一种核磁共振谱降噪方法及其核磁共振谱降噪装置

技术领域

本发明涉及核磁共振谱降噪领域中的一种降噪方法，特别是涉及一种基于轻量级神经网络的核磁共振谱降噪方法。

背景技术

磁共振波谱是一种基于分子内部原子核核磁矩与强磁场相互作用的分析方法，通过给原子核施加射频电磁波并检测其磁场效应来获取分子结构和化学键信息。该分析方法具有高度的精准度和分辨率，被广泛应用于化学、生物、医学等领域的研究，可以用于检测脑部疾病、材料结构、电子状态等领域。在进行磁共振波谱数据降噪时，需要考虑到数据的准确性和噪声的特征。目前，常用的降噪方法包括基线校正、峰强度平滑、信噪比增强、小波分析和主成分分析等。基于深度学习的降噪方法在近年来也得到了广泛应用，Olaf等人提出了卷积神经网络Unet，该网络采用自编码器结构，将输入数据编码为更低维度的特征表示，并通过解码器将其还原为原始数据。该网络被广泛应用在图像分割，图像去噪等领域。近年来Wu等人提出了基于Unet的磁共振波谱去噪网络DNUnet，对于液体核磁数据取得了很好的降噪效果，但该网络模型庞大且训练时间成本高，这些都限制了该方法的广泛应用。

发明内容

基于此，有必要针对现有核磁共振谱降噪方法所采用的深度神经网络模型的训练时间成本高、降噪效果不理想的技术问题，本发明提供一种基于轻量级神经网络的核磁共振谱降噪方法。

本发明采用以下技术方案实现：一种核磁共振谱降噪方法，其将低信噪比核磁谱数据输入到深度神经网络模型进行降噪得到高信噪比核磁谱数据；所述深度神经网络模型设计方法包括以下步骤：

步骤S1，对所述低信噪比核磁谱数据依次进行m次编码得到编码特征图DResult

步骤S2，对编码特征图DResult

步骤S3，对中间特征图Result

步骤S4，对解码特征图UResult

作为上述方案的进一步改进，在步骤S1中，所述m次编码的编码方法包括以下步骤：

步骤S11，对所述低信噪比核磁谱数据做一维卷积处理；

步骤S12，对一维卷积处理后的所述低信噪比核磁谱数据做批量归一化处理；

步骤S13，根据激活函数对批量归一化处理后的所述低信噪比核磁谱数据做激活处理，得到第m次待叠加用的特征图DCResult

步骤S14，对特征图DCResult

对特征图DResult

进一步地，在步骤S2中，的特征图DResult

步骤S21，对特征图DResult

步骤S22，对一维卷积处理后的特征图DResult

步骤S13，根据激活函数对批量归一化处理后的特征图DResult

再进一步地，在步骤S3中，所述m次解码的解码方法包括以下步骤：

步骤S31，将中间特征图Result

步骤S32，对维度扩充后的Result

步骤S33，对叠加特征图DUResult

步骤S34，对一维卷积处理后的叠加特征图DUResult

步骤S35，根据激活函数对批量归一化处理后的叠加特征图DUResult

对解码特征图UResult

优选地，在步骤S3中，所述数据重建的方法包括以下步骤：

步骤S41，对解码特征图UResult

步骤S42，对叠加后的解码特征图UResult

步骤S43，根据激活函数对一维卷积处理后的解码特征图UResult

再优选地，在m次编码中，相应一维卷积的卷积核为15，步长为1，进行零填充；

在优化方法中，相应一维卷积的卷积核为15，步长为1，进行零填充；

在m次解码中，相应一维卷积的卷积核为5，步长为1，进行零填充；

在数据重建中，相应一维卷积的卷积核为1，步长为1，不进行零填充。

再优选地，在m次编码中，相应的激活函数采用LeakyRelu激活函数；

在优化方法中，相应的激活函数采用LeakyRelu激活函数；

在m次解码中，相应的激活函数采用LeakyRelu激活函数；

在数据重建中，相应的激活函数采用tanh激活函数。

作为上述方案的进一步改进，所述核磁共振谱降噪方法还包括以下步骤：

使用训练好的深度神经网络模型进行相应的数据处理；所述深度神经网络模型的训练方法包括以下步骤：

步骤S51，利用公式FID＝Ae

步骤S52，每个训练样本中的噪声采用白噪声Noise，利用公式Noise＝n*(randn(1,NF2)+i*randn(1,NF2))生成，式中n为噪声的强度范围内的采样点数，NF2为噪声的直接维的采样点数，randn(1,NF2)代表点数为NF2的白噪声；

