CN116242872A - 张量场映射 - Google Patents
张量场映射 Download PDFInfo
- Publication number
- CN116242872A CN116242872A CN202310283263.7A CN202310283263A CN116242872A CN 116242872 A CN116242872 A CN 116242872A CN 202310283263 A CN202310283263 A CN 202310283263A CN 116242872 A CN116242872 A CN 116242872A
- Authority
- CN
- China
- Prior art keywords
- sample
- excitation
- parameters
- model
- magnetic field
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N24/00—Investigating or analyzing materials by the use of nuclear magnetic resonance, electron paramagnetic resonance or other spin effects
- G01N24/08—Investigating or analyzing materials by the use of nuclear magnetic resonance, electron paramagnetic resonance or other spin effects by using nuclear magnetic resonance
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N24/00—Investigating or analyzing materials by the use of nuclear magnetic resonance, electron paramagnetic resonance or other spin effects
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R33/00—Arrangements or instruments for measuring magnetic variables
- G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
- G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R33/00—Arrangements or instruments for measuring magnetic variables
- G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
- G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
- G01R33/448—Relaxometry, i.e. quantification of relaxation times or spin density
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R33/00—Arrangements or instruments for measuring magnetic variables
- G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
- G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
- G01R33/48—NMR imaging systems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R33/00—Arrangements or instruments for measuring magnetic variables
- G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
- G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
- G01R33/48—NMR imaging systems
- G01R33/50—NMR imaging systems based on the determination of relaxation times, e.g. T1 measurement by IR sequences; T2 measurement by multiple-echo sequences
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R33/00—Arrangements or instruments for measuring magnetic variables
- G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
- G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
- G01R33/48—NMR imaging systems
- G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R33/00—Arrangements or instruments for measuring magnetic variables
- G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
- G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
- G01R33/48—NMR imaging systems
- G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
- G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
- G01R33/5602—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution by filtering or weighting based on different relaxation times within the sample, e.g. T1 weighting using an inversion pulse
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R33/00—Arrangements or instruments for measuring magnetic variables
- G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
- G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
- G01R33/48—NMR imaging systems
- G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
- G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
- G01R33/563—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution of moving material, e.g. flow contrast angiography
- G01R33/56341—Diffusion imaging
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
- G01V3/18—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation specially adapted for well-logging
- G01V3/32—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation specially adapted for well-logging operating with electron or nuclear magnetic resonance
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
- G01V3/14—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation operating with electron or nuclear magnetic resonance
Abstract
本申请公开了张量场映射。在操作期间,一种系统可以对样本施加外部磁场和RF脉冲序列或机械激发。接着,该系统可以测量磁化的至少一个分量或机械参数,例如与样本相关联的弹性,例如样本中一种或多种核的MR信号或样本的弹性。此外,系统可以基于磁化的测量分量、前向模型、外部磁场和RF脉冲序列,计算与样本相关联的体素的磁化的至少一个预测分量。接下来,系统可以通过按前向模型迭代地修改与体素相关联的参数,直到磁化的预测分量与磁化的测量分量之间的差小于预定义值来求解逆向问题。应注意,计算可以与测量同时被执行,并且可以不涉及执行傅立叶变换。
Description
本申请是于2017年5月30日提交的名称为“张量场映射”的中国专利申请201780033680.9的分案申请。
相关申请的交叉引用
本申请根据35U.S.C.§120要求以下各案的优先权:2016年11月28日提交的标题为“张量场映射(Tensor Field Mapping)”的第15/362,808号美国非临时申请;2016年4月3日提交的标题为“场不变量化磁共振签名(Field-Invariant Quantitative Magnetic-Resonance Signatures)”的第15/089,571号美国非临时申请;以及2016年5月31日提交的标题为“基于磁共振历史的快速扫描(Fast Scanning Based on Magnetic-ResonanceHistory)”的第15/169,719号美国非临时申请,所述美国非临时专利申请中的每一个的内容特此以引用的方式并入本文中。
本申请还根据35U.S.C.§119(e)要求以下各案的优先权:2015年7月7日提交的标题为“用于随时间推移对受试者进行索引式医学成像的系统和方法(Systems and Methodfor Indexed Medical Imaging of a Subject Over Time)”的第62/189,675号美国临时申请;2015年9月3日提交的标题为“用于随时间推移对受试者进行索引式医学成像的系统和方法(Systems and Method for Indexed Medical Imaging of a Subject OverTime)”的第62/213,625号美国临时申请;2015年9月25日提交的标题为“用于随时间推移对受试者进行索引式医学成像的系统和方法(Systems and Method for Indexed MedicalImaging of a Subject Over Time)”的第62/233,291号美国临时申请;2015年9月25日提交的标题为“用于索引式医疗和/或指纹识别组织的系统和方法(Systems and Method forIndexed Medical and/or Fingerprinting Tissue)”的第62/233,288号美国临时申请;2015年10月22日提交的标题为“用于使用先验知识以最少参数映射误差自动分段和推广MRF的系统和方法(System and Method for Auto Segmentation and Generalized MRFwith Minimized Parametric Mapping Error Using A Priori Knowledge)”的第62/245,269号美国临时申请;2015年11月3日提交的标题为“用于使用先验知识以最少参数映射误差自动分段和推广MRF的系统和方法(System and Method for Auto Segmentation andGeneralized MRF with Minimized Parametric Mapping Error Using APrioriKnowledge)”的第62/250,501号美国临时申请;2015年11月9日提交的标题为“用于使用先验知识以最少参数映射误差自动分段和推广MRF的系统和方法(System and Method forAuto Segmentation and Generalized MRF with Minimized Parametric Mapping ErrorUsing APriori Knowledge)”的第62/253,128号美国临时申请;2015年11月13日提交的标题为“用于使用先验知识以最少参数映射误差自动分段和推广MRF的系统和方法(Systemand Method for Auto Segmentation and Generalized MRF with MinimizedParametric Mapping Error Using A Priori Knowledge)”的第62/255,363号美国临时申请;2016年1月20日提交的标题为“用于使用先验知识以最少参数映射误差自动分段和推广MRF的系统和方法(System and Method for Auto Segmentation and Generalized MRFwith Minimized Parametric Mapping Error Using APriori Knowledge)”的第62/281,176号美国临时申请;2016年7月24日提交的标题为“基于磁共振历史的快速扫描(FastScanning based on Magnetic-Resonance History)”的第62/366,085号美国临时申请;以及2017年5月4日提交的标题为“张量场映射(Tensor Field Mapping)”的第62/501,712号美国临时申请,所述美国临时申请中的每一个的内容以引用的方式并入本文中。
技术领域
所描述的实施例大体涉及通过利用前向模型迭代地收敛与样本相关联的物理现象的测量来确定与样本相关联的一个或多个物理参数,所述前向模型基于一个或多个物理参数来预测物理现象。
背景技术
许多非侵入性表征技术可用于确定样本的一个或多个物理参数。例如,可以使用磁共振或MR(其通常被称为“核磁共振”或NMR)来研究磁特性,其是磁场中的核吸收和重新发射电磁辐射的物理现象。此外,固体或刚性材料中的密度变化和短距离或长距离周期结构可以使用表征技术进行研究,例如X射线成像、X射线衍射、计算机断层扫描、中子衍射或电子显微镜,其中具有小德布罗意波长(de Broglie wavelength)的电磁波或高能粒子被样本吸收或散射。此外,可以使用超声成像来研究软材料或流体中的密度变化和运动,其中超声波在样本中发射和反射。
在这些表征技术的每一种中,将一个或多个外部激发(例如粒子通量或入射辐射、静态或时变标量场和/或静态或时变向量场)施加到样本,并且以物理现象的形式测量样本的所得响应。作为示例,在MR中,磁核自旋可以在所施加的外部DC磁场中部分地对准(或极化)。这些核自旋可以按一定角频率(有时被称为“拉莫尔频率”)围绕外部磁场的方向进动或旋转,所述角频率由一类核的旋磁比与外部磁场的量值或强度的乘积给出。通过对极化核自旋施加扰动,例如脉冲宽度对应于角频率并且与外部磁场的方向成直角或垂直的一个或多个射频(RF)脉冲(以及更一般来说,电磁脉冲),核自旋的极化可以瞬时改变。核自旋的所得动态响应(例如时变总磁化)可以提供关于样本的物理和材料特性的信息,例如与样本相关联的一个或多个物理参数。
通常,每种表征技术可以允许在样本中的小体积或体素中确定一个或多个物理参数,其可以使用张量来表示。以磁共振成像(MRI)为例,核自旋进动的角频率(如质子或同位素1H)对外部磁场的量值的依赖性可以用于确定三维(3D)或解剖结构的图像和/或不同材料或类型的组织的化学组成。明确地说,通过对样本或患者施加非均匀或空间变化的磁场,1H旋转进动的角频率的所得变化通常用于在空间上定位1H自旋对体素的测量的动态响应,其可用于生成图像,例如患者的内部解剖结构。
然而,样本的物理特性的表征通常是耗时的、复杂的和昂贵的。例如,以高空间分辨率(即,小的体素大小)在MRI中获取MR图像通常涉及执行大量测量(其有时被称为“扫描”),其持续时间比在患者的不同类型组织中1H自旋的弛豫时间长。此外,为了实现高空间分辨率,在MRI期间通常使用大的均匀外部磁场。外部磁场通常使用具有窄孔的环形形状的超导磁体生成,其对于许多患者来说可能感觉受到限制。此外,可以使用傅立叶变换技术来促进图像重建,代价是对RF脉冲序列的约束,并且因此约束扫描时间。
长扫描时间与(在MRI的情况下)磁体孔的约束环境的组合会使用户体验降级。此外,长扫描时间会降低处理量,从而增加执行表征的成本。
发明内容
一组实施例涉及一种确定与样本相关联的参数的系统。所述系统包含:生成磁场的生成装置;执行测量的测量装置;存储程序模块的存储器;以及执行程序模块的处理器。在操作期间,所述系统可以将外部磁场和RF脉冲序列施加到样本。接着,所述系统可以测量与样本相关联的磁化的至少一个分量。此外,所述系统可以基于所述磁化的所述测量分量、前向模型、所述外部磁场和所述RF脉冲序列,计算与所述样本相关联的体素的所述磁化的至少一个预测分量。接下来,所述系统可以通过迭通过按所述前向模型迭代地修改与所述体素相关联的所述参数,直到所述磁化的所述预测分量与所述磁化的所述测量分量之间的差小于预定义值来求解逆向问题。
在一个实施例中,所述系统包含:生成机械激发的生成装置;执行测量的测量装置;存储程序模块的存储器;以及执行程序模块的处理器。在操作期间,所述系统可以将机械激发脉冲序列施加到样本。接着,所述系统可以测量与样本相关联的弹性的至少一个分量。此外,所述系统可以基于弹性的测量分量、前向模型和机械激发脉冲序列,计算与样本相关联的体素的弹性的至少一个预测分量。接下来,所述系统可以通过按所述前向模型迭代地修改与所述体素相关联的所述参数,直到所述弹性的所述预测分量与所述弹性的所述测量分量之间的差小于预定义值来求解逆向问题。
应注意,所述参数可以包含一类核的密度、沿着平行于外部磁场的方向的纵向弛豫时间和沿着垂直于外部磁场的方向的横向弛豫时间。
此外,迭代修改可以基于使用牛顿方法的雅可比矩阵。
此外,可以基于使用磁化的至少所述分量的先前测量确定的参数来约束迭代修改。替代地或另外,参数的初始值可以在样本中不同类型组织的预定义参数范围内。
在一些实施例中,所述系统可以基于沿着体素之间的方向的参数中的至少一些的不连续变化来对样本中的组织类型进行分段。
此外,可以在不对磁化的测量分量执行傅立叶变换的情况下确定参数。
此外,磁化分量和迭代修改后的计算可以与磁化分量的测量同时进行。
另外,所述系统可以:修改所述外部磁场和所述射频脉冲序列中的至少一个;在所述样本已完全弛豫之前或在不重置所述样本的状态的情况下,将所述修改后的外部磁场和所述射频脉冲序列中的至少一个施加到所述样本;测量磁化分量的至少一个第二实例;基于所述磁化的所述分量的所述所测量第二实例、所述前向模型、所述修改后的外部磁场或所述修改后的射频脉冲序列,计算与所述样本相关联的所述体素的所述磁化的所述预测分量的至少一个第二实例;以及通过按所述前向模型迭代地修改与所述体素相关联的所述参数,直到所述磁化的所述预测分量的所述第二实例与所述磁化的所述测量分量的所述第二实例之间的差小于所述预定义值来求解所述逆向问题。在一些实施例中,所述系统可以基于前向模型、外部磁场和RF脉冲序列确定样本的动态状态,其中在计算所述磁化的所述预测分量的所述第二实例时,所述修改后的外部磁场和所述修改后的RF脉冲序列中的至少一个被施加到所述样本时的所述动态状态被用作初始条件。
应注意,在所述测量期间,所述外部磁场的量值和方向中的至少一个可以随时间而改变。
此外,可以选择所述修改后的外部磁场和所述修改后的RF脉冲序列中的至少一个,以最小化所述磁化的所述预测分量的所述第二实例与所述磁化的所述测量分量的所述第二实例之间的差。
此外,可以基于与所述参数相关联的时间标度顺序地确定所述参数,并且可以首先确定具有最短时间标度的参数。
另一实施例提供一种用于与系统一起使用的计算机可读存储介质。此计算机可读存储介质包含程序模块,当由系统执行时,所述程序模块使所述系统执行上述操作中的至少一些。
另一实施例提供一种用于确定与样本相关联的参数的方法。所述方法包含由所述系统执行的上述操作中的至少一些。
提供本发明内容是为了说明一些示例性实施例,以便提供对本文描述的主题的一些方面的基本理解。因此,应理解,上述特征仅是示例,并且不应被解释为以任何方式缩小本文描述的主题的范围或精神。根据以下详细说明、附图和权利要求,本文描述的主题的其它特征、方面和优点将变得显而易见。
附图说明
图1是说明根据本公开的实施例的具有磁共振(MR)扫描器的系统的框图,所述磁共振(MR)扫描器执行样本的MR扫描。
图2是根据本公开的实施例的图1系统中的MR扫描器的框图。
图3是说明根据本公开的实施例的用于确定与样本相关联的弛豫时间的方法。
图4是说明根据本公开的实施例的图1中的系统中的组件之间的通信的图。
图5是说明根据本公开的实施例的与样本相关联的弛豫时间的确定的图。
图6是说明根据本公开的实施例的具有不同相关联时间标度的参数的顺序确定的图。
图7是说明根据本公开的实施例的样本中的组织类型的分段的图。
图8是说明根据本公开的实施例的提供动态弛豫时间加权的MR图像的方法的流程图。
图9是说明根据本公开的实施例的图1中的系统中的组件之间的通信的图。
图10是说明根据本公开的实施例的图形用户界面的图。
图11是说明根据本公开的实施例的图形用户界面的图。
图12是说明根据本公开的实施例的用于确定与样本相关联的参数的方法的流程图。
图13是说明根据本公开的实施例的图1中的系统中的组件之间的通信的图。
图14是说明根据本公开的实施例的电子装置的框图。
图15是说明根据本公开的实施例的由图14的电子装置使用的数据结构的图。
图16是根据本公开的实施例的张量场映射系统的框图。
图17是张量场映射系统的操作方法的流程图。
