CN116406463A - 磁共振成像中的射频脉冲和梯度脉冲的实时设计 - Google Patents

Abstract

本文公开了一种医学系统(100、300)，包括存储器(110)，所述存储器存储机器可执行指令(120)和卷积神经网络(122)。所述卷积神经网络被配置为接收对至少一个激励视场(324、900)的选择(124)进行编码的复阵列(128)作为输入，并且作为响应而输出射频波形(130)和多个空间选择性梯度脉冲波形(132)。所述卷积神经网络是多任务卷积神经网络。所述机器可执行指令的运行使计算系统(104)：接收(200)所述至少一个激励视场的选择(124)；接收(202)初始脉冲序列命令(126)；使用所述至少一个激励视场对所述复阵列进行编码(204)；响应于将所述复阵列输入到所述卷积神经网络中而接收(206)所述射频波形和所述多个空间选择性梯度脉冲波形；并且通过利用所述射频波形和所述多个空间选择性梯度脉冲波形修改所述初始脉冲序列命令来构建(208)经修改的脉冲序列命令(134)。

Description

磁共振成像中的射频脉冲和梯度脉冲的实时设计

技术领域

本发明涉及磁共振成像，具体涉及用于控制磁共振成像系统的脉冲序列的设计。

背景技术

作为产生患者体内的图像的流程的部分，磁共振成像(MRI)扫描器使用大的静态磁场来对准原子的核自旋。这个大的静态磁场被称为B0场或主磁场。可以使用MRI在空间上测量对象的各种量或性质。使用用于控制MRI扫描器的发射线圈的射频(RF)波形(或RF脉冲)和多个空间选择性梯度脉冲波形(梯度脉冲)的组合来执行磁共振成像中的空间编码。

杂志出版物Vinding等人的“Ultrafast(milliseconds),multidimensional RFpulse design with deep learning”(Magn.Reson.Med.2019；82：586-599)公开了考虑期望的感兴趣激励区域的输入图并输出单信道多维RF脉冲的神经网络的使用。

Tianrui Luo等人的论文‘Joint Design of RF and gradient waveforms viaauto-differentiation for 30tailored excitation in MRI’(从ARXIV.org,CornellUniversity Library,201,24August 2020检索)公开了一种用于基于可自动微分的布洛赫模拟器联合设计RF和梯度波形的方法。

发明内容

本发明在独立权利要求中提供了一种医学系统、一种计算机程序以及一种方法。在从属权利要求中给出了实施例。

实施例可以提供改进的选择性RF激励。实施例可以通过使用被训练为输出用于生成B1场的射频波形和伴随的空间选择性梯度脉冲波形两者的卷积神经网络来实现这一点。研究了各种不同类型的神经网络架构，并且多任务神经网络提供最佳结果。多任务神经网络响应于接收到一个输入而提供多个输出。在本文描述的示例中，卷积神经网络采用完整的复阵列，其已经用期望的RF激励视场编码，并且输出完整的射频波形和完整的空间选择性梯度脉冲波形。在采集二维切片的情况下，存在两个空间选择性梯度脉冲波形，并且如果采集是三维的，则存在被输出的三个空间选择性梯度脉冲波形。

在一个方面中，本发明提供了一种医学系统，其包括存储器，所述存储器存储机器可执行指令和卷积神经网络。所述卷积神经网络被配置为接收对至少一个激励视场的选择进行编码的复阵列作为输入。复阵列可以例如表示要通过磁共振成像采集的二维切片或要通过磁共振成像采集的三维体积。

所述卷积神经网络被配置为响应于接收到所述复阵列而输出射频波形和多个空间选择性梯度脉冲波形。所述射频波形可以是用于控制磁共振成像系统中的发射器产生B1磁场的波形。所述多个空间选择性梯度脉冲波形是与所述射频波形匹配以针对所述至少一个激励视场采集磁共振数据的梯度脉冲波形中的每个梯度脉冲波形。

