CN113075603A - 磁共振成像脉冲序列设计方法 - Google Patents

磁共振成像脉冲序列设计方法 Download PDF

Info

Publication number
CN113075603A
CN113075603A CN202110320340.2A CN202110320340A CN113075603A CN 113075603 A CN113075603 A CN 113075603A CN 202110320340 A CN202110320340 A CN 202110320340A CN 113075603 A CN113075603 A CN 113075603A
Authority
CN
China
Prior art keywords
sequence
space
magnetic resonance
gradient
parameter
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.)
Granted
Application number
CN202110320340.2A
Other languages
English (en)
Other versions
CN113075603B (zh
Inventor
罗洁
林真谅
李奇康
佘华君
严莉
王佳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Jiaotong University
Original Assignee
Shanghai Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Jiaotong University filed Critical Shanghai Jiaotong University
Priority to CN202110320340.2A priority Critical patent/CN113075603B/zh
Publication of CN113075603A publication Critical patent/CN113075603A/zh
Application granted granted Critical
Publication of CN113075603B publication Critical patent/CN113075603B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01RMEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00Arrangements or instruments for measuring magnetic variables
    • G01R33/20Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48NMR imaging systems
    • G01R33/54Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • General Physics & Mathematics (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本申请涉及一种基于机器学习的磁共振静音序列设计方法,其步骤包括:序列参数模型的构建、K空间轨迹的限定、序列噪声预测、利用机器学习方法进行序列参数设计。通过本发明的技术方案,可以设计出更多样的静音序列,提供更多可能的磁共振序列降噪方案。

