CN110222843B

CN110222843B - 一种噪声预测系统及方法

Info

Publication number: CN110222843B
Application number: CN201910585216.1A
Authority: CN
Inventors: 罗洁; 林真谅; 佘华君
Original assignee: Shanghai Jiaotong University
Current assignee: Shanghai Jiaotong University
Priority date: 2019-07-01
Filing date: 2019-07-01
Publication date: 2021-07-27
Anticipated expiration: 2039-07-01
Also published as: CN110222843A

Abstract

本申请公开了一种噪声预测系统及方法，该方法包括：获取磁共振扫描过程中的梯度波形及对应的声压波形；对所述梯度波形及对应的声压波形进行预处理；对预处理的所述梯度波形及对应的声压波形进行机器学习模型训练，得到梯度波形与噪声的响应关系；采用所述响应关系对不同序列的梯度波形进行噪声预测。

Description

一种噪声预测系统及方法

技术领域

本发明涉及医疗技术领域，且特别涉及一种噪声预测系统及方法。

背景技术

作为一种被广泛应用的非侵入性成像方式，磁共振成像(Magnetic ResonanceImaging,MRI)在临床诊断和科学研究中具有不可取代的地位。然而，扫描过程中梯度线圈产生的噪音可达100dBA以上，给患者，尤其是婴幼儿将带来严重的健康和安全风险。成年人过度暴露于噪音环境将导致听力损伤、诱发自主神经系统刺激，可能导致高血压和心血管疾病。噪音环境还是导致胎儿丧失高频听力、早产和宫内发育迟缓的因素之一。

磁共振扫描期间的噪声主要由梯度线圈和其他机械结构的机械振动产生。作用在梯度线圈上的洛伦兹力的强度与电流幅度和磁场强度成正比，梯度线圈电流的变化改变洛伦兹力并引起在空气中产生声波的机械振动，即导致了噪声。随着高场磁共振在技术开发和临床实践中的普及，噪声所带来的安全性问题也越来越迫切。

噪声的频谱取决于两个因素：扫描仪的固有声学频率响应特性(硬件) 和序列的频率特性(软件)。梯度波形、爬升速率、幅值和读出带宽对序列的频率特性起主要决定作用。通过修改序列结构、梯度波形或成像参数，改变电流从而改变施加于线圈上的洛伦兹力，可以达到降低噪音的效果。

噪声估计在序列设计过程中起着至关重要的作用，传统上将信号系统理论用于估计磁共振扫描仪产生的噪声。

发明内容

本发明的目的在于提出一种噪声预测系统及方法，为序列降噪方案提供参考。

为了解决上述问题，本申请公开了一种噪声预测方法，包括：

获取磁共振扫描过程中的梯度波形及对应的声压波形；

对所述梯度波形及对应的声压波形进行预处理；

对预处理的所述梯度波形及对应的声压波形进行机器学习模型训练，得到梯度波形与噪声的响应关系；

采用所述响应关系对不同序列的梯度波形进行噪声预测。

在一个优选例中，还包括：基于信号系统理论进行噪声计算，将计算得到的噪声数据加入机器学习模型中进行机器学习训练。

在一个优选例中，所述机器学习模型包括卷积神经网络模型、循环神经网络模型或深度神经网络模型的人工神经网络模型；或，使用支持向量机、贝叶斯网络或遗传算法的机器学习模型。

在一个优选例中，所述响应关系为梯度波形与频率响应函数的卷积。

在一个优选例中，所述预处理包括：重新采样及重新排列，对所述梯度波形及对应的声压波形的采样频率进行匹配。

本申请还公开了一种噪声预测系统包括：

采集单元，配置为获取磁共振扫描过程中的梯度波形及对应的声压波形；

处理单元，配置为对所述梯度波形及对应的声压波形进行预处理；

训练单元，配置为对预处理的所述梯度波形及对应的声压波形进行机器学习模型训练，得到梯度波形与噪声的响应关系；

预测单元，配置为采用所述响应关系对不同序列的梯度波形进行噪声预测。

在一个优选例中，所述训练单元还将所述预测单元预测得到的噪声数据加入机器学习模型中进行机器学习训练。

在一个优选例中，所述处理单元对所述梯度波形及对应的声压波形重新采样及重新排列，对所述梯度波形及对应的声压波形的采样频率进行匹配。相对于现有技术，本申请的噪声预测系统及方法具有以下有益效果：

1)本技术能够以序列的梯度波形为输入，得到扫描过程中的声压变化以及频率分布，是序列设计过程中一个简便的验证工具，将大大提升序列开发的效率。该技术有助于静音序列的开发，进而提升其产品的市场竞争力。静音序列将提升患者舒适度，同时避免噪声带来的潜在伤害。

