CN101971045A - 用于并行磁共振成像的线圈选择 - Google Patents

Abstract

本发明涉及从大量物理线圈元件中选择一组线圈元件的方法，所述大量物理线圈元件包括在用于针对感兴趣区域执行磁共振成像扫描的线圈阵列中。

Description

用于并行磁共振成像的线圈选择

技术领域

本发明涉及从大量物理线圈元件中选择一组线圈元件的方法，计算机程序产品和磁共振成像系统，所述大量物理线圈元件包括在用于执行磁共振成像扫描的线圈阵列中。

背景技术

利用具有大量独立线圈元件的线圈阵列进行并行成像提供了改进的成像性能和增加的信噪比。当今，一个基本的趋势就是极大地增加用于接收的线圈元件的数量。最近，已经引入了32元件线圈来提升SNR并且允许更高的约简因子(NiendorfT.，Hardy C.J.，Giaquinto R.O.，Gross P.，Cline H.E.，Zhu Y.，Kenwood G.，Cohen S.，Grant A.K.，Joshi S.，Rofsky N.M.，Sodickson D.K.(2006)Toward single breath-hold whole-heart coverage coronary MRA using highly accelerated parallel imaging with 32-channel MR system.Magn Reson Med 56：167-176)。

已经提出并且实现了甚至更复杂的线圈阵列，其包括高达128个单独的单元。然而，许多这些线圈阵列用在仅支持32个接收通道的系统上。使用大量的线圈阵列元件可能导致存储器的存储问题以及重建时间增加。

为了克服这些问题，可以应用数据约简技术。这能够通过在接收之前利用适当的硬件组合器来线性组合原始线圈数据，在重建之前对样本数据进行数据压缩，或者(在接收之前或者之后)通过丢弃来自具有低信号成分的线圈元件的特定数据而实现。

US 7,279,893公开了一种图像重建技术，其确定对图像SNR最具有贡献的接收器通道信息的线性组合，以减少MRI系统的重建引擎所承担的计算负担，并且所述图像重建技术量化针对图像重建设置的减少的接收器通道的SNR损失。

本发明的目的在于提供从大量物理线圈元件中选择一组线圈元件的改进方法，改进计算机程序产品和改进磁共振成像系统，所述大量物理线圈元件包括在用于执行磁共振成像扫描的线圈阵列中。

发明内容

本发明提供从大量物理线圈元件中选择一组线圈元件的方法，所述大量物理线圈元件包括在用于执行针对感兴趣区域优化的磁共振成像扫描的线圈阵列中，所述方法包括：确定用于感兴趣区域的大量物理线圈元件的线圈敏感度矩阵，并且确定投影矩阵，所述投影矩阵将大量物理线圈元件的敏感度矩阵投影到一组虚拟线圈元件上。随后，根据投影矩阵确定大量物理线圈元件中的每个物理线圈元件对所述组虚拟线圈元件的贡献。之后，根据这一贡献，将具有最显著贡献的物理线圈元件选择为所述组线圈元件。

根据本发明的方法具有如下优势，原则上考虑线圈元件组合的所有可能子组，以便选择用于执行对感兴趣区域的磁共振成像扫描的最合适的一组线圈元件。不需要在所有可能的子组中进行穷尽搜索，这是因为执行具有笛卡尔k空间采样的SENSE(敏感度编码)重建方法，并且投影矩阵方法产生了对要使用的最优线圈的推荐，这不需要逐个线圈元件地搜索最适合组的线圈元件。

根据本发明的方法允许自动的线圈选择，即仅选择用于信号采样的重要线圈，其减少了存储器和重建的负载。方法中隐含的算法允许自动地选择相应的线圈而无需任何用户交互来促进用于SENSE类型成像的最优选择。该算法对于最优工作流程是重要的，并且已经可应用到自动选择最佳线圈元件的扫描制定阶段期间。此外，其可以在实时交互扫描期间使用，从而应付变化的扫描情况，将最佳系统性能保持在最优实时线圈选择。

