【材料】一种用于获取超干净核磁共振纯化学位移谱的深度学习方法

通讯作者：林雁勤，厦门大学

作者：杨铮显，郑霄栩，郜鑫晶，曾庆，杨创，罗杰，詹超群，林雁勤

高质量核磁共振纯化学位移波谱可以简化核磁共振波谱信息，降低谱图解析的难度。本文提出了名为AC-ResNet的神经网络和名为SM-CDMANE的损失函数，并将其用于训练网络模型来后处理实时ZS纯化学位移谱，以获取无噪声、无伪影、高分辨率的纯化学位移谱，推动核磁共振的多样化应用。

核磁共振波谱技术是一项强大的分析技术。其中，核磁共振氢谱是最常见的核磁共振波谱。谱图分辨率和谱图灵敏度是核磁共振氢谱的重要指标。由于J偶合效应，常规单脉冲氢谱的谱峰存在裂分现象，导致其谱图分辨率较低。纯化学位移技术能够去除J偶合信息、保留化学位移信息，使裂分的谱峰变为单线态，从而大幅度提高谱图分辨率。实时ZS (Zangger-Sterk)方法能够快速获取纯化学位移谱，但其谱图质量较低，存在灵敏度损失和伪影干扰，阻碍谱峰信号的检测。因此，快速获取高质量纯化学位移谱具有重要意义。

团队以可通过实验快速获取的实时ZS纯化学位移谱为处理对象：

(1)提出了适用于处理实时ZS谱的神经网络AC-ResNet和损失函数SM-CDMANE，并模拟了实时ZS谱图以训练网络模型；

(2)使用网络模型处理实验采集的实时ZS谱，得到高质量纯化学位移谱，并测试了网络模型在减小谱峰线宽、抑制谱图噪声、识别谱峰信号、去除伪影等方面的能力。

在本项工作中，使用核磁共振信号表达式模拟了实时ZS谱作为输入数据集、理想纯化学位移谱作为输出数据集，以训练网络模型。为了缓解深层网络过拟合问题，本文提出了神经网络AC-ResNet (图1)。该网络通过组合利用特征图相加和通道连接操作，将浅层特征传递到更深层，避免了深层网络错误识别谱峰信号的问题。

图1. AC-ResNet的网络结构。红色箭头表示特征图相加(Addition)，将网络的输入层(Input)和之前所有多残块(Multi-residual block)的输出层相加。BN表示批量归一化层(Batch normalization)。蓝色箭头表示通道连接(Concatenation)，将网络的输入层和之前所有特征图相加后的BN层通道连接在一起。通道连接的结果是下一个多残差块的输入。

为了提高网络对实时ZS谱中弱信号的学习能力，本文改进了不连续可导的损失函数MANE，提出了损失函数CDMANE (公式1)。为了进一步地提高网络对峰信号的学习能力，本文在CDMANE的基础上增加了单独计算峰区域损失值的损失项，得到损失函数SM-CDMANE (公式2)。该损失函数通过增加弱信号和峰信号的损失，有效改善了网络模型难以识别弱峰信号、错误识别伪影和噪声的情况。

实验实时ZS数据测试表明(图2)，网络模型具有很强的识别谱峰的能力，且其处理谱非常干净，没有噪声和伪影的干扰。即使有噪声信号高于谱峰信号(图2b放大区域)，网络模型仍可通过谱峰的线宽和峰型等特征将谱峰识别出来，而不会将噪声信号错误识别为峰信号。

图2. 浓度为 0.015 M、溶剂为二甲基亚砜-d6的奎宁样品的NMR谱。(a) 扫描16次的常规单脉冲¹H NMR谱。(b) 扫描4次的实时ZS谱。(c) 扫描1024次的实时ZS谱。(d) 网络模型对扫描4次的实时ZS谱的处理结果。蓝色和橙色箭头分别指示有代表性的峰和伪影。

综上所述，本文针对可实验快速获取的实时ZS纯化学位移谱，设计AC-ResNet网络结构和SM-CDMANE损失函数，并以模拟数据训练网络模型，将其用以处理实时ZS谱，得到高质量核磁共振纯化学位移谱。该研究可以推动纯化学位移谱的应用，所提出的AC-ResNet网络结构和SM-CDMANE损失函数可以为网络模型设计提供参考。