24、浅层与深度学习模型在核磁共振T2分布合成中的应用

浅层与深度学习模型在核磁共振T2分布合成中的应用

1. 深度学习模型概述

深度学习模型大多基于包含多个隐藏层的深度神经网络架构。浅层和深度学习模型之间没有明确的界限，深度学习的定义会随着计算速度和数据规模的发展而演变。与浅层学习模型不同，深度学习模型可以设计出特定的架构，以便更好地对训练数据集中的信息进行近似、抽象和泛化。

为了合成所需的核磁共振T2（NMR T2）分布，采用了四种不同的深度学习模型。其中三种模型（变分自编码器辅助神经网络VAE - NN、带卷积层的变分自编码器辅助神经网络VAEc - NN和生成对抗网络辅助神经网络GAN - NN）首先学习重建NMR T2分布所需的特征和抽象信息，然后将这些信息与易于获取的测井数据相关联，以合成NMR T2分布。这三种模型采用两步训练过程，第一步学习重建NMR T2分布，第二步将易于获取的测井数据与NMR T2分布建立联系，从而提高测井合成的鲁棒性。第四种模型是长短期记忆网络（LSTM），它将易于获取的测井数据作为序列进行处理，试图找到对应的NMR T2分布序列。

2. 具体深度学习模型介绍

• 变分自编码器辅助神经网络（VAE - NN）
  • 第一步训练 ：使用包含编码器和解码器网络的变分自编码器（VAE）。编码器将训练数据集中的NMR T2投影到2D或3D潜在空间，解码器则根据编码后的潜在向量重建NMR T2分布。潜在变量的生成涉及从高斯分布中采样，VAE被训练将具有相似特征的NMR T2分布投影到相似的空间，以降低重建成本。训练完成后，解码器网络学会通过处理潜在向量生成典型的NMR响应。