根据本发明的实施例，由线圈敏感度矩阵的因子分解确定投影矩阵。优选地，因子分解由奇异值分解(SVD)执行。SVD具有的优势为可以以以下方式快速且精确地分解矩阵，即因子中的一个对应于从其能够以低计算成本在数学上推导出投影矩阵的矩阵。

根据本发明的实施例，通过计算从物理线圈元件接收贡献的所有投影矩阵元素量值(magnitude)的总和来确定物理线圈元件的贡献。这具有的优势为，考虑由所有物理线圈元件的组合作用导致的总作用，而非考虑单独物理线圈元件对所接收信号的作用。对局部信号有贡献的所有物理线圈元件的组合作用对应于当利用多线圈技术执行数据采集时的实际情况。

根据本发明的实施例，物理线圈元件的贡献是所述物理线圈元件对感兴趣区域中的所有体素的平均贡献。

根据本发明的另一实施例，该方法还包括确定大量物理线圈元件的噪声相关性矩阵，其中根据线圈敏感度矩阵和噪声相关性矩阵确定投影矩阵。

可选地，在本发明的另一实施例中，该方法还包括利用噪声相关性矩阵确定大量物理线圈元件中的每个物理线圈元件对该组虚拟线圈元件的额外贡献，其中，将具有最显著贡献的物理线圈元件选择为该组线圈元件包括根据从噪声相关性矩阵导出的额外贡献对每个物理线圈元件的贡献进行加权。

将噪声相关性矩阵包括在选择哪组线圈的确定过程中所具有的优势为考虑了线圈元件之间的耦合。这还增加了根据本发明的方法的准确度，因此更精确地反映了真实MRI系统中的物理情况。

根据本发明的实施例，通过另一投影矩阵来计算从噪声相关性矩阵导出的额外贡献，其中，通过噪声相关性矩阵的因子分解来确定所述另一投影矩阵。这具有与以上已经针对线圈敏感度矩阵讨论的优势相同的优势，即具有低计算负担和高准确度的快速线圈选择。

根据本发明的另一实施例，线圈敏感度矩阵为接收线圈敏感度矩阵或者发射线圈敏感度矩阵。换言之，根据本发明的方法既可以应用于发射目的也可以应用于接收目的。在这两种情况下，大量发射或者接收线圈中的线圈的最合适组被用于激发和/或重聚焦磁化或者采集来自感兴趣区域的数据。因此，利用并行成像通过同时使用大量接收线圈而缩短采集时间这一想法适于在给定实验中通过仅使用相关发射线圈而并行发射空间选择性多维RF脉冲。以这种方式，通过跳过并非对最终结果有显著贡献的发射元件的RF脉冲计算，能够利用有限组的发射器和/或RF放大器实现最优发射或者减少RF脉冲设计问题的维数。后者由于减小的问题量可以得到更快的计算时间。

在另一方面，本发明涉及一种计算机程序产品，包括用于执行根据本发明的方法的计算机可执行指令。

在另一方面，本发明涉及磁共振成像系统，该系统包括适于针对感兴趣区域执行磁共振成像扫描的线圈阵列，其中，线圈阵列包括大量物理线圈元件，所述系统包括：用于确定用于感兴趣区域的大量物理线圈元件的线圈敏感度矩阵的装置；用于确定投影矩阵的装置，所述投影矩阵将大量物理线圈元件的敏感度矩阵投影到一组虚拟线圈元件上；用于根据所述投影矩阵确定大量物理线圈元件中的每个物理线圈元件对所述组虚拟线圈元件的贡献的装置；以及用于从该贡献中将具有最显著贡献的物理线圈元件选择为可应用于针对感兴趣区域执行磁共振成像扫描的一组线圈元件的装置。

根据本发明的实施例，磁共振成像扫描还包括用于对线圈敏感度矩阵进行因子分解的装置，例如通过奇异值分解。此外，在本发明的优选实施例中，磁共振成像系统还包括用于确定大量物理线圈元件的噪声相关性矩阵的装置，其中，用于确定投影矩阵的装置适于根据线圈敏感度矩阵和噪声相关性矩阵来确定投影矩阵。