表1提供了根据本公开的实施例的不同类型组织的自旋-晶格(T1)和自旋-自旋(T2)弛豫时间。
应注意,在所有附图中,相同的附图标记指代对应的部分。此外,相同部分的多个实例由通过短划线与实例编号分隔的共同前缀指定。
具体实施方式
在操作期间,系统可以将外部磁场和RF脉冲序列施加到样本。接着,所述系统可以测量与样本相关联的磁化的至少一个分量,例如样本中的一种或多种类型的核的MR信号。此外,所述系统可以基于所述磁化的所述测量分量、前向模型、所述外部磁场和所述RF脉冲序列,计算与所述样本相关联的体素的所述磁化的至少一个预测分量。接下来,所述系统可以通过迭通过按所述前向模型迭代地修改与所述体素相关联的所述参数,直到所述磁化的所述预测分量与所述磁化的所述测量分量之间的差小于预定义值来求解逆向问题。应注意,计算可以与测量同时执行,并且可以不涉及对测量信号执行傅立叶变换。
更一般来说,系统可以将极化场和激发序列施加到样本,并且可以测量样本的对应响应或物理现象。接着,系统可以迭代地利用前向模型使测量值收敛,所述前向模型基于参数预测物理现象。
通过促进样本中体素中的参数的确定(有时称为“张量场映射”,因为体素中的参数可以由混合张量表示而不是向量场的真张量),表征技术可以减少扫描或测量时间。因此,表征技术可以通过增加处理量来显著降低表征样本的成本。此外,在样本是患者的实施例中,减少的扫描时间可以改善用户体验,例如通过减少人们在MR扫描器中的磁体孔的限制环境中花费的时间量。另外,一个或多个参数和前向模型可以促进测量的量化分析,并且因此可以提高扫描的准确性,从而减小误差并且改善人的健康和舒适感。
通常,表征技术可以使用多种测量技术,包含:MR技术、x射线成像、x射线衍射、计算机断层扫描、正电子发射分光镜检查、中子衍射、电子显微镜、超声成像、电子自旋共振、光/红外分光镜检查(例如,确定在一个或多个波长下的折射的复合指数)、在DC和/或AC频率下的电阻抗、质子束、光声和/或另一非侵入性测量技术。在随后的论述中,使用MR技术作为说明。例如,MR技术可以包含:MRI、MR分光镜检查(MRS)、磁共振谱成像(MRSI)、MR弹性成像(MRE)、MR测温(MRT)、磁场弛豫测量、扩散张量成像和/或另一MR技术(如功能性MRI、代谢成像、分子成像、血流成像等)。
明确地说,“MRI”应被理解为包含基于一种核自旋(例如质子或同位素1H)在磁场的存在下的动态响应,例如非均匀的或空间上变化的外部磁场(例如,外部磁场具有明确定义的空间梯度)生成样本中的内部结构(例如生物样本(例如,组织样本或患者)中的解剖结构)的图像(如2D切片)或图。此外,MRS应理解为包含在磁性(例如均匀的外部磁场)的存在下基于多种类型的核自旋(不同于1H或作为1H的补充)的动态响应来确定样本(例如生物样本)的化学组成或形态。
此外,“MRSI”应理解为包含在磁场(例如非均匀或空间变化的外部磁场)的存在下使用MRS生成样本中的内部结构和/或化学组成或形态的图像或图。例如,在MRSI中,除了1H之外,其它核的测量的动态响应也通常用于生成不同类型组织和患者的内部解剖结构的化学成分的图像或形态。
此外,“磁场弛豫测量”(例如在添加磁场扫掠情况下的B0弛豫测量)可以涉及在不同的磁场强度下获取MR图像。这些测量可以即时地或动态地执行(而不是在特定的磁场强度下进行测量,并且随后在读出期间循环回到标称磁场强度,即,准静态磁场强度)。例如,可以使用未调谐的RF线圈或磁力计来执行测量,使得可以在显著更短的时间内执行不同磁场强度下的测量。
此外,在随后的论述中,“MRE”应被理解为包含通过将机械波(例如剪切波)发送穿过样本、获取剪切波的传播的图像,以及处理剪切波的图像以产生样本刚度(有时称为“弹性图”)和/或机械特性(例如刚度、密度、拉伸强度等)的量化映射而使用MRI测量样本的硬度。
此外,“MRT”应理解为包含使用MRI测量样本中温度变化的图。
如下文进一步描述的,表征技术可以排除使用傅立叶变换。因此,表征技术可以与MR指纹识别(MRF)不同,MR指纹识别可以基于例如伪随机脉冲序列提供与k空间中的样本相关联的参数的量化图。相反,表征技术可以分析地求解方程组以确定描述样本的MR模型中的参数(与在k空间中执行模式匹配相反)。
相比之下,在表征技术中确定的张量场图可以与前向模型(其描述或指定的样本的状态、激发与样本的响应之间的关系)结合使用,以定量地预测样本中的体素对任意外部磁场、任意梯度和/或任意RF脉冲序列的动态MR响应。因此,张量场图可以独立于用于执行测量的特定MR扫描器。
应注意,样本可以包含有机材料或无机材料。例如,所述样本可以包含:无生命(即,非生物)样本、生物生命形式(例如人或动物,即,体内样本),或来自动物或人的组织样本(即,动物或人的一部分)。在一些实施例中,先前从动物或人体中取出组织样本。因此,组织样本可以是病理学样本(例如活检样本),其可以嵌入于福尔马林固定石蜡中。在随后的论述中,样本是人或个体,其用作说明性示例。
我们现在描述系统的实施例。虽然计算和MR软件和硬件技术创新的步伐正在加快,但今天MR扫描仍在“模拟”范例中执行和解释。明确地说,MR扫描的执行充其量限于关于个体和他们的病理的上下文或知识,并且通常是基于一组有限的由人类操作者或技术人员输入的程序。类似地,所得MR图像通常由放射科医师基于视觉解释来解读,充其量与先前MR图像进行有限比较。所公开的系统和表征技术利用计算能力来显著减少MR扫描的扫描时间,并且促进MR技术和放射学的数字革命,同时相应地影响准确性、患者结果和总体成本。
所公开的系统和表征技术利用样本的预测模型来促进样本中体素中的一个或多个物理参数的快速确定。这些参数可以包括:自旋-晶格弛豫时间T1(其为在核自旋磁化向量的分量弛豫而与外部磁场的方向平行时,与信号强度损失相关联的时间常数)、自旋-自旋弛豫时间T2(其为在垂直于外部磁场方向的核自旋磁化向量的分量弛豫期间与信号展宽相关联的时间常数)、质子密度(更一般来说,一种或多种类型的核的密度)和/或扩散(例如,扩散张量中的分量)。模型参数的确定可以同时与MR测量来执行,从而允许比较和细化的迭代过程来快速收敛(例如,在任意类型的组织中,时间标度上小于T1或T2。)此外,预测性前向模型可以用于在经受任意外部磁场(包括任意方向、量值和/或梯度)和/或任意脉冲序列时模拟来自样本的MR信号。因此,所述模型和所确定的参数可以用于促进快速和更精确的测量,诸如:软组织测量、形态学研究、化学移位测量、磁化转移测量、MRS、一种或多种类型的核的测量、奥佛豪塞(Overhauser)测量和/或功能成像。
此外,在一些实施例中,表征技术使用所谓的“广度优先索引”作为压缩感测的一种形式。明确地说,系统可以花费更多时间来扫描和建模个体的感兴趣或动态部分,并且可以避免花费时间在不快速变化的部分上。应注意,可以基于实时收集的信息和/或基于关于被扫描的个体或其他个体的历史信息来确定“感兴趣”区域。广度优先索引可以使用推理或归纳技术,例如基于各种化学物种或核类型的估计丰度(可以使用化学移位或MRS)来过度取样和/或改变体内不同区域中的体素大小。如果检测到潜在异常,则可以动态更新或修改这种呼吸优先索引中的扫描计划。
在随后的论述中,扫描计划可以包含扫描个体身体的一些或全部,以及扫描的原因或目标。例如,扫描计划可以指示个体身体的不同器官、骨骼、关节、血管、肌腱、组织、肿瘤或其它感兴趣的区域。扫描计划可以直接或间接地指定用于执行扫描的MR扫描器的扫描指令。在一些实施例中,扫描计划包含或指定一种或多种MR技术和/或一个或多个脉冲序列。或者,可以在扫描指令中包含或指定一个或多个MR技术和/或一个或多个脉冲序列。如下文进一步描述的,扫描指令可以包含个体的配准,以使得可以与对相同或另一场合的先前MR扫描进行比较。因此,在运行时,可以基于配准扫描将扫描中感兴趣的区域映射到3D空间坐标。
可以基于各种各样的信息和数据来确定扫描计划以及相关联的扫描指令(例如体素大小、一个或多个谱、一种或多种类型的核、脉冲序列等),包含:来自医师的指令、医疗实验室测试结果(例如,血液测试、尿液样本的测试、活检等)、个体的病史、个体的家族史、与先前MR扫描记录的比较、对在当前扫描中获取的MR信号的分析和/或其它输入。在一些实施例中,MR扫描计划基于风险输入,例如用于确定个体感染病理学知识库中包含的病状的风险的输入,而确定。风险输入可以包含:年龄、性别、当前身高、历史身高、当前体重、历史体重、当前血压、历史血压、病史、家族病史、个体的遗传或基因组信息(例如测序、下一代测序、RNA测序、表观遗传信息等)、个体家族的遗传或基因组信息、当前症状、先前获取的MR信号或图像、量化张量场图、医学图像、先前的血液或实验室测试、先前的微生物组分析、先前的尿液分析、先前的粪便分析、个体的温度、热成像读数、光学图像(例如,个体的眼睛、耳朵、喉、鼻等)、身体阻抗、个体的水合程度、个体饮食、先前手术、先前住院和/或额外信息(例如活检、治疗、当前服用的药物、过敏等)。
基于从初始扫描计划确定的扫描指令(例如使用针对特定风险病理的预定义或预定脉冲序列),系统可以测量和存储以供将来使用MR信号,例如与个体的3D切片相关联的MR信号。一般来说,MR测量或扫描可以获取2D或3D信息。在一些实施例中,MR测量包含个体的身体或他们的身体部分随时间推移(例如,在数周、数月、数年或更短的时间标度,例如在外科手术期间)的动画显示。
如前所述,在测量期间,系统可以执行配准扫描,其可以包含快速形态学扫描寄存器以配准、分段,并且在3D空间中对身体进行建模,以及帮助校准噪声消除技术,例如基于个体的运动的噪声消除技术。例如,所述系统可以包含光学和热传感器以及脉冲监测,以测量与其心跳和呼吸相关联的个体的运动。应注意,可以中断扫描以重新运行配准扫描,以确保个体未移位或移动。替代地或另外,在扫描期间测量的MR信号可以用于跟踪和校正个体的运动。此校正可以在扫描期间(例如,通过聚集与特定3D位置处的体素相关联的MR信号)和/或随后当对MR信号进行分析时来执行。
在一些实施例中(例如在MRI期间),系统可以确定个体身体的片段。所述分段可以至少部分地基于与在一个或多个先前扫描中确定的片段的比较。替代地或另外,测量可以包含分段扫描,其提供关于正确对被成像的个体的身体的至少一部分进行分段的分段技术的足够信息。在一些实施例中,不同类型的组织之间的分段是基于在沿着所述体素之间的方向所确定的模型参数中的至少一些的不连续变化。
接着,系统可以分析MR信号。此分析可以涉及将测量或估计的MR信号从先前扫描中的体素的3D位置重新取样和/或内插到当前扫描中的体素的3D位置。替代地或另外,分析可以涉及基于当前扫描中的个体中的体素的3D位置与相同和/或其他个体的一个或多个先前扫描中的体素的配准来对齐体素。例如,对准可以涉及执行点集配准,例如利用已知空间位置处的参考标记或先前MR扫描中的体素。配准可以使用全球或本地定位系统来确定个体相对于MR扫描器的位置的变化。
此外,先前的MR模型可以用于生成多组体素的估计MR信号。可以对一组给定体素中的估计MR信号进行平均,并且可以将若干组体素中的所得平均MR信号与在当前扫描期间测量的MR信号进行比较,以确定静态(或动态)偏移向量。例如,所述组体素中的平均MR信号(例如个体的3个、6个、12个或24个区域或部分中的平均MR信号)的位置可以与当前扫描中的所述组体素中的MR信号相关(在2D或3D中)。此偏移向量可用于在随后的比较或分析期间对准MR信号与估计MR信号。或者,可以在逐个体素的基础上进行比较而不进行平均。因此,用于个体的体素的MR信号可以与用于通过在表中执行查找而对先前场合测量的体素的对应MR信号进行比较。在一些实施例中,基于拉莫尔频率的变化和MR扫描器的磁场的预定空间磁场不均匀性或变化来计算个体的配准或偏移向量。
此外,配准技术可以涉及检测节点/体素配置中的边缘。因为在不同个体间的解剖结构的变化,将数据的小的变化变换成更广义坐标可以用于实现分析并且将结果推广到群体。通常,变换可以是一对一和可逆的,并且可以保留对识别和诊断有用的特性,例如:曲线、表面、纹理和/或其它特征。例如,特征可以被约束为微分同胚变换(例如具有平滑逆的平滑可逆变换)或经由微分同胚的测地流计算的变形度量映射。在一些实施例中,表面之间的微分同胚变换用于计算多维结构的变化(例如,随时间)。
此外,基于MR信号与模拟或估计的MR信号之间的匹配集计算的微分同胚变换的线性组合可以基于先前估计信息(例如运动、变形、解剖学变化、磁场、环境条件等)提供空间偏移校正。这些空间偏移校正可以用作监督学习配准引擎中的加权分量。例如,跟踪一组失真阶段(由常规呼吸期间肺部、心跳运动期间心脏或者收缩或扩张期间肌肉的移动引起)的一组点的一组微分同胚速度场可以施加到对应于所述区域的所述组点的身体区域(例如,心脏或肺中或周围的一组体素)。
接下来,在分析期间,系统可以基于前向模型和参数的当前值将当前MR信号与估计MR信号进行比较。应注意,可以逐个体素地执行比较。接着,系统可以基于所述比较修改或更新模型参数,使得测量值与模拟之间的差收敛(即,差的量值减小到低于阈值或预定义值,例如0.1、1或5%的误差)。
在一些实施例中,系统将MR信号的当前测量值与先前MR信号进行比较。应注意,可以使用查找表来促进比较。例如,系统可以将来自体素的测量的MR信号与查找表中的值进行比较,所述查找表基于与先前扫描相关联的模拟MR信号。以此方式,系统可以在MRS扫描中比较相邻体素之间的代谢化学特征以检测潜在异常,或者可以与作为两个或更多个体身体的组合的MR信号执行比较。
应注意,初始扫描计划可以包含使用低磁场或无磁场MR扫描(例如,仅RF)或不同于MR的测量(例如合成孔径雷达(SAR))来扫描个体身体上的铁磁或顺磁材料(例如,金属板、销、弹片、其它金属或异物)的MR扫描。替代地或另外,初始扫描可以使用电子自旋共振。在一些实施例中,可以基于已知的T1、T2和/或铁磁或顺磁材料的磁导率来识别样本中铁磁或顺磁材料的存在。此外,可以基于前向模型中的参数的系统误差来确定铁磁或顺磁材料的存在。例如,由于存在铁磁或顺磁材料引起的误差,所确定的组织类型可能是不正确的或者在解剖学上可能是不正确的(例如错误的形状)。除了识别铁磁或顺磁材料之外,基于MR测量的MR模型可以用于去除或校正MR图像中的对应伪像。因此,表征技术可以允许扫描在其身体内或身体上具有金属的患者。这可以允许患者在MR扫描期间穿上衣服。
当使用MR扫描时,对铁磁或顺磁材料的初始扫描可以提高系统的安全性。这在以下情况下可以是有用的:个体的医疗记录不包含关于异物信息,所述异物是新的或未知的(例如,保留在伤口或切除组织中的弹片片段),或在出现错误的情况下。明确地说,这种“安全扫描”可以防止对个体造成损坏或伤害,并且可以保护系统免受损坏。另外,可以在初始扫描期间估计任何铁磁或顺磁材料的大小,并且可以估计在MR扫描期间使用的安全磁场强度。相反,如果个体不含任何铁磁的顺磁材料,则在一次或多次随后MR扫描期间可以使用一个或多个更高的磁场强度。
基于比较,系统可以将体素分类为:低风险,高风险或未知风险。例如,体素可以被分类为指示:早期癌症、晚期癌症或未知阶段癌症。明确地说,所述系统可以从基于基线组织表征或模板的库中的各个体素执行MR信号的自动量化处理。以此方式,基于扫描计划的量化MR测量可以用于量化特定器官的健康(例如扫描个体的肝脏以检查癌症)、执行血液检定、检测特定组织(例如,皮肤、心脏、肝脏、肌肉、骨骼等)的已知良好和已知不良的量化签名、执行活检后分析、另一类型的评估等。
可以将所得分类(包含未知分类)提供到放射科医师(例如通过显示在显示器上的图形用户界面)。明确地说,放射科医师可以提供分类、识别反馈或验证反馈。来自放射科医师的信息可以用于更新分析(例如一个或多个监督学习模型、查找表和/或相关分类)。
当检测到潜在异常时,系统可以动态地基于所检测到的潜在异常修正或修改扫描计划(和,由此,扫描指令),以及用来确定初始扫描计划的先前提及的因素中的可能的一个或多个。例如,系统可以基于检测到的潜在异常改变体素大小、核类型、MR技术(例如从MRI切换到MRS)等。修改后的扫描计划可以包含包含或围绕检测到的潜在异常的区域。因此,可以基于检测到的潜在异常的大小来确定区域的大小。替代地或另外,可以基于潜在异常所位于的个体的身体中的位置或片段来确定修改后的扫描计划中的区域。
接下来,系统可以执行额外的MR测量,接着对其进行分析和存储以供将来使用。应注意,个体的第一或初始扫描完成后,可能会出现这种额外扫描。例如,在完成第一扫描之后,可以将修改后的扫描指令排队等待执行。或者,当检测到潜在异常时,第一扫描可以停止(即,当其仅部分完成时),并且部分MR信号可以被存储和/或提供到所述系统。在一些实施例中,系统通过向MR扫描器提供中断来停止第一扫描。接着,在完成第二次扫描或额外扫描之后,MR扫描器可以完成第一扫描,并且可以将剩余的MR信号存储和/或提供到系统。为了完成中断或停止的第一扫描,MR扫描器可以保存或存储指定当其停止时的当前位置的信息,以及扫描上下文(例如正在执行的MR测量)。当恢复第一扫描时,MR扫描器可以使用此定位和扫描上下文信息。
在完成第一和/或第二MR扫描(或任何其它相关扫描)以及相关联的分析之后,系统可以基于任何检测到的异常(以及,更一般来说,当前MR扫描和/或一个或多个先前MR扫描的结果)和/或用于确定扫描计划的任何上述因素确定用于个体的随后扫描的推荐时间。此外,系统可以基于当前MR扫描的结果和/或当前MR扫描与一个或多个先前MR扫描的比较来确定个体或另一体的未来扫描计划。此能力可以允许系统促进随时间或纵向监测一个或多个个体。此外,此方法可以允许来自甚至单个放射科医师的反馈影响一个或多个个体的未来扫描计划。
当确定扫描计划和/或分析测量值或所获取的MR信号时,系统可以访问多个个体的参数的张量场图的大数据结构或知识库(其有时被称为“生物保护库(biovault)”),这可以促进MR扫描的量化比较和分析。生物保护库可以包含:张量场图、数据结构中的个体的额外信息和/或识别符(例如个体的唯一识别符)。此外,额外信息可以包含与对个体或与个体相关联的组织样本的先前测量相关联的诊断信息或元数据,包含:重量、大小/尺寸、一个或多个光学图像、一个或多个红外图像、阻抗/水合测量与一种或多种额外MR技术、人口统计信息、家族史和/或病史相关联的数据。应注意,生物保护库可以包含有症状和/或无症状的个体的信息。(因此,个体可能不仅仅是健康或不健康。例如,特定张量场图可能在某些医疗环境中是健康的,例如对于特定的人,但在另一医疗环境中可能是不健康的。)因此,生物保护库可以用于表征健康组织以及疾病或病理。
图1呈现了说明系统100的示例的框图。此系统包含:MR扫描器110和计算机系统114。如下文参考图14进一步描述,计算机系统114可以包含:网络子系统(例如接口电路116)、处理子系统(例如处理器118)和存储子系统(例如存储器120)。在系统100的操作期间,技术人员或MR操作员可以使用样本信息读取器(SIR)122扫描或读取关于个体112的信息,以从与个体112(其在随后的论述中用作样本的说明性示例)相关联的标签中提取信息(例如识别符,其可以是唯一识别符)。例如,样本信息读取器122可以获取标签的图像,并且可以使用光学字符辨识技术来提取信息。更一般来说,应注意,样品信息读取器122可以包含:激光成像系统、光学成像系统(例如CCD或CMOS成像传感器,或光学相机)、红外成像系统、条码扫描器、RFID读取器、QR码读取器、近场通信系统和/或无线通信系统。
或者,技术人员或MR操作员可以经由与计算机系统114相关联的用户界面输入关于个体112的信息。应注意,提取和/或输入的信息可以包含:个体112的唯一识别符(例如受试者或患者识别符)、年龄、性别、正在研究的器官或组织类型、MR扫描的日期、治疗个体112或与所述个体相关联的医生或从业者、MR扫描的时间和地点、诊断(如果有的话)等。
接着,例如通过按下物理按钮或启动与计算机系统114相关联的用户界面中的虚拟图标,技术人员或MR操作员可以将个体112放置在MR扫描器110中,并且可以启动MR扫描(其可以涉及MRI、MRT、MRE、MRS、磁场弛豫测量等)和/或其它测量。应注意,相同的个体(以及更一般来说,相同的组织样本或材料)可以在相同MR扫描器或在不同MR扫描器中测量的不同数据集中具有不同的MR信号(例如不同的信号强度和/或频率)。一般来说,此种测量到测量的变化取决于许多因素,包含:MR扫描器110的特定实例、MR扫描器110的类型或型号、MR扫描器110的设置、扫描指令(例如磁场强度、磁梯度、体素大小、施加到个体112的脉冲序列、MR技术、个体112中的感兴趣区域、一个或多个体素大小和/或核或分子的类型)、MR扫描器110中的检测器,和/或一种或多种信号处理技术。例如,一种或多种信号处理技术可以包含:梯度回波成像、多切片成像、体积成像、倾斜成像、自旋回波成像、反转恢复成像、化学造影剂成像、在拍摄常规图像之前使用利用饱和脉冲的自旋回波成像的脂肪抑制成像等。
通过执行MR扫描并且基于参数的张量场图和前向模型将相关联的MR信号与模拟或估计的MR信号进行比较,在系统100中在表征技术中解决了这些挑战。所存储的信息可以指定MR扫描器110、磁场非均匀性、扫描指令等,以使得从MR信号的先前测量的参数结果可以用于生成与MR信号的当前测量值进行比较的估计MR信号。在一些实施例中,存储的信息包含一个或多个“不变MR签名”(其有时被称为“磁场不变MR签名”),其中不变MR签名独立于磁场、所使用的扫描指令(例如,磁场强度和/或脉冲序列)和MR扫描器,并且基于MR信号的先前测量指定在个体112中的3D位置处的体素对任意磁场的动态MR响应。应注意,可以通过使用前向模型(有时称为“MR模型”)和扫描指令(包含在不同磁场下执行的测量或扫描)生成的估计或估计的MR信号迭代地收敛一种或多种类型的核的MR信号来确定不变MR签名。
所述一个或多个不变MR签名可以包含关于个体112的信息,例如具有T1、T2、核密度、扩散、速度/流量、温度、偏共振频率和磁敏度的高质量量化图。此外,所述一个或多个不变MR签名可以针对测量到测量偏差(包含从一个MR扫描器到另一发生的变化)进行校正。或者,一个或多个不变MR签名可以包含校正测量到测量变化和/或允许为特定测量条件生成MR图像的版本、MR谱等的信息,例如:特定MR扫描器、MR扫描器的特定模型、扫描指令、特定的检测器等。因此,结合特定MR扫描器的特性(例如此特定MR扫描器的模型、扫描指令、检测器、特定MR扫描器的噪声特性,以及在特定MR扫描器中的磁场不均匀性),所述一个或多个不变MR签名可以用于生成或计算MR图像的版本、MR谱等,就好像它是由特定MR扫描器测量的。应注意,特定MR扫描器的噪声特性可以取决于所使用的脉冲序列。
在一些实施例中,不变MR签名包含在至少个体112的体素的MR模型中的参数。因为在MR模型中的每个体素可以包含关于某些化学签名和原子核的体积密度的多维数据,因此个体112的不变MR签名可以基于个体112的一个或多个区域的觉知。例如,在MR模型中的体素大小可以取决于个体112中的解剖位置。