所述卷积神经网络是多任务卷积神经网络，所述多任务卷积神经网络具有针对所述射频波形的第一输出和针对所述多个空间选择性梯度脉冲波形中的每个空间选择性梯度脉冲波形的单独输出。对于二维磁共振成像协议，将存在两个空间选择性梯度脉冲波形，并且对于三维磁共振成像协议，将存在三个空间选择性梯度脉冲波形。

所述医学系统还包括计算系统。所述机器可执行指令的运行使所述计算系统接收所述至少一个激励视场的选择。这例如可以是操作者或医师对成像感兴趣的视场。所述机器可执行指令的运行还使所述计算系统接收被配置用于控制所述磁共振成像系统采集描述对象的k空间数据的初始脉冲序列命令。所述机器可执行指令的运行还使所述计算系统响应于将所述复阵列输入到所述卷积神经网络中而接收所述射频波形和所述多个空间选择性梯度脉冲波形。

所述机器可执行指令的运行还使所述计算系统通过利用所述射频波形和所述多个空间选择性梯度脉冲波形修改所述初始脉冲序列命令来构建经修改的脉冲序列命令，使得所述脉冲序列命令被配置为控制所述磁共振成像系统从所述至少一个激励视场采集所述k空间数据。该实施例可能是有益的，因为它可以使得激励视场能够由磁共振成像系统的操作者容易地指定。它还可以实现任意大小或形状的激励视场的指定。在其他情况下，它还可以实现用于一次采集的多个激励视场的指定。

初始脉冲序列命令可以例如是初步或模板化的脉冲序列命令，其包含需要为其指定用于切片选择的RF脉冲和梯度脉冲的区域。因此，实施例可以通过利用射频波形和多个空间选择性梯度脉冲波形修改脉冲序列命令来提供针对特定采集的脉冲序列命令的定制。

本发明涉及根据输入激励视场自动生成射频(RF)波形和多个(两个或更多个)空间选择性梯度波形，并且就所涉及的RF波形和梯度波形而言通过修改初始脉冲序列命令来自动生成RF波形和多个(两个或更多个)空间选择性梯度波形。响应于输入激励视场，通过多任务卷积神经网络返回自动生成的RF波和梯度波形。该多任务卷积神经网络具有若干并行输出(对于相应的波形)并且未全连接。本发明实现了所得到的波形的非常好的准确度，即，如与使用全连接卷积网络相比，在采用相对有限数量的节点和权重的同时，仅具有与标准数据信息的小偏差。

在另一实施例中，所述卷积神经网络由重复地执行以下步骤的所述计算系统来训练：第一重复步骤是使用选择性激励脉冲设计算法来生成训练射频波形和多个训练空间选择性梯度脉冲波形。重复执行的另一步骤是通过将所述训练射频波形、录入多个训练空间选择性梯度脉冲波形输入到磁共振成像信号模型中来计算模型激励视场。另一重复步骤是通过将模型激励视场输入到所述卷积神经网络中来接收前向传播的射频波形和多个前向传播的空间选择性训练梯度脉冲波形。

另一重复步骤是通过利用所述训练射频波形和所述前向传播的射频波形执行反向传播来更新所述卷积神经网络中的参数，并且所述反向传播还利用所述多个训练空间选择性梯度脉冲波形和所述多个前向传播的空间选择性训练梯度脉冲波形的匹配对来执行。该实施例可能是有益的，因为它提供了可以能够指定任意形状的间隔和大小的患者视场的卷积神经网络。应当注意，这些步骤可以循环重复，但是通常它们并行执行，并且用于训练卷积神经网络的反向传播作为向量计算过程来执行。

在另一实施例中，所选择的激励脉冲设计算法是Shinnar-Le Roux算法。

在另一实施例中，所选择的激励脉冲设计算法是小翻转角近似算法。

在另一实施例中，所选择的激励脉冲设计算法是数值最优控制算法。

在另一实施例中，所述磁共振成像信号模型是布洛赫方程的数值解。

在另一实施例中，所述脉冲序列命令被配置用于根据并行成像磁共振成像协议来采集所述k空间数据。该实施例可以是特别有益的，因为当与定制激励视场组合时，可以采集非常精确且快速的磁共振图像。