根据本发明的实施例，磁共振成像系统还包括用于利用噪声相关性矩阵确定大量物理线圈元件中的每个物理线圈元件对该组虚拟线圈元件的额外贡献的装置。

在另一方面，本发明涉及从大量物理线圈元件中选择一组线圈元件的方法，所述大量物理线圈元件包括在用于针对感兴趣区域执行磁共振成像扫描的线圈阵列中，其中，所述组线圈元件中的每个物理线圈元件表现出线圈敏感度，其中，所述方法包括确定从针对感兴趣区域的磁共振成像扫描得到的图像的第一估计信息内容，其中，该图像的确定是通过组合第一组物理线圈元件的线圈敏感度而执行的。该方法还包括确定从针对感兴趣区域的磁共振成像扫描得到的图像的第二估计信息内容，其中，所述确定是通过组合第二组物理线圈元件的线圈敏感度而执行的，其中，与第一组物理线圈元件相比，在第二组物理线圈元件中跳过至少一个线圈。此外，通过比较第一和第二信息内容来计算跳过至少一个线圈导致的信息丢失。最后，重复先前的步骤，并且确定产生最少信息丢失的一组线圈元件。

“信息内容”可以理解为表示图像的相关信息所需的比特数。更精确地，MR图像的“信息内容”在这里被视为每个像素的信息内容的总和(或者“互信息”)。在该背景下，“互信息”通过观察噪声重建而测量在关于对象的给定位置处的组织可获得的信息的量。其可表示为：

I(X；Y)＝H(X)-H(X|Y)

其中，I代表互信息，H代表熵，X代表组织的真实状态(在该背景下：无噪声信号)，而Y代表经重建的噪声信号。本质上，H(X)是信号的熵，而H(X|Y)是噪声的熵。

在另一方面，本发明涉及计算机程序产品，其包括用于执行基于以上公开的信息内容分析选择一组线圈元件的所述方法的计算机可执行指令。

在又一方面，本发明涉及磁共振成像系统，所述系统包括适于针对感兴趣区域执行磁共振成像扫描的线圈阵列，其中，所述线圈阵列包括大量物理线圈元件，所述系统包括用于确定从针对感兴趣区域的磁共振成像扫描得到的图像的第一估计信息内容的装置，其中，所述确定是通过组合第一组物理线圈元件的线圈敏感度而执行的。所述系统还包括用于确定从针对感兴趣区域的磁共振成像扫描得到的图像的第二估计信息内容的装置，其中，所述确定是通过组合第二组物理线圈元件的线圈敏感度而执行的，其中，与第一组物理线圈元件相比，在第二组物理线圈元件中跳过至少一个线圈。所述系统还包括用于通过比较第一和第二信息内容计算由于跳过至少一个线圈而导致的信息丢失的装置，以及用于重复所述步骤并且确定产生最少信息丢失的一组线圈元件的装置。

附图说明

参考以下附图，仅以示例的方式详细描述本发明的以下优选实施例，其中：

图1为示出根据本发明的MRI系统的示意图；

图2是示出了从大量物理线圈元件中选择一组线圈元件的方法的流程图，所述大量物理线圈元件包括在用于针对感兴趣区域执行磁共振成像扫描的线圈阵列中；

图3是示出了从大量物理线圈元件中选择一组线圈元件的方法的另一流程图；

图4示出了基于SVD和基于SNR(信噪比)的线圈选择算法之间的比较。

参考标记列表

100数据处理系统

102屏幕

104输入设备

106存储器

108接口

110处理器

112计算机程序产品

114数据采集模块

116线圈选择模块

118移动台

120患者

122主线圈

124匀场线圈

126选择模块

128感兴趣区域

130线圈

132接收器/发射器单元

具体实施方式

图1为示出根据本发明的MRI系统的示意图。图1仅示出了包含本发明的优选MRI系统的主要部件。磁共振成像仪器包括数据处理系统100，其中，数据处理系统100通常包括计算机屏幕102和输入设备104。这种输入设备可以例如是键盘或者鼠标。