Description

磁共振成像脉冲序列设计方法
技术领域
本申请涉及磁共振技术领域,特别涉及一种磁共振成像脉冲序列设计方法。
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。随着高场磁共振的普及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、幅值以及读出带宽对序列的频率特性起主要决定作用。序列降噪方法通过修改序列结构、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,达到降低噪音的效果。然而,目前的静音序列设计方式一般通过使序列梯度变平滑或降低梯度幅值来降低序列的噪音,局限于人的思维,很难探索更多可能性。
发明内容
本申请的目的在于提供一种磁共振静音序列设计方法,包括序列参数模型构建步骤、K空间轨迹限定步骤、序列噪声预测步骤以及优化步骤:
序列参数模型构建步骤:定义参数组,建立第一映射关系和/或第二映射关系;
K空间轨迹限定步骤:利用磁共振成像物理原理和/或成像系统的硬件条件,对参数组和/或序列施加约束;
序列噪声预测步骤:对于生成的脉冲序列梯度波形,量化表示扫描过程中所产生噪声的声学特征;
优化步骤:利用机器学习方法,针对参数组进行参数优化;
其中,所述第一映射关系为参数组与K空间之间的映射关系,第二映射关系为参数组与脉冲序列梯度之间的映射关系。
优选地,所述序列噪声预测步骤包括:
将磁共振扫描仪视为线性系统,将梯度切换率g(t)和脉冲响应函数h(t)的卷积作为声学响应s(t),则声学响应s(t)的频谱S(f),能够以梯度切换率g(t)和脉冲响应函数h(t)在频域中的乘法表示,即有第一公式:
S(f)=G(f)·H(f)
其中,时域声学响应a(t)与其频谱S(f)互为傅里叶变换,梯度切换率g(t)与函数G(f)互为傅里叶变换,脉冲响应函数h(t)与频率响应函数H(f)互为傅里叶变换。
优选地,所述频率响应函数H(f)通过测试得到,频率响应函数H(f)的测试方法包括:
利用3T磁共振成像系统,根据美国国家电气制造商协会MS4标准进行测试;
测试过程中,传感器设置在磁共振成像设备的磁体中心。
优选地,所述序列噪声预测步骤包括:
经过噪声预测得到设定的脉冲序列对应产生的噪声频谱后:
-通过A计权滤波器转换为A计权声压级表征音量大小;和/或
-通过频域熵的定义计算频谱熵表征音色。
优选地,所述序列参数模型构建步骤包括:
定义参数组;所述参数组包括采样数据点在K空间中的位置坐标k(T)和/或采样数据点在K空间中行进的加速度a(T);
则k(T)与a(T)间的关系,即第一映射关系满足第二公式;所述第二公式包括:
v(T+1)=v(T)+a(T)ΔT,v(0)=0
k(T+1)=k(T)+v(T)ΔT,k(0)=0
ΔT=nΔt
其中,Δt为ADC采样间隔;v(T+1)为(T+1)时刻采样数据点在K空间中行进的速度,v(T)为T时刻采样数据点在K空间中行进的速度;k(T+1)为(T+1)时刻采样数据点在K空间中的位置坐标,k(T)为T时刻采样数据点在K空间中的位置坐标;a(T)为T时刻采样数据点在K空间中行进的加速度;n为正整数;ΔT为设定的间隔时间,数值上等于n倍的ADC采样间隔。
优选地,所述K空间轨迹限定步骤包括:
根据第一边界条件,对参数组和/或序列施加约束;
所述第一边界条件包括:
参数a(T)受到磁共振成像设备梯度系统的最大爬升速率smax约束;
参数v(T)受到磁共振成像设备梯度系统的最大梯度幅值gmax约束;
参数k(T)和v(T)受到K空间边界约束。
优选地,所述K空间位置坐标函数k(t)通过变密度采样经第三公式对k(T)进行插值后获得;所述脉冲序列梯度波形g(t)通过第四公式获得;
所述第三公式包括:
Figure BDA0002992561660000041
Figure BDA0002992561660000042
其中,kx(T)为k(t)在x方向上的分量;ky(T)为k(t)在y方向上的分量;Kx为K空间在x方向的大小max(kx);Ky为K空间在y方向的大小max(ky);NT为时间点的数目;
K空间的大小根据成像所需分辨率确定:
Figure BDA0002992561660000043
其中,pixel size表示像素尺寸;
所述第四公式包括:
Figure BDA0002992561660000044
其中,t为时间变量,γ为旋磁比,对于氢原子核,γ=42.6MHz/T。