在另一实施例中，所述机器可执行指令的运行还使所述计算系统接收调查磁共振图像。所述机器可执行指令的运行还使所述计算系统在显示器上绘制所述调查磁共振图像。所述机器可执行指令的运行还使所述计算系统响应于显示所述调查磁共振图像而接收至少一个激励视场的选择。所述至少一个激励视场的所述选择在所述调查磁共振图像内。该实施例是有益的，因为它实现针对特定对象和磁共振成像协议的激励视场的定制。

在另一实施例中，从自动图像分割算法接收所述至少一个视场的所述选择。例如，如果放射科医师订购心脏磁共振成像协议，则自动分割能够用于非常精确地限制和指定对心脏的成像。

在另一实施例中，从用户接口接收所述至少一个视场的所述选择。例如，系统的操作者可以精确地描绘出期望的视场。这可以提供执行磁共振成像的更灵活的手段。

在另一实施例中，从自动图像分割算法和从用户接口接收所述至少一个视场的所述选择。例如，可以从自动成像分割算法接收激励视场的选择的部分，并且可以从用户接口接收其他部分。操作者还可以使用用户接口来校正来自算法的分割。

在另一实施例中，所述多个空间选择性梯度脉冲波形是两个空间选择性梯度脉冲波形。所述至少一个激励视场中的每一个是二维激励视场。例如，指定两个梯度脉冲波形，并且这些用于获取二维切片。然而，它可以被配置为使得采集多个切片。

在另一实施例中，所述多个空间选择性梯度脉冲波形是三个空间选择性梯度脉冲波形。所述至少一个激励视场中的每个是三维激励视场。这可以是有利的，因为可以指定任意三维激励视场。

在另一实施例中，所述至少一个激励视场中的每个具有任意形状。通过将复数值放入用于对至少一个激励视场的选择进行编码的复阵列中来指定激励视场。这实现具有任意形状的激励视场的指定。

在另一实施例中，所述至少一个激励视场中的每个在空间上断开。例如，由于可以针对三维采集任意地指定激励视场，因此可以指定多个激励视场。一个示例将是磁共振成像扫描，其中，针对两个不同乳房的乳房组织的磁共振图像被同时采集，但是针对不同的射频激励视场。

在另一实施例中，所述神经网络是多尺度卷积神经网络。

在另一实施例中，所述卷积神经网络是U-Net卷积神经网络。

在另一实施例中，所述医学系统包括所述磁共振成像系统。所述机器可执行指令的运行还使所述计算系统通过利用经修改的脉冲序列命令控制所述磁共振成像系统来采集所述k空间数据。所述机器可执行指令的运行还使所述计算系统根据所述k空间数据来重建磁共振成像数据。该实施例可能是有益的，因为已经针对特定磁共振成像采集定制了激励视场。与已经使用预先计算的激励视场的情况相比，这可以例如提供优异的成像质量。

在另一方面中，本发明提供了一种计算机程序，包括用于由控制医学系统的计算系统执行的机器可执行指令。所述计算机程序还包括卷积神经网络，所述卷积神经网络被配置为接收对至少一个激励视场的选择进行编码的复阵列作为输入。所述卷积神经网络被配置为响应于接收到所述复阵列而输出射频波形和多个空间选择性梯度脉冲波形。所述卷积神经网络是多任务卷积神经网络，所述多任务卷积神经网络具有针对所述射频波形的第一输出和针对所述多个空间选择性梯度脉冲波形中的每个的单独输出。

所述机器可执行指令的运行使所述计算系统接收所述至少一个激励视场的选择。所述机器可执行指令的运行还使所述计算系统接收被配置用于控制所述磁共振成像系统采集描述所述对象的k空间数据的初始脉冲序列命令。所述机器可执行指令的运行还使所述计算系统使用所述至少一个激励视场对所述复阵列进行编码。

所述机器可执行指令的运行还使所述计算系统响应于将所述复阵列输入到所述卷积神经网络中而接收所述射频波形和所述多个空间选择性梯度脉冲波形。所述机器可执行指令的运行还使所述计算系统通过利用所述射频波形和所述多个空间选择性梯度脉冲波形修改所述初始脉冲序列命令来构建经修改的脉冲序列命令，使得所述脉冲序列命令被配置为控制所述磁共振成像系统从所述至少一个激励视场采集所述k空间数据。

