CN109799472B - 一种基于深度学习的磁共振涡流补偿方法 - Google Patents
一种基于深度学习的磁共振涡流补偿方法 Download PDFInfo
- Publication number
- CN109799472B CN109799472B CN201910174577.7A CN201910174577A CN109799472B CN 109799472 B CN109799472 B CN 109799472B CN 201910174577 A CN201910174577 A CN 201910174577A CN 109799472 B CN109799472 B CN 109799472B
- Authority
- CN
- China
- Prior art keywords
- eddy current
- data
- current test
- time
- network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本申请是一种基于深度学习的磁共振涡流补偿方法,利用深度学习的神经网络,学习得到涡流测试数据和最终涡流补偿系数间的映射关系,快速计算涡流系数。该方法利用涡流测试序列采集数据,生成按照时间排序的涡流测试数据;使用多组涡流数据训练提供的人工智能网络,输入是涡流测试数据,输出是涡流时间曲线中的时间参数和幅度系数。把待拟合的涡流测试数据输入人工智能网络,得到需要求的时间参数和幅度系数。
Description
技术领域:本发明属于磁共振成像技术领域,是一种用于快速计算涡流补偿系数并进行补偿的方法。
背景技术:磁共振成像(magnetic resonance imaging,MR)技术作为医疗成像领域的一门新技术,有:分辨率高、成像参数多、包含信息量大的特点。同时,MRI无辐射,对人体组织没有破坏作用,可以对人体各部位进行多角度、多平面成像,已被广泛应用于临床检查。在MRI系统中,通过在梯度线圈上施加梯度电流产生所需的梯度磁场,用于信号定位,而梯度线圈被各种金属导体材料所包围,因而在梯度磁场陕速开关的同时,会产生阻碍梯度变化的涡流。这种额外的扰动将影响梯度场的变化使其波形严重畸变使图像存在几何形变、伪影等失真。同时涡流衰减需要很长时间,即使采用多次叠加的方法,也难以获得好的分辨率、信噪比和好的特征对比度。所以,涡流消除是MR设计中的关键技术之一。目前涡流补偿的方法主要有几种,其中最常见的方法是预加重调节方法,利用MRI信号测量梯度涡流,然后对涡流随时间变化曲线进行拟合,得到预加重系数,应用较复杂的迭代代过程得到最佳补偿参数。
根据电感—电阻串联(inductance-resistance,L-R)模型,涡流时间曲线可以描述为多指数项的和,一般可以用近似e指数的形式表示,e0(t)和e0(t)表示得到的零阶涡流曲线,由涡流的特性可以用e指数衰减来表征,即:
其中,ak和bk是幅度系数,τk和μk是时间常数。参数拟合的目的就是通过上面测量得到的涡流曲线,拟合出ak,bk,τk,μk的值,用来表征系统的涡流。该方法通过对涡流随时间变化曲线进行拟合,得到预加重系数,应用较复杂的迭代过程得到最佳补偿。
在涡流曲线的拟合中一般用到了Marquardt提出的Levenberg—Marquardt最小平方拟合算法来拟合三组分的e指数涡流衰减函数.这种非线性拟合的流程是:首先设置拟合的初值,然后对初始解进行修正.但是,在非线性拟合的求解过程中初值的设定会影响收敛的速度,甚至初值设的不好,运算就不收敛偿参数。为此本专利提出一种利用深度学习的涡流数据拟合方法。能够实现快速得到拟合系数。
考虑到相同型号磁共振系统使用的梯度线圈,超导磁体是相同的,材料特性差别很小,理论上涡流曲线特性变化不大。基于这一点考虑,我们利用深度学习能够从数据中学习并得到规律的特性。利用大量的涡流数据和已经拟合好的涡流曲线来训练一个网络,在后续涡流参数的拟合过程中直接通过把采集的涡流数据输入网络后,网络输出的结果就是根据AI网络得到的涡流系数值。
磁共振成像中,在采用预加重调节方法进行涡流补偿时,需要用运行涡流测试序列,利用采集数据的相位变化,计算涡流补偿系数。但是在计算涡流系数时,需要迭代拟合多次,才能得到较好的拟合效果。
发明内容:
发明目的:本发明方法利用深度学习的神经网络,学习得到涡流测试数据和最终涡流补偿系数间的映射关系,快速计算涡流系数。
技术方案:
一种基于深度学习的磁共振涡流补偿方法,该方法:
利用涡流测试序列采集数据,施加涡流测试梯度,扫描得到多个时间点上的梯度回波信号;将梯度回波信号按照时间排序得涡流测试数据;
利用生成的多组涡流侧视数据训练提供的人工智能网络,所述人工智能网络的输入是涡流测试数据,输出是涡流时间曲线中的时间参数和幅度系数;
把待拟合的涡流测试数据输入人工智能网络,拟合得到需要求的时间参数和幅度系数。
优选地,每次采集梯度回波信号时改变涡流测试梯度后的延迟时间。
优选地,采集梯度回波信号时分别使用正负两个极性的涡流测试梯度采集数据,然后对两次采集的数据相减。
优选地,在涡流参数拟合过程中,首先采用多个磁共振系统采集的涡流校正数据以及多次迭代拟合后的e指数参数对构造的神经网络进行训练;在实际的系统涡流校正过程中,把采集的涡流校正数据输入到网络,网络输出得计算后的涡流校正参数,即涡流函数中不同阶的时间常数和幅度常数。
优选地,在涡流测试数据拟合前对数据进行一维卷积,然后在卷积层和池化层之间加入BN层,批量归一化之后再把数据放入池化层。
优选地,采用CNN、RNN及全连接网络结合的网络结构。
优点及效果:
本发明方法可以大大提高拟合速度,采用深度学习方法后输入数据一次输入网络后就可以得到很好的拟合函数。
附图说明:
图1为涡流采集序列示意图;
图2为人工智能网络示意图;
图3为本申请中所述的RNN和全连接网络示意图;
图4为涡流校正结果图。
具体实施方式:
本申请的技术思想在于:
施加时间较长的涡流测试梯度,扫描得到多个时间点上的梯度回波信号。由于每个TR的采集在几-几十ms,因此为了采集足够长的涡流曲线,必须采集多次信号,每次采集信号时要改变涡流测试梯度后的延迟时间。然后把各段测试信号按照时间顺序拼接起来。由于信号可以参考附图1的扫描序列,但是不拘泥于这个序列;
为了消去读梯度产生涡流,以及主磁场不均匀性的影响,采集数据时分别使用正负两个极性的涡流测试梯度采集数据,然后对两次采集的数据相减。由于两次采集中读梯度涡流和场的不均匀性引起的相位是相同的和涡流测试梯度产生的相位是相反的。因此两次采集数据相减后的相位差,只有涡流测试梯度引起的相位变化;
在涡流参数拟合过程中,采用深度学习的方法。首先采用多个磁共振系统采集的涡流校正数据以及多次迭代拟合后的e指数参数对构造的神经网络进行训练。在实际的系统涡流校正过程中,把采集的涡流校正数据输入到网络,网络输出得到的就是计算后的涡流校正参数,也即得到涡流函数中不同阶的时间常数和幅度常数。
依据上述技术构想,举例说明本申请的实施方式:
通过对多个分段采集的涡流数据进行拼接后,形成待测试的整个涡流数据。目的就是通过这些数据,拟合得到涡流的时间常数以及系数。具体实现过程中举例如下:假设输入的数据长度为20992,涡流校正阶数是5,那么包括所有时间常数和幅度系数,总共10个参数。
因为数据的长度过大,为了避免过拟合先把数据的维度降低,对一条数据进行一维卷积,然后在卷积层和池化层之间加入BN层,批量归一化之后再把数据放入池化层。卷积核为[1,1,2,1],步长为2。第一次卷积出来的数据长度为10496,再经过池化层变为5248,又经过池化层变为2624。经过卷积层和池化层之后,一条样本的长度变为2624。
由于涡流采集数据中的每个数据点,反映的是不同时间点上的值,不同时间点上采集的数据之间具有较高的依赖性。将经过CNN网络输出的样本放入RNN网络。经过RNN网络之后,数据变为1024个点。
将1024个数据点输入到全连接网络,得到最后要求解的5个涡流时间参数和幅度系数。整个AI网络的结构如图2。
为了保证网络的泛华性,本案例中采用不同多个场地的同样型号和配置(特别是磁体类型相同)的磁共振设备的涡流数据对网络进行了训练,训练数据共45组。
网络训练完成后,把新的涡流数据直接输入网络可以快速得到待拟合的时间常数和幅度系数。整个求解时间小于1s。而传统拟合方法需要迭代3次以上,大约2分钟。图4为采用本方法得到的0阶和1阶涡流曲线,白线曲线为测量得到的涡流曲线,黄色曲线为利用本方法提供的AI网络得到的拟合涡流曲线,红色为涡流曲线和拟合曲线的差值。
Claims (1)
1.一种基于深度学习的磁共振涡流补偿方法,其特征在于:
利用涡流测试序列采集数据,施加涡流测试梯度,扫描得到多个时间点上的梯度回波信号;
将梯度回波信号按照时间排序得涡流测试数据;
利用生成的多组涡流测试数据训练提供的神经网络,所述神经网络的输入是涡流测试数据,输出是涡流时间曲线中的时间参数和幅度系数;
所述神经网络采用CNN、RNN及全连接网络结合的网络结构,将经过CNN网络输出的样本放入RNN网络,再输入全连接网络;
在涡流参数拟合过程中,采用多个磁共振系统采集的涡流校正数据,以及多次迭代拟合后的e指数参数,对构造的神经网络进行训练;
把待拟合的涡流测试数据输入训练后的神经网络,拟合得到需要求的时间参数和幅度系数;
每次采集梯度回波信号时改变涡流测试梯度后的延迟时间;
采集梯度回波信号时分别使用正负两个极性的涡流测试梯度采集数据,对两次采集的数据相减,用于消去读梯度产生涡流,以及主磁场不均匀性的影响;
在涡流测试数据拟合前对数据进行一维卷积,然后在卷积层和池化层之间加入BN层,批量归一化之后再把数据放入池化层,用于避免所述涡流测试数据的过拟合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910174577.7A CN109799472B (zh) | 2019-03-08 | 2019-03-08 | 一种基于深度学习的磁共振涡流补偿方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910174577.7A CN109799472B (zh) | 2019-03-08 | 2019-03-08 | 一种基于深度学习的磁共振涡流补偿方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109799472A CN109799472A (zh) | 2019-05-24 |
CN109799472B true CN109799472B (zh) | 2022-06-28 |
Family
ID=66561859
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910174577.7A Active CN109799472B (zh) | 2019-03-08 | 2019-03-08 | 一种基于深度学习的磁共振涡流补偿方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109799472B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112881959B (zh) * | 2020-06-10 | 2021-12-21 | 苏州纽迈分析仪器股份有限公司 | 一种用于磁共振成像的梯度涡流补偿方法及系统 |