优选地,所述方法包括:
定义参数组;所述参数组包括每个读出梯度单元的时长;
所述读出梯度单元的时长是指平面回波成像序列的每次读出时长;
采用遗传算法进行参数组优化,以每个读出梯度单元的时长ESP=[esp1,esp2,…,espN]作为输入值,以半周期正弦波形为单位,重新计算梯度幅值,构建梯度波形,预测噪声的频谱,计算对应的A计权声压级和频谱熵,分别作为音量和音色的量化表征;利用遗传算法,以降低音量、提升谱熵为目标进行优化。
优选地,所述优化步骤包括:
利用基于贝叶斯优化的强化学习方法进行参数优化;
所述基于贝叶斯优化的强化学习方法包括:
通过分布函数p(A)生成的脉冲序列参数动作组Ai=[ai(0),…,ai(NT-1)],对系统进行建模,其中,i表示迭代次数,NT代表时间点的数目,ai表示根据分布函数p(A)生成的脉冲序列参数动作;
使用高斯过程对p(A)进行建模;使用贝叶斯优化方法对将生成的动作组A映射到预测的声学噪声得分y的值函数进行建模;更新后的模型后验p(f|yi,Ai+1)通过最大化采集函数ui(A)提出下一组脉冲序列参数动作A*
所述最大化采集函数ui(A)包括预期改进函数。
优选地,所述优化步骤包括:
引入重建图像质量评价指标,作为优化过程中奖励的组成部分;
在物理环境加入布洛赫仿真过程;由机器学习生成的序列梯度波形经过布洛赫仿真,计算得到磁共振信号;
同时,根据梯度波形亦可获得相应K空间轨迹;
将磁共振信号与对应K空间轨迹结合,通过非均匀傅里叶变换方法进行图像重建,重建图像与被成像对象,即金标准对比,进行图像质量量化计算后,获得图像质量得分;
其中,图像质量由结构相似度进行量化表征。
与现有技术相比,本申请提供的磁共振静音序列设计方法具有如下技术效果:
本发明基于磁共振物理,构建参数空间与序列噪声的关系,然后利用机器学习方法,具体而言,例如遗传算法或基于贝叶斯优化的强化学习方法,以降噪效果为奖励,对参数进行优化,从而实现基于机器学习的静音序列设计。通过本发明的技术方案,可以设计出更多样的静音序列,提供更多可能的磁共振序列降噪方案,解决磁共振扫描过程中噪声影响患者健康的技术问题,以提升磁共振扫描的安全性和患者舒适度。
本申请的说明书中记载了大量的技术特征,分布在各个技术方案中,如果要罗列出本申请所有可能的技术特征的组合(即技术方案)的话,会使得说明书过于冗长。为了避免这个问题,本申请上述发明内容中公开的各个技术特征、在下文各个实施方式和例子中公开的各技术特征、以及附图中公开的各个技术特征,都可以自由地互相组合,从而构成各种新的技术方案(这些技术方案均应该视为在本说明书中已经记载),除非这种技术特征的组合在技术上是不可行的。例如,在一个例子中公开了特征A+B+C,在另一个例子中公开了特征A+B+D+E,而特征C和D是起到相同作用的等同技术手段,技术上只要择一使用即可,不可能同时采用,特征E技术上可以与特征C相组合,则,A+B+C+D的方案因技术不可行而应当不被视为已经记载,而A+B+C+E的方案应当视为已经被记载。
附图说明
图1a-1b示出了k空间采样轨迹的参数化表示方式。其中,图1a示出了由时刻T的速度v(T)、加速度a(T)获得时刻T+1的速度v(T+1)的矢量计算过程;图1b示出了由时刻T的位置p(T)、速度v(T)获得时刻T+1的速度p(T+1)的矢量计算过程。为减少参数数目,以参数n表示ΔT与ADC采样间隔Δt之间的倍数关系。
图2示出了本序列设计方案的流程:Agent生成参数动作后,经环境中的成像参数约束获得序列梯度波形,再根据环境中成像系统的声学响应特性预测获得所产生的噪音声压级,得到噪音得分、图像质量得分作为降噪效果奖励反馈给Agent,指导下一个参数动作的生成。
图3示出了一实施例所设计序列Arb-K与标准EPI序列Trap-EPI、正弦EPI序列Sin-EPI、螺旋轨迹序列Spira的噪声水平和图像质量指标对比。其中,噪声水平用A计权声压级表示;图像质量以结构相似度SSIM、峰值信噪比PSNR和均方误差MSE表示。可见该实施例所设计序列Arb-K在保证图像质量的同时实现了良好的降噪效果。
图4示出了回波间隔可变的平面回波成像序列设计示意图。其中gx表示x方向的梯度;ADC表示数据采集窗的开启时段。
图5示出了以各个读出梯度时长作为变量进行序列噪声优化的框架。
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,也可以实现本申请所要求保护的技术方案。