此外,在从个体112收集额外MR信号时,系统100可以使用生物保险库中的信息、在个体112的初始扫描中获取的MR信号和/或一个或多个检测到的潜在异常来进一步优化扫描计划,并且因此进一步优化扫描指令(并且更一般来说,在MR测量期间的条件)。例如,关于个体112的提取和/或输入信息以及基于唯一识别符(例如基于唯一识别符链接或查询的医疗记录或病史)访问的存储器120中的额外存储信息可以由计算机系统114用于更新扫描指令(例如不同的脉冲序列和/或不同的磁场强度,例如,一定范围的磁场强度,包含0T、6.5mT、1.5T、3T、4.7T、9.4T和/或15T,MR技术,个体112中的感兴趣区域,体素大小和/或核类型)、其它要执行的测量,以及更一般来说,扫描或分析计划。一般来说,扫描指令可以指定多于单个磁场强度值。例如,扫描指令可以提供或指定描述磁场将如何随时间和空间变化的函数,或者指定可以用于确定个体112的不变MR签名的“表面”的多个函数。如下文参考图2进一步描述,在一些实施例中,磁场被物理地和/或虚拟地操纵以实现指定的表面。明确地说,磁场可依据时间变化而旋转,或在具有生成磁场的物理地分开的环形磁体的实施例中,可通过以下操作来改变磁场:改变环形磁体之间的物理距离,改变一个环形磁体相对于另一环形磁体的定向,沿着z轴移动环形磁体,等等。此外,在使用MR扫描器110测量MR信号的同时,用于使个体112中的核极化的外部磁场量值和/或方向的变化可能发生。
此外,如下文进一步描述的,应注意,其它测量可以包含:阻抗测量、光学成像、个体112的尺寸的扫描、称重个体112和/或可以包含在表征技术中的其它测试。例如,MR扫描器110中的凝胶覆盖的台可以用于测量个体112的阻抗和/或个体112的体重。在一些实施例中,其它测量非破坏性地(例如,使用电磁或机械波)探测个体112。然而,在其它实施例中,表征技术包含整合治疗,例如:质子束疗法、放射疗法、磁导纳米粒子等。
此外,MR扫描器110的预定表征可以用于确定扫描指令。或者,如果MR扫描器110尚未表征,则系统100可以在计算模拟或估计MR信号或确定不变MR签名之前表征并存储MR扫描器110的特性,以使得MR扫描器110的特性可以在表征技术期间使用,以便确定扫描指令。例如,在操作期间,计算机系统114可以基于体模的扫描来表征MR扫描器110。
注意,MR扫描器110的预定表征可以包含MR扫描器110的磁场的不均匀性的映射或确定(因为磁场非均匀性可能取决于磁场强度,测量可以在不同的磁场强度下执行)。预定表征还可以包含环境、地理和/或其它参数。例如,由系统100中的脉冲生成器生成的RF脉冲可在一个MR扫描器与另一MR扫描器之间变化,且可依据时间变化而变化,这是因为组件的性能可取决于例如以下的参数:负载负荷、温度、MR线圈配置、放大器、湿度、磁暴和/或地理位置。因此,除了MR信号之外,还可以测量RF脉冲(和/或RF脉冲中的不均匀性),例如,在MR扫描器110中的RF脉冲生成器与RF(发射)线圈之间使用信号分离器。在一些实施例中,使用测试线圈来测量由RF线圈产生的磁场。应注意,因为特定脉冲序列可以对应于特定的体素大小,因此在表征MR扫描器110和/或确定所述扫描指令时,可以使用对应于不同体素大小的不同脉冲序列。
如下文参考图3到5和12到14进一步描述,与MR扫描器110相关联的测量和记录信号可以用于使用布洛赫(Bloch)方程、完全刘维尔(Liouvillian)计算或其它模拟技术生成MR扫描器110的MR模型,其准确地预测MR信号演变或对在一定范围参数(T1、T2、质子密度、非共振、环境、位置、温度、脉冲序列等)内具有已知特性的体模的响应。以此方式,MR模型可以表征MR扫描器110。
可以使用MR扫描器110的预定表征将通用不变MR签名变换成与例如MR扫描器110的特定MR扫描器相关联的机器特定不变MR签名。结合磁场和脉冲序列,特定机器不变MR签名可以用来在在特定MR扫描器的任意MR扫描期间预测或计算模拟MR信号。类似地,不同MR扫描器的预定表征可以用于从一个特定的机器不变MR签名转换成另一种。
在一些实施例中,MR扫描器110的预定表征描述包含从在MR扫描器110内或与之相关联的电子装置测得的环境噪声。在随后MR扫描或模拟期间,数字滤波器可使用测得的噪声(或描述测得噪声的统计参数)来改善测得的MR信号和/或计算出的MR模型的质量。此外,各种测量可以与外部参考时钟或生物时间段(例如呼吸周期、心跳周期、身体运动的基本周期等)同步,以实现随后的同步平均或额外信号处理。
此外,在表征技术期间,计算机系统114可以基于经由网络130接收的扫描指令的实例,使用MR扫描器110对个体112中的不同材料(例如不同类型的核)重复执行MR扫描。应注意,可以伪随机地获取不同材料的MR扫描。例如,可以基于由计算机系统114中的电路或软件实现的随机或伪随机数生成器提供的随机或伪随机数来选择个体112中的特定材料的MR扫描。在一些实施例中,可以基于引导潜在异常搜索的贝叶斯统计方法来选择个体112中的特定材料的MR扫描。
或者,可以针对扫描指令的每个实例系统地扫描个体112中的不同材料。
此外,在特定MR扫描期间获取或捕获的MR信号可以用于修改或调整个体112中的体素的MR模型。例如,如前所述并且如下文参考图3到5和12到14进一步描述,计算机系统114可以基于与一个或多个MR扫描中的体素相关联的MR信号与模拟或估计MR信号(可以使用MR模型、扫描指令的实例和任选的MR扫描器110的特性生成)之间的差(或差向量)来确定MR模型(例如MR模型中的参数)。应注意,差向量可以基于先验计算出的信息进行加权以减小误差,以例如获得最小差向量或在一组加权模拟MR信号(可以预先计算)上测量的最小差向量。在一些实施例中,差向量是使用一个或多个MR信号的点积或内积以及模拟或估计MR信号(其各自与共同磁场强度相关联或校正到共同磁场强度)、一个或多个MR信号与估计MR信号之间的余弦类似性、频谱分析和/或另一比较技术来确定。
接着,基于剩余的差(或剩余的差向量)和/或一个或多个检测到的潜在异常,可以修改扫描指令,即,可以确定扫描指令的新实例(包含将施加到个体112的一个或多个磁场强度和一个或多个脉冲序列、MR技术、个体112中的感兴趣区域、体素大小和/或核类型)。在一些实施例中,选择扫描指令(例如外部磁场和/或RF脉冲序列的改变)以最小化或减少剩余差。以此方式,确定MR模型的过程可以快速或最佳地收敛。
可以迭代地重复这些操作,直到实现收敛标准。例如,收敛标准可以包含:MR信号与模拟MR信号之间的差小于预定义值(例如0.1、1、3、5或10%),和/或扫描指令的改变小于预定义值。此外,收敛标准可以包含完成扫描计划。
系统100的这些能力可以允许在一段时间间隔之后或者在个体上周期性地执行扫描,使得生物保护库可以收集关于个体(以及其他个体)身体和健康的信息和知识。这些信息和知识可以根据个体的需求使用定制或目标扫描计划,例如基于身体随时间的变化。
我们现在进一步更详细地描述表征技术中的操作。图2呈现了MR扫描器110的示例的框图。此MR扫描器可以包含磁体210、磁屏蔽件212、生物生命形式保持器(BLH)214、生物生命形式保持器咬合架(BLHA)216、磁梯度脉冲生成器(MGPG)218、磁梯度放大器(MGA)220、磁梯度线圈222、RF脉冲生成器(RFPG)226、RF源(RFS)224、RF放大器(RFA)228、RF线圈230、RF接收放大器(RFRA)232、RF检测器(RFD)234、数字转换器236(例如模/数转换器)、环境调节器242和接口电路244。(应注意,图2中未示出与环境调节器242和接口电路244的机械和电气连接)。这些组件中的至少一些可以经由接口电路244、网络130(图1)和接口电路116(图1)联接到计算机系统114,所述计算机系统可以控制MR扫描器110的操作。以下简要描述MR扫描器110中的组件。
应注意,MR扫描器110可以是闭孔或开孔系统。明确地说,磁体210(在图2中由磁体210-1和210-2的部分以横截面图说明)可以是闭孔或开孔。例如,磁体210的孔径238可以在1到10cm之间或在5到30cm之间。开孔系统可以使用由间隙分开的两个板生成磁场,并且个体112可以暴露于板之间的磁场(并且个体112中的核可以被极化)。或者,闭孔系统可以具有环形磁体210,个体112可以移动通过环形中心的孔(因此,使用强场或高场来使个体112中的核极化)。而且,磁体210的定向可以是水平的(有时称为“水平孔”),使得个体112水平移动通过磁场,但也可以竖直定向。一般来说,MR扫描器110可以在各种位置扫描个体112,包含以不同的角度、定向和视角(例如,通过调整生物生命形式保持器咬合架216)。(因此,在对个体或动物进行MR扫描时,MR扫描器110可以允许在个体站立、坐着、平躺、悬浮、放置在负载下(例如,所需要的位置或姿势适用于运动或举重技术)、侧躺或甚至运动,例如在跑步机上行走或在空中跳跃)的同时进行测量。应注意,具有较小孔径238的实施例可以允许MR扫描器110是便携式的。尽管图2说明了具有磁体210的MR扫描器110,但应注意,在一些实施例中,MR扫描器110可以排除磁体210。这可以通过表征技术来促进,如下文进一步描述的,所述表征技术可以允许使用非常低和/或不均匀的磁场来确定MR模型中的参数。
取决于不同的MR技术,磁体210的磁场强度B0可能是低场(例如,峰值磁场强度小于0.1T,例如磁场强度低至0.001T或甚至0T的电磁体)、强场(例如,峰值磁场强度大约为0.5T的铁磁体)或高场(例如,峰值磁场强度大于约0.5T的超导磁体)。一般来说,可以使用广泛多种磁体和磁配。在具有超导体的实施例中,可使用低温流体来冷却磁体210,所述低温流体例如液态氦或填充有液氮或被冷冻的周围杜瓦瓶中的液态氦。然而,在其它实施例中,磁体210在室温或接近室温下操作。此外,磁体210可以是模块化的,例如一组超导环,每个超导环具有0.5T的峰值磁场强度并且可以被添加、移除或移动以产生不同的磁场量值和配置。
磁体210可以产生可物理地和/或虚拟地(经由梯度场和/或脉冲序列)改变的磁场。此能力可以允许主要外部磁场缓慢旋转,使得可在低磁场强度下执行MRS。这种额外的自由度可以提供更多方式来扰动个体112中的磁矩以获得可以降低不变MR特征和/或MR模型计算的复杂性的信息。应注意,移动或改变磁体210的定向可能涉及:作为扫描计划的一部分,将成对的环形磁体在z轴上移动更近或更远;相对于被索引的空间体积旋转磁铁210;改变磁体210相对于被索引体积的z轴的定向/对准等。此外,“物理上”可以指磁体210的物理移动,而“虚拟地”可以指示梯度场和/或脉冲序列(例如所谓的“自旋锁定技术”用于实现相同的结果,而无需物理地改变磁体210的定向。一般来说,这些技术可独立于彼此使用,或所述技术中的两种或多于两种可彼此结合使用。
磁体210还可以用于(有意地)动态地变化磁场不均匀性。例如,通过使匀场线圈物理地旋转和/或通过施加特定脉冲序列,可修改磁场不均匀性。此外,通过在不同空间点处引入特定种类的磁场不均匀性,MR扫描器110可区分极为接近的某些种类的组织。
磁屏蔽件212可以包含钢板或硅钢金属片。此磁屏蔽件可放置成完全围绕房间,从而完全覆盖墙壁、地板和天花板,以便使房间外部的磁场强度衰减到低于5高斯(或0.5mT)。此外,可以使用特殊的门和门框密封件来进一步减少“泄漏”到房间外的磁场。此外,磁体210可以包含屏蔽件(例如具有与主超导绕组相反的电流的第二组超导绕组),以减小边缘磁场。例如,磁场强度在离磁体210四米的距离处可以是0.5mT。此配置可以减少磁屏蔽件212的量或者可以完全消除对磁屏蔽件212的需要。
在一些实施例中,磁屏蔽件212可以提供腔室240(由磁屏蔽件212的表面限定),并且所述腔室可以任选地被密封,使得被测量的个体112或组织样本的至少一部分低于大气压力(即,真空腔室),或可以含有惰性气体(例如氙气),其可以被预极化以提高MR成像质量。(更一般来说,可使用固体、液体或气体造影剂来改善MR成像质量。)明确地说,可使用环境调节器242来降低腔室240中的压力,所述环境调节器例如受计算机系统114控制的气阀和真空泵。或者,环境调节器242可包含选择性地允许(在计算机系统114控制下)惰性气体流入腔室240中的气阀和储气罐。然而,在其它实施例中,腔室240由生物生命形式保持器214的表面限定或由其提供。
应注意,磁梯度脉冲生成器218可以提供梯度脉冲。这些梯度脉冲可以通过磁梯度放大器220放大到适合于驱动磁梯度线圈222的电平。应注意,磁梯度脉冲生成器218和磁梯度放大器220可以由计算机系统114经由接口电路116(图1)、网络130(图1)和接口电路244控制。例如,计算机系统114可以指定由磁场梯度脉冲生成器218提供的磁脉冲的类型和形状,并且可以指定磁场梯度放大器220的放大或增益。
此外,磁梯度线圈222可以沿着x、y和z轴(在右手笛卡尔坐标系中)产生梯度磁场的形状和幅度。磁梯度线圈222通常在室温下操作,并且可以在磁场B0中产生空间梯度。例如,在水平孔系统中,磁场B0中沿着z轴或方向(即,平行于磁体210的孔的对称轴)的梯度可以使用抗亥姆霍兹线圈来实现,每个线圈中的电流加到磁场B0或从其减去以实现梯度。此外,可使用具有“图8”形状的一对线圈(其沿着其相应的轴形成梯度)来生成或形成沿着x轴和y轴的梯度。
在一些实施例中,磁梯度线圈222具有100mT/m的梯度并且具有150T/m/s的快速切换时间(或转换速率),在3D成像中,这可以使切片厚度为0.7mm并且体素分辨率为0.1mm。然而,通过使用高频率(例如大约100kHz以上的频率),可以使用高于当前US转换速率限制200T/m/s的转换速率。如果磁体210产生更大的磁场强度(例如7T),则可以实现60μm的等距体素分辨率。
此外,RF脉冲生成器226可以基于由RF源224输出的载波(例如,具有基于目标核类型和磁场强度B0的所需基频的正弦波或RF脉冲)和RF放大器228来生成RF脉冲,可以增加RF脉冲的功率到足够强以驱动RF线圈230(例如,从毫瓦增加功率到千瓦)。RF线圈230可以产生磁场B1,所述磁场基于脉冲序列旋转个体112中的核类型的净磁化。应注意,RF脉冲生成器226、RF源224和RF放大器228可以由计算机系统114经由接口电路116(图1)、网络130(图1)和接口电路244控制。例如,计算机系统114可指定由RF脉冲生成器226输出的脉冲的类型或形状、由RF源224提供的载波频率或脉冲的频率和/或RF放大器228的放大或增益。
在一些实施例中,RF脉冲生成器226将载波或RF脉冲整形为变迹的正弦脉冲,这可以使可能不利地影响测量和/或随后信号处理的不连续性变平滑。变迹正弦脉冲可激励原子核的自旋状态,并且这些激发自旋状态可衰变并释放在获取期间捕获的RF能量的脉冲。一般来说,在表征技术期间可使用广泛多种脉冲序列。例如,脉冲序列可包含例如以下的MR技术或可与其相关联:涡轮场回波(TFE)、快速场回波(FFE)、磁敏度加权成像(SWE)、短时反转恢复(STIR)或短T1反转恢复(用于脂肪组织的一种类型的抑制技术,其中反转时间TI等于T1·ln(2),使得脂肪的MR信号为零),快速自旋回波(TSE)、快速低角度激发或FLASH(一种类型的自旋回波序列,其中较大顶端角度提供较多T1加权的图像,且较小顶端角度提供较多T2加权的图像)、体积内插脑部检查(VIBE)、磁脉冲快速梯度回波(MP RAGE)、流体衰减反转恢复(FLAIR)、例如敏感度编码(SENSE)的并行成像技术,或另一脉冲序列。应注意,SENSE可能涉及:生成线圈敏感度映图,获取部分k空间MR数据,重建来自RF线圈230中的每一个的部分视野图像,以及使用矩阵反转来组合所述部分视野图像。此外,脉冲序列可以包含第二代和第三代并行成像技术或可与其相关联,所述第二代和第三代并行成像技术例如GRAPPA、Auto-Smash或VD-SMASH,所述技术是使用k空间欠取样来加速MRI脉冲序列的成像技术,并且获取额外的线提供了一种形式的校准,这是因为可根据测量来确定横越RF线圈230的MR信号的系数。然而,如下文参考图3到5进一步描述,在一些实施例中,表征技术促进直接时域测量,例如激发自旋状态的自由感应衰减的测量,以及不使用k空间技术或使用傅立叶变换的MR信号分析。因此,可以相应地选择脉冲序列。此外,可以独立于硬件或MR扫描器设计或选择脉冲序列。例如,可以设计或选择脉冲序列以消除噪声并放大感兴趣的特定参数(有时称为“量子泵浦”)。(可以在NMR或MRI中使用这些脉冲序列从而以与机器无关的方式量化某些参数)。应注意,MR扫描器可能无法调谐到特定的电磁频率。相反,接收器可能具有宽的带宽,其在给定的磁场强度下覆盖不同类型的核的共振频率。
因此,一般来说,脉冲序列可以包含:现有脉冲序列(当可以获得MR扫描器的特性的精确测量和模拟,以便可以确定不变MR签名或MR模型时);伪随机脉冲序列(也可能涉及噪声的精确测量和模拟,但伪随机特性可能有助于在空间中的每个点创建更独特的布洛赫轨迹);和/或量子泵浦(其可以至少部分地抵消MR扫描器相关联的噪声,因此可以简化或降低用于确定不变MR签名或MR模型的模拟的所需准确度)。
RF线圈230还可以检测其在xy平面中进动时的横向磁化。通常,RF线圈230中的给定一个可以仅发送、仅接收或者可以发送和接收RF信号。此外,RF线圈230可以定向成使得磁场B1垂直于磁场B0。此外,RF线圈230可被调谐到拉莫尔频率(例如,一种类型的核的共振频率在磁场B0被成像或测量)中,例如通过调整电容器或电感器或改变其电容或电感(例如通过使用匹配和调谐电容器)。应注意,RF线圈230可以包含:Alderman-Grant线圈、鸟笼(可以用于体积测量)、蝶形线圈、圆顶共振器、梯度计、可植入线圈、内向外/斯伦贝谢(Schlumberger)线圈、血管内线圈、梯形线圈、利兹(Litz)线圈、环缝共振器线圈、环形线圈、曲折线圈、鼠标线圈、多匝螺线管线圈、相控阵列线圈、相控阵列体积线圈、带状线圈、鞍形线圈、涡旋线圈、单匝电磁线圈(可以用于极限测量)、螺旋线圈、表面线圈(可以用于接收身体或体积信号,因为它们对于与线圈相邻的组织和样本具有良好的信噪比)、多核表面线圈、扩散张量成像表面线圈、超导线圈、发射线线圈、截头螺旋线圈、3轴线圈和/或宽带RF线圈(可以用于同时激发多个谱)。应注意,额外密度的线圈可以设计成专注于特别感兴趣的地区,例如:脑、腹部、胸部、生殖器官、脊柱、关节(例如,颈、肩、膝盖、肘部、手腕等)、手或脚。此外,RF线圈230中的一个或多个可以是全身线圈,其被设计为捕获全身。
在一些实施例中,RF线圈230中的一个或多个包含热成像传感器,其可以包含前视红外(FLIR)传感器。(这可以允许热成像和例如乳房组织的MRI。)应注意,MR扫描器200中的一个或多个传感器(例如一个或多个RF线圈230)可以被模块化地附接(例如,以同心壳扣合在一起、叠加扣合、以互锁接口组装等)并且可以通过无线或有线通信彼此通信。
此外,RF线圈230中的一个或多个可以包含在类似于足球垫或盔甲套装的形状配合弹性织物中,并且可以基于个体112的大小来调节大小。额外的RF线圈可以包含在帽子、头盔、长袖衬衫、裤子、手套、袜子、暖腿袜、紧身衣、夹克、背心、马裤和/或其它衣物中。例如,配备有测量的套装可以包含由个体112佩戴的柔软的可穿戴的RF线圈组,接着个体112也可以被包围在更刚性的套装中,例如蛤壳式设计。应注意,柔软的可穿戴衣服套装可以具有一个或多个集成的超声波生成器,其附接到身体的一些或所有部分和/或集成的心电图传感器,并且较硬的外壳可以包含集成的光学和热传感器。在一些实施例中,头部线圈包含:镜子、棱镜、光纤线缆、全息显示器、视网膜投影仪、投影屏幕、立体投影屏幕和/或用于呈现视觉信息的其它类型的显示器。
此外,在一些实施例中,可以由执行扫描计划的计算机系统114上的软件控制的表面线圈允许某些模态或MR技术随着个体112的分析的进展而实时打开和关闭(例如在第二次MR扫描期间,响应于检测到潜在异常,有时称为“向下钻取”协议扫描)。例如,此方法可以允许在异常上执行MRE,或者获取个体112或周围区域的热图像。因此,如果在个体胸部中检测到潜在异常,则系统可以决定在潜在异常和/或周围区域的MRE期间通过其胸部发送超声波。在这些实施例中,RF线圈230可以构造成包含多个传感器和数据收集装置,以促进专门的异常检测。因此,RF线圈230可以被优化用于以下数据的并行收集:MRT、MRS、MRE、两个或更多个核的多核成像(例如1H、23Na、31P、13C、19F、39K、43Ca等)、扩散张量成像、N通道扫描、磁场弛豫测量等。
在一些实施例中,MR扫描器110包含除RF线圈230之外或代替RF线圈的非感应传感技术,例如磁力计、超导量子干涉装置(SQUID)、光电子装置等。应注意,非电感式传感器可实现由磁体210生成的磁场的扫掠,而不需要将RF线圈230调谐成对应于磁场强度的不同频率。
由RF线圈230接收的RF信号可以由RF接收放大器232放大并且使用RF检测器234来检测。明确地说,RF检测器234可以捕获或解调RF信号到基带。例如,RF检测器234可测量呈最简单形式的MR信号,例如激发自旋状态的无电感衰变,但有可能接收许多较复杂的脉冲序列。计算机系统114可以经由接口电路116(图1)、网络130(图1)和接口电路244控制RF检测器234。例如,计算机系统114可以指定要捕获哪些MR(或RF)信号。
应注意,RF检测器234可以是线性模拟检测器、正交模拟检测器或外差接收器。线性模拟检测器可以捕捉沿着坐标空间中的一个向量(例如,沿着x或y轴的磁化)的MR信号,而正交模拟检测器可以同时捕获沿着坐标空间中的两个向量(例如,沿着x和y轴的磁化)的MR信号。在一些实施例中,线性模拟检测器包含双平衡混频器,且正交模拟检测器包含一对双平衡混频器、一对滤波器、一对放大器和90°移相器。
此外,此外,数字转换器236可使RF检测器234所接收的MR信号数字化。例如,数字转换器236可以使用1MHz的取样频率。虽然这样可以对MR信号进行过取样,但可以使用数字滤波(例如通过频域中的带通滤波器倍增来使用的滤波,或使用时域中的辛格函数的卷积)来捕获所要频率并去除较高频率信号。在过程中,待由计算机系统114处理和存储的数据量可减小到更易管理的程度。然而,一般来说,可使用比奈奎斯特频率大两倍的多种取样频率。例如,每个MR信号可以有多达1000个样本,从而可以实现至少500Hz的频率分辨率。计算机系统114可以经由接口电路116(图1)、网络130(图1)和接口电路244控制数字转换器236。明确地说,计算机系统114可以指定数字转换器236使用的取样率和/或滤波器设置。
在数字化之后,计算机系统114(图1)可以执行各种数字信号处理(例如滤波、图像处理等)、噪声消除和变换技术(例如离散傅立叶变换、Z变换、离散余弦变换,数据压缩等)。一般来说,可以在时域和/或频域中指定MR信号。因此,在一些实施例中,MR信号表示在k空间中。然而,如前所述,在一些实施例中,表征技术促进在不使用傅立叶变换的情况下分析MR信号。
在一个实施例中,在线圈组内或恰好在线圈组之外使来自RF线圈230的读数数字化,并将所述读数无线地发射到计算机系统114以避免杂乱的电缆缠结,并且不会在感兴趣频率中产生相当大的RF噪声。例如,数据可以按比个体112中的目标核的拉莫尔频率更低或更高的频率发送到计算机系统114,这可以允许数据被滤波以排除噪声伪像。此外,在一些实施例中,RF线圈230被调谐以接收一个或多个频率。例如,取决于所需的频谱,可以使用宽带接收器线圈,或者可以使用基于软件或硬件的调谐器来自动调谐RF检测器234中的至少一个以从所需的核或分子接收一个或多个频率。(然而,如前所述,在其它实施例中,使用未调谐的接收器,例如磁力计。)另外,在使用并行成像技术的实施例中,个体112上的表面线圈的不同部分并行操作以并行地或同时捕获不同的谱。
