CN115640506B 基于时频谱信号增强的磁粒子分布模型重建方法和系统 （中国科学院自动化研究所）

号US2018350111A1,2018.基于时频谱信号增强的磁粒子分布模型重种基于时频谱信号增强的磁粒子分布模型重建法同时高效的去除谐波干扰和高斯噪声等背景我注意力机制的深度神经网络学习时频谱中的2步骤S300，基于所述二维时频谱，通过训练好的步骤S400，基于所述高质量磁粒子时域信号进块与时域频域去噪模块，联合去噪模块基于一级特征图提取全局空间特征获得联合去噪2.根据权利要求1所述的基于时频谱信号增强的磁粒子分布模型重建方法，其特征在其中所述多尺度特征分析单元包括由特征提取模块输所述第一支路包括一个包括16个1x1卷积核的卷积层；所述第二支路包括顺次连接的一个包括16个1x1卷积核的卷积层和一个包括32个3x3卷积核的卷积层；卷积核的卷积层和一个包括64个3x3卷积核的卷积层；第一支路、第二支路和第三支路的输出于第所述特征提取模块输入端与第一特征融合卷积层建立残差3.根据权利要求1所述的基于时频谱信号增强的磁粒子分布模型重建方法，其特征在所述空间注意力块，为空间注意力块输入端同时分别噪模块输入端与Sigmoid层之后建立连接，并将联合去噪模块的输入端的输入信息与3两个kxk的自注意力块的输出加和后依次连接第二特征融合卷积层、第三特征融合卷积4.根据权利要求3所述的基于时频谱信号增强的磁粒子分布模型重建方法，其特征在和单元建立残差连接。5.根据权利要求4所述的基于时频谱信号增强的磁粒子分布模型重建方法，其特征在层输入端与所述第三加和单元建立残差连接；所述前馈网络包括顺次连接的第一全连接接层和第二点积全连接层的输出共同连接至矩阵乘法单元，并依次连接归一化层和6.根据权利要求1所述的基于时频谱信号增强的磁粒子分布模型重建方法，其特征在所述频域去噪支路，将时域注意力块中的第一包括32个卷积核的卷积层和第二包括32个卷积核的卷积层替换为第一包括32个卷积核的卷积层和第二包括32个卷积核的卷积层，时域去噪支路输入端和时域去噪支路输出端替换为频域去噪支7.根据权利要求1所述的基于时频谱信号增强的磁粒子分布模型重建方法，其特征在48.根据权利要求1所述的基于时频谱信号增强的磁粒子分布模型重建方法，其特征在将所述仿真散点图像的一维时域信号及对应的带噪一维时域信号进行分段傅里叶变步骤A400，基于所述一级特征图，通过联合去噪模块获取特征重建模块通过多个密集连接层和卷积将所述组合特征图进行特征重建生成去噪后的9.根据权利要求8所述的基于时频谱信号增强的磁粒子分布模型重建方法，其特征在对所述仿真散点图像的一维时域信号叠加谐波510.一种基于时频谱信号增强的磁粒子分布模型重建系统，其特征在于，所述系统包一维时域信号获取模块，配置为通过磁粒子二维时频谱获取模块，配置为将所述待测目标的一维时域信号进行分段傅里叶变换，频谱去噪模块，配置为基于所述二维时频谱，通过训练模型重建模块，配置为基于所述高质量磁粒子时域信号进行块与时域频域去噪模块，联合去噪模块基于一级特征图提取全局空间特征获得联合去噪6被提出。利用断层成像技术，MPI可以通过检测对人体无害的超顺磁氧化铁纳米颗粒网络获得去噪后的磁粒子时频谱信号，进而通过逆傅里叶变换得到高质量磁粒子时域信域_频域去噪模块和特征重建模块；其中特征提取模块将提取的一级特征图传输至联合去7噪模块与时域频域去噪模块，联合去噪模块基于一级特征图提取全局空间特征获得联合[0012]其中所述多尺度特征分析单元包括由特征提取模块输入端连接并行的第一支路、[0014]所述第二支路包括顺次连接的一个包括16个1x1卷积核的卷积层和一个包括32[0015]所述第三支路包括顺次连接的一个包括16个1x1卷积核的卷积层、一个包括32个3x3卷积核的卷积层和一个包括64个3x3卷积核的卷积层；块输入端的输入信息与第一特征融合卷积层合去噪模块输入端与Sigmoid层之后建立连接，并将联合去噪模块的输入端的输入信息与[0021]所述自注意力单元，包括并行的两个