在另一方面中，本发明提供了一种使用卷积神经网络的医学成像方法。所述卷积神经网络被配置为接收对至少一个激励视场的选择进行编码的复阵列作为输入。所述卷积神经网络被配置为响应于接收到所述复阵列而输出射频波形和多个空间选择性梯度脉冲波形。所述卷积神经网络是多任务卷积神经网络，所述多任务卷积神经网络具有针对所述射频波形的第一输出和针对所述多个空间选择性梯度脉冲波形中的每个的单独输出。

所述方法包括接收所述至少一个激励视场的选择。所述方法还包括接收被配置用于控制磁共振成像系统采集描述对象的k空间数据的初始脉冲序列命令。所述方法还包括使用所述至少一个激励视场对所述复阵列进行编码。所述方法还包括响应于将所述复阵列输入到所述卷积神经网络中而接收所述射频波形和所述多个空间选择性梯度脉冲波形。最后，所述方法还包括通过利用所述射频波形和所述多个空间选择性梯度脉冲波形修改所述初始脉冲序列命令来构建经修改的脉冲序列命令，使得所述脉冲序列命令被配置为控制所述磁共振成像系统从所述至少一个激励视场采集所述k空间数据。

在另一方面中，本发明提供了一种训练卷积神经网络的方法。所述方法包括重复执行以下步骤。应当知道，这些步骤可以按顺序重复多次，或它们可以并行执行多次。所述方法使用所选择的激励脉冲设计算法来生成训练射频波形和多个训练空间选择性梯度脉冲波形。所述方法还包括通过将所述训练射频波形和多个训练空间选择性梯度脉冲波形输入到磁共振成像信号模型中来计算模型激励视场。

所述方法还包括通过将模型激励视场输入到所述卷积神经网络中来接收前向传播的射频波形和多个前向传播的空间选择性训练梯度脉冲波形。所述方法还包括通过利用所述训练射频波形和所述前向传播的射频波形执行反向传播来更新所述卷积神经网络的参数。然后，还利用所述多个训练空间选择性梯度脉冲波形和所述多个前向传播的空间选择性训练梯度脉冲波形的匹配对来执行反向传播。

应理解，只要组合的实施例不相互排斥，就可以组合本发明的前述实施例中的一个或多个。

如本领域的技术人员将认识到的，本发明的各个方面可以实现为装置、方法或计算机程序产品。相应地，本发明的各个方面可以采取完全硬件实施例、完全软件实施例(包括固件、常驻软件、微代码等)或组合软件和硬件方面的实施例(在本文中总体上全部可以被称为“电路”、“模块”或“系统”)的形式。此外，本发明的各个方面可以采取实现在一个或多个计算机可读介质中的计算机程序产品的形式，所述一个或多个计算机可读介质具有实现在其上的计算机可执行代码。

可以利用一个或多个计算机可读介质的任何组合。所述计算机可读介质可以是计算机可读信号介质或计算机可读存储介质。本文使用的“计算机可读存储介质”涵盖任何可以存储可由计算设备的处理器或计算系统执行的指令的有形存储介质。可以将计算机可读存储介质称为计算机可读非暂态存储介质。也可以将计算机可读存储介质称为有形计算机可读介质。在一些实施例中，计算机可读存储介质还可以能够存储可以由计算设备的计算系统访问的数据。计算机可读存储介质的示例包括但不限于：软盘、磁硬盘驱动器、固态硬盘、闪速存储器、USB拇指驱动器、随机存取存储器(RAM)、只读存储器(ROM)、光盘、磁光盘以及计算系统的寄存器文件。光盘的示例包括压缩盘(CD)和数字通用盘(DVD)，例如，CD-ROM、CD-RW、CD-R、DVD-ROM、DVD-RW或DVD-R盘。术语计算机可读存储介质还指能够经由网络或通信链路由计算机设备访问的各种类型的记录介质。例如，可以在调制调解器、因特网或局域网上检索数据。可以使用任何适当介质发送实现在计算机可读介质上的计算机可执行代码，所述任何适当介质包括但不限于无线的、有线的、光纤线缆的、RF等或者前面的任何合适的组合。