应注意,生物生命形式保持器214可支撑个体112,同时个体112移动通过磁场并由MR扫描器110测量。此外,如前所述,生物生命形式保持器咬合架216可以根据需要铰接或移动生物生命形式保持器214,以使个体112相对于由磁体210和磁梯度线圈222生成的磁场定位。明确地说,生物生命形式保持器咬合架216可以在2D或3D中旋转个体112,同时由MR扫描器110基于经由接口电路116(图1)、网络130(图1)和接口电路244从计算机系统114接收的指令测量个体112)。此外,如前所述,生物生命形式保持器214可以封闭在腔室240中,或者可以是封闭腔室,包含密封腔室,所述密封腔室可以使用真空泵抽空至减压或者充满惰性气体。在一些实施例中,因为环境条件可以对个体112产生影响,所以生物生命形式保持器214包含测量例如室内、含有生物生命形式保持器214的腔室240内或者生物生命形式214内的温度、湿度、压力、另一种环境条件等的传感器。
在一些实施例中,生物生命形式保持器214包含管(或容器),并且生物生命形式保持器咬合架216包含一个或多个空气喷口。这些空气喷口可以用于操纵个体112的位置。例如,管可以由玻璃(例如光学透明或透明玻璃)、特氟隆(其在其它电磁辐射频率下可以是透明的)或其它合适的材料制成。此外,管可以在其外表面上包含特征(例如纹理、翅片或其它特征),其使得能够使用到马达或机械臂的夹持或互锁接口将个体112铰接或操纵到不同位置,从而允许系统100(图1)在索引或样本测量过程期间重新定向个体112。
此外,管可以插入到多轴磁体中,例如由田纳西州橡树岭(Oak Ridge,Tennessee)的Cryomagnetics公司提供的多轴磁体。接着,系统100(图1)可以从多个方向、角度、视角和对准探测或测量个体112,而不需要围绕孔236的多个传感器。例如,可以旋转个体112,并且单个相机、CCD或CMOS传感器可以捕获个体112的多个照片,从而可以捕获个体112中的一些或全部的图像,从而降低系统100的成本和复杂性,并且提高可靠性。此外,管可以提供处于真空下的腔室或者填充有惰性预极化气体以提高分辨率。在一些实施例中,使用低成本和便携式芯片级装置(例如微流体芯片)来产生极化或磁化气体,从而可以检测到微弱的MR信号。例如,如前所述,偏振氙气可以用作造影剂以增强例如人的肺部的MRI中的图像。极化氙原子可以通过与用圆偏振光照射的铷原子碰撞而在芯片中产生。接着,极化的氙气可以流出芯片,并且可以被引导到管或腔室240中。
虽然未在图2中示出,但在一些实施例中,MR扫描器110包含看门狗或监测MR扫描器110的另一种自动故障保护措施。例如,看门狗或自动故障保护措施可以使用热成像监测个体112的特定吸收率。如果检测到特定吸收的高水平或危险水平(例如可能被察觉或可能引起疼痛或伤害的水平),则计算机系统114(图1)经由接口电路116(图1)、网络130(图1)和接口电路244,可以控制脉冲序列以减慢或中断当前MR扫描。
返回参考图1,计算机系统114可以指示一个或多个任选的测量装置124以执行个体112的其它测量,以获得指定个体112的测得的物理特性的物理特性信息,其可以用于确定个体112的诊断分类和/或可以包含在与个体112相关联的元数据中。例如,一个或多个任选测量装置124可以包含:确定个体112的体重的医疗级量表;测量装置,其测量个体112的一个或多个维度(例如:激光成像系统、光学成像系统、红外成像系统和/或分光镜检查系统);可以选择性地照射个体112的光源和能够在一个或多个视角、方向或照明条件下获取或测量个体112的一个或多个光学图像的照相机显微镜;以及/或生物电阻抗分析仪,其以DC或AC频率执行个体112的阻抗的多导联测量(并且其可以对应于个体112的水合,因此可以用于确定或计算个体112的水合作用)。或者,可以直接测量可能影响个体112的水合或水合水平,并因此影响不变MR签名或MR模型。在一些实施例中,对个体112的其它测量包含:细胞学、基因测序(例如对基因组中的一些或所有DNA进行测序、RNA测序或转录组学、基因表达等)、蛋白质分析或蛋白质组学(例如,使用质谱法、代谢组学、液相色谱法和/或NMR)、后生测序、脂质组学、微生物组学(microbiomics)、放射组学(radiomics)、细胞组学(cytomics)、抗原组学(toxomics)(即,对个体112中的非生物化合物的测量)、电子测量(如心电图、肌电图、脑电图等)、运动检测(例如身体运动)、加速度、一个或多个生命体征、计算机断层扫描、电子自旋共振(可用于测量自由基)、x射线成像、超声成像(例如,超声波)、光声成像、红外成像或近红外分光镜检查,其它非破坏性测量(例如雷达或毫米波扫描)、个体的活动或行为数据(例如使用可穿戴电子装置的数据捕获)、由个体112中的纳米颗粒执行的测量、非破坏性地或通过抽取血液样本(例如,使用微流体)在个体112中的任意位置处测量的流体(例如血液)的化学成分、另一量化或定性特性或个体112的特性,等。或者,计算机系统114可以基于个体112的唯一识别符访问存储在远程数据结构(例如,生物保护库)中的这些其它测量中的一些或全部的数据。
应注意,个体112的体重和尺寸可用于计算且密度。此外,一个或多个任选的测量装置124可以获取用于检查的个别细胞和病理识别的图像。此外,如果对个体112进行称重,则医疗级量表可以提供关于个体112的化学成分和水合水平的信息。可以在MR扫描(或其它成像操作)之前和/或之后测量体重。在一些实施例中,在电磁波谱的不同部分中测量个体112可以允许校正可能未在光学或红外扫描中显示但在某些无线电扫描中可能出现的磁敏度伪像。
在一些实施例中,系统100包含任选的波生成器126,其由计算机系统114经由接口电路116控制。此任选波生成器可以生成超声波(并且更一般来说,机械波),其在MRE期间施加到个体112以测量个体112的刚度。例如,任选的生成器126可以在MR扫描器110的孔236(图2)的一端或两端生成波,或者可以使用波导在MR扫描器110的孔236(图2)的两端之一处引导波,使得个体112接收超声波。在一些实施例中,超声波包含剪切波。MR扫描器110可以通过个体112获取剪切波传播的量化MR信号,并且可以处理剪切波的图像以产生组织刚度的量化映射。
(如果代替个体,组织样本嵌入于福尔马林固定石蜡中,则在确定不变MR签名之后,计算机系统114可以转换所确定的不变MR签名,使得其近似于体内组织,即,没有福尔马林或石蜡。例如,在逐个体素的基础上,计算机系统114可以从所确定的不变MR签名中减去福尔马林或石蜡的预定义或预定的不变MR签名,以生成估计的不变MR签名。或者,计算机系统114可以在逐个体素的基础上校正福尔马林或石蜡的MR模型中的参数,以生成估计的不变MR特征。在一些实施例中,使用部分体积技术来减去组织样本边界处的石蜡或蜡的贡献或作用。明确地说,计算机系统114可以确定给定体素的多少百分比是石蜡,并且可以去除或减去所述不变MR签名或用于计算不变MR签名的MR信号的加权部分。)
此外,计算机系统114可以存储原始数据(例如来自生物样本或生命形式的MR信号,所应用的非理想脉冲序列和测量的噪声),不变MR签名,MR模型和/或生物保存中的其它测量,例如在存储器120中(其可以在本地和/或远程定位,例如在基于云的存档装置中)。一般来说,存储在生物保护库中的所测量信息可以足够包围,以允许基于扫描指令(例如,使用训练引擎128)训练MR模型,并且因此,确定不变MR签名或MR模型。应注意,训练引擎128可以训练或生成MR模型,并且可以不:需要先前的训练或信息以便量化组织参数或自动分段组织/结构;以及/或依赖于非确定性、统计或模式匹配技术。通常,训练引擎128可以使用表示物理学的方程(前向模型)并且可以确定参数以将样本中的一个或多个体积的动态响应建模为施加到所提供的样本的任意激发,只要物理方面在样本测量过程中没有变化即可。因此,所存储的信息可以包含不同的输出信号在测量管线的不同点(例如,放大器之前、放大器之后等)处的不同输出信号、环境条件、地理位置等。所存储的信息可以促进精确的模拟MR扫描和个体112,例如,通过训练MR模型。
所存储的信息可以包含由计算机系统114生成的唯一识别符或新的唯一识别符或可以与之相关联,所述新的唯一识别符便于随后的识别以及搜索或查询生物保护库。因此,如果个体112随后在稍后时间重新测量,则计算机系统114可以存储结果或差分结果(例如不变MR签名的任何变化),使得从上次测量以来的变化也可以用于搜索。此外,所存储的信息可以包含关于在测量个体112时的时间、位置和/或系统参数(例如指定或识别MR扫描器110的信息)的信息。应注意,存储的信息可以被加密。例如,可以使用基于与唯一识别符相关联的加密密钥的对称或非对称加密。
在一些实施例中,计算机系统114任选地将个体112的不变MR签名或MR模型与一个或多个其它不变MR签名或MR模型进行比较,这些MR签名或MR模型可能先前已针对个体112或另一体确定。(或者,计算机系统114可以任选地将测量的MR信号或基于所确定的不变MR签名或MR模型计算的MR信号与一个或多个预定MR信号进行比较。)基于所述比较,计算机系统114可以任选地确定个体112的分类(例如诊断),其可以与唯一识别符一起存储在生物保护库中或与唯一识别符相关联。应注意,确定或选择的分类可以是具有最低分类误差机会或最低匹配误差的分类。此外,如果存在具有类似的估计分类误差的多个潜在或候选分类(例如,基于预定的监督学习模型),则给定体素的分类可以基于先验信息来确定,例如附近的体素的分类或这些相邻分类的组合(例如线性组合),这可能有助于降低给定体素的分类误差。
随着时间的推移跟踪标签或分类和结果的能力可以允许系统使用不变MR签名或MR模型并且查找已知的信息,例如:发现的频率、在哪些器官中、标记为坏还是好、在哪种情况下标记为坏或好等。以此方式,关于MR模型的不变MR签名的元数据可能随着时间的推移而变得更加丰富。例如,可以每六个月对个体(或来自个体的组织样本)编制索引。如果在这些索引操作中的一个期间发生癌症,则所述不变MR签名或MR模型可以被标记为“坏”。但是,在个体112的同一区域中,历史MR签名或MR模型的分类又如何呢?癌症诊断是否可能使它们成为癌前病变?所述系统可以基于多个MR扫描找到足够的证据证明早期的MR签名或MR模型是癌症的早期指标,并且有路径来证明MR签名或MR模型空间是此病理随时间推移而演变的特点。因此,生物保护库可以允许这种纵向和交叉个体分析来识别这样的路径,这些路径可以用于随后的分类和诊断,例如,检测一个或多个潜在异常(例如肿瘤)。
此外,通过纵向比较特定个体和/或生物保护库内的个体,系统可能能够解决问题并且帮助识别病理而无需使用确定性机器学习或监督学习模型。例如,即使生物保护库不包含或不具有关于外物的先前知识,所述系统也能够区别地识别嵌入在个体112中的异物(例如螺钉、销、关节置换物等)的存在。明确地说,可以基于所产生的磁场畸变来检测铁磁或顺磁材料,并且不变MR签名或MR模型可以包含对此磁场畸变的校正。
在一些实施例中,生物保护库提供聚集其它生物保库中的相关个体的不变MR签名或MR模型的能力,而无需这些生物保护库不共享关于个体的其它信息。这可以允许对孤立或隔离的生物保护库中的个体进行全局分析。
(如果替代个体112而测量组织样本,则系统100可以使用任选的真空密封器将组织样本封闭并密封在真空中以准备存档。此外,在一些实施例中,组织样本是在测量后嵌入的福尔马林固定石蜡。此外,物理或电子标签可以通过任选的标签器附接到组织样本或与组织样本相关联,以促进随后的识别。物理或电子标签中的信息可以包含在表征技术开始时输入和/或提取的信息。在一些实施例中,在进行测量后破坏组织样本。)
虽然前面的论述说明了使用系统100来扫描或索引个体112,但在其它实施例中,系统100可以用于多次扫描或索引个体或动物,或不同人或动物的多次MR扫描。这些扫描可以在时间上部分或完全重叠(即,可以至少部分地并行或同时发生),以增加处理量。
此外,虽然前面的论述说明了技术人员或MR操作员使用系统100,但在其它实施例中,系统100是高度自动化的,因此可以将个体112装载到MR扫描器110中,可以执行MR测量和/或其它测量,可以检测一个或多个潜在异常,可以确定不变MR签名或MR模型,可以将信息存储在生物保护库中,可以移除个体112,并且可以针对一个或多个额外MR扫描重复这些操作,而需要最少或无需人的行动。
我们现在进一步描述表征技术。图3呈现了说明用于确定与样本相关联的弛豫时间的方法300的流程图。所述方法可以由例如图1中的系统100的系统执行。在操作期间,系统可以将偏振场和激发序列(操作310)施加到样本。例如,所述系统可以包含生成场的生成装置,例如磁体210、图2中的磁梯度线圈222。
接着,系统可以测量与样本相关联的信号(操作312)持续小于弛豫时间的量值的持续时间。例如,所述系统可以包含执行测量的测量装置,例如图2中的RF线圈230。
应注意,极化场可以包含外部磁场,激发序列可以包含RF脉冲序列,测量信号可以包含样本的磁化的分量,并且弛豫时间可以包含沿着平行于外部磁场的方向(例如T1)的纵向弛豫时间或沿着垂直于外部磁场的方向(例如T2)的横向弛豫时间。例如,弛豫时间可以与样本中的核类型和/或样本中的组织类型相关联。
接下来,系统可以基于测量信号和样本的预测信号之间的差来计算弛豫时间(操作314),其中预测信号基于前向模型、极化场和激发序列。
在一些实施例中,系统任选地执行一个或多个额外操作(操作316)。例如,系统可以沿着样本中的方向向偏振场施加梯度,其中在样本中基于体素计算弛豫时间。
此外,所述系统可以:修改极化场和激发序列中的至少一个;在样本完全弛豫或不重置样本状态之前,将至少一个修改后的极化场和修改后的激发序列施加到样本;测量与样本相关联的第二信号持续时间,所述第二持续时间小于弛豫时间的量值;基于第二测量信号与样本的第二预测信号之间的第二差计算弛豫时间,其中第二预测信号基于前向模型、极化场和激发序列。另外,所述系统可以基于前向模型、外部磁场和RF脉冲序列确定样本的动态状态,其中在计算所述磁化的所述预测分量的所述第二实例时,所述修改后的外部磁场和所述修改后的RF脉冲序列中的至少一个被施加到所述样本时的所述动态状态被用作初始条件。
此外,弛豫时间的计算可以与信号的测量同时进行。在一些实施例中,在测量信号和第二信号期间连续计算弛豫时间。
应注意,在测量期间,极化场的量值和方向中的至少一个可以随时间而改变。
另外,可以在不对测量信号执行傅立叶变换的情况下计算弛豫时间。
图4呈现了说明图1中的系统100中的组件之间的通信的图。明确地说,计算机系统114中的处理器118可以访问存储器120中的信息410。使用所述信息,处理器118可以确定扫描计划412和扫描指令414。接着,处理器118可以经由接口电路116将扫描指令414提供到MR扫描器110。
在接口电路244接收到扫描指令414之后,处理器416可以执行它们,以便MR扫描器110执行初始MR扫描418。在MR扫描418期间,MR扫描器110可以获取或捕捉MR信号420,其被提供到计算机系统114。
处理器118可以分析MR信号420以确定弛豫时间424。所述分析可以包括:配准、对准、分段、确定MR模型中的参数、使用MR模型模拟或估计MR信号,和/或比较MR信号420与一个或多个模板。在分析期间,处理器118可以访问存储器120中的额外信息422。
基于MR信号420与估计MR信号之间的残差,处理器118可以动态地更新扫描计划426。接着,处理器118可以确定更新后的扫描指令428,其被提供到MR扫描器110。
在MR扫描器110接收到扫描指令428之后,处理器416可以执行它们,以便MR扫描器110执行MR扫描430。在MR扫描430期间,MR扫描器110可以获取或捕捉MR信号432,其被提供到计算机系统114
应注意,处理器118可以重复上述操作中的一个或多个,直到完成个体的MR扫描和/或实现一个或多个确定的参数(例如弛豫时间424)的所需准确度。此外,处理器118可以确定一个或多个潜在异常的分类434和/或基于所测量的MR信号确定不变MR签名436或MR模型,其被存储在存储器120中。处理器118还可以将MR信号、元数据和其它相关信息存储在存储器120中。
另外,计算机系统114可以向第三方(例如放射科医师)提供关于MR扫描的信息438,例如提供到与第三方相关联的计算机440。随后,计算机440可以提供来自第三方的反馈442,其用于更新当前扫描计划、未来扫描计划、推荐的未来扫描时间、一个或多个模板等。
图5呈现了说明确定与样本相关联的弛豫时间的图。明确地说,图5说明了在自由感应衰减期间随时间推移而测量的电压。当核自旋在拉莫尔频率下振荡时,峰值磁化的量值随时间常数T2呈指数下降,其包含来自样本的贡献以及外在因素(例如外部磁场中的不均匀性)。应注意,沿着外部磁场方向的磁化衰减具有类似的指数衰减,其具有时间常数T1。
在现有的MR技术(例如MRI)中,通常使用至少是T1或T2的整数倍的扫描或测量持续时间来确定时间常数。如表1所示,在不同类型的组织中存在相当大的T1和T2变化。因此,准确确定这些弛豫时间通常涉及数秒至数百秒的测量。另外,在现有的MR技术中,自旋通常在随后测量(例如随后的RF脉冲序列)之前返回到已知状态。通常,这是通过等待的持续时间远远大于T1和T2或通过沿着外部磁场重新磁化自旋来实现的。
表格1
与此相反,在表征技术中,弛豫时间510(例如T1、T2或经调整的自旋-自旋弛豫时间T2*)可以准确地使用测量持续时间512来确定,其为所确定的弛豫时间的一小部分。例如,对于脑脊液,测量持续时间可以是0.55秒,而不是数百秒。这是因为,基于MR模型所测得的MR信号与估计MR信号的迭代比较允许模型参数(包含T1或T2)迅速且准确地确定(即,具有高信噪比),而无需在多个测量实例上的显著(或任何)同步平均。
此外,表征技术可以允许实时地计算弛豫时间,而不是追溯地或在MR测量之后。实际上,在一些实施例中,连续地执行MR测量和MR模型参数的计算。
此外,可以在表征技术期间动态地跟踪核自旋的状态,并且当前状态可以用作模拟或预测MR信号的下一迭代中的初始条件。因此,在表征技术中,MR扫描器可以不必在第一MR扫描和随后的MR扫描之间暂停。因此,MR扫描器可以不必等待原子核自旋衰减到适当的电平(即,长于T1、T2或经调整的自旋-自旋弛豫时间T2*的持续时间)或者可能不需要沿着外部磁场重新磁化到核自旋。因此,这种能力可以允许MR扫描器在样本中的核旋转完全弛豫或重置为预定义状态之前修改外部磁场(即,改变外部磁场的量值和/或方向)和/或RF脉冲序列。
在一些实施例中,MR模型中的参数是基于样本中磁化的一个或多个分量的时域测量来确定的。明确地说,可以通过以高时间取样率(例如以等于或高于估计MR信号中的感兴趣频率的两倍的速率)执行M R测量来确定参数(包含弛豫时间)而不使用傅立叶变换(例如离散傅立叶变换)。此能力可以简化分析测量MR信号中的信号处理和/或可以在可以使用的RF脉冲序列的类型中提供额外自由度。
因此,所述表征技术可以促进比现有MR技术明显更快的扫描时间。此外,所述表征技术可以促进MR信号的量化分析,而不需要使用体模或仅通过比较强度。另外,所述表征技术可以允许使用较低外部磁场和/或比在大多数MR扫描器中使用的大(且昂贵)环形超导磁体具有更多空间磁场不均匀性的外部磁场。例如,所述表征技术可以允许外部磁体的不同配置(例如打开配置或患者就座的配置)、超导磁体的消除或外部磁体的消除。因此,在一些实施例中,所述表征技术可以促进便携式或手持式MR扫描器。因此,所述表征技术可以降低MR扫描的成本,并且可以在MR扫描期间显著改善患者体验。
现在我们描述MR模型中一个或多个参数的确定。所述MR模型可以是个体的一部分(并且更一般来说,样本)中的体素的3D模型,并且可以包含每个体素的布洛赫方程中的参数。明确地说,对于沿着z轴的准静态磁场B0,布洛赫方程是
其中γ是旋磁比,表示向量交叉积,并且/>是个体中某种类型的核经历的磁场。在布洛赫方程中的参数可以包含T1、T2、一种类型的核的密度、扩散、速度/流量、温度和磁敏度。应注意,对于每个体素,不同类型的核可能存在不同的参数。此外,应注意,布洛赫方程是半经典的,宏观上近似于个体中的核类型的磁矩对时变磁场的动态响应。例如,在1mm3的体素中可以存在67M个细胞。
原则上,个体的布洛赫方程中的参数的解空间可能是不确定的,即,可能须确定比用于指定或约束参数的观察要显著更多的参数。因此,所述表征技术可以利用额外信息来约束或减少问题的维度。例如,个体的解剖结构的一个方面可以使用其它成像技术,例如计算机断层扫描、X射线、超声波等等来确定。此外,不像目标类型的组织(例如心脏组织)(即具有非常不同的MR信号)的区域可以从MR模型中排除。以此方式,例如,可以排除由空气组成的区域。替代地或另外,从基于先前MR扫描(例如,异常或改变)的预期MR信号显著偏离的组织可以成为MR模型的焦点,例如通过使用等高线图(例如,三次样条曲线)来约束区域的边界(或指定区域的边界),在此处,这些区域存在显著差异。在一些实施例中,可以使用一个或多个水平集函数来表示测量MR信号与模拟或估计MR信号之间的误差,并且可以基于对应于阈值平面的与一个或多个水平集功能的交点来确定具有超过阈值的误差的区域的边界。另外,通过使用不同的脉冲序列和/或不同的MR技术在不同磁场强度B0(其可以提供与伪随机脉冲序列类似的信息)下执行扫描,可以减少参数与观察的比率,从而简化MR模型的确定。
例如,如果个体的一部分包含一个体素,则可能存在需要针对特定类型的组织确定4到10个MR模型参数(其指定不变MR签名或MR模型)。如果体素包括M种类型的组织,则可能需要针对特定类型的组织确定4M到10M个MR模型参数(其可以指定M个不变MR签名)。随着体素数量的增加,这似乎是一个令人生畏的问题。
然而,因为不同类型的核具有不同的拉莫尔频率,所以核的类型的空间分布及其局部浓度可以从测量的MR信号确定。接着,可以缩放用于人体(或人体的一部分)的预定义解剖模板,其具有用于MR模型的相关初始参数,以匹配核类型的空间分布及其局部浓度。
接下来,对于一种类型的组织(例如特定器官),随着体素的大小逐渐减小(并且因此体素的数量增加),可以迭代地细化MR模型参数。此分析可以通过使用MR模型测量的MR信号与模拟或估计MR信号之间的误差来驱动。随着时间的推移,训练期间的焦点将在具有大于收敛标准的误差的残差区域上。例如,可以基于在一个磁场强度下测量的MR信号来训练MR模型中的参数,接着可以基于在另一磁场强度下的MR模型的预测来确定误差。此外,应注意,最初MR模型可以假设不同体素之间没有贡献或相互作用。然而,随着误差和体素大小减小,随后在训练MR模型时可能包含此种贡献和/或相互作用。