不同感受野的kxk的自注意力块，其中k=3,5；两个kxk的自注意力块的输出加和后依次融合卷积层，并连接至联合去噪模块输出端其中第二特征融合卷积层为包括32个3x3卷Reshape层的输出并行连接第一加和单元和位置编码层，位置编码层的输出连接第一加和8三点积全连接层，第一点积全连接层和第二点积全连接层的输出共同连接至矩阵乘法单层和第二包括32个1xky卷积核的卷积层替换为第一包括32个卷积核的卷积层和续的密集连接层密集加和单元和特征重建模块输出端，每个密集连接层的输入端通过跳第三ReLU层、包括36个1X1卷积核的卷积层、第二批归一化层、第四ReLU层、包括12个[0035]将所述仿真散点图像的一维时域信号及对应的带噪一维时域信号进行分段傅里9[0046]在一些优选的实施方式中，所述对所述仿真散点图像的一维时[0048]u(t)=u(t)+u:(t)+ux(t)[0049]其中，u(t)表示所述仿真散点图像的一维时域信号，uc(i)表示高斯噪声，uz(t)表示谐波干扰噪声，u,(t)表示带噪一维时域信号；[0051]n表示第n个谐波，表示谐波频率，表示随机相位且该随机相位均匀分布于[0057]SWR表示信噪比，表示噪声的标准差，u(t)表示所述仿真散点图像的一维时域[0058]本发明的另一方面，提出了一种基于时频谱信号增强的磁粒子分布模型重建系域频域去噪模块和特征重建模块；其中特征提取模块将提取的一级特征图传输至联合去噪模块与时域频域去噪模块，联合去噪模块基于一级特征图提取全局空间特征获得联合[0067]图1是本发明实施例中基于时频谱信号增强的磁粒子分布模型重建方法的流程示[0073]图7是本发明实施例中时域残差注意力块的结构示意图，同时作为频域残差注意网络获得去噪后的磁粒子时频谱信号，进而通过逆傅里叶变换得到高质量磁粒子时域信域频域去噪模块和特征重建模块；其中特征提取模块将提取的一级特征图传输至联合去噪模块与时域频域去噪模块，联合去噪模块基于一级特征图提取全局空间特征获得联合[0086]为了更清晰地对本发明基于时频谱信号增强的磁粒子分布模型重建方法进行说网络获得去噪后的磁粒子时频谱信号，进而通过逆傅里叶变换得到高质量磁粒子时域信操作将时频谱补充回原始大小，通过逆傅里叶变换即可得到对应的高质量一维时域信号，[0098]其中所述多尺度特征分析单元包括由特征提取模块输入端连接并行的第一支路、[0100]所述第二支路包括顺次连接的一个包括16个1x1卷积核的卷积层和一个包括32[0101]所述第三支路包括顺次连接的一个包括16个1x1卷积核的卷积层、一个包括32个3x3卷积核的卷积层和一个包括64个3x3卷积核的卷积层；征连接单元的输出连接所述第一特征融合卷积层；第一特征融合卷积层为包括32个1x1去噪模块的输入端的输入信息与Sigmoid层的输出信息进行相乘并输出；经过所述通道平经过卷积运算和sigmoid函数得到的注意力特征与空间注意力块的原始输入进行矩阵相乘[0107]所述自注意力单元，包括并行的两个不同感受野的kxk的自注意力块，其中k=3,5；两个kxk的自注意力块的输出加和后依次Reshape层的输出并行连接第一加和单元和位置编码层，位置编码层的输出连接第一加和单元；自注意力块输入端与第二加和单元建立残差连接。在自注意力块中，通过第一层和第二包括32个1xky卷积核的卷积层替换为第一包括32个卷积核的卷积层和第三ReLU层、包括36个1X1卷积核的卷积层、第二批归一化层、第四ReLU层、包括12个[0124]将所述仿真散点图像的一维时域信号及对应的带噪一维时域信号进行分段傅里[0128]u(t)=u(t)+u:(t)+ux(t)[0129]其中，u(t)表示所述一维时域信号，uc(i)表示高斯噪声，uz(t)表示谐波干扰噪[0131]n表示第n个谐波，表示谐波频率，表示随机相位且该随机相位均匀分布于其可以同时(并行)执行或以颠倒的次序执行，这些简单的变化都在本发明的保护范围之域频域去噪模块和特征重建模块；其中特征提取模块将提取的一级特征