本发明实施例提供了一种基于机器学习的磁共振静音序列自动设计方法。本发明基于磁共振物理,构建参数空间与序列噪声的关系,然后利用基于贝叶斯优化的强化学习方法,以降噪效果为奖励,对参数进行优化,从而实现基于机器学习的静音序列设计。通过本发明的技术方案,可以设计出更多样的静音序列,提供更多可能的磁共振序列降噪方案,解决磁共振扫描过程中噪声影响患者健康的技术问题,以提升磁共振扫描的安全性和患者舒适度。
下面将通过实施例的方式对本发明的技术方案做进一步说明:
基础实施例:
基础实施例提供了一种磁共振噪声预测方法,基础实施例技术方案的步骤包括:
1.序列参数模型的构建;
2.K空间轨迹的限定;
3.序列噪声预测;
4.利用机器学习方法进行参数优化。
在本申请的强化学习框架中,由人工智能(artificial intelligent,AI)脉冲序列参数生成器生成参数组合(动作),映射生成脉冲序列梯度波形,计算其经磁共振成像系统(环境)作用后产生的噪声,根据噪声的声压级获得降噪效果(奖励),从而更新和完善参数组合(动作)。
实施例1:
实施例1是基础实施例的变化例,在基础实施例的基础上,实施例1的技术方案具体为:
本实施例提供的磁共振噪声预测方法的步骤进一步包括:
1.序列参数模型的构建:定义用于优化的参数,建立参数与K空间以及脉冲序列梯度之间的映射关系;
2.K空间轨迹的限定:利用磁共振成像物理原理、成像系统的硬件参数等条件,对参数和序列施加约束;
3.序列噪声预测:对于生成的脉冲序列梯度波形,量化表示其扫描过程中所产生噪声的声学特征;
4.利用机器学习方法进行参数优化。
实施例2:
实施例2是实施例1的变化例,在实施例1的基础上,实施例2的技术方案具体为:
步骤3:序列噪声预测,具体方法如下:
本实施例中,将信号系统理论用于估计磁共振扫描仪产生的噪声。将磁共振扫描仪近似为线性系统,声学响应s(t)可视为梯度切换g(t)和脉冲响应函数(impulseresponse function,IRF)h(t)的卷积,等效于频域中的乘法:S(f)=G(f)·H(f)。其中H(f)表示频率响应函数(frequency response function,FRF)。
为了预测在AI Agent生成的序列的扫描过程中产生的噪声,需要获得MR扫描器的频率响应函数。实验在3T磁共振成像系统(uMR790,上海联影医疗科技有限公司)进行,根据美国国家电气制造商协会(National Electrical Manufacturers Association,NEMA)MS4标准,测试过程中,传感器放置在磁共振成像设备的磁体中心。
经过噪声预测得到所设计的脉冲序列对应产生的噪声频谱后,分别通过A计权滤波器转换为A计权声压级(A-weighted sound pressure level,SPA)表征音量大小、利用频域熵的定义计算频谱熵(spectral entropy)表征音色。
实施例3:
实施例3是实施例1或实施例2的变化例,在实施例1或实施例2的基础上,实施例3的技术方案具体为:
步骤1、步骤2、步骤4的具体方法可以在不同实施例中灵活定义。例如:
定义采样数据点在K空间中的位置坐标k(T)与其在K空间中行进的加速度a(T)为用于优化的参数。采样数据点在K空间中的位置坐标k(T)与其在K空间中行进的加速度a(T)之间的关系可以通过以下公式得出:
v(T+1)=v(T)+a(T)ΔT,v(0)=0
k(T+1)=k(T)+v(T)ΔT,k(0)=0
ΔT=nΔt
其中Δt是ADC采样间隔。由于
Figure BDA0002992561660000091
其中,γ为旋磁比,对于氢原子核,γ=42.6MHz/T;s(T)为T时刻梯度幅值的变化率,即爬升速率(slewrate);g(T)为T时刻的梯度幅值;a(T)和v(T)分别受到磁共振成像设备梯度系统的最大爬升速率smax和最大梯度幅值gmax的限制。位置k(T)受K空间边界约束,同时也限制了v(T)。
为了保证图像质量,我们采用在K空间中变密度采样的采样方式。对于
Figure BDA0002992561660000101
有:
Figure BDA0002992561660000102
Figure BDA0002992561660000103
对k(T)进行插值后,获得K空间位置坐标函数k(t),(t=1,2,…,Nt;Nt=nNT)。由于
Figure BDA0002992561660000104
脉冲序列梯度波形g(t)便可由