为了促进这种拟合或计算方法,表征技术可以确定“表面签名”,而不是1D签名。例如,使用多个磁场强度下的测量值或存在已知磁场干扰(例如旋转)时,可以确定多维空间中的一组MR轨迹,并且可以将其用于确定不变MR签名和/或MR模型。应注意,每个MR轨迹可以由磁场函数而不是固定的磁场强度来限定。
在示例性实施例中,用于确定MR模型的模拟可以是以顶点/体素为中心的。使用在每个顶点处运行的物理模型(例如基于布洛赫方程的模型),系统可以将RF脉冲序列或干扰“施加”到被扫描的个体的物理模型。例如,可以将消息广播到根据物理学描述干扰的顶点。每个顶点可以计算其预测的状态变化以及所产生的力和能量,接着将其作为消息中继到关于从所述顶点输出的力和能量的相邻顶点。当所有顶点都生成了消息时,消息已被转发到相邻的顶点并且系统的状态已经更新,计算中的时间间隔可以完成。可以推广此方法,以便将消息转发到从顶点向外辐射的长度为N(其中N是整数)的非循环路径,以提高模拟的准确性。
一旦更新了状态,就可以在新的计算状态上运行计算技术,接着将其与测量状态进行比较。误差可以是预测状态与测量状态之间的差。当应用计算技术时,系统可以确定如何以减少或最小化全局误差的方式将当前状态最佳地分配给每个顶点。接下来,系统可以为系统选择一组新的扰动,并且可以将这些扰动作为新消息广播到顶点,以及在被扫描的个体上物理地执行此干扰。以此方式,系统可以在表征技术期间提供实时或接近实时的分析和反馈。因此,在一些实施例中,模型参数的确定可以当前与MR测量一起发生。实际上,在一些实施例中,可以在MR测量期间连续地确定模型参数。
因此,可以通过最小化测量的MR信号与基于MR模型、MR扫描器的特征(例如磁场不均匀性)和用于获取测量的MR信号的扫描指令生成的模拟或估计MR信号之间的误差或差来“求解”基于测量的MR信号确定MR模型参数的逆向问题。在一些实施例中,使用一种或多种计算技术来求解逆向问题,包含:最小二乘技术、凸二次最小化技术、最陡峭下降技术、准牛顿技术、单纯形技术、莱文贝格-马夸特(Levenberg-Marquardt)技术、模拟退火、遗传技术、基于图的技术、另一种优化技术和/或卡尔曼滤波(或线性二次估计)。
应注意,可以使用动态编程来求解逆向问题。明确地说,所述问题可以由多台计算机并行划分并执行,例如,在基于云的计算系统中。例如,特定线程可以尝试求解特定扫描指令的逆向问题。由计算机(或处理器)生成的多个潜在参数的解决方案可以被组合(例如,使用线性叠加)以确定使用所述一个或多个计算技术最小化的误差度量。
此外,如先前所描述,逆向问题可以迭代地通过首先尝试使用粗体素大小找到MR模型的合适参数(例如,最小化MR信号与模拟的或估计MR信号之间的误差的参数),接着逐步找到具有较小体素大小的合适参数来求解。应注意,可以基于被扫描的一类核的旋磁比来确定在所述迭代过程中使用的最终体素大小。体素大小还可以基于对生物保护库进行的“查询”的类型来确定,或者基于MR扫描计划、当前硬件配置和/或硬件限制来形成。此外,还可以选择体素大小或位置,使得体素均匀地分配到一组子体素中,或者使得与预览体素大小存在一量化的重叠以有效地“过取样”重叠区域并且可能进一步定位MR信号起源之处。此最后的技术可以类似于将整个梯度系统在一个或多个维度上移动距离dx,所述距离dx小于体素的特征性长度(例如体素的长度、宽度或高度)。在一些实施例中,MR模型中的体素大小小于在MR扫描中使用的体素大小(即,在MR模型可以使用超分辨率技术)。
此外,MR模型可能包含动力学模拟,例如与呼吸、心跳、血流、机械运动等相关联的运动。(因此,在布洛赫方程中可能存在扩散、测温、分光镜检查、弹性成像等的额外项。因此,MR模型可以基于布洛赫-拖雷(Bloch-Torre)方程等。)例如,当体素含有具有流过其的流体的空间(例如在静脉中)时,可以通过构建被扫描的个体中的流动方向和速度量值的图来模拟液体的流动,以供在计算不变MR签名或MR模型时考虑。此外,当扫描人或动物时,MR模型可以包含静止运动(例如与呼吸相关联的运动、心跳等)。如前所述,为了促进MR模型的计算,测量MR信号和/或其它时间测量可以与参考时钟或生物时间同步或相对于其同步。
所述MR模型可以用来预测个体的身体将如何对特定扫描指令作出反应。明确地说,MR模型可以用于模拟或估计具有特定特征的特定MR扫描器、特定扫描指令和/或特定个体(其拥有病史、先前的MR扫描的结果,等等)的MR信号。换句话说,不变MR签名或MR模型可以用于确定在特定情况下的表示或突出项(即,MR信号),例如基于MR扫描器的特定特性、特定扫描指令和/或特定个体。
因此,MR模型可以允许系统100(图1)执行主动学习。明确地说,可以基于由学习系统或学习引擎(其可以在图1中的计算机系统114中实现)生成的“查询”来迭代地拟合或确定MR模型。明确地说,由学习引擎生成的查询可以基于MR模型中的参数的置信区间而包含不同的磁场强度B0、不同的RF脉冲序列和/或不同的超声脉冲序列。因此,学习引擎可以响应于这些查询而使用测量的MR信号来确定MR模型中的未知参数和/或具有较差准确度的参数(例如大于0.1、1、5或10%的置信区间)。更一般来说,由系统100(图1)执行的自适应学习可以基于各种各样的测量,例如光学/红外分光镜检查、x射线、计算机断层摄影术、质子束、光声学、超声波等。
在示例性实施例中,计算机系统114(图1)首先近似得出MR模型中的参数,并且基于所述初始MR模型计算测量的MR信号与模拟或估计MR信号之间的误差(或差向量)。应注意,当对于对应于特定扫描指令的线程的逆向问题存在多个候选参数解(具有类似的误差)时,计算机系统114(图1)可以保留所述候选(即,唯一的参数解可能在计算中在此时无法识别)。或者,如果在所需的误差范围内(例如小于50%、25%、10%、5%或1%)内没有唯一的参数解,则可以保留最佳(最小误差)参数解。另外,当在所需的误差范围内没有参数解时,计算机系统114(图1)可以修改扫描指令。
此外,计算机系统114(图1)可以沿着个体中的参数解的表面计算第一和第二导数。(为了便于计算导数,应注意,可以使用一个或多个水平集函数来表示参数。)可以识别沿着一阶导数为零的线的一组体素。可以使用具有体素位置与三次样条之间的最小误差的三次样条来拟合所述组体素。可以在参数解空间中的所有边界处重复所述拟合操作。此外,可以确定由三次样条限定的边界内的最大连续表面,并且可以重复参数解计算以确定在先前连续表面内的新连续表面。此通用框架可以最小化体素内体积的误差,从而基于MR模型提高MR信号与模拟或估计的MR信号之间的一致性。
例如,可以使用MR模型中的体素的参数的雅可比矩阵和牛顿方法来求解逆向问题,以基于参数中的扰动如何影响测量的MR信号与估计MR信号之间的差来迭代地修改体素的参数。在RF脉冲期间,可以通过在数值上求解方程组(例如布洛赫方程)来估计MR信号,因为对于1H,RF脉冲在拉莫尔频率下接近或者处于1H(其它类型的核可能不是此情况)。明确地说,龙格-库塔(Runge-Kutta)方法4可以用于确定旋转坐标系的微分方程的数值解。梯度变化的影响可以通过分析解决,因为时间标度(毫秒)远低于拉莫尔频率。
在一些实施例中,与核自旋相关联的磁化的动力学沿着外部磁场的方向被分解为依据T1的弛豫,并且在垂直于外部磁场的方向的平面中被分解为依据T2的旋转和弛豫。然而,表征技术中的分析不需要关于旋转参考系或特定偏振方向的假设。如前所述,外部磁场的量值和/或方向可以随时间而变化。这可以允许外部磁场扫过一定范围的量值和/或方向,以便表征各向异性(与使用现有MR技术中的结构化激发相反),使得确定的弛豫时间是相对于不同的轴或方向或与之相关联。替代地或另外,表征技术可以使用比现有MR技术具有更多空间不均匀性的较弱外部磁场和/或外部磁场。实际上,极化外部磁场可能比激发场弱,例如RF脉冲。
在一些实施例中,表征技术中的分析在前向模型中的布洛赫方程(或更复杂的,例如完整哈密顿量)与麦克斯韦方程之间交替,以快速计算样本体积的磁特性和样本体积的电特性。以此方式,使用一个前向模型提供的估计可以用于规范来自另一前向模型的估计。所述方法可以加速收敛,并且可以允许在MR模型的参数中确定每个体素的介电常数和电导率。
在示例性实施例中,需要2到3次MR测量信号的测量和MR模型中的参数的修改,以获得体素的参数值,准确度小于1%。这可以比MR指纹识别好出一个量值级,并且至少在一些实施例中,可以对其进行确定而不需要使用具有参数的先前结果的预先存在的数据结构。
然而,在一些实施例中,先验知识用于约束逆向问题。例如,可以使用不同类型组织中的参数的预定或预定义范围来确定参数的初始值。替代地或另外,基于先前MR测量的参数的值可以用作表征技术中的分析的当前实例中的参数的初始值。分析期间的其它约束可以包含:用以量化代谢的用于灌注的热流(从热到冷)或MRT的热力学约束和/或麦克斯韦方程约束。
应注意,表征技术可以允许确定弛豫时间的空间分布和在非均匀组织的密度。例如,表征技术可以允许估计不均匀样本的体素-体素密度和弛豫时间。
在一些实施例中,MR模型中的体素的几何形状可以被计算为估计MR信号的准确度或者减小测量的MR信号与估计的MR信号之间的误差。例如,体素可以表示为图形。如下文参考图7进一步描述的,这可以促进自动分段和/或配准。在MR模型的空间分辨率可以比通常用于或与外部磁场的强度相关联的空间分辨率更高(即,超分辨率)。在示例性实施例中,在3T的磁场强度下存在512×512个体素或1024×1024个体素。应注意,体素大小可以小于0.253mm3。
为了加速表征技术中的参数的确定,可以使用压缩感测。例如,可以舍弃具有空气的区域。此外,因为可能存在比未知项更多的方程,所以在分析期间可以使用向下选择技术。例如,可以选择方程组中的线性独立的行。替代地或另外,向下选择可以是:随机的、最正交的方程的子集、在特定设置中线性独立的方程的子集、最大化体积的方程的子集(例如具有最大决定因素的子矩阵)等。
如前所述,可以在MR测量期间修改或改变外部磁场和/或RF脉冲序列。在一些实施例中,可以选择“激发”以最小化分析的下一次迭代中的误差。例如,可以基于雅可比行列式的调节程度来改变外部磁场和/或RF脉冲序列。
应注意,可以存储表征技术中的分析的输入和输出以供将来使用。应注意,输入可以包含关于测量装置的信息以及如何执行测量。这可以允许准确度与获取时间进行取舍。此外,其可以允许长时间离线进行分析。
此外,可以基于与物理现象相关联的时间标度顺序地确定MR模型中的参数。这在图6中示出,其呈现了说明具有不同相关联时间标度的参数的顺序确定的图。明确地说,时间分解可以允许确定密度,接着是T1、T2、流动参数、扩散参数、测温参数等。这种方法可能更有效,因为在更长时间标度上的物理现象可能需要更长的RF脉冲序列。
如前所述,所述表征技术可能不需要使用傅立叶变换或同步平均。相反,只要参数的初始值是合理的(例如在正确参数值的25%、50%、100%、500%或1000%之内),就可以快速地确定参数。替代地或另外,可以使用更长的RF脉冲序列。
此外,不同类型组织中的参数的变化可以允许组织类型被分段。明确地说,在两种类型组织的空间边界处,参数的高维空间中的维度可能存在不连续性。这在图7中示出,其呈现了说明样本中组织类型的分段的图,例如区分脑脊液和脑膜(使用交叉阴影框说明)。如前所述,当求解逆向问题时,可以使用不同类型组织的参数变化来约束搜索空间。
我们现在描述用于对不同类型组织进行分段的技术的实施例。对于不同类型组织dj(对于j=1到n)在多维参数空间中测量的时间取样的MR轨迹(或向量)定义术语Dmr,使得对于体素的测量的MR信号yobv可以表达为
其中αj是归一化的权重(即),且ε是误差(即ε=(yj,αj),,对于j=1到n。这可以限定体素内线性方程问题。广义的体素间问题可以将一组体素(例如具有27个体素的立方体)建模为曲线G。应注意,所述组中的每个体素可以具有到八个相邻体素的26个边缘。可以将针对逆向问题的参数解定义为使误差最小化的解。
考虑两个相邻体素u和v的情况。体内线性方程Uy和Vy需要在u和v处求解。有几种可能的结果。首先,Uy和Vy可以具有唯一的参数解(其中“唯一的参数解”可以最佳地拟合现有MR模型,即,具有小于收敛准则的误差或差向量),并且可以完成分析。或者,Uy而非Vy可以具有唯一参数解。有可能Uy的参数解对VY外加约束,使得VY具有单个参数解,在这种情况下,可以完成分析。然而,在Uy和Vy可能都不具有唯一参数解的情况下,组合方程组(即,有效地增加了体素大小)可以产生唯一参数解。此外,在Uy和Vy可能都不具有任何参数解的情况下,如果没有进一步的约束,则不能求解体素内问题。
在最后一种情况下,可以查看相邻的体素w,即,系列体素u、v和w,其中对应的体素内线性方程Uy、Vy和Wy需要在u、v和w处求解。应注意,体素内线性方程Vy和Wy减少到先前的情况。当体素内线性方程没有减少到先前的情况时,可以递归地应用此配对操作直到其减少到先前的情况,接着如前所述地求解体素内线性方程。
一般来说,此计算技术可以与拟合3D表面(或体积)以最小化误差的问题同构。这方面的一个挑战是,其假设所有相邻的体积对最小化误差的参数解αj具有同等影响。
误差的最小化可以最初假设不存在体素间的贡献(即,所述体素是独立的)。随后,可以包含体素间贡献。明确地说,考虑到相邻的体素体积,有两个不同的类别。共享曲面的体积和仅共享1D边缘的体积。可以通过在相对坐标系的中心处对体素u处的误差贡献进行加权来改善最小化函数。如果对误差的影响与r-2(其中r是体素的中心点之间的距离)成比例并且假设加权中的1mm各向同性体素,则体素间贡献的最小化或拟合问题可表达为
其中在k上的求和是针对共享共同表面的相邻体素(即,(-1,0,0)、(1,0,0)、(0,-1,0)、(0,1,0)、(0,0,-1)和(0,0,1)),并且在l上的求和是针对共享共同边缘的相邻体素的剩余部分。分析中的假设是,拟合或确定参数解的最困难的地方是不同组织之间的不连续或界面。因此,在表征技术期间,计算机系统114(图1)可以首先解决这些位置,接着可以解决剩余位置。
或者,因为来自相邻体素的磁贡献与r2成比例,所以在最小化问题中给定来自主要或中心体素的中心的半径为R的球体,可以基于球体扩展到相邻体素的体积中的多少来对周围体素进行加权(并且因此,基于其体素间贡献的估计强度)。例如,可能存在需要分配的三个不同权重,包含:共享2D表面的体素的权重、共享1D线的体素的权重和共享0D点的体素的权重。因为在每个体素内可能不存在均匀的组织分布,所以可以动态调整权重以模拟每个体素内的不同种类的分布,以便找到使误差最小化的分布。这可以提供在单个体素内针对不同类型的组织识别多个MR特征的能力。应注意,随着计算能力的增加,预测模型的准确性可能增加,并且可以修改用于求解最小化问题(并且因此,逆向问题)的计算技术。
因此,在体素的不变MR签名或MR模型依赖于周围的或相邻体素的不变MR签名或MR模型的实施例中,不变MR签名或MR模型可以使用2阶或N阶效应来计算。例如,如果存在N个1阶不变MR签名或MR模型(其中N是整数),则可以存在多达N!/(N-27)!个2阶不变MR签名或MR模型(如果所有的体素与彼此交互)。在一些实施例中,局部性用于简化逆向问题。以此方式,可以通过结合相邻体素中的不变MR签名或MR模型如何影响主(中央)或1阶体素中的不变MR签名或MR模型来生成不变MR签名或MR模型。
在一些实施例中,抖动技术用于克服体素相对于体内组织类型分布的任意位置。明确地说,由于任意体素放置或当前体素大小,在体素中可能存在两种或更多种类型的组织。这可能会显著改变此体素的MR模型参数。这可能表明体素需要不止一个不变MR签名或MR模型。为了证实这一点,体素可以移位距离dx(其是体素长度、宽度或高度的一部分),并且可以再次确定MR模型参数。在所述过程中,可以确定组织分布。因此,所述方法可以在不改变体素大小的情况下有效地增加分析中的空间分辨率。
虽然前文的论述使用布洛赫方程作为MR模型的说明性示例,但是在其它实施例中使用全刘维尔计算(例如两个或更多个元素之间的相互作用的刘维尔超矩阵)或另一种模拟技术。应注意,使用MR模型计算或预测的MR信号可以在比MR扫描期间获取的MR信号的奈奎斯特频率的两倍以上的速率进行取样。
在一些实施例中,布洛赫方程的基本假设是无效的。明确地说,在具有RF脉冲(甚至是无限短的RF脉冲)的旋转框架中,磁化的平行和反平行分量被联接。如果在每个RF脉冲序列之前使状态复位,则所述效果是次要的。然而,当状态动态地变化时,例如表征技术所允许的,可能需要将误差项添加到布洛赫方程。这种认识允许表征技术与RF脉冲序列中的快速变化(开/关)和/或RF脉冲之间的数据获取一起使用。
在一些实施例中,表征技术中的张量场映射使用一个或多个前向模型(例如MR模型)和一个或多个逆求解器。如前所述,张量场映射(样本中前向模型参数的确定)可能不需要任何预计算或训练。而且,张量场映射可以解决广义重建问题,而无需关于测量装置或硬件,例如使用傅立叶变换(例如,快速傅立叶变换)的任何假设。因此,张量场映射可能不需要任何特定的测量硬件。相反,指定硬件的参数可以并入到前向模型中。
前向模型的使用还可以在测量中提供额外的自由度。例如,在MR技术的情况下,可能不需要线性磁场梯度和/或均匀磁场。这意味着,原则上,至少一些体素可以具有略微不同的尺寸。实际上,张量场映射可以消除对MRI通常所需的单独磁场梯度系统的需要。
张量场映射可以允许比现有MR技术更快地表征例如T1和T2的参数。此外,张量场映射的使用可以扩展或推广弛豫参数的含义。例如,表征技术可以提供允许动态调制以提取关于样本的更多信息。例如,在各向异性材料中,用许多不同的极化外部磁场测量T1可能是有用的,因为此举可以提供关于材料的更多信息。明确地说,刚性材料(例如骨骼)可以是各向异性的,而流体通常是各向同性的,因为分子倾向于与极化外部磁场对准。MRI中的恒定极化外部磁场可能非常适合于表征各向同性材料,例如水。然而,对于各向异性材料,适当的表征可能涉及一系列外部磁场方向,相应的弛豫参数与每个方向相关联。通过张量场映射可以获得此信息的全部内容。在一些实施例中,如图10和11所示,可以将较高维信息投影到对应于固定外部磁场方向的2D图像中,如MRI的情况。尽管如此,张量场映射可以提供更丰富、更高维和更通用的弛豫参数。
应注意,对于张量场映射信号,可能不需要平均或重复测量。因此,可能不需要重置样本状态的极化、重复RF脉冲序列并平均测量以便提高信噪比。
此外,张量场映射可以允许每个“体素”模拟任意数量的等时线(在空间中的位置处的自旋)。实际上,张量场映射可以允许在比任何体素更高分辨率的空间中模拟或确定等时线。随后,在求解所述问题之后,可以将来自较高维度参数空间的信息投影到任意体素边界(或任意体素网格)以确定体素的参数。以此方式,张量场映射中的参数可用于确定在之后确定或指定的体素大小范围内的参数值。
此外,张量场映射可以受益于不同或改变的每个“实验”或测量,因为可以提取新信息,其进一步将解约束到高维参数空间。因此,张量场映射可以从实时测量和模拟获益(例如,模拟可以在相同的时间作为RF脉冲序列来执行,由此,所述模拟可以对于300ms RF脉冲序列执行300ms)。明确地说,通过执行实时模拟,可以改变测量中的激发以填充参数空间的稀疏部分,以便减少测量与估计响应之间的残余误差,从而允许张量场映射更快地收敛。在一些实施例中,可以选择具有一个或多个RF脉冲的最优RF脉冲序列以最大限度地减少下一次迭代的误差。
因此,因为可以快速执行张量场映射,所以可以连续激发样本并且可以连续地确定前向模型中的参数。这意味着可以使用每个RF脉冲获得新信息。此外,此能力允许实时地量化准确度的迭代改善,直到满足条件(例如残差或收敛标准)。相反,可能尝试使用后处理确定参数的方法可能必须与解决问题所需的缺失信息竞争,或者可能需要重新扫描样本,这与表征技术中实时收集额外或缺失的信息的能力形成对比。如前所述,实时获取的额外或丢失信息可以包含关于通过改变空间分辨率或测量集合而获得的体积的特定区域的信息。
表征技术可以允许在样本内部发生的现象的实时视频。例如,表征技术可以用于实时记录生理过程。因此,代替获取扫描以达到最小误差,表征技术可以用于“记录”身体内发生的事情,例如观察被摄入的水的温度扩散到患者的胃中。
应注意,表征技术期间的快速或实时收敛可以使其对测量装置(例如MR扫描器)中的随机噪声尖峰或误差更具弹性,因为它实时地迭代且动态地收敛测量和模拟。此外,表征技术中的实时测量/模拟能力可以消除在测量之间重置样本状态的需要。相反,当生成张量场图时,可以跟踪动态状态并将其用于样本响应的随后模拟或估计中。
张量场映射(即,基于数值模拟和测量的物理数据的材料特性的量化推断,例如使用磁共振技术的测量)可以按各种方式解决。例如,量化模拟可以使用牛顿方法收敛到测量的物理现象。
或者,张量场映射可以使用优化技术收敛或求解,这可以允许在成本函数中考虑更丰富的参数集以及各种正则化项(例如,吉洪诺夫(Tikhonov)或总变化正则化器)。明确地说,这种优化问题中的成本函数可以基于自旋动力学物理(即布洛赫方程或布洛赫方程及其变体,例如布洛赫-拖雷)或自旋与电动力学的组合(即,联接布洛赫方程与麦克斯韦方程)。在后一种情况下,麦克斯韦方程可用于建模和规范优化问题。例如,在优化问题中使用麦克斯韦方程可以约束射频(MR命名法中的B1)场。另外,优化问题中的麦克斯韦方程可以允许确定样本的电参数(介电常数和电导率)。这种能力在高磁场中可能具有重要意义,例如磁场量值大于1T。在较低的磁场强度下,包含麦克斯韦方程可能仍然有用,例如,在对磁共振扫描器和/或射频脉冲线圈进行建模时。应注意,可以使用积分方程或基于偏微分方程的求解器来求解优化问题的方程。
通过将张量场映射作为优化问题,可以获得更好和更准确的材料参数(如自旋晶格弛豫时间T1、自旋-自旋弛豫时间T2、一种或多种类型的核的密度、扩散参数、介电常数、电导率等)解,并且借助于适当的正则化项,相对于其它技术可以减少收敛时间。此外,通过将张量场映射公式化为优化问题,可以迭代地求解问题以收敛于解,并且在每次迭代时,可以计算最优激发以最小化条件数/改善迭代的每个步骤的拟合。
在进一步论述技术之前,提供以下定义可能有帮助:逆向问题从一个或多个结果或输出开始,接着计算输入或原因。这是前向问题的反转,它从输入开始,接着计算一个或多个结果或输出。
张量场映射(TFM)使用测量的物理现象的量化模拟,例如使用磁共振技术或机械激发技术的测量来解决材料特性和其它有用的物理现象。更具体地说,TFM在实时反馈回路中迭代地求解一组线性和/或非线性物理方程。在每次循环迭代时,问题可以定义为“空间体积上的激发(电磁和/或机械)集合是什么,所述空间体积最小化关于线性参数的条件数或相对于用于基于所含有的关于感兴趣体积的现有信息求解所需参数组的非线性参数的相对灵敏度。”换句话说,并且如图17所示,用于TFM的每次迭代的方法1700的步骤包含激发样本(操作1710),其可以用机械激发或电磁激发或其组合来激发,从而求解未知参数的估计(操作1720),并且使用求解的参数选择样本的一个或多个最佳激发(操作1730)。在每次迭代时,在操作1720中求解的参数可以变化。