CN113219391B (zh) * | 2021-05-27 | 2021-12-14 | 成都鸣石峻致医疗科技有限公司 | 一种磁共振成像系统中加速涡流矫正的方法和设备 |
CN114252828A (zh) * | 2021-12-21 | 2022-03-29 | 安徽福晴医疗科技有限公司 | 一种磁共振成像系统及其预加重涡流校正方法和装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH112626A (ja) * | 1997-06-13 | 1999-01-06 | Hitachi Cable Ltd | 探傷傷種別の自動判定方法 |
US6519535B1 (en) * | 2000-06-05 | 2003-02-11 | The University Of Chicago | Eddy current technique for predicting burst pressure |
CN103760230A (zh) * | 2014-01-07 | 2014-04-30 | 天津大学 | 基于bp神经网络的焊接缺陷巨磁电阻涡流检测方法 |
CN104614694A (zh) * | 2015-01-27 | 2015-05-13 | 华东师范大学 | 一种磁共振梯度涡流补偿方法 |
CN105393130A (zh) * | 2013-03-21 | 2016-03-09 | 淡水河谷公司 | 用于响应于改变第一磁场来补偿磁传感器的输出的磁补偿电路及方法 |
CN107330267A (zh) * | 2017-06-28 | 2017-11-07 | 首都医科大学宣武医院 | 利用弥散张量成像医学影像的白质纤维脑图谱构建方法 |
CN108279393A (zh) * | 2017-01-05 | 2018-07-13 | 上海康达卡勒幅医疗科技有限公司 | 一种磁共振成像全自动预加重校正涡流的方法 |
CN109102068A (zh) * | 2018-07-17 | 2018-12-28 | 淮阴师范学院 | 遗传算法rbf神经网络在涡流传感器非线性补偿中的应用 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6806705B2 (en) * | 2002-05-15 | 2004-10-19 | Koninklijke Philips Electronics N.V. | Diffusion tensor magnetic resonance imaging including local weighted interpolation |
CN102298129B (zh) * | 2011-05-30 | 2014-07-09 | 苏州朗润医疗系统有限公司 | 一种用于核磁共振成像系统的涡流测量及补偿方法 |
US9486168B2 (en) * | 2012-04-27 | 2016-11-08 | The General Hospital Corporation | Implantable electrode system |
CN107220611B (zh) * | 2017-05-23 | 2020-02-11 | 上海交通大学 | 一种基于深度神经网络的空时特征提取方法 |
CN108303665B (zh) * | 2018-02-27 | 2019-12-13 | 奥泰医疗系统有限责任公司 | 一种磁共振成像系统涡流补偿方法 |
CN108784697A (zh) * | 2018-07-11 | 2018-11-13 | 天津工业大学 | 一种基于深度学习神经网络的人体组织电导率分布重建方法及系统 |
CN109272123B (zh) * | 2018-08-03 | 2021-06-22 | 常州大学 | 一种基于卷积-循环神经网络的有杆泵工况预警方法 |
CN109271989A (zh) * | 2018-09-03 | 2019-01-25 | 广东电网有限责任公司东莞供电局 | 一种基于cnn和rnn模型的手写试验数据自动识别方法 |
-
2019
- 2019-03-08 CN CN201910174577.7A patent/CN109799472B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH112626A (ja) * | 1997-06-13 | 1999-01-06 | Hitachi Cable Ltd | 探傷傷種別の自動判定方法 |
US6519535B1 (en) * | 2000-06-05 | 2003-02-11 | The University Of Chicago | Eddy current technique for predicting burst pressure |
CN105393130A (zh) * | 2013-03-21 | 2016-03-09 | 淡水河谷公司 | 用于响应于改变第一磁场来补偿磁传感器的输出的磁补偿电路及方法 |
CN103760230A (zh) * | 2014-01-07 | 2014-04-30 | 天津大学 | 基于bp神经网络的焊接缺陷巨磁电阻涡流检测方法 |
