【技术实现步骤摘要】
本专利技术涉及磁共振成像，尤其涉及一种基于深度学习和奇异值分解的高场cest mri z谱合成方法。
技术介绍
1、化学交换饱和转移(chemical exchange saturation transfer，cest)成像是一种用于评估生物组织中分子特性的重要医学影像技术。不同于传统磁共振成像(magneticresonance imaging，mri)只对游离态的氢原子进行成像，cest成像可选择性针对不同基团氢原子的特异共振频率施加饱和脉冲，通过检测饱和传输引起的水信号强度变化，来间接获得多溶质分子信息，从而实现对疾病的准确诊断。
2、然而，cest成像在临床应用中面临一些挑战。临床场强下，由于人体组织中多种化学物质的存在，饱和过程中水信号强度的减弱同时受到多种竞争效应的影响，如直接水饱和效应(direct saturation，ds)、磁化转移对比(magnetization transfer contrast，mtc)和核overhauser效应(nuclear overhauser effect，noe)，使得cest成像得到的z谱中的信号成分通常呈现出重叠的峰，导致对特定化学物质的准确鉴定和定量变得困难。相较于临床场强，高场强下的cest成像能够获得更好隔离的信号峰和更大的信号强度，提高了对特定化学物质的分辨率和定量能力。但是由于高场强cest成像设备成本高昂、射频能量沉积风险以及与高磁场相关的不均匀性问题，在临床应用中获得高质量的高场cest数据变得具有挑战性。
技术实现思
1、本专利技术旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本专利技术的一个目的在于提出一种基于深度学习和奇异值分解的高场cest mri z谱合成方法，为临床诊断和研究提供更为丰富和精确的数据，且具有低成本的优点。
2、本专利技术的第二个目的在于提出一种电子设备。
3、为达到上述目的，本专利技术第一方面实施例提出一种基于深度学习和奇异值分解的高场cest mri z谱合成方法，所述方法包括：获取目标低场cest mri z谱数据；利用预先训练好的高场z谱数据生成模型，根据所述目标低场cest mri z谱数据生成目标高场cestmri z谱数据，其中，所述高场z谱数据生成模型包括基于深度神经网络dnn的b0校正模块、基于dnn的特征蒸馏模块和奇异值分解svd截断模块，所述b0校正模块用以对所述低场cestmri z谱数据进行b0校正，所述特征蒸馏模块用以根据目标降维特征表达的维数对b0校正后的目标低场cest mri z谱数据进行特征蒸馏，得到目标高场特征表达，所述svd截断模块用以对所述目标高场特征表达进行svd逆变换，得到所述目标高场cest mri z谱数据，所述目标降维特征表达的维数由所述svd截断模块确定。
4、根据本专利技术实施例的基于深度学习和奇异值分解的高场cest mri z谱合成方法，利用预先训练好的高场z谱数据生成模型，将临床场强下获取的目标低场cest mri z谱数据转换为目标高场cest mri z谱数据，并根据目标高场cest mri z谱数据的特性，在临床对目标生物组织进行准确的cest诊断，为临床诊断和研究提供更为丰富和精确的数据、低成本的优点。
5、另外，根据本专利技术上述实施例提出的基于深度学习和奇异值分解的高场cest mriz谱合成方法还可以具有如下附加的技术特征：
6、根据本专利技术的一个实施例，所述高场z谱数据生成模型的训练方法包括训练过程，所述训练过程包括：获取训练数据集，其中，所述训练数据集包括多个仿真得到的低场cestmri z谱数据及其一一对应的多个仿真得到的高场cest mri z谱数据，和经过b0扰动的多个仿真得到的低场cest mri z谱及其一一对应的多个b0扰动实际值；建立所述高场z谱数据生成模型；将所述过b0扰动的仿真得到的低场cest mri z谱数据输入当前训练用高场z谱数据生成模型的b0校正模块，预测当前训练用低场cest mri z谱数据对应的b0扰动值，并利用b0扰动预测值校正当前训练用低场cest mri z谱数据，将校正后的当前训练用低场cest mri z谱数据输入所述当前训练用高场z谱数据生成模型的特征蒸馏模块，输出当前训练用低场cest mri z谱数据对应的训练用高场特征表达；根据所述b0扰动实际值和b0扰动预测值，得到第一损失函数，并利用所述第一损失函数调整所述当前训练用高场z谱数据生成模型的b0校正模块的网络参数，以进行下一次迭代，直至所述第一损失函数小于第一预设阈值且在第一预设迭代范围内不下降；根据所述目标高场特征表达和特征蒸馏模块输出的高场特征表达，得到第二损失函数，并利用所述第二损失函数调整所述当前训练用高场z谱数据生成模型的特征蒸馏模块的网络参数，以进行下一次迭代，直至所述第二损失函数小于第二预设阈值且在第二预设迭代范围内不下降。
7、根据本专利技术的一个实施例，所述高场z谱数据生成模型的训练方法还包括测试过程，所述测试过程包括：获取测试数据集，其中，所述测试数据集包括多个采集得到的低场cest mri z谱数据及其一一对应的采集得到的高场cest mri z谱数据；将所述采集得到的低场cest mri z谱数据输入当前测试用高场z谱数据生成模型的b0校正模块，预测当前测试用低场cest mri z谱数据对应的b0扰动值，并利用b0扰动预测值校正当前测试用低场cest mri z谱数据，将校正后的当前测试用低场cest mri z谱数据输入所述当前测试用高场z谱数据生成模型的特征蒸馏模块，输出当前测试用低场cest mri z谱数据对应的测试用高场特征表达，其中，首个测试用高场z谱数据生成模型为利用所述训练数据集训练得到的高场z谱数据生成模型。
8、根据本专利技术的一个实施例，所述高场z谱数据生成模型的训练方法还包括评估过程，所述评估过程包括：利用所述测试用高场特征表达和所述目标降维特征表达进行svd逆变换，得到预测高场cest mri z谱数据；根据所述预测高场cest mri z谱数据及其对应的采集得到的高场cest mri z谱数据得到第三损失函数，以评估所述高场z谱数据生成模型的性能。
9、根据本专利技术的一个实施例，所述对b0校正后的目标低场cest mri z谱数据进行特征蒸馏，得到目标高场特征表达，包括：对所述b0校正后的目标低场仿真cest mri z谱数据进行频率偏移缩放归一化处理，之后输入至所述特征蒸馏模块对应的深度神经网络，输出所述目标高场特征表达。
10、根据本专利技术的一个实施例，所述频率偏移缩放归一化处理的表达式为：
11、
12、其中，zm,n表示z谱中第n频率偏移处的信号值，为zm,n的归一化结果，zn表示相同频偏下所有训练数据的信号值，min(·)表示求最小值，max(·)表示求最大值。
13、根据本专利技术的一个实施例，所述svd截断模块采用奇异值分解法对所述仿真得到的高场本文档来自技高网...
【技术保护点】
1.一种基于深度学习和奇异值分解的高场CEST MRI Z谱合成方法，其特征在于，所述方法包括：
2.根据权利要求1所述的CEST MRI Z谱合成方法，其特征在于，所述高场Z谱数据生成模型的训练方法包括训练过程，所述训练过程包括：
3.根据权利要求2所述的CEST MRI Z谱合成方法，其特征在于，所述高场Z谱数据生成模型的训练方法还包括测试过程，所述测试过程包括：
4.根据权利要求3所述的CEST MRI Z谱合成方法，其特征在于，所述高场Z谱数据生成模型的训练方法还包括评估过程，所述评估过程包括：
5.根据权利要求1所述的CEST MRI Z谱合成方法，其特征在于，所述对B0校正后的目标低场CEST MRI Z谱数据进行特征蒸馏，得到目标高场特征表达，包括：
6.根据权利要求5所述的CEST MRI Z谱合成方法，其特征在于，所述频率偏移缩放归一化处理的表达式为：
7.根据权利要求2所述的CEST MRI Z谱合成方法，其特征在于，所述SVD截断模块采用奇异值分解法对所述仿真得到的高场CEST MRI
8.根据权利要求3所述的CEST MRI Z谱合成方法，其特征在于，所述测试数据集的获取过程，包括：
9.根据权利要求8所述的CEST MRI Z谱合成方法，其特征在于，所述训练数据集的获取过程，包括：
10.一种电子设备，包括存储器、处理器，所述存储器上存储有计算机程序，其特征在于，所述计算机程序被所述处理器执行时，实现如权利要求1-9中任一项所述的CEST MRI Z谱合成方法。
...【技术特征摘要】
1.一种基于深度学习和奇异值分解的高场cest mri z谱合成方法，其特征在于，所述方法包括：
2.根据权利要求1所述的cest mri z谱合成方法，其特征在于，所述高场z谱数据生成模型的训练方法包括训练过程，所述训练过程包括：
3.根据权利要求2所述的cest mri z谱合成方法，其特征在于，所述高场z谱数据生成模型的训练方法还包括测试过程，所述测试过程包括：
4.根据权利要求3所述的cest mri z谱合成方法，其特征在于，所述高场z谱数据生成模型的训练方法还包括评估过程，所述评估过程包括：
5.根据权利要求1所述的cest mri z谱合成方法，其特征在于，所述对b0校正后的目标低场cest mri z谱数据进行特征蒸馏，得到目标高场特征表达，包括：
6.根据权利要求5所述的cest mri ...
【专利技术属性】
技术研发人员：宋小磊，颜梦迪，别崇雪，贾汶韬，刘础雨，贺小伟，
申请(专利权)人：清华大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。