如图16所示,系统1600可以处理和捕获物理现象的测量,例如可以由测量系统1610测量的样本1605。样本1605可以放置在测量系统1610内,或者测量系统1610可以放置或操纵在样本1605周围。在一个变化中,样本1605可以是移动的,并且测量系统1610可以跟踪样本1605的运动。在测量系统1610中,系统控制器可以控制发射器1616-1和1616-2并且可以生成旨在激发样本1605的激发(机械激发、电磁激发或电磁与机械激发的某种组合)。系统传感器1620可以从一个或多个接收器1618-1、1618-2接收至少一组接收的激发响应,其可以捕获从样本1605发射的激发响应。测量系统1610可以由控制程序1640控制,所述控制程序可以由硬件电路或软件程序或其组合执行,例如现场可编程门阵列(FPGA)。控制程序1640可以控制基于硬件或软件的信号生成器1642,其可以生成时域脉冲序列信号1641,系统控制器1615可以使用所述信号来使用控制发射器1616-1、1616-2生成激发。发射信号1641也可以馈送到前向模型1643,所述前向模型可以将信息馈送到数值模拟1647中。前向模型1643和数值模拟都可以接收额外的约束和边界条件,这可以通过在物理和建模引擎1645中应用从物理定律的方程1644导出的数值限制来提高模型拟合和数值模拟的速度和准确度。物理和建模引擎1645的输出可以由前向模型1643和/或数值模拟1647中的一个或两个消耗。数值模拟1647和前向模型1643都产生由非线性求解器1648处理的结果。非线性求解器1648使用从系统传感器1620接收的样本1605的测量信号以及来自数值模拟1647和前向模型1643的输出来求解参数(例如,样本1605的重建特性1695)。接着,控制程序1640可以循环并迭代并限定新的脉冲序列,这可以改善模型1643的拟合和1647中的模拟的准确性。另外,新限定的脉冲序列可以避免收集明显与物理定律1644或其它限制的方程的约束相冲突的信息(例如,如果摄像机可以识别样本的边缘,则不必收集样本边缘以外的信息)。初始化控制程序1640时的设置可以是来自现有的非TFM激发系统(例如MRI或超声波)的标准设置,接着控制程序循环1640的随后迭代可以限定和使用TFM独有的时域生成的脉冲序列1641,其可以捕获TFM独有的测量值。
作为说明性简化示例,使用基于电磁体的标准MRI系统的基本TFM将涵盖以下步骤:放置样本的视场(FOV)(例如,20x20x10cm的3D盒)在数值上离散化为具有给定分辨率(例如2x2x2mm)的3维体素。假设每个体素具有与相应组织相关的一组物理特性。布洛赫方程用于对体素中含有的所需核(标准MRI中为氢质子,但建模可以扩展到多个核)的磁化进行建模:
M(t)=γM(t)×B(t)
其中M是磁化,B是磁激发,点表示相对于时间的导数。
这些方程可以根据磁场和样本的物理特性(例如质子密度、自旋-晶格和自旋-自旋弛豫时间等)进行参数化,这些在每个体素处是恒定的,并允许我们估计每个体素的磁化由于入射时变电磁场引起的时间演变。
给定任何系统设计(操作频率、电磁线圈相对于样本的几何布置和位置),麦克斯韦方程用于生成主磁体的详细数值模型、梯度、发射和接收线圈(例如,使用表面和体积积分方程方法)。这些数值模型允许我们将馈入系统的电流(激发序列)映射到FOV中每个体素的电磁场中,并且可以根据样本的物理特性(例如介电常数和电导率)和/或系统的一些几何/物理特性来参数化。如果考虑其它类型的激发或影响,则可以通过应用和离散化控管方程(例如弹性测量的情况下的声学方程)来生成等效的输入/输出数值模型。
在基本的MRI情况下,前向模型将通过将系统的数值电磁模型与布洛赫方程联接,离散成Nv体素来形成:
[b0,bg,btx,brx]=fmaxwell(i(t))
其中[b0,bg,btx]是当系统被i(t)中的序列值激发时由于主线圈、梯度和发射线圈而在体素处具有Nv磁激发的向量。由于体素中的磁化,向量brx具有Nv个条目,其具有接收线圈的灵敏度。向量t1、t2和p具有Nv个条目,具有元音化FOV的特性。m是磁化向量,具有Nv个条目,s(t)是接收信号。应注意,可以存在多个相对于样本任意定位的发送和接收通道和传感器。
在第一步,将假设体素的物理特性的一组初始值(初始猜测),例如所有体素的常数值,其中每个体素的平均值或要推断的特性(例如,质子密度为1、自旋-自旋弛豫时间为300ms、自旋-晶格恢复时间为2000ms,等等)。
物理系统(MRI扫描器)可以用给定的序列激发(例如300ms期间的激发电流的组合),并且可以用于驱动梯度和发射RF线圈。可以记录这些电信号(包含由于系统电子装置引起的非理想性)。
同时,记录的信号可以用作输入,以执行前向模型的快速数值模拟。序列的持续时间以小的时间步长(例如,1us)离散化,并且在每个步骤中,可以使用记录的信号作为系统的激发来基于麦克斯韦方程计算体素上的电磁场。这些时变电磁场可以用作布洛赫方程的时间积分中的输入,以计算每个时间步长下体素中的质子的磁化。使用接收线圈的电磁模型,这些模拟磁化可以转换为模拟接收信号:
s=Q(p·brx)
其中s是在离散的Nt个时间点具有模拟信号的向量,Q是NtxNv矩阵,其对于每个时间步长具有Nt个磁化向量。关于多个参数的导数s也将是具有NtxNv个条目的矩阵。
在此模拟期间,还可以计算体素的磁化相对于推断的所需物理特性(质子密度、弛豫时间、主磁场、接收和发射线圈磁分布、电导率、介电常数等)的灵敏度。
可以使用不同的技术来求解优化问题。TFM方法还允许在每个步骤求解不同的参数。例如,质子密度的第一近似可以通过最小二乘问题获得,接着应用一组准牛顿迭代来近似得出非线性参数。
所述过程可以重复(对于相同或不同的参数),在循环中使用不同的序列来改善参数的估计。如果数值模拟足够快,则每个体素的物理特性的更新可以与物理扫描器中的下一个序列发射和测量重叠。
使用TFM的基本MRI重建既可以使用数字体模进行计算机模拟,也可以使用0.36T永磁体台式扫描器、使用螺线管线圈、330mT/m/A梯度线圈、直径1cm的管体模在体内进行。两种验证都包含非理想磁场分布的近似,这将导致标准MRI重建技术中的伪像。
上述示例可以推广为包含不同种类的激发,其可以包含利用永磁体、电磁体或声波的磁激发。前向模型可以并有不同的方程组,其模拟不同的物理效应,这可能需要将方程联接在一起。
TFM可以与任何硬件设计结合使用。相应的硬件需要使用相应的控制方程建模,其可以作为前向模型的一部分包含在内以便进行模拟。在MRI的情况下,这意味着可以将不同的场强和类型的磁体(永磁铁、电磁铁或两者的组合)并入到TFM流中。
可以容易地缩放TFM以包含其它物理特性的重建,以便改善系统的表征。例如,如果前向模型中使用的磁场的数值表征不够精确(例如,由于系统非理想性或漂移),则可以包含磁场作为由TFM推断的参数。这可以提高其它参数量化的准确性,因为前向模型将更好地捕获实际的物理现象。
由于TFM依赖于计算资源,因此可以并行地完成样本的不同部分的重建,并且可以将结果重新组合成单个相干重建。这也意味着可以并行使用多个独立系统来推断样本的特性,例如,在不同场强下工作的不同MRI子系统。
TFM的整个目标是能够精确地迭代/连续地物理建模/模拟一定体积的空间。TFM创建的输出是3xN维度的连续流:空间中每个点的3个空间和N个测量维度,其可以是向量和/或标量的组合。在每个时间步骤,TFM可以使用来自硬件的所有捕获信号,其可以包含输入、输出、传感器读数、关于对象的历史信息(也称为医疗记录、先前的扫描等)以重建所述3xN张量场图,接着选择一组激发,以提高下一次迭代中3xN输出的质量。可以在此上下文中定义质量以意味着更好地拟合来自先前迭代的现有参数(例如,具有较低的误差率)或者可以求解不同的参数。但在极限中,随着激发与重建之间的时间差变为0,这变成了连续的流。值得描述的是,以此方式,能够输出3xN张量之间的时间差量正在缩小的此流的原因不仅仅是因为其允许系统更快地求解正在扫描的静态对象的特性,其还允许系统求解随时间变化的空间体积的特性,并且当系统扫描生物体(其为从不静止的一大包化学反应)时,这是特别相关的。
TFM在张量图中捕获测量的(例如非理想的)信号,并且使用前向模拟将模型迭代地拟合到测量的信号,以更接近于测量的信号。被确定为良好拟合的一个或多个模型的参数(例如,由最小误差阈值定义)可以“退出”并且用作下一次激发的参数估计。预测模型与测量模型可能不完全匹配(如在理想化的无噪声情况下那样),但这可以显著降低每次迭代的条件数,这导致更快和更准确的信号重建。例如,如果在前一次迭代中求解了质子密度,则在求解T1和T2时(因此将线性与非线性方程解耦),质子密度可用作输入,并且可以设计、生成或选择用于测量T1和T2的最佳脉冲序列以用于下一次迭代。还可以使用包含GPU和云的现代计算能力在每个步骤并行地求解参数。在下一次迭代之后,可以使用新的T1和T2估计(来自所述迭代)重新计算先前使用的质子密度,以细化质子密度并且减少质子密度与T1和T2之间的耦合效应。
此外,在测量参数时,更容易拟合模型并且求解其它参数。在B0的情况下,(静磁场)通过将磁力计集成到线圈几何结构中,可以从空间中的几个点中的测量获得初始近似值。可以测量的示例性参数列表:
●电磁梯度:
○梯度脉冲波形(测量通过环路的电流)
○梯度通道轮廓(测量空间电磁场分布)
●机械梯度:
○测量相对于相位或旋转或位置的梯度
●B0分布-这可能会及时改变
●B1+/-分布
●接收线圈几何布置和位置(相对于系统的其它部分)
●发射线圈几何布置和位置(相对于系统的所有部分)
●Rx通道波形(可以是电磁或机械或组合)
●Tx通道波形(可以是电磁或机械或组合)
●样本的位置(相对于系统的所有部分和随着时间的推移)
●同步–以改善信号时间/相位同步,并且使用多个信号生成相干重建,可以在开始或整个发送波形脉冲中嵌入脉冲的“心跳”。心跳可以包括偶发脉冲、随机生成的脉冲、周期性脉冲,或甚至载波可以被调制成激发波形(例如RF波形或机械激发,例如超声脉冲或其它激发介质)。可以在接收信号中检测脉冲,并且可以帮助对准所有不同发送信道的相位和定时,无论所有发送信道是否与同一时钟同步(由于有限取样率)。
TFM还可以利用从其它来源提供的其它信息,例如光学图像或声波图像的表面物理边缘或表面温度读数的红外测量、样本的及时位置等,可以与基本科学定律一起使用(麦克斯韦方程、生物传热Pennes方程、热力学定律等)以生成边界条件,并且可以提高收敛速度、降低收敛解的错误率。
当已经获得高于阈值的估计时或当更多计算资源可用于潜在地提取更多参数或获得对现有参数的更好拟合模型时,TFM使得能够重新扫描/重新测量或重新处理物理现象的测量。
TFM的软件平台可用于求解另一逆向问题,即,在给定一定体积的空间和材料的情况下,设计用于提取最小化成本的一组参数的最佳硬件。机器学习集群可以用于此目的以设计材料特定硬件,或者例如设计用于测量组织样本中的特定条件的特定硬件装置,例如,检测人类心脏组织中的钙。更具体的机器学习技术,例如GAN(生成性对抗网络)以开发深度学习(或其它基于机器学习的)算法,可以用于快速近似得出/求解这些逆向问题或在每一次迭代计算最佳激发。使用真实的物理模型来计算参数,系统可以利用所述物理模型开发可以用于训练神经网络(NN)的GAN,这可以产生非常精确的可扩展前向模型并且可以非常快地生成可用于训练深度学习系统的巨大合成训练数据量。
MRI是张力场映射的一个特例。张量场映射推广到其它类型的激发,不仅是无线电频谱中的电磁波,还有FOV内的其它能量和传感器测量类型,如超声波的机械激发。
对于扫描人体的具体使用情况,如果我们从人体解剖学的物理模型开始,我们可以将例如运动和解剖对象之类的东西并入到物理模型中,这将改善与其它正则化技术的拟合。
TFM的益处之一是其降低了具有近乎理想硬件的要求,这些硬件可以导致系统能够以更高的时空分辨率并行地测量参数、更加量化/可重复,并且显著更便宜。总之,这种技术并不是简单地允许利用它们来改善性能的非理想性,并且在未来设计需要在成本和性能方面优化以进行某种量化的空间-时间测量的硬件系统时可以考虑这种技术。
另外,TFM不限于预定义的取样方案,并且可以对所接收的激发信号执行选择性取样或过取样以获得更好的拟合(可以降低条件数)而不改变视场(FOV),这对于基于FFT的MRI是不可能的。基于k空间的方法也限于在视场(FOV)上使用整数空间频率,而TFM可以仅在时域信号上操作(不需要使用k空间并且被约束到整数空间频率),并且没有信息丢失。由于基于k空间的方法仅并有在FOV上具有整数特殊频率的信号,因此TFM可以在来自视场(FOV)的非空间频率的信号中拟合数据。虽然TFM也可以使用用于填充k空间并且适合它的读数,但这样做是不理想的,因为其舍弃k空间取样读数之间的数据点-因此TFM是MRI或其它基于k空间的测量和/或成像方法的推广。
在时域中使用可变密度的取样也可用于改善激发信号的捕获。密度函数可以取决于估计的信噪比(SNR)、历史信号或其它信息或因素。通过在时域取样中使用可变密度,可以改善拟合,可以压缩取样信号的大小并且可以减少处理信号所需的时间,并且可以更快地拟合激发信号。
基于标准FFT的MRI严重依赖于被认为是理想的硬件,并且所生成的脉冲序列是理想的并且忽略了发射激发和磁梯度的缺陷。用外行人的术语描述这种差的另一种方法是在波形信号通过前置放大器(非理想情况)之后,从信号生成器输出的波形(理想情况)或从波形生成器输出的波形。给定能够进行TFM的平台,基于情况的样本等效于具有一组配置参数的TFM的特定情况。实际上,通过减少自由参数的数量,可以利用TFM仅使用参数的子集(例如,FOV上的整数空间频率)来模拟MRI,例如TFM更抽象并且可以在TFM硬件和/或软件上容易地将MRI作为软件或硬件应用程序运行。
在TFM情况下,基于所有可用信息(系统缺陷、估计材料特性、在空间的每个位置处接收的激发信号等)来模拟每个体素的自旋演变,并且可以估计体素参数,使得所有体素的磁化信号的组合与来自MRI系统的测量信号匹配。
结合实际的系统缺陷允许改善每个体素的独立磁化的识别。系统缺陷可以类似地并入到机械激发系统或使用机械激发与电磁激发的组合的系统中。
在一个变化中,TFM可以被调整和简化以仅捕获时域中的接收信道并且将系统的其余部分表征为最理想的。在另一变化中,现有的临床接收线圈(用于接收电磁或机械激发或其组合)可以适用于TFM以包含以取样速率和位宽度操作以获取时域信号的数字转换器(例如,要捕获的信号的至少奈奎斯特频率,以及4位到2048位的适当位深度,具体取决于信号)。TFM适应线圈可以从获取中捕获多参数量化参数,并且可以并入于传统的临床MRI扫描器或超声装置中,从而在传统硬件上实现(尽管简化)TFM。
使用实际测量的波形(非理想情况)使得逆向问题得到更好的调节(例如,降低条件数),因为它并入了硬件中的缺陷。通过记录由硬件生成的实际脉冲序列波形,重建具有直接的好处。如果理想化的硬件完全实现或接近完美实现,则记录信号的相同技术仍然有用,信号将是理想的信号,并且还将改善重建。然而,很可能创建理想化硬件的成本将大于非理想化硬件的成本,甚至可能是非理想化硬件的使用更为可取-要么识别信号并使其与来自特定组信号生成硬件的噪声的独特签名相关联,要么检测硬件何时可能进入故障模式,或者甚至在信号重建时提供一些抖动效应。
张量场映射可以不限于RF脉冲。如前所述,只要存在描述那些激发的前向模型并且存在可以测量样本中的一定体积的空间的响应的传感器,就可以使用各种激发来“激发”空间区域。例如,在一些实施例中,可以使用机械激发。这可能涉及使用超声波或实际上“触摸”物体。此外,激发可以包含红外激光的相长/相消干涉以加热空间区域并且观察所述区域如何响应。一般来说,存在空间差,因为不同类型的材料具有不同的热力学特性并且可以按不同的速率吸收和发出热。在一些实施例中,激发可以包含电子束。
如前所述,前向模型的输入可以包含在测量期间指定硬件和/或软件的信息以及使用前向模型的模拟。软件输入可以包含:一个或多个前向模型,其描述样本状态、激发与样本响应之间的关系;一个或多个逆求解器;激发选择器,其选择下一组激发以施加到样本中的一定体积的空间,以优化目标函数(例如减少测量与模拟之间的误差或差);限定样本响应的参数;应用程序编程接口,其可用于指定激发;以及/或应用程序编程接口,其用于控制/读取测量装置中的传感器的信息。此外,硬件输入可以包含:生成器,其生成激发或将能量沉积或转移到样本中的空间体积中的不同方式;生成传感器,其测量生成激发的生成装置的输出;和/或测量传感器,其测量正被扫描的样本中的空间体积的响应。
应注意,来自表征技术的输出可以包含在扫描期间从样本测量传感器收集的一组原始时间序列信号(其可以用于生成张量场图的时间序列或流)。样本测量传感器可以包含任意数量的不同类型的传感器,其执行关于被扫描的空间体积的测量。另外,输出可以包含关于测量装置(例如MR扫描器)的信息,所述信息包含物理特性、参数和关于测量装置进行的测量以及其在扫描期间的性能。此外,来自表征技术的另一输出可以包含所谓的量化空间或Q空间,即,张量场图的时间序列。可以从逆求解器重建这些张量场图。张量场图可以被认为是具有3个空间x一个时间x N个测量维度的数据流,其中每个测量可以是向量或标量。例如,温度是标量,而流量是向量。应注意,张量场图中的空间分辨率是任意的,并且可能不需要在空间中均一或均匀地分布。因此,空间取样在某些区域可能比其它区域更高。此外,来自表征技术的另一输出可以包含正被扫描的样本中的空间体积的物理前向模型,并且可以从所生成的一系列张量场图中的一个或多个重建。使用前向模型,可以确定空间体积响应任意激发的方式。例如,如果扫描人,则可以使用前向MR模型来随后预测所述人的身体将如何响应任意外部磁场和/或任意RF脉冲序列。虽然张量场图和/或前向模型可以在扫描完成后重新计算任意次数以生成更高质量的结果(例如前向模型,但逆求解器随着时间的推移变得更好并且计算成本降低),但如前所述,执行张量场映射和对测量实时动态调整具有显著的优点。
在一些实施例中,计算几何引擎可以用于拟合参数空间中的表面,以帮助逆求解器通过找到组织边界来最小化误差。此外,可以使用男性或女性解剖结构的解剖模型来加速张量场图的确定以及参数与测量的收敛。此外,关于样本的历史信息(例如张量场映射的先前输出)可以用于帮助选择样本和/或解剖模型的初始值,以便更快地收敛于解。以此方式,可以相对于张量场映射的先前输出差分地执行随后的张量场映射。另外,张量场映射可以使用诊断平台,其整合或使用具有医学知识、已知组织签名、一个或多个个体的病史(例如遗传、表观遗传、关于转录组的信息、关于蛋白质组的信息、关于代谢组的信息、关于微生物组的信息等)的数据结构。
除了不需要专门的硬件之外,如前所述,所述表征技术可能不需要先前的训练或信息以便量化组织参数或自动对组织/结构进行分段。此外,所述表征技术可能不依赖于非确定性、统计或模式匹配技术。所述表征技术可以使用表示控制测量装置的物理学的方程以及其扫描的样本中的空间体积。只要物理在体积扫描期间没有改变,表征技术就可以用于快速确定张量场图。
在一些实施例中,表征技术可以基于其已经进行的测量的置信度和所生成的样本中的空间体积的前向模型来做出不做某事的决定。因此,使用是说表征技术,图1中的计算机系统120可以反省自身及其生成的输出。例如,计算机系统120可以终止不确定的MR扫描是,因为其在一定量的时间之后未能收敛。
替代地或另外,计算机系统120可以集成或包含治疗技术。明确地说,假设MR扫描器与一个或多个质子束生成器集成或通信,使得它能够在检测到恶性组织时消融恶性组织。此外,假设MR扫描器具有消融3D空间中的组织而不使用来自质子束的相长/相消干涉损害周围组织的方法。使用所述表征技术,计算机系统120可以在N次迭代之后决定N秒和/或生成张量场图的因素的组合,使得其不能在可接受的准确度/误差范围内(例如在组织的特性、其物理尺寸和空间位置等方面)生成被扫描的样本中的空间体积的物理前向模型。因此,计算机系统120可以确定尝试和消融相关组织的风险过大,因此,可以在扫描信息的输出中包含指示其发现其想要消融的组织但是不够确信能以安全的方式这样做的信息。
所述表征技术也可能具有优于神经网络的优点。现有的神经网络是广义函数近似器。例如,例如深度学习的技术通常使用先前的示例作为输入。通常,这些机器学习模型不可能确定它们试图近似于的实际函数,因为它们没有参考点用于估计其预测中的误差。明确地说,神经网络可能难以基于与其训练的示例非常不同的输入进行预测。在这方面,神经网络可以被认为是有损计算压缩引擎。相比之下,所述表征技术中的前向模型是基于物理学。因此,在所述表征技术中,函数是已知的,因此可以使用函数来计算响应而不是使用近似,因此所述表征技术可以用于确定其预测何时不可靠。
然而,因为神经网络是实际计算的有效近似/压缩,所以其可以在相同输入上以更少的计算能力执行得更快,代价或风险是不能可靠地识别输出(例如预测或模拟)的准确性降级的情况。因此,在一些实施例中,所述表征技术与一个或多个神经网络组合。因为神经网络是近似,并且其可能比完全模拟执行得更快,所以并行运行两者以使得一阶近似由神经网络给出可能是有益的。接着,可以并行地运行两个逆求解器。一个可以基于神经网络,另一个可以涉及蛮力计算。两个逆求解器之间的差可能是基于神经网络的方法中的误差。所述方法可以允许神经网络学习,因为纯模拟和数值方法可以能够向神经网络提供实时反馈并且向回传播/更新神经网络中的权重。这种混合方法仍然不要求或不需要先验训练,但能够利用大型神经网络的模式匹配优势以及表征技术中模拟/数值技术的确定性和准确性。当混合方法具有与用于训练它的任何示例不同的输入时,可以辅助神经网络。类似地,混合方法可以用于直接从时域测量转为量化/参数化输出(即,逆向问题输出)。
我们现在描述表征技术的其它实施例。因为表征技术允许基于MR模型中的参数生成估计MR信号,所以可以基于用户或操作者的指令生成一系列加权的MR图像。例如,可以基于用户指令动态地改变MR图像中的T1或T2加权(或耀斑)。这在图8中示出,其呈现了说明用于提供动态弛豫时间加权的MR图像的方法800的流程图,所述方法可以由系统(例如图1中系统100)来执行。在操作期间,所述系统可以基于与样本相关联的MR信号的测量来确定样本的磁响应的正向模型中的参数(操作810),同时将外部磁场和RF脉冲序列施加到样本。
接着,系统可以基于测量值、参数、前向模型以及沿着平行于外部磁场的方向的纵向弛豫时间与沿着垂直于外部磁场的方向的横向弛豫时间的比率来计算弛豫时间加权MR图像(操作812)。
此外,系统可以提供弛豫时间加权MR图像(操作814)。
随后,系统可以接收指定对所述比率的更新的用户输入(操作816)。例如,用户可以调整在触敏显示器上显示的用户界面中的一个或多个虚拟滑块,其指定T1、T2或比率。
此外,系统可以基于测量值、参数、前向模型和更新后的比率来计算修正后的弛豫时间加权MR图像(操作818)。
接下来,系统可以提供修正后的弛豫时间加权MR图像(操作820)。
应注意,方法800中的“图像”不限于信息的2D表示。明确地说,在测量期间外部磁场方向变化的实施例中,所确定的参数可以包含关于多个不同轴或方向的信息(并且更一般来说,基础向量)。因此,MR模型中的参数可以包含样本相对于许多不同基础向量的不同特性的3D信息。因此,在一些实施例中,“图像”应被理解为包含所获取信息的3D或更高维表示。