图1中的MRI系统还包括存储器106和接口108。所述接口108适于与典型硬件MRI部件进行通信和数据交换。

典型硬件MRI部件例如为生成主磁场的磁体122，所述主磁场用于执行针对诸如人的对象120的磁共振成像扫描。此外，由数据处理系统100控制梯度线圈124，其中，梯度线圈是必须的，并且用于执行3维数据采集。梯度线圈124优选地为用于沿三个相互轴X、y和z产生梯度的自屏蔽梯度线圈。

对象或者人120位于能相对于一组RF线圈130移动的台118上。所述该组RF线圈130连接到控制单元126，所述控制单元适于从图1所示的大量线圈中选择线圈130的子组，并且将它们映射到有限数量的RF通道中。例如，图1的MRI系统可以示范性地仅具有位于接收器/发射器单元132中的一组四个MR接收器通道，其中，可获得总共八个接收线圈130。因此，必须执行线圈元件选择，这表示维数的减少，其中针对图像重建选择物理线圈的最优子组。

通过数据处理系统100执行所述选择，所述数据处理系统还包括适于执行计算机程序产品112的计算机可执行指令的处理器。在本实施例中，数据处理系统100包括借助于数据采集模块114的计算机程序产品112，所述数据采集模块适于控制硬件单元122、124、126和132。同样，台118的移动能够由数据采集模块114控制。此外，计算机程序产品112包括线圈选择模块116。基于例如在预扫描过程期间从该组线圈130接收的信息，线圈选择模块116执行如下选择，即将哪些物理线圈用于针对感兴趣区域128执行数据采集。

如在图1的示例中清楚地看到的，由于感兴趣区域128和该组线圈130的相对位置，仅选择在紧密邻近所述感兴趣区域128处定位的线圈130的子组用于数据采集是适当的。能够仅通过比较线圈130相对于台118的实际位置的已知空间位置而在不需要分析来自线圈130的任何接收信号的情况下进行这种预选择。例如，如果必须执行对人的头部检查，则数据处理系统100总是知道在图1的示例中仅需要布置在最右边的一组线圈来执行对应的MR扫描。通过预选择一组线圈，能够减少用于计算适当组线圈的计算负担，这是因为对于计算过程而言，不需要考虑所有的线圈，所述适当组线圈用于针对感兴趣区域执行MR扫描。

还能够执行相似的过程以选择用于发射的有限数量通道。类比地，数据处理系统100和相应的软件选择由发射器单元132驱动的相应发射线圈，所述发射器单元示意性地包含相应的RF放大器。

参考图2，为了选择用于针对感兴趣区域执行MR扫描的一组线圈元件，实施图2中描述的步骤。在步骤200，执行预扫描，其后为基于所述预扫描数据生成大量物理线圈元件的线圈敏感度矩阵的步骤202。通过在步骤204执行奇异值分解，确定投影矩阵，所述投影矩阵将大量物理线圈元件的敏感度矩阵投影到一组虚拟线圈元件上。其后是步骤206，其中根据所述投影矩阵，确定大量物理线圈元件中的每个物理线圈元件对该组虚拟线圈元件的贡献。在步骤208，根据该贡献，将具有最显著贡献的物理线圈元件选择为在步骤210中使用以便执行主要磁共振扫描的该组线圈元件。

为了得到更准确的结果，还能够考虑噪声相关性矩阵，其也可以通过执行步骤200中的预扫描而获得。在一个备选实施例中，在执行预扫描步骤200之后在步骤212生成噪声相关性矩阵。随即在步骤204中使用在步骤212中生成的噪声相关性矩阵，以执行线圈敏感度矩阵和噪声相关性矩阵的奇异值分解，从而确定投影矩阵。

以下，将给出基于奇异值分解的线圈选择的详细理论概述：均匀欠采样笛卡尔数据的SENSE重建包括对具有R个变量的L个方程的线性方程组求解，其中L为线圈元件的数量，而R为约简因子。如果R个未知量是基于R个正交线圈测得的，则其可以被唯一地确定。对这一方程组求解可以表示为将问题从L投影到R维空间，然后在较低维空间中对其求解。

考虑具有笛卡尔k空间的SENSE重建问题，其利用L元件线圈阵列在任意方向[3]上以约简因子R采样。每个像素的重建问题可由以下给出：

a＝Sb+n                           (1)