Figure BDA0002992561660000105
求得。
实施例4:
实施例4是实施例1或实施例2的变化例,在实施例1或实施例2的基础上,实施例4的技术方案具体为:
利用基于贝叶斯优化的强化学习方法进行参数优化,具体方法如下:
我们对系统进行建模的贝叶斯方法由从分布p(A)生成的脉冲序列参数动作Ai=[ai(0),…,ai(NT-1)]组成,其中i表示迭代次数,NT代表时间点的数目。为了有效地模拟动作A及其对声音噪声水平的物理影响之间的动态相互作用,我们使用具有高斯过程对p(A)进行建模。使用贝叶斯优化方法对将生成的动作A映射到预测的声学噪声得分y的值函数进行建模。为了在原理上平衡开发和探索,更新后的模型后验p(f|yi,Ai+1)通过最大化采集函数(acquisition function)ui(A)提出下一组脉冲序列参数动作A*。在当前的实现中,我们选择预期改进(expected improvement,EI)作为ui(A)。
结果如图4、图5所示分别为所习得的新序列(任意K空间轨迹)梯度波形图及其对应的K空间轨迹。经计算,该序列梯度所产生的噪音仅为74.6分贝,比传统快速成像序列EPI降低了17.2分贝。二者经布洛赫仿真(Bloch simulation)所获得的的图像如图6所示,对比可见,任意K空间轨迹序列所获得的图像质量仍较为可靠。
实施例5:
实施例5是实施例1变化例,在实施例1的基础上,实施例5的技术方案具体为:
可以引入重建图像质量评价指标,作为优化过程中奖励的组成部分。
在物理环境加入布洛赫仿真过程。由机器学习生成的序列梯度波形经过布洛赫仿真,计算得到磁共振信号。同时,根据梯度波形亦可获得相应K空间轨迹。将磁共振信号与对应K空间轨迹结合,通过非均匀傅里叶变换(non-uniform fast Fourier transform,NUFFT)方法进行图像重建,重建图像与被成像对象(金标准)对比,进行图像质量量化计算后,获得图像质量得分。
其中,图像质量由结构相似度(structural similarity,SSIM)进行量化表征。相较于传统检测图像质量的方法均方误差(mean squared error,MSE)、峰值信噪比(peaksignal to noise ratio,PSNR),SSIM算法在设计上考虑了人眼的视觉特性,比传统方式更符合人眼视觉感知。
SSIM算法综合考虑了结构、亮度、对比度对图像的影响。考虑到当等效回波时间(echo time,TE)不同时,所获得的图像将有不同的对比度加权,其亮度、对比度将受到改变,所以在计算SSIM时,通过权重调整,仅对图像的结构信息进行评估。
实施例6:
实施例6是实施例1变化例,在实施例1的基础上,实施例6的技术方案具体为:
对于平面回波成像序列,以每次读出为单元,定义每个读出梯度单元的时长为用于优化的参数。我们采用遗传算法进行参数优化,以每个读出梯度单元的时长ESP=[esp1,esp2,…,espN]作为优化系统的输入,以半周期正弦波形为单位,重新计算梯度幅值,构建梯度波形,预测噪声的频谱,计算对应的A计权声压级和频谱熵,用于量化表征音量和音色。采用遗传算法(genetic algorithm,GA),以降低音量、提升谱熵为目标进行优化。
噪声优化结果如图。从噪声频谱当中可以看出,可变ESP的频谱的能量分布变宽变矮,也不包含高频谐波。我们在降低噪声声压级的同时还显著提升了谱熵,使得刺耳的单频噪音变得更接近白噪音。
需要说明的是,在本专利的申请文件中,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。本专利的申请文件中,如果提到根据某要素执行某行为,则是指至少根据该要素执行该行为的意思,其中包括了两种情况:仅根据该要素执行该行为、和根据该要素和其它要素执行该行为。多个、多次、多种等表达包括2个、2次、2种以及2个以上、2次以上、2种以上。
本说明书包括本文所描述的各种实施例的组合。对“一个实施例”或特定实施例等的单独提及不一定是指相同的实施例;然而,除非指示为是互斥的或者本领域技术人员很清楚是互斥的,否则这些实施例并不互斥。应当注意的是,除非上下文另外明确指示或者要求,否则在本说明书中以非排他性的意义使用“或者”一词。
在本申请提及的所有文献都被认为是整体性地包括在本申请的公开内容中,以便在必要时可以作为修改的依据。此外应理解,在阅读了本申请的上述公开内容之后,本领域技术人员可以对本申请作各种改动或修改,这些等价形式同样落于本申请所要求保护的范围。