图9呈现了说明图1中的系统100中的组件之间的通信的图。明确地说,计算机系统114中的处理器118可以访问存储器120中的信息910,例如样本的测量MR信号。使用此信息,处理器118可以分析信息910来确定参数912,例如T1或T2。所述分析可以包括:配准、对准、分段、确定MR模型中的参数、使用MR模型模拟或估计MR信号,和/或测量的MR信号与一个或多个模板的比较。在分析期间,处理器118可以访问存储器120中的额外信息914。处理器118还可以将参数912存储在存储器120中。
接着,处理器118可以基于MR信号、参数912、前向MR模型以及T1与T2(或T2与T1)的比率来计算弛豫时间加权MR图像916。此外,处理器118可以指示接口电路116将弛豫时间加权MR图像916提供到计算机918,所述计算机可以由放射科医师使用。
在接收到弛豫时间加权MR图像916之后,计算机918中的接口电路920可以将弛豫时间加权MR图像916提供到处理器922。此外,处理器922可以向显示器926提供指令924以显示弛豫时间加权MR图像916。
接下来,处理器922可以接收用户输入928。例如,显示器926可以是触敏显示器,并且用户输入928可以基于用户与显示器926上显示的用户界面(具有虚拟图标)的交互。替代地或另外,用户输入928可以由用户使用例如键盘、鼠标等的物理用户界面装置来提供。用户输入928可以指定T1、T2和/或对T1与T2(或T2与T1)的比率的更新。
作为响应,处理器922可以指示接口电路920将指定T1与T2的更新后的比率的信息930提供到计算机系统114。在接收到信息930之后,接口电路116可以将更新后的T1与T2的比率提供到处理器118,并且处理器118可以基于MR信号、参数912、前向MR模型和T1与T2的更新后的比率来计算修正后的弛豫时间加权MR图像932。此外,处理器118可以指示接口电路116将弛豫时间加权MR图像932提供到计算机918。
在接收到弛豫时间加权MR图像932之后,计算机918中的接口电路920可以将弛豫时间加权MR图像932提供到处理器922。此外,处理器922可以向显示器926提供指令934以显示弛豫时间加权MR图像932。
与通常提供有限的一组特性的定性或“加权”测量的MRI或MRSI的现有方法相比,所述表征技术可以促进关于样本的更丰富和更动态的量化信息。例如,如图10所示,其呈现了说明用户界面1000的图,区域1010可以呈现或显示弛豫时间加权磁共振图像1012。所述弛豫时间加权磁共振图像可以对应于外部磁场和RF脉冲序列被施加到样本时与样本相关联的MR信号的测量、样本的磁响应的前向模型中的参数、前向模型和T1与T2(或T2与T1)的比率。在一些实施例中,当生成弛豫时间加权磁共振图像时,使用T2*代替T2。
此外,图形用户界面1000可以包含一个或多个虚拟图标(如滑块1014),其允许用户修改或更新T1与T2的比率。如图11所示,其呈现了说明使用虚拟图标1014N响应于用户对T1与T2的比率的修改(例如,通过将滑块滑动到新位置)的图形用户界面1100的图,区域1010可以显示修正后的弛豫时间加权MR图像1016,所述修正后的弛豫时间加权MR图像1016对应于MR信号的测量、参数、正向模型以及T1与T2的修正后的比率。因此,所述表征技术可用于生成和/或呈现可动态调整的T1和/或T2加权图像。
我们现在描述表征技术和方法300(图3)的更通用的版本。图12呈现说明确定与样本相关联的参数的方法1200的流程图,所述方法可以由系统(例如,图1中的系统100执行)。在操作期间,系统可以将外部磁场和RF脉冲序列施加到样本(操作1210)。
接着,系统可以测量与样本相关联的磁化的至少一个分量(操作1212)。
此外,系统可以基于磁化的测量分量、前向模型、外部磁场和RF脉冲序列,计算与样本相关联的体素的磁化的至少一个预测或估计分量(操作1214)。
接下来,系统可以通过按所述前向模型迭代地修改与所述体素相关联的所述参数(操作1216),直到所述磁化的所述预测分量与所述磁化的所述测量分量之间的差小于预定义值来求解逆向问题。应注意,参数可以包括一种核的密度、沿着与外部磁场平行的方向的纵向弛豫时间(例如T1)和沿着垂直于外部磁场的方向的横向弛豫时间(例如T2或T2*)。
此外,迭代修改可以基于使用牛顿方法的雅可比矩阵。此外,可以基于使用磁化的至少所述分量的先前测量确定的参数来约束迭代修改。替代地或另外,参数的初始值可以在样本中不同类型组织的预定义参数范围内。
在一些实施例中,系统任选地执行一个或多个额外操作(操作1218)。例如,系统可以基于沿着体素之间的方向的至少一些参数的不连续变化来对样本中的组织类型进行分段。此外,可以在不对磁化的测量分量执行傅立叶变换的情况下确定参数。此外,磁化分量和迭代修改后的计算可以与磁化分量的测量同时进行。
另外,系统可以在测量期间根据时间改变外部磁场的量值和方向中的至少一个。例如,系统可以:修改所述外部磁场和所述射频脉冲序列中的至少一个;在所述样本已完全弛豫之前或在不重置所述样本的状态的情况下,将所述修改后的外部磁场和所述射频脉冲序列中的至少一个施加到所述样本;测量磁化分量的至少一个第二实例;基于所述磁化的所述分量的所述所测量第二实例、所述前向模型、所述修改后的外部磁场或所述修改后的射频脉冲序列,计算与所述样本相关联的所述体素的所述磁化的所述预测分量的至少一个第二实例;以及通过按所述前向模型迭代地修改与所述体素相关联的所述参数,直到所述磁化的所述预测分量的所述第二实例与所述磁化的所述测量分量的所述第二实例之间的差小于所述预定义值来求解所述逆向问题。此外,所述系统可以基于前向模型、外部磁场和RF脉冲序列确定样本的动态状态,其中在计算所述磁化的所述预测分量的所述第二实例时,所述修改后的外部磁场和所述修改后的RF脉冲序列中的至少一个被施加到所述样本时的所述动态状态被用作初始条件。因此,表征技术可以允许连续测量和修改参数。应注意,可以选择所述修改后的外部磁场和所述修改后的RF脉冲序列中的至少一个,以最小化所述磁化的所述预测分量的所述第二实例与所述磁化的所述测量分量的所述第二实例之间的差。
此外,如先前参考图6所描述,可以基于与参数相关联的时间标度顺序地确定参数,并且可以首先确定具有最短时间标度的参数。
在方法300(图3)、800(图8)和/或1200(图12)的一些实施例中,可以存在额外的或更少的操作。此外,可以改变操作的顺序,和/或可以将两个或更多个操作组合成单个操作。
图13呈现了说明图1中的系统100中的组件之间的通信的图。明确地说,计算机系统114中的处理器118可以访问存储器120中的信息1310。使用所述信息,处理器118可以确定扫描计划1312和扫描指令1314。接着,处理器118可以经由接口电路116将扫描指令1314提供到MR扫描器110。
在接口电路244接收到扫描指令1314之后,处理器1316可以执行它们,以便MR扫描器110执行初始MR扫描1318。在MR扫描1318期间,MR扫描器110可以基于扫描指令1314将外部磁场和RF脉冲序列施加到样本,并且可以获取或捕捉MR信号1320,所述MR信号被提供到计算机系统114。
处理器118可以分析MR信号1320以确定样本的MR模型中的参数1322。在分析期间,处理器118可以基于MR信号1320、前向MR模型、外部磁场和RF脉冲序列,计算与样本相关联的体素的磁化的至少一个预测或估计分量。此外,在分析期间,处理器118可以访问存储器120中的额外信息1324。
基于MR信号1320与估计MR信号之间的残差,处理器118可以动态地更新扫描计划1326。接着,处理器118可以确定更新后的扫描指令1328,其被提供到MR扫描器110。
在MR扫描器110接收到扫描指令1328之后,处理器1316可以执行它们,以便MR扫描器110执行MR扫描1330。在MR扫描1330期间,MR扫描器110可以获取或捕捉MR信号1332,其被提供到计算机系统114。
应注意,处理器118可以重复上述操作中的一个或多个,直到完成个体的MR扫描和/或实现一个或多个确定的参数1322的所需准确度。因此,处理器118可以通过按前向MR模型迭代地修改与体素相关联的参数1322,直到所述预测MR信号与测量的MR信号之间的差小于一个预定义值来求解逆向问题。处理器118还可以将信息1334(例如MR信号、元数据和其它相关信息)存储在存储器120中。
另外,计算机系统114可以向第三方(例如放射科医师)提供关于MR扫描的信息1336,例如提供到与第三方相关联的计算机1338。随后,计算机1338可以提供来自第三方的反馈1340,其用于更新当前扫描计划、未来扫描计划、推荐的未来扫描时间、一个或多个模板等。
在张量场映射的示例性实施例中,任选地将偏振场施加到样本。接着,对样本施加激发。应注意,激发场可以不是一个或多个RF脉冲。此外,测量样本对激发的响应。在一些实施例中,还测量来自测量装置的信号输入和输出(例如RF脉冲或磁场不均匀性、关于MR扫描器的信息等)。接下来,使用正向模型来模拟样本的响应。此外,基于测量的响应与样本的模拟或预测响应之间的差,迭代地修改前向模型中的参数。
因此,通过使用一种或多种非侵入性成像或测量技术,可以使用非侵入性成像或测量与模拟或计算的测量量化的比较来迭代地更新具有表征或描述样本中的体素的参数的预测模型。
虽然前面的论述说明在表征技术使用MR技术,但这种方法可以被推广到能够物理建模并使用各种各样的测量技术实时测量材料的测量系统。通常,所述测量系统可以使用机械和/或电磁波的组合来“扰动”或“激发”被扫描的体积,以便根据体积如何响应扰动来评估预测的正确性。这还包含测量系统能够模拟自身和测量系统所处环境的任何部分,这可能影响测量系统试图生成以描述被扫描或测量的体积的预测模型的正确性或准确性。
应注意,不同的测量技术可以提供张量场映射和检测张量场中的异常的能力。这些图可以是图像或量化张量场图,并且每个测量技术可以提供用不同测量技术捕获的不同类型的张量场图的可视化。通过查看或考虑这些图中的两个或更多个,测量系统可以访问正交信息。
因此,测量系统可以提供一种方式来实时或接近实时地捕捉3D空间的每个体素处的高阶或超维伪或混合张量或矩阵。使用电磁和/或机械扰动或激发,测量系统可以使用不同的测量技术来测量干扰和响应,接着模拟响应。此外,测量系统可以基于测量的响应与模拟的响应之间的差来迭代所述过程。例如,在迭代期间,可以修改取样频率、测量技术等以确定随后用于改善模拟并且减小差的额外信息。换句话说,可以选择下一个扰动或干扰以最小化跨越超维空间的差的误差。应注意,此调适或学习可以基于一个或多个监督学习技术(例如深度学习技术、支持向量机、分类和回归树、逻辑回归、线性回归、非线性回归、神经网络、模式识别、贝叶斯技术等)和/或非确定性的方法(例如启发式)。
因此,体素处的超维矩阵可能不具有固定分辨率和/或固定参数集。相反,所述信息(例如矩阵的稀疏性)可以基于先前扫描和/或当前扫描的结果而变化。例如,粗扫描之后可以进行基于例如先前知识(例如,一个或多个个体的病史,等)的约束而感兴趣的特定区域或特征的精细分辨率扫描。
此表征的结果可以是被扫描体积的(4+N)D(三个空间维度、一个时间维度和空间中每个点处的N个测量维度)量化模型。因此,表征技术可以涉及不同于MRI的MR技术或者可以包含MRI。应注意,(4+N)D量化模型可以投影到全(4+N)D空间的任意子集上,包含2D或3D图像。
在一些实施例中,利用多维数据和模型相对于常规的MRI方法提供了增强的诊断准确性(即,较低的假阳性率),即使使用较大的体素大小也是如此。因此,所述表征技术可以允许以比常规MRI中所需的更大的体素大小来提高诊断准确度。然而,如前所述,除了MRI之外,表征技术可以与各种测量技术一起使用。
我们现在进一步描述一种电子装置,其执行表征技术中的至少一些操作。图14呈现了说明系统100(图1)中的电子装置1400的框图,例如计算机系统114(图1)或系统100(图1)中的另一计算机控制组件。此电子装置包含处理子系统1410、存储器子系统1412和网络子系统1414。处理子系统1410可以包含被配置成执行计算操作,并且控制系统100中的组件(图1)的一个或多个装置。例如,处理子系统1410可以包含一个或多个微处理器、一个或多个图形处理单元(GPU)、专用集成电路(ASIC)、微控制器、可编程逻辑装置和/或一个或多个数字信号处理器(DSP)。
存储器子系统1412可以包含用于存储用于处理子系统1410和网络子系统1414的数据和/或指令的一个或多个装置。例如,存储器子系统1412可以包含动态随机存取存储器(DRAM)、静态随机存取存储器(SRAM)和/或其它类型的存储器。在一些实施例中,用于处理存储器子系统1412中的子系统1410的指令包含一个或多个程序模块1424或指令集,其可以由处理子系统1410在操作环境(例如操作系统1422)中执行。应注意,所述一个或多个计算机程序可以构成计算机程序机构或程序模块(即,软件)。此外,存储器子系统1412中的各种模块中的指令可以实施为:高级过程语言、面向对象的编程语言,和/或汇编或机器语言。此外,可以编译或解释例如可配置或配置(其在此论述中可以互换使用)的编程语言,以由处理子系统1410来执行。
另外,存储器子系统1412可以包含用于控制对存储器的访问的机制。在一些实施例中,存储器子系统1412包含存储器层级,其包括联接到电子装置1400中的存储器的一个或多个高速缓存。在这些实施例的一些中,一个或多个高速缓存位于处理子系统1410中。
在一些实施例中,存储器子系统1412联接到一个或多个高容量大容量存储装置(未示出)。例如,存储器子系统1412可以联接到磁或光驱动器、固态驱动器或其它类型的大容量存储装置。在这些实施例中,存储器子系统1412可以由电子装置1400用作常用数据的快速访问存储器,而大容量存储装置用于存储较不频繁使用的数据。
在一些实施例中,存储器子系统1412包含远程定位的存档装置。所述存档装置可以是高容量网络连接的大容量存储装置,例如:网络附接存储装置(NAS)、外部硬盘驱动器、存储服务器、服务器集群、云存储提供商、云计算提供商、磁带备份系统、医疗记录存档服务和/或其它类型的存档装置。此外,处理子系统1410可以经由应用程序编程接口与存档装置交互以存储和/或访问来自存档装置的信息。应注意,存储器子系统1412和/或电子装置1400可以符合健康保险可携性和责任法案。
在存储器子系统1412中存储(本地和/或远程)的数据的示例在图15中示出,所述图呈现了说明由电子装置1400(图14)使用的数据结构1500的示例的图。所述数据结构可以包含:个体1508-1的识别符1510-1、标签信息1512(例如年龄、性别、活检结果和诊断(如果已经进行)和/或任何其它合适的样本信息)、获取数据时的时间戳1514、所接收MR信号1516(更一般来说,原始数据)、MR捕获和模型参数1518(包含体素大小、速度、共振频率、T1和T2弛豫时间、信号处理技术、RF脉冲技术、磁梯度强度、可变磁场B0、脉冲序列等)、元数据1520(例如表征个体1508-1的信息、人口统计信息、家族历史、任选的分段数据、从原始数据生成或响应于原始数据的数据等)、环境条件1522(例如房间或测量个体1508-1的室内的温度、湿度和/或气压)、所确定的不变MR签名1524(或MR模型)、个体1508-1的物理特性的一个或多个额外测量1526(例如体重、尺寸、图像等)、由MR信号1516产生或响应于MR信号的变换数据1528(例如估计的不变MR签名)、任选的检测到的异常1530(对于特定体素,其可以包含指定检测到的异常1530中的一个或多个的信息)、检测到的异常1530的任选分类1532、配准信息1534和/或分段信息1536。应注意,数据结构1500可以包含用于不同扫描指令的多个条目。
在一个实施例中,使用区块链或类似的加密散列技术来加密数据结构1500中的数据,以检测对记录的未授权修改或损坏。此外,数据可以在存储之前被匿名化,以便个体的身份是匿名的,除非个体给予访问或释放个体身份的许可或授权。
返回参考图14,网络子系统1414可以包含被配置成联接到有线、光学和/或无线网络或在其上进行通信(例如,以执行网络操作,并且更一般来说,通信)的一个或多个装置,包含:控制逻辑1416、接口电路1418、一个或多个天线1420和/或输入/输出(I/O)端口1428。(虽然图14包含一个或多个天线1420,在一些实施例中,电子装置1400包含一个或多个节点1408,例如,衬垫或连接器,其可以联接到一个或多个天线1420。因此,电子装置1400可以包含或不包含一个或多个天线1420。)例如,网络子系统1414可以包含蓝牙网络系统(其可以包含蓝牙低能量、BLE或蓝牙LE)、蜂窝网络系统(例如,3G/4G网络,例如UMTS、LTE,等)、通用串行总线(USB)网络系统、基于IEEE 802.11中描述的标准的网络系统(例如,Wi-Fi网络系统)、以太网网络系统,和/或另一网络系统。
此外,网络子系统1414可以包含处理器、控制器、无线电/天线、插座/插头和/或用于联接、通信和处理每个支持的网络系统的数据和事件的其它装置。应注意,用于为每个网络系统联接、通信和处理网络上的数据和事件的机构有时统称为网络子系统1414的“网络接口”。此外,在一些实施例中,系统100(图1)中的组件之间的“网络”尚不存在。因此,电子装置1400可以使用网络子系统1414中的机构来执行组件之间的简单无线通信,例如,发射广告或信标帧和/或扫描由其它组件发送的广告帧。
在电子装置1400内,处理子系统1410、存储器子系统1412、网络子系统1414可以使用一个或多个互连件(例如总线1426)联接。这些互连件可以包含电、光和/或电光连接,子系统可以使用这些连接来相互传递命令和数据。尽管为了清楚起见仅说明了一个总线1426,但是不同的实施例可以包含子系统之间的电、光和/或电光连接的不同数量或配置。
电子装置1400可能(或可以)包含在各种电子装置中。例如,电子装置1400可以包含在:平板电脑、智能手机、智能手表、便携式计算装置、测试设备、数字信号处理器、计算装置集群、膝上型计算机、台式计算机、服务器、子笔记本/上网本和/或其它计算装置中。
尽管使用特定组件来描述电子装置1400,但在替代实施例中,电子装置1400中可以存在不同的组件和/或子系统。例如,电子装置1400可以包含一个或多个额外处理子系统、存储器子系统和/或网络子系统。另外,一个或多个子系统可以不存在于电子装置1400中。此外,在一些实施例中,电子装置1400可以包含图14中未示出的一个或多个额外子系统。
尽管图14中示出了单独的子系统,但在一些实施例中,给定子系统或组件中的一些或全部可以集成到电子装置1400中的一个或多个其它子系统或组件中。例如,在一些实施例中,一个或多个程序模块1424包含在操作系统1422中。在一些实施例中,给定子系统中的组件包含在不同的子系统中。此外,在一些实施例中,电子装置1400位于单个地理位置或分布在多个不同的地理位置。
此外,电子装置1400中的电路和组件可以使用模拟和/或数字电路的任何组合来实施,包含:双极、PMOS和/或NMOS栅极或晶体管。此外,这些实施例中的信号可以包含具有近似离散值的数字信号和/或具有连续值的模拟信号。另外,组件和电路可以是单端或差分的,电源可以是单极或双极的。
集成电路可以实施网络子系统1414(例如无线电)的一些或全部功能,并且更一般来说,实施电子装置1400的一些或全部功能。此外,集成电路可以包含硬件和/或软件机构,其用于从电子装置1400发射无线信号并且在电子装置1400处从系统100(图1)中的其它组件和/或从系统100(图1)外部的电子装置接收信号。除了这里描述的机构之外,无线电通常是本领域公知的,因此不再详细描述。通常,网络子系统1414和/或集成电路可以包含任何数量的无线电。应注意,多无线电实施例中的无线电以与单无线电实施例中描述的无线电类似的方式起作用。
虽然前述实施例中的一些操作是以硬件或软件实施,但一般而言,前述实施例中的操作可以按各种各样的配置和架构实施。因此,前述实施例中的一些或所有操作可以用硬件、软件或两者来执行。
另外,在一些前述实施例中,存在更少的组件、更多的组件,组件的位置被改变和/或两个或更多个组件被组合。
虽然前面的论述说明了用于求解向量波方程的表征技术,但是在其它实施例中,表征技术可以用于求解标量方程。例如,可以使用前向模型基于超声测量在任意非均匀介质中求解声波方程。(因此,在一些实施例中,激发可以是机械的。)应注意,在超声测量的声学耦合可取决于操作者(即,超声测量可以是压力相关的)。尽管如此,类似的方法可用于:改善超声成像、确定3D结构、促进改善的呈现等。
在前面的描述中,我们参考“一些实施例”。应注意,“一些实施例”描述了所有可能实施例的子集,但并不始终指定相同的实施例子集。
前面的描述旨在使本领域的任何技术人员能够制作和使用本公开,并且在特定应用及其要求的背景下提供。此外,仅出于说明和描述的目的呈现了本公开的实施例的前述描述。它们并非旨在穷举或将本公开限制于所公开的形式。因此,对于本领域技术人员来说,许多修改和变化是显而易见的,并且在不脱离本公开的精神和范围的情况下,本文定义的一般原理可以施加到其它实施例和应用。另外,前述实施例的论述不旨在限制本公开。因此,本公开不旨在限于所示的实施例,而是与符合本文公开的原理和特征的最宽范围相一致。
Claims (20)
1.一种包括用于确定与样本相关联的参数的一组操作的方法,包括:
使用源向所述样本施加激发,其中所述激发具有至少一个波长和强度或通量,并且其中所述激发包括下列项之一:电磁辐射、粒子束、声波、磁场或电场;
使用测量装置测量与所述样本相关联的对所述激发的响应;
基于所测量的响应、前向模型和所述激发,计算针对与所述样本相关联的体素的所述响应的至少一个预测值;以及
通过按所述前向模型迭代地修改与所述体素相关联的所述参数,直到所述响应的所述预测值与所测量的响应之间的差小于预定义值来求解逆向问题,其中所述前向模型使用微分或现象学方程针对选自一系列测量条件的具有给定波长和给定强度或给定通量的给定激发模拟所述样品内发生的物理,所述一系列测量条件包括所述激发、所述波长、和所述强度或所述通量,以及至少一个不同的波长和至少一个不同的强度或不同的通量。
2.根据权利要求1所述的方法,其中所述样本的状态在所述一组操作的实例之间没有弛豫到预定义状态或者没有重置到所述预定义状态,使得所述样本在所述一组操作的至少一些相邻实例之间具有动态状态。
3.根据权利要求2所述的方法,其中所述前向模型还包括与所述样本的所述动态状态相关联的误差项。
4.根据权利要求1所述的方法,其中所述激发是以下之一:x射线波段的电磁束、中子束、电子束、光学波段的电磁束、红外波段的电磁束、超声波段的声波、质子束、与阻抗测量装置相关联的所述电场,或者与磁敏度测量装置相关联的所述磁场。
5.根据权利要求1所述的方法,其中基于在所述一组操作的至少一个先前实例期间确定的所述模型参数来约束对所述模型参数的修改。
6.根据权利要求1所述的方法,其中所述样本包括不同类型的组织;并且
其中所述模型参数的初始值在所述样本中存在的所述不同类型的组织的预定义参数范围内。
7.根据权利要求1所述的方法,其中所述样本包括不同类型的组织;并且
其中所述方法还包括基于沿着所述样本的表示中的相邻体素之间的方向的所述模型参数中的至少一些不连续变化来对所述样本中存在的所述组织类型进行分段。