步骤S54，叠加每个训练样本FID和相应的白噪声Noise得到训练样本FID

步骤S55，对每个训练样本采用四种不同信噪比的噪声数据

步骤S56，根据训练样本X对所述深度神经网络模型进行迭代训练，直至相应的归一化均方误差损失函数收敛时，终止训练，当前的深度神经网络模型即为训练好的深度神经网络模型。

进一步地，在步骤S52之后还对训练样本FID做预处理，训练样本FID的预处理方法包括以下步骤：

步骤S531，对训练样本FID进行傅里叶变换；

步骤S532，将傅里叶变换后的训练样本FID的实部与虚部都依照信号实部的最大值进行归一化；

步骤S533，再对归一化后的结果进行反傅里叶变化得到FID

因此，训练样本FID

本发明还提供一种核磁共振谱降噪装置，其应用了上述任意核磁共振谱降噪方法，所述核磁共振谱降噪装置包括：

编码器模块，其用于对所述低信噪比核磁谱数据依次进行m次编码得到特征图DResult

中间模块，其用于对特征图DResult

解码器模块，其用于对中间特征图Result

输出模块，其用于对解码特征图UResult

与现有技术相比，本发明核磁共振谱降噪方法具备如下有益效果：

(1)采用的深度神经网络模型，其为基于U-Net的自编码器器式结构，构建了低信噪比到高信噪比核磁共振谱的映射，缩短了实验采集时间。该结构与普通的卷积神经网络相比，能通过编码器提取不同尺度的特征信息，更好的保留微小特征，对核磁共振谱数据有很高的应用价值。

(2)不同于传统Unet的二维卷积，编码器模块采用一维卷积实现，对于一维的核磁数据，一维卷积较好的保持了信号的完整性，同时编码器模块的卷积函数采用了较小数量的卷积核，大大缩小了网络参数量。

(3)反卷积部分采用线性插值算法，

(4)由于噪声数据的多样性，同一模拟数据样本标签添加四种不同大小的白噪声，该方法可以提升网络对噪声抑制和弱峰恢复的能力。

附图说明

图1为本发明实施例提供的核磁共振谱降噪方法的流程图。

图2为应用图1中核磁共振谱降噪方法的核磁共振谱降噪装置的功能模块图。

图3为图1中核磁共振谱降噪方法采用的编码方法的流程图。

图4为图1中核磁共振谱降噪方法采用的特征图DResult

图5为图1中核磁共振谱降噪方法采用的解码方法的流程图。

图6为图1中核磁共振谱降噪方法采用的数据重建方法的流程图。

图7为图1中核磁共振谱降噪方法采用的深度神经网络模型在训练时采用的训练样本集的设置方法流程图。

图8为应用图1中核磁共振谱降噪方法的实验结果示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本实施例的核磁共振谱降噪方法用于将低信噪比核磁谱数据输入到深度神经网络模型进行降噪得到高信噪比核磁谱数据。深度神经网络模型在本实施例中，设计成了一种轻量级神经网络模型，基于所述轻量级神经网络模型，本发明能够将通过少量采集次数获得的低信噪比核磁谱数据，输入所述轻量级神经网络模型，得到高信噪比的核磁谱数据，该发明去噪质量高，结果可靠，重构时间短，具有广泛的应用前景。

请参阅图1及图2，图1为本发明实施例提供的核磁共振谱降噪方法的流程图；图2为本发明实施例提供的核磁共振谱降噪装置的功能模块示意图。在本实施例中，所使用的样品为阿奇霉素，采集的数据为阿奇霉素的一维频谱数据，使用的仪器为Varian 500MHz核磁共振波谱仪。本发明的核磁共振谱降噪方法在具体应用时，可以设置成软件的形式，如设计成独立的APP，或者被随时可调用的嵌入式软件，应用在计算机终端中。计算机终端可包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序。该计算机终端还可以是能够执行程序的智能手机、平板电脑、笔记本电脑等。处理器在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器通常用于控制计算机设备的总体操作。本实施例中，处理器用于运行存储器中存储的程序代码或者处理数据。处理器执行程序时可实现本发明的核磁共振谱降噪方法的步骤。

本发明的核磁共振谱降噪方法在应用中，还可以设计成一种可读存储介质，如U盾，所述可读存储介质中存储有计算机程序指令，计算机程序指令被一处理器读取并运行时，执行上述任意的核磁共振谱降噪方法的步骤。做成U盾的形式，可以通过电子插接的方式插接在传统的降噪分析仪上，降噪分析仪通过读取U盾内的计算机程序指令并执行，就能在核磁共振谱降噪时，解决传统核磁共振谱降噪方法所采用的深度神经网络模型的训练时间成本高、降噪效果不理想的技术问题。因此通过U盾的方式还可以实现对传统降噪分析仪的升级改造，从而利于本发明的推广与应用。

不论是非嵌入式还是嵌入式，核磁共振谱降噪方法都可以归纳为相应的核磁共振谱降噪装置，目的是用于将频谱数据(即低信噪比核磁谱数据)通过本发明设计好的深度神经网络模型进行降噪后得到去噪频谱(高信噪比核磁谱数据)。所述装置主要包括编码器模块、中间模块、解码器模块、输出模块。

所述深度神经网络模型的设计方法主要包括以下四大步骤。

步骤S1，对所述低信噪比核磁谱数据依次进行m次编码得到特征图DResult

此步骤由编码器模块执行，所述编码器模块实现的功能如图3所示，图3为图1中核磁共振谱降噪方法采用的编码方法的流程图。所述编码方法对所述低信噪比核磁谱数据依次进行m次编码，最终输出特征图DResult

所述m次编码的编码方法包括以下步骤：

步骤S11，对所述低信噪比核磁谱数据做一维卷积处理；

步骤S12，对一维卷积处理后的所述低信噪比核磁谱数据做批量归一化处理；

步骤S13，根据激活函数对批量归一化处理后的所述低信噪比核磁谱数据做激活处理，得到第m次待叠加用的特征图DCResult

步骤S14，对特征图DCResult

对特征图DResult

编码器模块包括M个下采样模块，分别为DSampleBlock

在第1次编码中，所述低信噪比核磁谱数据输入一维卷积模块一，经过批量归一化模块一和激活函数模块一后，得到第m次待叠加用的特征图DCResult

以此类推，对特征图DResult

步骤S2，对特征图DResult

此步骤由中间模块执行，中间模块实现的功能如图4所示，图4为图1中核磁共振谱降噪方法采用的特征图DResult

步骤S21，对特征图DResult

步骤S22，对一维卷积处理后的特征图DResult

步骤S13，根据激活函数对批量归一化处理后的特征图DResult

中间模块包括一维卷积层模块二，批量归一化模块二和激活函数模块二。特征图DResult

步骤S3，对中间特征图Result

此步骤由解码器模块执行，所述解码器模块实现的功能如图5所示，图5为图1中核磁共振谱降噪方法采用的解码方法的流程图。所述解码方法对中间特征图Result

所述m次解码的解码方法包括以下步骤：

步骤S31，将中间特征图Result

步骤S32，对维度扩充后的Result

步骤S33，对叠加特征图DUResult

步骤S12，对一维卷积处理后的叠加特征图DUResult

步骤S13，根据激活函数对批量归一化处理后的叠加特征图DUResult

对解码特征图UResult

在解码器模块中，通过采用线性插值算法，

解码器模块包括M个上采样模块构成，M个上采样模块分别为USampleBlock

当m＝1时，解码器模块接收特征图Result

当m＝2,3…M时，解码器模块接收特征图UResult

步骤S4，对解码特征图UResult

此步骤由输出模块执行，输出模块实现的功能如图6所示，图6为图1中核磁共振谱降噪方法采用的数据重建方法的流程图。输出模块包括叠加模块二、一维卷积模块四和激活函数模块四。一维卷积模块四采用卷积核大小为1，步长为1，不进行零填充，在本实施例中，最终输出数据大小为8192，与输入样本一致，即为高信噪比的核磁谱图数据。

所述数据重建的方法包括以下步骤：

步骤S41，对解码特征图UResult

步骤S42，对叠加后的解码特征图UResult

步骤S43，根据激活函数对一维卷积处理后的解码特征图UResult

本发明不同于传统Unet的二维卷积，本网络的编码器模块采用一维卷积实现，对于一维的核磁数据，一维卷积较好的保持了信号的完整性，同时编码器模块部分的一维卷积采用了相对编码器模块较小数量的卷积核，大大缩小了网络参数量。针对具体的一维卷积函数没有特别的要求，在本实施例中，是在m次编码中，相应一维卷积的卷积核为15，步长为1，进行零填充；在优化方法中，相应一维卷积的卷积核为15，步长为1，进行零填充；在m次解码中，相应一维卷积的卷积核为5，步长为1，进行零填充；在数据重建中，相应一维卷积的卷积核为1，步长为1，不进行零填充。

