当前位置 : X-MOL首页行业资讯 › Angew. Chem.:基于深度学习的快速高质量磁共振波谱重建

Angew. Chem.:基于深度学习的快速高质量磁共振波谱重建

磁共振波谱在现代化学、生物和医学等领域具有极其重要的作用,例如用于生命科学相关的复杂蛋白质结构表征等。但是,磁共振波谱数据采集时间随着数据的维度和分辨率的增加极速上升,使得三维谱的全采样时间达到几十小时。过长的数据采集时间严重限制了磁共振发展和更广泛应用。非均匀采样通过在采集小部分实验数据来减少实验时间,其挑战在于如何可靠且快速地从采集的有限数据中重建出高质量的完整磁共振波谱?


近日,厦门大学屈小波教授(点击查看介绍)领导的计算感知实验室和陈忠教授(点击查看介绍)课题组以及瑞典磁共振中心等合作,在快速磁共振波谱领域首次提出一种基于深度学习的人工智能磁共振波谱重建方法,成功实现快速可靠地获得高质量波谱。与最前沿的谱重建方法相比,该方法把重建时间降低10倍左右,能在1秒和10秒内分别快速重建二维和三维谱,且谱图质量相当甚至更好。此外,该方法还巧妙地利用仿真信号来训练神经网络,克服了深度学习需要大量实验数据而磁共振又难以提供的问题。一个训练完成的网络可以对不同蛋白质样品的不同波谱进行重建。


研究人员受深度学习强大的数据学习能力启发,结合磁共振波谱信号的指数函数特性和信号处理理论,设计了一个基于卷积神经网络的深度学习方法用于快速采样磁共振波谱数据的可靠、高精度重建。该网络主要由多层的密集连接卷积模块和数据校验模块组成。密集连接卷积模块学习波谱的特征,而数据校验模块根据采集到的信号对重建的信号进行合理的数据对比和校验,以增加重建结果的可靠性。该网络学习了一个从由于非均匀采样造成的带伪影的波谱到“干净”无伪影的波谱的端到端的映射。神经网络训练完成后,只要输入非均匀采样数据,网络就可以快速计算得到完整的高质量波谱。


在对小蛋白、大蛋白和无序蛋白磁共振波谱的非均匀采样重建表明,该深度学习方法能高保真地保持谱峰形状,重建波谱与全采样参考波谱的谱峰相关性超过0.99。此外,该方法还允许更少的采样数据达到与低秩Hankel矩阵重建等前沿方法相同的谱峰相关性,因此允许进一步缩短采样时间。未来该方法还可以拓展到更高的四维/五维度或扩散谱等不同的磁共振实验。


相关结果发表Angewandte Chemie International Edition


原文(扫描或长按二维码,识别后直达原文页面,或点此查看原文):

Accelerated Nuclear Magnetic Resonance Spectroscopy with Deep Learning

Xiaobo Qu, Yihui Huang, Hengfa Lu, Tianyu Qiu, Di Guo, Tatiana Agback, Vladislav Orekhov, Zhong Chen

Angew. Chem. Int. Ed., 2019, DOI: 10.1002/anie.201908162


导师介绍

屈小波

https://www.x-mol.com/university/faculty/63991

陈忠

https://www.x-mol.com/university/faculty/44747


(本稿件来自Wiley


如果篇首注明了授权来源,任何转载需获得来源方的许可!如果篇首未特别注明出处,本文版权属于 X-MOLx-mol.com ), 未经许可,谢绝转载!

分享到
评论: 0
down
wechat
bug