Claims (10)

1.一种磁共振静音序列设计方法,其特征在于,包括序列参数模型构建步骤、K空间轨迹限定步骤、序列噪声预测步骤以及优化步骤:
序列参数模型构建步骤:定义参数组,建立第一映射关系和/或第二映射关系;
K空间轨迹限定步骤:利用磁共振成像物理原理和/或成像系统的硬件条件,对参数组和/或序列施加约束;
序列噪声预测步骤:对于生成的脉冲序列梯度波形,量化表示扫描过程中所产生噪声的声学特征;
优化步骤:利用机器学习方法,针对参数组进行参数优化;
其中,所述第一映射关系为参数组与K空间之间的映射关系,第二映射关系为参数组与脉冲序列梯度之间的映射关系。
2.根据权利要求1所述的磁共振静音序列设计方法,其特征在于,所述序列噪声预测步骤包括:
将磁共振扫描仪视为线性系统,将梯度切换率g(t)和脉冲响应函数h(t)的卷积作为声学响应s(t),则声学响应s(t)的频谱S(f),能够以梯度切换率g(t)和脉冲响应函数h(t)在频域中的乘法表示,即有第一公式:
S(f)=G(f)·H(f)
其中,时域声学响应s(t)与其频谱S(f)互为傅里叶变换,梯度切换率g(t)与函数G(f)互为傅里叶变换,脉冲响应函数h(t)与频率响应函数H(f)互为傅里叶变换。
3.根据权利要求2所述的磁共振静音序列设计方法,其特征在于,所述频率响应函数H(f)通过测试得到,频率响应函数H(f)的测试方法包括:
利用3T磁共振成像系统,根据美国国家电气制造商协会MS4标准进行测试;
测试过程中,传感器设置在磁共振成像设备的磁体中心。
4.根据权利要求1所述的磁共振静音序列设计方法,其特征在于,所述序列噪声预测步骤包括:
经过噪声预测得到设定的脉冲序列对应产生的噪声频谱后:
-通过A计权滤波器转换为A计权声压级表征音量大小;和/或
-通过频域熵的定义计算频谱熵表征音色。
5.根据权利要求1所述的磁共振静音序列设计方法,其特征在于,所述序列参数模型构建步骤包括:
定义参数组;所述参数组包括采样数据点在K空间中的位置坐标k(T)和/或采样数据点在K空间中行进的加速度a(T);
则k(T)与a(T)间的关系,即第一映射关系满足第二公式;所述第二公式包括:
v(T+1)=v(T)+a(T)ΔT,v(0)=0
k(T+1)=k(T)+v(T)ΔT,k(0)=0
ΔT=nΔt
其中,Δt为ADC采样间隔;v(T+1)为(T+1)时刻采样数据点在K空间中行进的速度,v(T)为T时刻采样数据点在K空间中行进的速度;k(T+1)为(T+1)时刻采样数据点在K空间中的位置坐标,k(T)为T时刻采样数据点在K空间中的位置坐标;a(T)为T时刻采样数据点在K空间中行进的加速度;n为正整数;ΔT为设定的间隔时间,数值上等于n倍的ADC采样间隔。
6.根据权利要求5所述的磁共振静音序列设计方法,其特征在于,所述K空间轨迹限定步骤包括:
根据第一边界条件,对参数组和/或序列施加约束;
所述第一边界条件包括:
参数a(T)受到磁共振成像设备梯度系统的最大爬升速率smax约束;
参数v(T)受到磁共振成像设备梯度系统的最大梯度幅值gmax约束;
参数k(T)和v(T)受到K空间边界约束。
7.根据权利要求5所述的磁共振静音序列设计方法,其特征在于,所述K空间位置坐标函数k(t)通过变密度采样经第三公式对k(T)进行插值后获得;所述脉冲序列梯度波形g(t)通过第四公式获得;