激活函数也没有特别的要求，最好是在m次编码中，相应的激活函数采用LeakyRelu激活函数；在优化方法中，相应的激活函数采用LeakyRelu激活函数；在m次解码中，相应的激活函数采用LeakyRelu激活函数；在数据重建中，相应的激活函数采用tanh激活函数。

以上是本发明的核磁共振谱降噪方法所采用的深度神经网络模型具体结构的介绍，针对建立的深度神经网络模型最好做训练处理，从而使用训练好的深度神经网络模型进行相应的数据处理。在本实施例中，所述深度神经网络模型训练时采用的训练样本集的设置方法包括以下步骤。

利用公式

也就是说，请参阅图7，图7为图1中核磁共振谱降噪方法采用的深度神经网络在训练时采用的训练样本集的设置方法流程图。训练样本集的设置方法包括以下步骤。

步骤S51，利用公式

可对训练样本FID做预处理，训练样本FID的预处理方法包括以下步骤：步骤S531，对训练样本FID进行傅里叶变换；步骤S532，将傅里叶变换后的训练样本FID的实部与虚部都依照信号实部的最大值进行归一化；步骤S533，再对归一化后的结果进行反傅里叶变化得到FID

步骤S52，每个训练样本中的噪声采用白噪声Noise，利用公式Noise＝n*(randn(1,NF2)+i*randn(1,NF2))生成，式中n为噪声的强度范围内的采样点数，NF2为噪声的直接维的采样点数，randn(1,NF2)代表点数为NF2的白噪声。一个完整的FID信号可由8192个FID数据点组成。

步骤S54，叠加每个训练样本FID和相应的白噪声Noise得到训练样本FID

步骤S55，对每个训练样本采用四种不同信噪比的噪声数据对应同一无噪声标签信号，记低信噪比数据为X＝fft(FID

步骤S56，根据训练样本X对所述深度神经网络模型进行迭代训练，直至相应的归一化均方误差损失函数收敛时，终止训练，当前的深度神经网络模型即为训练好的深度神经网络模型。

将网络的输出与标签数据进行比对：采用式(1)所示归一化均方误差损失函数计算二者间差值。再采用反向传播算法，结合Adam优化器对所有一维卷积的网络权重值进行更新，下一批数据送入网络后，重复上述步骤，迭代更新网络参数，将每次损失值记录，当损失函数收敛时，终止训练，得到预期的网络模型”。

本实施例中，采用早期停止法训练模型，当损失函数值连续20次不下降后，将学习率调整为原来的1/3，继续训练，当第二轮训练时的损失函数值连续20次不下降后，认为网络已经收敛，记该训练过程中损失函数值最低的模型为最佳模型。本实施例中，迭代训练了100次网络收敛，记第80次迭代生成的为最佳模型并进行后续实验，损失函数值为0.03，两轮训练的学习率分别为0.003和0.001。

构建反向传播损失函数L，如式(1)所示：

L＝L

式(1)中，L

式(2)中，f(j)为第j点的低信噪比数据，

步骤2.6结合Adam优化器对网络权重值进行更新，计算损失函数值，迭代更新网络参数，将每次损失值记录，当损失函数收敛时，终止训练，得到预期的网络模型。本实施例中，迭代训练了21次网络收敛，损失误差0.03。”

在本实施例中，采用Varian500MHzh核磁共振仪，采样阿奇霉素的核磁共振谱图。对于一维数据进行重复采样4次，随后对实验数据进行傅里叶变换，得到频域数据后添加相位校正程序，最终实验谱图分别如图8中的区域(a)所示。将重复采样4次的数据上述步骤训练好的网络，网络的输出即为降噪后的结果，如图8中的区域(b)所示。总体来说，该方法利用较少的算力资源，达到了较好的降噪效果。

本发明通过构建低信噪比核磁数据到高信噪比核磁数据之间的映射，训练并优化网络参数，得到预期的深度神经网络模型，将通过少量采集次数获得的低信噪比核磁谱数据，输入所述预期的深度神经网络模型，得到高信噪比的核磁谱数据，该发明去噪质量高，结果可靠，重构时间短，具有广泛的应用前景。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。