向量a包括针对每个线圈的减小的视场(FOV)图像中的复合像素强度，S为LxR敏感度矩阵，b为包含原始图像像素的向量，该原始图像像素叠加到混叠图像(aliased image)中，并且n为噪声向量。重建包括针对在减小的FOV中的每个混叠像素对方程(1)的线性方程组求解。该系统是超定的，因此必须使用估计技术以找到解。假定针对噪声进行高斯统计，由以下给出向量b的最佳线性无偏估计：

b＝(S^HΨ-¹S)^-1S^HΨ-¹a，                             (2)

其中Ψ是LxL接收器噪声协方差矩阵，其有助于优化重建期间的SNR。噪声协方差矩阵可以由单位矩阵取代，从而得到b的最小二乘估计。在这种情况下，仍然保证在SNR惩罚处展开，这将更加显著，接收器相对于负载、增益和互耦合将更加不相等。

备选地，可以使用矩阵因子分解技术来以数字上稳定的方式获得线性最小二乘解。最常见的用于对超定线性方程组求解的矩阵因子分解为奇异值分解(SVD)。

使用SVD，敏感度矩阵S可以被因子分解为S＝U∑V^H，并且(1)的SVD解由以下给出：

b＝V∑⁺U^Ha，                        (3)

其中∑⁺是∑的转置，并且每个大于预设阈值的值被其倒数取代。

方程(3)可以被写成以下形式：

U^Ha＝U^HSb＝∑V^Hb                    (4)

仅考虑与大于阈值的奇异值对应的U^H、∑和V行。矩阵U^H将数据和敏感度矩阵两者投影到与矩阵S的秩对应的更低维的空间中。用S’代表线圈敏感度矩阵的这一投影，利用a0代表数据向量的相应投影，利用P代表将S转换成S’的投影矩阵，其中P＝U^H。

a’＝U^Ha＝Pa

S’＝U^HS＝PS                        (5)

新敏感度矩阵S’的行可以被视为一组虚拟线圈的敏感度，该敏感度向量作为真实物理线圈敏感度的叠加而获得。可以根据线圈对虚拟线圈的相对贡献而对其进行排序。S’的第i行向量可以被写作S的行的线性组合

${s^{\′}}_i=\underset{k}{\mathrm{\Σ}}{p}_{\mathrm{ik}}{s}_k---\left(6\right)$

其中，加权因子P(i，k)＝p_ik(i＝1，...，n_c)是矩阵P的第i行的元。p_ik的量值表示第k个物理线圈对第i个虚拟线圈的贡献。以这种方式，可以根据以下加权函数对线圈阵列元件进行排序：

$w_k=\underset{i}{\mathrm{\Σ}}\left|p_{\mathrm{ik}}\right|---\left(7\right)$

可以针对全FOV(视场)图像或者针对给定感兴趣区域(ROI)中的每个经重建的像素计算加权函数，并且根据这一区域的总权重选择最优线圈组。

$W_k=\frac{\underset{r\∈\mathrm{ROI}}{\mathrm{\Σ}}{w}_k\left(r\right)}{N_{\mathrm{ROI}}}---\left(8\right)$

以这种方式，利用敏感度矩阵的奇异值分解来执行单一步骤的线圈选择。

图3示出了从大量物理线圈元件中选择一组线圈元件的另一方法的另一流程图，所述大量物理线圈元件包括在用于执行磁共振成像扫描的线圈阵列中。所述方法起始于步骤300，其执行预扫描以便获得用于在步骤302中生成噪声敏感度矩阵的数据。根据所述噪声敏感度矩阵，能够在步骤304中针对N个线圈计算“信息内容”。之后是步骤306，其中，针对N-1个线圈计算信息内容。针对N个线圈计算的信息内容和针对N-1个线圈计算的信息内容之间的差异为丢弃所述一个线圈时所经历的信息丢失。在步骤308计算该信息丢失。重复步骤304-308直到在步骤310中确定针对所有可能的线圈组合和跳过的线圈计算了信息丢失。在步骤310考虑了所有线圈的情况下，在步骤312将具有最少信息丢失的线圈丢弃。

在步骤314，核查忽略该线圈是否将得到与预先确定的线圈数量M对应的物理线圈的数量，预期将线圈数量M用于执行最终MR扫描。如果在步骤314中，仍然存在过多的线圈，即N-1＞M，则在步骤318计算N＝N-1，然后重复步骤304-314。每个所述循环都将线圈元件的数量减少一个，直到在步骤314中元件的数量减少到M。之后，在步骤316中利用所述数量的物理线圈元件执行MR扫描，而将由于与丢弃其它线圈元件相关联的最少信息丢失将其它线圈元件丢弃。

以下，将更详细地描述该线圈元件选择方法。

假定我们具有N_acq个所需通道(线圈元件)，由于重建性能和/或存储器限制而需要将其减少到N_rec个元件。可以通过在时域执行轮廓(profile)的快速通道组合或者通过跳过通道而进行从N_acq到N_rec的减少。

为了确定最优通道减少，首先必须对来自每个通道的预期SNR进行估计，令其为p_i(x)。这里，x为扫描的三维体积中的向量。可以从线圈调查(survey)扫描准备扫描中估计这一p_i。该扫描与实际扫描具有相同的几何形状，并且具有大的体素(大约20mm)和大约1秒的扫描时间。可以利用这一线圈调查扫描来进行空间SNR分布的粗略估计。根据以下对每个线圈i的这些粗略SNR分布(pc_i(x))进行归一化：

$\frac{1}{N_x}\underset{x}{\mathrm{\Σ}}\underset{i}{\overset{\mathrm{Nacq}}{\mathrm{\Σ}}}{\mathrm{pc}}_i^2\left(x\right)=1$

在x上的求和是在线圈调查扫描中所有体素上的求和。每个扫描协议中的“平均SNR”是不同的，F_SNR扫描)。可以针对每次扫描确定“平均SNR”，或者恒定值50是足够的。现在，每个线圈元件i的预期SNRp_i(x)为

p_i(x)＝F_SNR(扫描)·pc_i(x)

在组合所有通道之后，由以下给出所得到图像的SNR的估计值：

$q_{\mathrm{Nacq}}\left(x\right)=\sqrt{\underset{i}{\overset{\mathrm{Nacq}}{\mathrm{\Σ}}}{p}_i^2\left(x\right)}$

为了确定必须选择哪些通道以预组合和跳过，作为规范(criterium)将使SNR_Nrec最大化。但是最好使“信息内容”最大化。本发明使用“信息内容”规范，其中Q_Nrec被最大化。

$Q_{\mathrm{Nrec}}=\underset{x}{\mathrm{\Σ}}\ln (q_{\mathrm{Nrec}}^2\left(x\right)+1)$

可以以许多方式执行将元件的数量减少到N_rec。最优的方法将针对每种可能的方式计算Q_Nrec以将通道的数量减少到N_rec。但其消耗过多的处理能力。

该问题的解决方法由通过跳过通道i而减少通道的数量给出。则该品质减少

现在，组合通道，或者跳过导致最少信息丢失的通道。可以容易地看出，可以重复该过程直到元件的数量减少到N_rec。

图4示出了基于SVD的线圈选择算法和基于SNR的线圈选择算法之间的比较。基于SNR的线圈选择算法是考虑当逐个线圈地组合线圈时获得的信噪比的算法。由于需要单独地考虑所有类型的线圈元件组合，因此该算法具有过慢的劣势。

图4示出了用于线圈选择的像素的平均SNR因子的散点图。对于100个模拟数据组，两种算法之间的平均SNR因子非常相关。对于模拟，使用计算机生成的线圈敏感度图的100个不同组，每一个组包括32个线圈元件。将线圈阵列元件建模为具有40mm半径的圆形线圈。线圈元件的位置在由两个同轴圆柱体限定的区域内任意选择，而将所述线圈元件的取向选择为与圆柱体相切。通过使用这种方法，建模简单的包缠式线圈。

利用毕奥—萨伐尔定律针对布置为平面且与圆柱体轴正交的384x384像素矩阵且384x384mm²的FOV计算敏感度图。将圆柱体的半径选择为r＝271.5并且R＝300mm，从而使得所有线圈都位于FOV以外。在z方向上，线圈位置在距离所考虑的FOV-200到+200mm之间变化。

模拟结果示出基于SVD的线圈选择方法以显著减少的计算复杂度给出了与基于SNR的选择可比较的结果。另外，与基于SVD的选择相比，基于SNR的线圈选择的单一线圈组评估需要更多的计算，这导致所需计算时间的甚至更大的因子。在Xion处理器、CPU2.4GHz，4GByte存储器上评估针对384x384矩阵的计算时间。用于基于SVD的线圈选择的时间为t＝0.02s，而用于基于SNR的线圈选择的时间为t＝16.3s，后者对于临床实践而言过长。该结果明显示出甚至能够在实时临床MR研究中应用根据本发明的基于SVD的线圈选择方法。

Claims (11)

1.一种从大量物理线圈元件(130)中选择一组线圈元件的方法，所述大量物理线圈元件包括在用于针对感兴趣区域(128)执行磁共振成像扫描的线圈阵列中，所述方法包括：

确定用于所述感兴趣区域(128)的所述大量物理线圈元件(130)的线圈敏感度矩阵，

确定投影矩阵，所述投影矩阵将所述大量物理线圈元件的所述敏感度矩阵投影到一组虚拟线圈元件上，

根据所述投影矩阵确定所述大量物理线圈元件中的每个物理线圈元件对所述组虚拟线圈元件的贡献，

根据所述贡献将具有最显著贡献的物理线圈元件选择为所述组线圈元件。

2.如权利要求1所述的方法，其中，所述投影矩阵由所述线圈敏感度矩阵的因子分解确定。

3.如权利要求2所述的方法，其中，所述因子分解由奇异值分解执行。

4.如权利要求1所述的方法，其中，通过计算从物理线圈元件(130)接收贡献的所有投影矩阵元素量值的总和来确定所述物理线圈元件的贡献。

5.如权利要求4所述的方法，其中，所述物理线圈元件(130)的所述贡献为所述物理线圈元件对所述感兴趣区域中所有体素的平均贡献。

6.如权利要求1所述的方法，还包括确定所述大量物理线圈元件的噪声相关性矩阵，其中，根据所述线圈敏感度矩阵和所述噪声相关性矩阵确定所述投影矩阵。

7.如权利要求1所述的方法，还包括利用噪声相关性矩阵确定所述大量物理线圈元件中的每个物理线圈元件对所述组虚拟线圈元件的额外贡献，其中，将具有最显著贡献的物理线圈元件选择为所述组线圈元件还包括根据从所述噪声相关性矩阵中导出的额外贡献对每个物理线圈元件的所述贡献进行加权。

8.如权利要求7所述的方法，其中，借助另一投影矩阵计算所述额外贡献，其中，所述另一投影矩阵是通过所述噪声相关性矩阵的因子分解确定的。

9.如权利要求1所述的方法，其中，所述线圈敏感度矩阵是接收线圈敏感度矩阵或者发射线圈敏感度矩阵。

10.一种计算机程序产品，其包括用于执行如先前权利要求1到9中任一项所述的方法步骤的计算机可执行指令。

11.一种磁共振成像系统，所述系统包括适于针对感兴趣区域(128)执行磁共振成像扫描的线圈阵列(130)，其中，所述线圈阵列包括大量物理线圈元件(130)，所述系统包括：

用于确定用于所述感兴趣区域的所述大量物理线圈元件的线圈敏感度矩阵的装置(116)，

用于确定投影矩阵的装置(116)，所述投影矩阵将所述大量物理线圈元件的所述敏感度矩阵投影到一组虚拟线圈元件上，

用于根据所述投影矩阵确定所述大量物理线圈元件中的每个物理线圈元件对所述组虚拟线圈元件的贡献的装置(116)，

用于根据所述贡献将具有最显著贡献的物理线圈元件选择为能用于针对所述感兴趣区域执行磁共振成像扫描的一组线圈元件的装置(116；126)。

Images