所述第三公式包括:
Figure FDA0002992561650000031
Figure FDA0002992561650000032
其中,kx(T)为k(t)在x方向上的分量;ky(T)为k(t)在y方向上的分量;Kx为K空间在x方向的大小max(kx);Ky为K空间在y方向的大小max(ky);NT为时间点的数目;
K空间的大小根据成像所需分辨率确定:
Figure FDA0002992561650000033
其中,pixel size表示像素尺寸;
所述第四公式包括:
Figure FDA0002992561650000034
其中,t为时间变量,γ为旋磁比。
8.根据权利要求1所述的磁共振静音序列设计方法,其特征在于,所述方法包括:
定义参数组;所述参数组包括每个读出梯度单元的时长;
所述读出梯度单元的时长是指平面回波成像序列的每次读出时长;
采用遗传算法进行参数组优化,以每个读出梯度单元的时长ESP=[esp1,esp2,...,espN]作为输入值,以半周期正弦波形为单位,重新计算梯度幅值,构建梯度波形,预测噪声的频谱,计算对应的A计权声压级和频谱熵,分别作为音量和音色的量化表征;利用遗传算法,以降低音量、提升谱熵为目标进行优化。
9.根据权利要求1至7中任一项所述的磁共振静音序列设计方法,其特征在于,所述优化步骤包括:
利用基于贝叶斯优化的强化学习方法进行参数优化;
所述基于贝叶斯优化的强化学习方法包括:
通过分布函数p(A)生成的脉冲序列参数动作组Ai=[ai(0),...,ai(NT-1)],对系统进行建模,其中,i表示迭代次数,NT代表时间点的数目,ai表示根据分布函数p(A)生成的脉冲序列参数动作;
使用高斯过程对p(A)进行建模;使用贝叶斯优化方法对将生成的动作组A映射到预测的声学噪声得分y的值函数进行建模;更新后的模型后验p(f|yi,Ai+1)通过最大化采集函数ui(A)提出下一组脉冲序列参数动作A*
所述最大化采集函数ui(A)包括预期改进函数。
10.根据权利要求1至7中任一项所述的磁共振静音序列设计方法,其特征在于,所述优化步骤包括:
引入重建图像质量评价指标,作为优化过程中奖励的组成部分;
在物理环境加入布洛赫仿真过程;由机器学习生成的序列梯度波形经过布洛赫仿真,计算得到磁共振信号;
同时,根据梯度波形亦可获得相应K空间轨迹;
将磁共振信号与对应K空间轨迹结合,通过非均匀傅里叶变换方法进行图像重建,重建图像与被成像对象,即金标准对比,进行图像质量量化计算后,获得图像质量得分;
其中,图像质量由结构相似度进行量化表征。
CN202110320340.2A 2021-03-25 2021-03-25 磁共振成像脉冲序列设计方法 Active CN113075603B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110320340.2A CN113075603B (zh) 2021-03-25 2021-03-25 磁共振成像脉冲序列设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110320340.2A CN113075603B (zh) 2021-03-25 2021-03-25 磁共振成像脉冲序列设计方法

