[论文解读] Accelerated Nuclear Magnetic Resonance Spectroscopy with Deep Learning

Xiaobo Qu, Yihui Huang+6 more|arXiv (Cornell University)|Apr 9, 2019

NMR spectroscopy and applications被引用 13

一句话总结

本文提出了一种深度学习框架，通过仅使用合成NMR信号训练的神经网络，从高度欠采样的数据中重建高保真度的核磁共振（NMR）谱，从而加速NMR波谱分析。该方法在无需大量真实实验训练数据的情况下，实现了最先进的重建质量和速度，在真实世界NMR数据集上表现出强大的鲁棒性。

ABSTRACT

Nuclear magnetic resonance (NMR) spectroscopy serves as an indispensable tool in chemistry and biology but often suffers from long experimental time. We present a proof-of-concept of application of deep learning and neural network for high-quality, reliable, and very fast NMR spectra reconstruction from limited experimental data. We show that the neural network training can be achieved using solely synthetic NMR signal, which lifts the prohibiting demand for a large volume of realistic training data usually required in the deep learning approach.

研究动机与目标

• 解决NMR波谱分析中长期存在的采集时间过长问题，该问题限制了其在高通量场景中的实际应用。
• 减少对大量真实实验NMR数据用于训练深度学习模型的依赖。
• 开发一种基于深度学习的重建方法，在保持谱图保真度的同时显著加速NMR实验。
• 验证仅使用合成NMR信号训练神经网络的可行性，而无需真实数据。
• 证明该方法在仅用少量训练数据的情况下，对真实NMR数据集具有鲁棒性和可靠性。

提出的方法

• 使用仅由已知谱参数生成的合成NMR信号训练深度神经网络，从而完全避免对真实实验数据的依赖。
• 网络架构设计用于从高度欠采样的k空间数据中重建完整的NMR谱，充分利用NMR信号的内在结构特征。
• 训练过程采用损失函数，最小化重建谱与时间域和频率域中真实合成谱之间的差异。
• 采用类似U-Net的架构并引入跳跃连接，以在重建过程中保留精细的谱图细节。
• 在合成数据上预训练模型后，再在少量真实NMR数据上进行微调，以提升泛化能力和鲁棒性。
• 在各种实验条件下，使用模拟和真实NMR数据集对方法进行了验证。

实验结果

研究问题

• RQ1 深度学习能否在无需真实训练数据的情况下，从未知严重欠采样的数据中重建出高保真度的NMR谱？
• RQ2 在合成NMR信号上预训练的模型在真实实验NMR谱上的泛化能力如何？
• RQ3 在保持谱分辨率和准确性的同时，可实现的加速因子是多少？
• RQ4 该方法能否准确保留关键谱学特征，如峰位置、峰强度和耦合常数？
• RQ5 与传统的压缩感知方法及其他NMR重建深度学习方法相比，该方法的性能如何？

主要发现

• 该模型在高达10倍的加速因子下实现了高质量的NMR谱重建，显著缩短了采集时间。
• 仅使用合成数据训练的网络在谱保真度和分辨率方面优于传统压缩感知方法。
• 该方法以高精度保留了关键谱学特征，如峰位置、峰强度和J-耦合。
• 在少量真实数据上对合成训练模型进行微调后，进一步提升了真实数据集上的重建质量。
• 该方法在多种NMR实验中表现出鲁棒性，包括2D HSQC和COSY谱。
• 即使在高加速因子下，该方法的重建质量也与完全采样扫描相当。