2)对于任意序列，利用该技术能够得到不同参数下扫描过程中相应的噪声，进而可以规避带来较大噪声的参数，对实验参数的设计提供指导，满足科研工作者以及临床患者，尤其是儿童或其他特殊人群对磁共振序列降噪的需求。

附图说明

图1示出了本发明一实施例中噪声预测方法的流程图；

图2示出了本发明一实施例中不同序列梯度波形串联的示意图；

图3示出了本发明一实施例中梯度波形对应的声压波形的示意图；

图4示出了本发明一实施例中卷积神经网络模型的结构图；

图5a-5g示出了本发明不同实施例中卷积神经网络模型的结构图；

图6示出了本发明一实施例中循环神经网络模型的结构图；

图7示出了本发明一实施例中磁共振扫描过程中噪声时域的测量值、预测值及其差值；

图8示出了本发明一实施例中磁共振扫描过程中噪声频域的测量值、预测值及其差值。

具体实施方式

在以下的叙述中，为了使读者更好地理解本申请而提出了许多技术细节。但是，本领域的普通技术人员可以理解，即使没有这些技术细节和基于以下各实施方式的种种变化和修改，也可以实现本申请各项权利要求所要求保护的技术方案。

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明的实施方式作进一步地详细描述。

部分概念说明：

MRI，Magnetic Resonance Imaging，磁共振成像

CNN，Convolutional Neural Networks，卷积神经网络

RNN，Recurrent Neural Network，循环神经网络

参考图1所示，本实施例中公开了一种噪声预测方法，包括：

步骤101，参考图1所示，磁共振成像(MRI)扫描过程中，获取不同磁共振成像协议(即，序列)扫描过程中的梯度波形，包括具有不同成像参数的梯度回波(gradient echo,GRE)、自旋回波(spin echo,SE)、平面回波成像(Echo Planar Imaging,EPI)、弥散加权成像(Diffusion Weighted Imaging, DWI)、径向(radial)序列等在内的任意序列。图1中示出了三个梯度轴 Gx、Gy、Gz的梯度波形，三个梯度轴Gx、Gy、Gz的梯度波形可以为上述几种梯度波形中的任意三种。

相应的，参考图2所示，磁共振扫描过程期间测量和记录不同成像参数梯度波形的声压波形，从而得到梯度波形输出对应的声压波形。

步骤102，对获取的所述梯度波形及对应的声压波形进行预处理，其中，所述预处理包括：重新采样及重新排列，对所述梯度波形及对应的声压波形的采样频率进行匹配。

步骤103，对预处理的所述梯度波形及对应的声压波形进行机器学习模型训练，得到梯度波形与噪声的响应关系。

具体的，本实施例中以所述机器学习模型为卷积神经网络模型(CNN) 为例进行说明，参考图4所示，基本的卷积神经网络模型包括两个卷积层 (ConvID)、两个丢弃层(Dropout)及一个连接层(Dense)，所述丢弃层设置丢弃的单元比例为10％～20％，丢弃层随机丢弃该比例的单元，可以更多地让给剩余的单元彼此适应训练集。

本实施例中，所述响应关系为梯度波形与频率响应函数的卷积。卷积神经网络模型的卷积运算定义为：s(t)＝(x*w)(t)＝∫x(a)w(t-a)da，函数x为输入(input)，w为核函数(kernel function)，函数s输出或称为特征映射(feature map)，本实施例中x为梯度波形函数，s为响应关系函数。本实施例中数据是离散的，依从一定的采样率，对应离散的时刻t，离散形式的卷积为：

进一步的，在其他实施例中，所述噪声预测方法还可以包括：将基于信号系统理论计算得到的噪声数据加入卷积神经网络模型中进行机器学习训练。参考图5a所示，将该时刻获取的梯度波形及声压波形作为一输入层进行卷积神经网络训练后，将基于信号系统理论计算得到的噪声数据作为卷积神经网络的另一输入层加入卷积神经网络模型中，进行学习训练，优化噪声预测的效果。

参考图5b至图5g所示，在其他实施例中，还可以对将基于信号系统理论计算得到的噪声数据与该时刻获取的梯度波形及声压波形数据构建不同的网络模型，例如图5b中将基于信号系统理论计算得到的噪声数据进行卷积、丢弃之后再加入卷积神经网络模型中进行训练，或者如图5c中，进一步对图 5b中的计算结果进行优化，或者如图5d中，将基于信号系统理论计算得到的噪声数据作为卷积神经网络的另一输入层加入卷积神经网络模型中与经过卷积神经网络模型训练的该时刻获取梯度波形及声压波形数据再次进行卷积神经网络模型学习训练，或者如图5e中，对图5d中的计算结果再次进行优化，或者如图5f中，将基于信号系统理论计算得到的噪声数据进行卷积、丢弃之后作为卷积神经网络的另一输入层加入卷积神经网络模型中与经过卷积神经网络模型训练的该时刻获取梯度波形及声压波形数据再次进行卷积神经网络模型学习训练，或者如图5g中，对图5f中的计算结果再次进行优化。构建不同的机器学习模型进行训练，优化学习训练结果。

本申请另一实施例中，参考图6所示，还可以采用循环神经网络模型 (RNN)进行学习训练，循环神经网络模型包括两个门控循环单元(GRU)、两个丢弃层及一个连接层，所述丢弃层设置丢弃的单元比例为10％～20％，丢弃层随机丢弃该比例的单元，可以更多地让给剩余的单元彼此适应训练集。对梯度波形及声压波形的学习训练过程与卷积神经网络模型类似。

在本申请的其他实施例中，所述机器学习模型还可以为深度神经网络模型的人工神经网络模型；或，使用支持向量机、贝叶斯网络或遗传算法的机器学习模型。

经过上述步骤后，得到磁共振扫描过程中序列对应噪声的响应关系，进入步骤104中，输入不同序列的梯度波形，采用所述响应关系对不同序列的梯度波形进行噪声预测。参考图7、图8所示，分别给出了时域、频域下对应序列的测量值、预测值及其之间的差值。从图中可看出，经过本发明的预测方法，可以对噪声进行预测，且测量值与预测值之间的差值很小。本发明能够以序列的梯度波形为输入，得到扫描过程中的声压变化以及频率分布，是序列设计过程中一个简便的验证工具，将大大提升序列开发的效率。而且该技术有助于静音序列的开发，静音序列将提升患者舒适度，同时避免噪声带来的潜在伤害，进而提升其产品的市场竞争力。

本申请的另一实施例中还公开了一种噪声预测系统，所述系统包括：

在一个优选例中，所述机器学习模型为卷积神经网络模型或循环神经网络模型，所述机器学习模型包括两个丢弃层，所述丢弃层设置丢弃的单元比例为10％～20％。

在一个优选例中，所述处理单元对所述梯度波形及对应的声压波形重新采样及重新排列，对所述梯度波形及对应的声压波形的采样频率进行匹配。

综上所述，本发明中对于任意序列，利用该噪声预测方法能够得到不同参数下扫描过程中相应的噪声，进而可以规避带来较大噪声的参数，对实验参数的设计提供指导，满足科研工作者以及临床患者，尤其是儿童或其他特殊人群对磁共振序列降噪的需求。

需要说明的是，在本专利的权利要求和说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

虽然通过参照本发明的某些优选实施方式，已经对本发明进行了图示和描述，但本领域的普通技术人员应该明白，可以在形式上和细节上对其作各种改变，而不偏离本发明的精神和范围。

Claims

1.一种噪声预测方法，其特征在于，包括：

获取磁共振扫描过程中的梯度波形及对应的声压波形；

对所述梯度波形及对应的声压波形进行预处理，所述预处理包括：重新采样及重新排列，对所述梯度波形及对应的声压波形的采样频率进行匹配；

对预处理的所述梯度波形及对应的声压波形进行机器学习模型训练，得到梯度波形与噪声的响应关系，所述响应关系为梯度波形与频率响应函数的卷积；

采用所述响应关系对不同序列的梯度波形进行噪声预测。

2.如权利要求1所述的方法，其特征在于，还包括：基于信号系统理论进行噪声计算，将计算得到的噪声数据加入机器学习模型中进行机器学习训练。

3.如权利要求1所述的方法，其特征在于，所述机器学习模型包括卷积神经网络模型、循环神经网络模型或深度神经网络模型的人工神经网络模型；或，使用支持向量机、贝叶斯网络或遗传算法的机器学习模型。

4.一种噪声预测系统，其特征在于，包括：

处理单元，配置为对所述梯度波形及对应的声压波形进行预处理，所述预处理包括：重新采样及重新排列，对所述梯度波形及对应的声压波形的采样频率进行匹配；

训练单元，配置为对预处理的所述梯度波形及对应的声压波形进行机器学习模型训练，得到梯度波形与噪声的响应关系，所述响应关系为梯度波形与频率响应函数的卷积；

5.如权利要求4所述的系统，其特征在于，所述训练单元还将所述预测单元预测得到的噪声数据加入机器学习模型中进行机器学习训练。

6.如权利要求4所述的系统，其特征在于，所述机器学习模型包括卷积神经网络模型、循环神经网络模型或深度神经网络模型的人工神经网络模型；或，使用支持向量机、贝叶斯网络或遗传算法的机器学习模型。