Publications (2)

Publication Number Publication Date
CN113075603A true CN113075603A (zh) 2021-07-06
CN113075603B CN113075603B (zh) 2022-07-29

Family

ID=76611006

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110320340.2A Active CN113075603B (zh) 2021-03-25 2021-03-25 磁共振成像脉冲序列设计方法

Country Status (1)

Country Link
CN (1) CN113075603B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115629347A (zh) * 2022-10-20 2023-01-20 无锡鸣石峻致医疗科技有限公司 一种磁共振成像系统中获得梯度轨迹的方法、装置和介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102288929A (zh) * 2011-05-11 2011-12-21 浙江大学 用于磁共振系统的激发脉冲序列生成器
US20130285655A1 (en) * 2012-04-27 2013-10-31 Toshiba Medical Systems Corporation Apparatus and method for magnetic resonance imaging
CN104977550A (zh) * 2014-04-09 2015-10-14 株式会社日立医疗器械 磁共振成像装置及磁共振成像装置中的脉冲序列计算方法
JP2018042671A (ja) * 2016-09-13 2018-03-22 株式会社日立製作所 磁気共鳴イメージング装置
CN108303665A (zh) * 2018-02-27 2018-07-20 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
CN109350061A (zh) * 2018-11-21 2019-02-19 成都信息工程大学 基于深度卷积神经网络的磁共振成像方法
CN109917315A (zh) * 2019-04-30 2019-06-21 上海联影医疗科技有限公司 磁共振成像扫描方法、装置、计算机设备和存储介质
CN112213673A (zh) * 2020-09-07 2021-01-12 上海东软医疗科技有限公司 动态磁共振成像方法、装置、重建计算机及磁共振系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102288929A (zh) * 2011-05-11 2011-12-21 浙江大学 用于磁共振系统的激发脉冲序列生成器
US20130285655A1 (en) * 2012-04-27 2013-10-31 Toshiba Medical Systems Corporation Apparatus and method for magnetic resonance imaging
CN104977550A (zh) * 2014-04-09 2015-10-14 株式会社日立医疗器械 磁共振成像装置及磁共振成像装置中的脉冲序列计算方法
JP2018042671A (ja) * 2016-09-13 2018-03-22 株式会社日立製作所 磁気共鳴イメージング装置
CN108303665A (zh) * 2018-02-27 2018-07-20 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
CN109350061A (zh) * 2018-11-21 2019-02-19 成都信息工程大学 基于深度卷积神经网络的磁共振成像方法
CN109917315A (zh) * 2019-04-30 2019-06-21 上海联影医疗科技有限公司 磁共振成像扫描方法、装置、计算机设备和存储介质
CN112213673A (zh) * 2020-09-07 2021-01-12 上海东软医疗科技有限公司 动态磁共振成像方法、装置、重建计算机及磁共振系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JIE LUO等: "Study on Magnetic Field Model of Surface Mounted Permanent Magnet Motor Based on Fourier Series", 《2020 12TH INTERNATIONAL CONFERENCE ON MEASURING TECHNOLOGY AND MECHATRONICS AUTOMATION (ICMTMA)》 *
V.N. IKONOMIDOU等: "Pulse shaping for localized magnetic resonance tagging", 《2001 CONFERENCE PROCEEDINGS OF THE 23RD ANNUAL INTERNATIONAL CONFERENCE OF THE IEEE ENGINEERING IN MEDICINE AND BIOLOGY SOCIETY》 *
黄敏等: "基于K空间数据的深度核磁共振图像重建", 《生物医学工程研究》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115629347A (zh) * 2022-10-20 2023-01-20 无锡鸣石峻致医疗科技有限公司 一种磁共振成像系统中获得梯度轨迹的方法、装置和介质
CN115629347B (zh) * 2022-10-20 2023-09-19 无锡鸣石峻致医疗科技有限公司 一种磁共振成像系统中获得梯度轨迹的方法、装置和介质

Also Published As

Publication number Publication date
CN113075603B (zh) 2022-07-29

Similar Documents

Publication Publication Date Title
CN109658471B (zh) 一种医学图像重建方法和系统
CN109477877B (zh) 磁共振成像系统和方法
US10132889B2 (en) System and method for reducing acoustic noise level in MR imaging
CN115267629A (zh) 降低磁共振系统中的声学噪声的脉冲序列生成系统和方法
CN109073720B (zh) 静音磁共振指纹识别
US9557397B2 (en) Method for manipulating the MRI's protocol of pulse-sequences
JP6417406B2 (ja) 強調磁化率コントラストによるmrイメージング
CN108024757A (zh) 在核磁共振成像中确定偏转角的系统和方法
JP7002864B2 (ja) 磁気共鳴イメージング装置
CN112370040B (zh) 磁共振成像方法、装置、存储介质及电子设备
CN113075603B (zh) 磁共振成像脉冲序列设计方法
CN109544652A (zh) 基于深度生成对抗神经网络的核磁共振多加权成像方法
CN110940943B (zh) 搏动伪影校正模型的训练方法和搏动伪影校正方法
JPWO2006109550A1 (ja) 磁気共鳴イメージング装置及び方法
US20190004134A1 (en) Magnetic resonance imaging apparatus and magnetic resonance imaging method
US20190310334A1 (en) Method and computer for producing a pulse sequence for controlling a magnetic resonance imaging apparatus
JP3283632B2 (ja) 核磁気共鳴装置
De Goyeneche et al. ResoNet: physics informed deep learning based off-resonance correction trained on synthetic data
CN107788985A (zh) 用于获得磁共振图像的磁共振成像装置及方法
JP2001070283A (ja) Mrイメージングのデータ収集方法及びmri装置
KR101797141B1 (ko) 자기 공명 영상 처리 장치 및 그 영상 처리 방법
JP2007519452A (ja) フラクタル表面充填曲線又は空間充填曲線に基づくイメージング法
Deng et al. Intelligent Imaging Method of Nuclear Magnetic Resonance Medical Devices Based on Compression Sensing
JP3023831B2 (ja) 核磁気共鳴イメージング装置
Wang et al. Learning-based k-Space Weighted Image Contrast (L-KWIC) for Golden Angle Radial Dynamic MRI

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