CN104614694A (zh) * | 2015-01-27 | 2015-05-13 | 华东师范大学 | 一种磁共振梯度涡流补偿方法 |
CN108279393A (zh) * | 2017-01-05 | 2018-07-13 | 上海康达卡勒幅医疗科技有限公司 | 一种磁共振成像全自动预加重校正涡流的方法 |
CN107330267A (zh) * | 2017-06-28 | 2017-11-07 | 首都医科大学宣武医院 | 利用弥散张量成像医学影像的白质纤维脑图谱构建方法 |
CN109102068A (zh) * | 2018-07-17 | 2018-12-28 | 淮阴师范学院 | 遗传算法rbf神经网络在涡流传感器非线性补偿中的应用 |
Non-Patent Citations (1)
Title |
---|
基于遗传算法的RBF神经网络在涡流传感器非线性补偿中应用;俞阿龙;《电子器件》;20080630;第31卷(第3期);正文第2-3节 * |
Also Published As
Publication number | Publication date |
---|---|
CN109799472A (zh) | 2019-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109799472B (zh) | 一种基于深度学习的磁共振涡流补偿方法 | |
CN108132274B (zh) | 不均匀磁场下回波平面成像无参考扫描图像畸变矫正方法 | |
CN108720834B (zh) | 一种梯度回波多回波水脂分离方法及应用该方法的磁共振成像系统 | |
CN107240125B (zh) | 一种扩散加权成像方法 | |
CN102713658B (zh) | 磁化率梯度绘图 | |
CN104267361A (zh) | 基于结构特征的自适应定量磁化率分布图复合重建的方法 | |
CN113017596B (zh) | 一种磁共振多参数定量方法及其应用 | |
CN110720047B (zh) | 双回波Dixon型水/脂肪分离MR成像 | |
CN112370040B (zh) | 磁共振成像方法、装置、存储介质及电子设备 | |
Torop et al. | Deep learning using a biophysical model for robust and accelerated reconstruction of quantitative, artifact‐free and denoised images | |
CN110074786B (zh) | 核磁共振匀场方法、装置、计算设备及核磁共振成像系统 | |
Keskin et al. | Constrained ellipse fitting for efficient parameter mapping with phase-cycled bssfp mri | |
EP3575813B1 (en) | Quantitative mapping of a magnetic resonance imaging parameter by data-driven signal-model learning | |
Chen et al. | Compressed sensing in sodium magnetic resonance imaging: techniques, applications, and future prospects | |
Liberman et al. | Minimal linear networks for magnetic resonance image reconstruction | |
CN117689623A (zh) | 基于外梯度的自适应弥散磁共振微结构模型参数估计方法 | |
CN112581385A (zh) | 基于多先验约束扩散峰度成像张量估计方法、介质和设备 | |
CN105759233B (zh) | 一种快速化学交换饱和转移成像方法和系统 | |
Gan et al. | SS-JIRCS: Self-supervised joint image reconstruction and coil sensitivity calibration in parallel MRI without ground truth | |
CN115137347B (zh) | 三维超短回波时间磁共振指纹成像的髓鞘定量成像方法 | |
Lin et al. | Robustness of Deep Learning for Accelerated MRI: Benefits of Diverse Training Data | |
JPH06327649A (ja) | 核磁気共鳴イメージング装置における画像再構成方法 | |
CN114972562B (zh) | 联合线圈灵敏度估计与图像重建的快速磁共振成像方法 | |
Xiang et al. | Image Reconstruction for Multi-frequency Electromagnetic Tomography based on Multiple Measurement Vector Model | |
Weninger et al. | Autoencoder-based quality assessment for synthetic diffusion-MRI data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |