买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：厦门大学

摘要：一种基于深度学习的磁共振波谱智能量化分析方法，涉及磁共振波谱量化分析方法。提供可实现目标代谢信号的量化分析，并且具有量化速度快、量化精度高和智能一体化特点的一种基于深度学习的磁共振波谱智能量化分析方法。利用磁共振波谱信号模型构建仿真数据，其中包括模拟非理想成像条件下的磁共振波谱信号、对应的代谢物分量信号以及背景信号波谱作为仿真训练集；设计深度学习波谱量化网络及损失函数；利用获得的仿真训练集训练步所述网络，得到最优参数下的网络；将活体磁共振波谱输入最优参数下的网络，得到背景信号和目标代谢物分量信号，以及代谢物分量在非理想成像条件下的信号参数；利用网络预测得出的信号参数计算目标代谢物的浓度。

主权项：1.一种基于深度学习的磁共振波谱智能量化分析方法，其特征在于包括以下步骤：1利用磁共振波谱信号模型构建仿真数据，其中包括模拟非理想成像条件下的磁共振波谱信号、对应的代谢物分量信号以及背景信号波谱作为仿真训练集，具体方法为：磁共振波谱时域信号xnΔt可建模成代谢物分量信号，背景信号以及噪声的合成，用公式表示为： 其中，N表示信号的长度，Δt表示信号采样时间间隔，εnΔt表示高斯白噪声；bnΔt表示由于脂质大分子以及残留水峰所构成的难以建模的背景信号，利用随机高斯函数组合进行仿真；表示第m个代谢物分量信号，具体用公式表示为： 其中，i表示虚数单位且满足i2＝-1；θ为描述实际非理想成像环境对理想磁共振波谱信号造成影响的参数集合，定义为θ＝{θ1,θ2}；其中第一个参数集合θ1定义为下标m表示第m个目标代谢物，M表示总的代谢物个数，Δfm表示由于磁场不均匀导致的第m个代谢物的中心频率偏移量，Δd表示谱峰线型展宽因子；第二个参数集合θ2定义为θ2＝{cm},m＝1,...,M，cm表示第m个代谢物的浓度加权因子；vmt表示第m个代谢物的理想磁共振波谱信号；表示由于非理想的信号接收过程所带来的多阶相位偏移，具体用公式表示为： 其中，表示j阶相位偏移量的集合；根据时域信号模型和取n＝0,...,N-1得到对应的信号采样点xn＝xnΔt，构成向量[x0,x1,...,xN-1]T，对向量进行傅里叶变换，得到模拟非理想成像条件下的磁共振波谱信号x，维度为N×1，作为网络训练集的输入数据；根据时域信号模型取n＝0,...,N-1得到对应的信号采样点构成向量对向量进行傅里叶变换，得到模拟非理想成像条件下的代谢物分量信号波谱维度为N×1；将共M个代谢物分量波谱按列排列成代谢物分量信号波谱矩阵维度为N×M，Blabel作为网络训练集的标签数据1；取n＝0,...,N-1得到对应的信号采样点bn＝bnΔt，构成向量[b0,b1,...,bN-1]T，对向量进行傅里叶变换，得到背景信号波谱blabel，维度为N×1，作为网络训练集的标签数据2；{输入数据，{标签数据1，标签数据2}}共同构成网络训练集；2设计深度学习波谱量化网络及损失函数：深度学习波谱量化网络分为三个模块：a代谢信号模块：用于预测信号参数集合本模块由Imet个全连接层和线性整流函数构成，代谢信号模块的功能表示为： 其中，Θmet表示代谢信号模块的网络参数，表示代谢信号模块所训练的从x到的非线性映射；b背景信号模块：用于估计波谱中的背景信号本模块是由IB1个堆叠卷积块和IB2个全连接层构成，每个卷积块由两个卷积层和一个下采样层构成，每个卷积层中包含卷积核大小为IK×1，卷积核个数为ID的一维卷积操作以及线性整流函数；背景信号模块的功能可表示为： 其中，ΘB表示背景信号模块的网络参数，表示背景信号模块所训练的从x到的非线性映射；c回归模块：用于计算信号参数集合以及目标代谢物分量波谱将a模块预测的信号参数代入公式2得到M个维度为N×1的无cm参数加权的代谢物信号分量，然后将该分量信号按列排列得到无参数θ2加权的代谢物分量信号矩阵B′，维度为N×M，则参数集合可以通过以下公式计算： 其中，表示矩阵伪逆运算，的维度为M×1；目标代谢物波谱分量波谱通过以下公式求得： 其中，⊙表示矩阵哈达玛积运算，的维度为N×M；回归模块的功能表示为： 其中，表示从到的线性映射；d整体网络：将代谢信号模块、背景信号模块和回归模块组合，整个网络表示为： 其中，是网络预测出来的信号参数的总体集合Θ＝{Θmet,ΘB}表示整体网络参数的集合，表示所训练的从x到的非线性映射；所述的损失函数定义为： 其中，Θ表示整体网络参数的集合，||·||F表示矩阵的Frobenius范数，||·||2表示向量的2范数；3利用步骤1中生成的训练集进行网络训练，训练中采用深度学习的优化器，通过最小化步骤2中的损失函数LossΘ获得最优网络参数集合下的网络；4将活体磁共振波谱输入步骤3中最优参数下的网络，得到背景信号和目标代谢物分量信号，以及代谢物分量在非理想成像条件下的信号参数，具体方法为：将活体磁共振波谱信号输入步骤3中最优参数集下的量化网络，得到预测的目标代谢物分量信号背景信号以及对应的信号参数集用公式表示为： 5利用步骤4中网络预测得出的信号参数计算目标代谢物的浓度，具体方法为：对于步骤4中得到的网络参数其中包含的参数集用于计算任意两种代谢物之间的相对浓度其中h∈{1,2,...,M},q∈{1,2,...,M}。

全文数据：

权利要求：

百度查询： 厦门大学 一种基于深度学习的磁共振波谱智能量化分析方法