8.根据权利要求1所述的方法,其中在所述一组操作的给定实例期间,所述响应的所述计算和对所述模型参数的迭代修改与所述响应的所述测量同时执行。
9.根据权利要求1所述的方法,其中所述方法包括在求解所述逆向问题的同时改变所述激发;并且
其中所述激发的所述改变被选择为减小所述差。
10.根据权利要求1所述的方法,其中所述方法还包括至少部分地基于所述波长和所述强度或所述通量,使用所述前向模型来确定所述样本的当前动态状态;并且
其中所确定的当前动态状态被用作在所述一组操作的后续实例中发生的计算和求解操作中的初始条件。
11.根据权利要求1所述的方法,其中基于与所述模型参数相关联的时间标度来在所述一组操作的实例中顺序地确定所述模型参数;并且
其中首先确定具有最短时间标度的模型参数。
12.一种与计算机系统结合使用的非暂时性计算机可读存储介质,所述计算机可读存储介质被配置成存储程序指令,所述程序指令在由所述计算机系统执行时使所述计算机系统执行一组操作,所述一组操作包括:
使用源向样本施加激发,其中所述激发具有至少一个波长和强度或通量,并且其中所述激发包括下列项之一:电磁辐射、粒子束、声波、磁场或电场;
使用测量装置测量与所述样本相关联的对所述激发的响应;
基于所测量的响应、前向模型和所述激发,计算针对与所述样本相关联的体素的所述响应的至少一个预测值;以及
通过按所述前向模型迭代地修改与所述体素相关联的参数,直到所述响应的所述预测值与所测量的响应之间的差小于预定义值来求解逆向问题,其中所述前向模型使用微分或现象学方程针对选自一系列测量条件的具有给定波长和给定强度或给定通量的给定激发模拟所述样品内发生的物理,所述一系列测量条件包括所述激发、所述波长、和所述强度或所述通量,以及至少一个不同的波长和至少一个不同的强度或不同的通量。
13.根据权利要求12所述的非暂时性计算机可读存储介质,其中所述样本的状态在所述一组操作的实例之间没有弛豫到预定义状态或者没有重置到所述预定义状态,使得所述样本在所述一组操作的至少一些相邻实例之间具有动态状态。
14.根据权利要求13所述的非暂时性计算机可读存储介质,其中所述前向模型还包括与所述样本的所述动态状态相关联的误差项。
15.根据权利要求12所述的非暂时性计算机可读存储介质,其中所述操作包括在求解所述逆向问题的同时改变所述激发;并且
其中所述激发的所述改变被选择为减小所述差。
16.一种系统,包括:
源,其被配置为提供激发,其中所述激发包括以下中的至少一个:x射线波段的电磁束、中子束、电子束、光学波段的电磁束、红外波段的电磁束、超声波段的声波、质子束、与阻抗测量装置相关联的电场,或者与磁敏度测量装置相关联的磁场;
测量装置,其被配置为执行测量,其中所述测量装置包括以下中的至少一个:x射线检测器、中子检测器、电子检测器、光学检测器、红外检测器、超声检测器、质子检测器、所述阻抗测量装置或所述磁敏度测量装置;
计算装置,其耦合到所述源、所述测量装置和存储器,被配置为执行程序指令;以及
所述存储器,其耦合到所述计算装置,被配置为存储所述程序指令,所述程序指令在由所述计算装置执行时使所述系统执行一组操作,所述一组操作包括:
使用所述源向样本施加激发,其中所述激发具有至少一个波长和强度或通量,并且其中所述激发包括下列项之一:电磁辐射、粒子束、声波、磁场或电场;
使用所述测量装置测量与所述样本相关联的对所述激发的响应;
基于所测量的响应、前向模型和所述激发,计算针对与所述样本相关联的体素的所述响应的至少一个预测值;以及
通过按所述前向模型迭代地修改与所述体素相关联的参数,直到所述响应的所述预测值与所测量的响应之间的差小于预定义值来求解逆向问题,其中所述前向模型使用微分或现象学方程针对选自一系列测量条件的具有给定波长和给定强度或给定通量的给定激发模拟所述样品内发生的物理,所述一系列测量条件包括所述激发、所述波长、所述强度或所述通量,以及至少一个不同的波长和至少一个不同的强度或不同的通量。
17.根据权利要求16所述的系统,其中所述样本的状态在所述一组操作的实例之间没有弛豫到预定义状态或者没有重置到所述预定义状态,使得所述样本在所述一组操作的至少一些相邻实例之间具有动态状态。
18.根据权利要求17所述的系统,其中所述前向模型还包括与所述样本的所述动态状态相关联的误差项。
19.根据权利要求16所述的系统,其中在所述一组操作的给定实例期间,所述响应的所述计算和对所述模型参数的迭代修改与所述响应的所述测量同时执行。
20.根据权利要求16所述的系统,其中所述操作包括在求解所述逆向问题的同时改变所述激发;并且
其中所述激发的所述改变被选择为减小所述差。
Applications Claiming Priority (10)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15/169,719 | 2016-05-31 | ||
US15/169,719 US10194829B2 (en) | 2015-07-07 | 2016-05-31 | Fast scanning based on magnetic resonance history |
US201662366085P | 2016-07-24 | 2016-07-24 | |
US62/366,085 | 2016-07-24 | ||
US15/362,808 US10222441B2 (en) | 2016-04-03 | 2016-11-28 | Tensor field mapping |
US15/362,808 | 2016-11-28 | ||
US201762501712P | 2017-05-04 | 2017-05-04 | |
US62/501,712 | 2017-05-04 | ||
PCT/US2017/035071 WO2017210225A1 (en) | 2016-05-31 | 2017-05-30 | Tensor field mapping |
CN201780033680.9A CN110140042B (zh) | 2016-05-31 | 2017-05-30 | 张量场映射 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780033680.9A Division CN110140042B (zh) | 2016-05-31 | 2017-05-30 | 张量场映射 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116242872A true CN116242872A (zh) | 2023-06-09 |
Family
ID=60477865
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780033680.9A Active CN110140042B (zh) | 2016-05-31 | 2017-05-30 | 张量场映射 |
CN202310283263.7A Pending CN116242872A (zh) | 2016-05-31 | 2017-05-30 | 张量场映射 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780033680.9A Active CN110140042B (zh) | 2016-05-31 | 2017-05-30 | 张量场映射 |
Country Status (5)
Country | Link |
---|---|
EP (1) | EP3465186A4 (zh) |
JP (1) | JP7152956B2 (zh) |
KR (2) | KR102354723B1 (zh) |
CN (2) | CN110140042B (zh) |
WO (1) | WO2017210225A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116755093A (zh) * | 2023-08-18 | 2023-09-15 | 中国电子科技集团公司第十四研究所 | 一种改善扫描极化sar模糊的方法、装置及计算机介质 |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3749973A4 (en) * | 2018-02-07 | 2021-11-03 | The Medical College of Wisconsin, Inc. | MULTI-RESOLUTION QUANTITATIVE SUSCEPTIBILITY MAPPING WITH MAGNETIC RESONANCE IMAGING |
EP3581953A1 (en) | 2018-06-11 | 2019-12-18 | Koninklijke Philips N.V. | A method for configuring a rf transmit assembly |
KR102297511B1 (ko) * | 2019-02-14 | 2021-09-03 | 서울대학교 산학협력단 | 펄스 쉐이핑 방법 및 이를 위한 장치 |
US11354586B2 (en) | 2019-02-15 | 2022-06-07 | Q Bio, Inc. | Model parameter determination using a predictive model |
ES2804151A1 (es) * | 2019-08-02 | 2021-02-04 | Univ Valencia Politecnica | Metodo y aparato de adquisicion de imagenes de un objeto por resonancia magnetica, mediante el uso de campos magneticos inhomogeneos variables en el tiempo |
US11854281B2 (en) | 2019-08-16 | 2023-12-26 | The Research Foundation For The State University Of New York | System, method, and computer-accessible medium for processing brain images and extracting neuronal structures |
BR112022004126A2 (pt) * | 2019-09-27 | 2022-05-31 | Q Bio Inc | Imageamento paralelo de maxwell |
US11280867B2 (en) * | 2019-11-08 | 2022-03-22 | The Chinese University Of Hong Kong | System and method for quantitative magnetization transfer imaging based on spin-lock |
CN111193618B (zh) * | 2019-12-20 | 2021-05-25 | 山东大学 | 一种基于张量计算的6g移动通信系统及其数据处理方法 |
CN111063391B (zh) * | 2019-12-20 | 2023-04-25 | 海南大学 | 一种基于生成式对抗网络原理的不可培养微生物筛选系统 |
CN111144014B (zh) * | 2019-12-30 | 2023-03-28 | 西安电子工程研究所 | 一种基于fpga的二维平面相控阵天线配相算法实现方法 |
CN111833348B (zh) * | 2020-08-10 | 2023-07-14 | 上海工程技术大学 | 一种基于图像处理的血管沉积物自动检测方法 |
CN112085174A (zh) * | 2020-10-21 | 2020-12-15 | 广东工业大学 | 一种卷积神经网络优化方法、装置和设备 |
CN112539852B (zh) * | 2020-11-03 | 2022-09-27 | 应葵 | 基于生物传热模型的磁共振温度成像方法及系统 |
CN114224382B (zh) * | 2021-12-17 | 2023-09-15 | 重庆医科大学 | 粘弹性测量方法及其系统 |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6392409B1 (en) * | 2000-01-14 | 2002-05-21 | Baker Hughes Incorporated | Determination of T1 relaxation time from multiple wait time NMR logs acquired in the same or different logging passes |
DE202005002233U1 (de) * | 2004-08-28 | 2005-04-28 | Universität Zürich Prorektorat Forschung | Vorrichtung zur Messung räumlich aufgelöster frequenzselektiver Bilder |
US8070682B2 (en) * | 2006-07-19 | 2011-12-06 | The University Of Connecticut | Method and apparatus for medical imaging using combined near-infrared optical tomography, fluorescent tomography and ultrasound |
DE102007036564B4 (de) | 2007-08-03 | 2009-07-09 | Siemens Ag | Verfahren zur gewebespezifischen Optimierung von Bildgebungsparametern |
US20090240138A1 (en) * | 2008-03-18 | 2009-09-24 | Steven Yi | Diffuse Optical Tomography System and Method of Use |
DE102008029897B4 (de) * | 2008-06-24 | 2017-12-28 | Siemens Healthcare Gmbh | Verfahren zur Erfassung von MR-Daten eines Messobjektes bei einer MR-Untersuchung in einer Magnetresonanzanlage und entsprechend ausgestaltete Magnetresonanzanlage |
DE102008061455B4 (de) * | 2008-12-10 | 2011-03-17 | Siemens Aktiengesellschaft | Verfahren und Vorrichtung zur Bestimmung einer vorbestimmten Signalamplitude bei MR-Messungen |
DE102009045464B4 (de) * | 2009-10-07 | 2011-09-15 | Bruker Biospin Mri Gmbh | Verfahren zur ortsabhängigen Änderung der Magnetisierung in einem Objekt im Rahmen eines Experimentes der magnetischen Resonanz |
US8723518B2 (en) * | 2011-03-18 | 2014-05-13 | Nicole SEIBERLICH | Nuclear magnetic resonance (NMR) fingerprinting |
US8861815B2 (en) * | 2011-08-03 | 2014-10-14 | International Business Machines Corporation | Systems and methods for modeling and processing functional magnetic resonance image data using full-brain vector auto-regressive model |
CN104040591A (zh) | 2012-01-10 | 2014-09-10 | 皇家飞利浦有限公司 | 图像处理装置 |
DE102012212376B3 (de) | 2012-03-20 | 2013-08-08 | Siemens Aktiengesellschaft | Ermittlung einer Magnetresonanzsystem-Ansteuersequenz |
US10234528B2 (en) * | 2014-09-18 | 2019-03-19 | Siemens Aktiengesellschaft | Method and apparatus to correct noise effects in quantitative techniques in magnetic resonance imaging |
US10422845B2 (en) * | 2014-10-24 | 2019-09-24 | The General Hospital Corporation | Systems and methods for steady-state magnetic resonance fingerprinting |
WO2016073985A1 (en) * | 2014-11-07 | 2016-05-12 | The General Hospital Corporation | Deep brain source imaging with m/eeg and anatomical mri |
-
2017
- 2017-05-30 EP EP17807353.2A patent/EP3465186A4/en active Pending
- 2017-05-30 CN CN201780033680.9A patent/CN110140042B/zh active Active
- 2017-05-30 WO PCT/US2017/035071 patent/WO2017210225A1/en unknown
- 2017-05-30 CN CN202310283263.7A patent/CN116242872A/zh active Pending
- 2017-05-30 JP JP2018561273A patent/JP7152956B2/ja active Active
- 2017-05-30 KR KR1020187036473A patent/KR102354723B1/ko active IP Right Grant
- 2017-05-30 KR KR1020227001862A patent/KR102506092B1/ko active IP Right Grant
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116755093A (zh) * | 2023-08-18 | 2023-09-15 | 中国电子科技集团公司第十四研究所 | 一种改善扫描极化sar模糊的方法、装置及计算机介质 |
CN116755093B (zh) * | 2023-08-18 | 2023-10-31 | 中国电子科技集团公司第十四研究所 | 一种改善扫描极化sar模糊的方法、装置及计算机介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2017210225A8 (en) | 2019-02-21 |
KR20220013012A (ko) | 2022-02-04 |
EP3465186A1 (en) | 2019-04-10 |
WO2017210225A1 (en) | 2017-12-07 |
EP3465186A4 (en) | 2020-02-26 |
JP2019520120A (ja) | 2019-07-18 |
KR20190013837A (ko) | 2019-02-11 |
CN110140042A (zh) | 2019-08-16 |
JP7152956B2 (ja) | 2022-10-13 |
CN110140042B (zh) | 2023-04-11 |
KR102506092B1 (ko) | 2023-03-06 |
KR102354723B1 (ko) | 2022-01-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11085984B2 (en) | Tensor field mapping | |
US10359486B2 (en) | Rapid determination of a relaxation time | |
CN110140042B (zh) | 张量场映射 | |
US9958521B2 (en) | Field-invariant quantitative magnetic-resonance signatures | |
US20170007148A1 (en) | Fast scaning based on magnetic resonance history | |
US11748642B2 (en) | Model parameter determination using a predictive model | |
CN108027412B (zh) | 场不变定量磁共振特征标志 | |
US11360166B2 (en) | Tensor field mapping with magnetostatic constraint | |
CN114450599B (zh) | 麦克斯韦并行成像 | |
WO2017007663A1 (en) | Field-invariant quantitative magnetic-resonance signatures | |
US11614509B2 (en) | Maxwell parallel imaging | |
US20240005514A1 (en) | Dynamic segmentation of anatomical structures |
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 |