绝对值谱和混合相位的谱图有更高的分辨率，所以目前磁共振谱图分析一般都是基于吸收线形谱。而为了得到纯吸收线形谱，需要对傅里叶变换后得到的磁共振波谱进行相位校正，所以相位校正是磁共振谱图后期处理的一个必须步骤。
[0004]到目前为止，国内外已经发展了多种磁共振波谱相位校正的技术，可以分为取得很好校正效果但是极其耗时的手动校正和速度快但是效果有待提升的自动校正。早在1969年，就出现了基于色散信号积分为零和吸收信号积分最大的自动相位校正方法；后来相继出现了一系列基于谱峰的自动校正方法和全谱自动校正方法。但基于谱峰的校正方法在校正过程中面临寻峰、谱峰线性化等问题，而基于全谱数据的自动相位校正方法计算效率较低，难以满足实时处理的要求。
[0005]近年来，由于深度学习方法的准确性和高效性，越来越多的研究者将其应用于磁共振领域中。但是到目前为止，深度学习尤其是卷积神经网络(Convolutional Neural Network，CNN)还未被广泛用于磁共振波谱相位校正中。基于以上分析，本专利技术提出一种基于多尺度残差网络的卷积神经网络，其中首创性设计卷积神经网络替代传统磁共振波谱相位校正过程中搜索零阶相位偏差和一阶相位偏差的步骤，学习磁共振波谱到零阶相位和一阶相位的映射，采用基于多个子网络级联的结构方式迭代优化预测结果，有效地提高了磁共振波谱相位校正的准确性。

技术实现思路

[0006]本专利技术的目的在于克服现有技术的不足，提出一种设计合理且兼顾校正准确率和处理速度的基于深度学习的磁共振波谱相位校正方法。
[0007]为了解决上述技术问题，本专利技术所采用的技术方案是：
[0008]一种基于深度学习的磁共振波谱相位校正方法，包括以下步骤：
[0009]步骤1、构建磁共振波谱相位校正数据集，并构建训练集；
[0010]步骤2、搭建基于多尺度残差网络的卷积神经网络；
[0011]步骤3、将训练集中的样本对输入到基于多尺度残差网络的卷积神经网络中迭代训练，使用自适应矩估计优化器自动调整网络参数，直至均方误差损失函数下降至收敛并趋于稳定；
[0012]步骤4、将待相位校正的磁共振波谱输入到步骤3中训练好的卷积神经网络中，得到预测的待相位校正的磁共振波谱对应的零阶相位偏差和一阶相位偏差，根据零阶相位偏差和一阶相位偏差还原出相位校正后的磁共振谱图。
[0013]如上所述步骤1包括以下步骤：
[0014]步骤1.1、对实际采集的带有相位误差的自由感应衰减信号进行傅里叶变换，得到对应的带有相位误差的磁共振波谱作为输入磁共振波谱；
[0015]步骤1.2、对步骤1.1得到的输入磁共振波谱进行精准相位校正，获得输入磁共振波谱对应的零阶相位偏差和一阶相位偏差，并将输入磁共振波谱对应的零阶相位偏差和一阶相位偏差作为输入磁共振波谱对应的参考零阶相位偏差和参考一阶相位偏差；
[0016]步骤1.3、将获得的输入磁共振波谱和对应的参考零阶相位偏差和参考一阶相位偏差作为磁共振波谱相位校正数据集中的样本对，根据磁共振波谱相位校正数据集中的样本对构建训练集。
[0017]如上所述的步骤1.2中精准相位校正包括以下步骤：
[0018]步骤1.2.1、调节零阶相位偏差值，使得输入磁共振波谱中一个谱峰为纯吸收型信号；
[0019]步骤1.2.2、将该谱峰位置定为调相的零点位置；
[0020]步骤1.2.3、调节一阶相位偏差使得输入磁共振波谱中所有谱峰都为纯吸收型信号。
[0021]如上所述步骤2包括以下步骤：
[0022]步骤2.1、使用包含若干个级联的卷积单元和激活单元的初步特征提取网络对训练集中的样本对初步提取输入磁共振波谱的输入磁共振波谱特征，并将提取到的输入磁共振波谱特征输入到多尺度残差网络；
[0023]步骤2.2、利用包括若干个级联的多尺度残差模块的多尺度残差网络对输入磁共振波谱特征进一步处理获得深层级特征；
[0024]步骤2.3、通过包含若干个级联的卷积单元、激活单元和平均池化单元的池化网络对步骤2.2中多尺度残差网络输出的深层级特征进行融合，得到预测的零阶相位偏差和一阶相位偏差。
[0025]本专利技术的优点和积极效果是：
[0026]1、本专利技术的卷积神经网络替代了传统磁共振波谱相位校正过程中搜索零阶相位偏差和一阶相位偏差的步骤，学习磁共振波谱到零阶相位偏差和一阶相位偏差的映射；
[0027]2、本专利技术的卷积神经网络采用多个子网络级联的结构方式迭代优化预测结果，有效地提高了磁共振波谱相位校正的准确性。
附图说明
[0028]图1是基于多尺度残差网络的卷积神经网络的框架图；
[0029]图2是本专利技术的初步特征提取网络的框架图；
[0030]图3是本专利技术的多尺度残差模块的框架图；
[0031]图4是本专利技术的池化网络的框架图；
[0032]图5是本专利技术与TopSpin软件自动相位校正、ACFT相位校正方法的效果对比图。
[0033]图6是对应于图5中21kHz附近的局部放大图。
具体实施方式
[0034]为了便于本领域普通技术人员理解和实施本专利技术，下面结合实施例对本专利技术作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本专利技术，并不用于限定本专利技术。
[0035]实施例：
[0036]一种基于深度学习的磁共振波谱相位校正方法，包括以下步骤：
[0037]步骤1、构建磁共振波谱相位校正数据集。具体实现过程包括：
[0038]步骤1.1、对实际采集的小鼠脑脊液的自由感应衰减信号进行傅里叶变换，得到带有相位误差的磁共振波谱作为输入磁共振波谱。其中小鼠脑脊液的磁共振波谱的化学位移为16.0214ppm，数据点数为32k(即：32
×
1024＝32768)；
[0039]步骤1.2、对步骤1.1得到的输入磁共振波谱进行精准相位校正，获得输入磁共振波谱对应的零阶相位偏差和一阶相位偏差，并将输入磁共振波谱对应的零阶相位偏差和一阶相位偏差作为输入磁共振波谱对应的参考零阶相位偏差和参考一阶相位偏差；
[0040]步骤1.2的具体实现过程如下：
[0041]步骤1.2.1、调节零阶相位偏差值，使得输入磁共振波谱中一个谱峰为纯吸收型信号；
[0042]步骤1.2本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的磁共振波谱相位校正方法，其特征在于，包括以下步骤：步骤1、构建磁共振波谱相位校正数据集，并构建训练集；步骤2、搭建基于多尺度残差网络的卷积神经网络；步骤3、将训练集中的样本对输入到基于多尺度残差网络的卷积神经网络中迭代训练，使用自适应矩估计优化器自动调整网络参数，直至均方误差损失函数下降至收敛并趋于稳定；步骤4、将待相位校正的磁共振波谱输入到步骤3中训练好的卷积神经网络中，得到预测的待相位校正的磁共振波谱对应的零阶相位偏差和一阶相位偏差，根据零阶相位偏差和一阶相位偏差还原出相位校正后的磁共振谱图。2.根据权利要求1所述的一种基于深度学习的磁共振波谱相位校正方法，其特征在于：所述步骤1包括以下步骤：步骤1.1、对实际采集的带有相位误差的自由感应衰减信号进行傅里叶变换，得到对应的带有相位误差的磁共振波谱作为输入磁共振波谱；步骤1.2、对步骤1.1得到的输入磁共振波谱进行精准相位校正，获得输入磁共振波谱对应的零阶相位偏差和一阶相位偏差，并将输入磁共振波谱对应的零阶相位偏差和一阶相位偏差作为输入磁共振波谱对应的参考零阶相位偏差和参考一阶相位偏差；步骤1.3、将获得的输入磁共振波谱和对应的参考...

【专利技术属性】
技术研发人员：张志，鲍庆嘉，王杰，刘可文，李小军，李钊，白崇鑫，陈方，刘朝阳，
申请(专利权)人：中国科学院精密测量科学与技术创新研究院，
类型：发明
国别省市：