计算机可读信号介质可以包括具有实现在其中的计算机可执行代码的传播的数据信号，例如，在基带中或作为载波的部分。这样的传播的信号可以采取任何各种形式，包括但不限于电磁的、光学的或它们的任何合适的组合。计算机可读信号介质可以是这样的任何计算机可读介质：不是计算机可读存储介质，并且能够传达、传播或传输由指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合使用的程序。

“计算机存储器”或“存储器”是计算机可读存储介质的示例。计算机存储器是可由计算系统直接访问的任何存储器。“计算机存储设备”或“存储设备”是计算机可读存储介质的另外的示例。计算机存储设备是任何非易失性计算机可读存储介质。在一些实施例中，计算机存储设备也可以是计算机存储器，或者反之亦然。

如本文中所使用的“计算系统”涵盖能够运行程序或机器可执行指令或计算机可执行代码的电子部件。对包括“计算系统”的示例的计算系统的引用应当被解读为可能包含超过一个计算系统或处理核。所述计算系统例如可以是多核计算系统。计算系统还可以是指单个计算机系统之内或者被分布在多个计算机系统之中的计算系统的集合。术语计算系统也应该被解释为可能指的是计算设备的集合或网络，每个计算设备包括处理器或计算系统。所述机器可执行代码或指令可以由多个计算系统或处理器运行，所述多个计算系统或处理器可以处在相同的计算系统内或者甚至可以跨多个计算系统分布。

机器可执行指令或计算机可执行代码可以包括使处理器或其他计算系统执行本发明的方面的指令或程序。用于执行针对本发明的方面的操作的计算机可执行代码可以以一个或多个编程语言的任何组合来编写并且被编译为机器可执行指令，所述一个或多个编程语言包括诸如Java、Smalltalk、C++等的面向对象的编程语言以及诸如“C”编程语言或相似编程语言的常规过程性编程语言。在一些实例中，所述计算机可执行代码可以采取高级语言的形式或者采取预编译的形式并且结合在工作时生成机器可执行指令的解读器一起被使用。在其他实例中，机器可执行指令或计算机可执行代码可以是用于可编程逻辑门阵列的编程的形式。

所述计算机可执行代码可以完全在用户的计算机上、部分在用户的计算机上(作为独立的软件包)、部分在用户的计算机上并且部分在远程计算机上、或完全在远程计算机或服务器上执行。在后一种情形下，所述远程计算机可以通过包括局域网(LAN)或广域网(WAN)的任何类型的网络连接到用户的计算机，或者可以(例如，通过使用因特网服务提供商的因特网)对外部计算机进行连接。

参考根据本发明的实施例的方法、装置(系统)和计算机程序产品的流程图、图示和/或方框图来描述本发明的方面。应理解，当可应用时，能够通过采取计算机可执行代码的形式的计算机程序指令来实施流程图、图示和/或方框图的方框的每个方框或部分。还应理解，当互不排斥时，可以组合不同流程图、图示和/或方框图中的方框的组合。这些计算机程序指令可以被提供给通用计算机、专用计算机或产生机器的其他可编程数据处理装置的计算系统，使得经由计算机或其他可编程数据处理装置的计算系统执行的指令创建用于实施在流程图和/或一个或多个方框图框中指定的功能/动作的单元。

这些机器可执行指令或计算机程序指令还可以存储在计算机可读介质中，所述计算机可读介质能够指引计算机、其他可编程数据处理装置或其他设备以特定的方式来工作，使得在计算机可读介质中存储的指令产生包括实施在流程图和/或一个或多个方框图框中指定的功能/动作的指令的制品。

所述机器可执行指令或计算机程序指令还可以加载到计算机、其他可编程数据处理装置或其他设备上，以令在计算机、其他可编程装置或其他设备上执行一系列操作步骤，从而产生计算机实施的过程，使得在计算机或其他可编程装置上执行的指令提供用于在流程图和/或一个或多个方框图框中指定的功能/动作的过程。

如本文所使用的“用户接口”是允许用户或操作人员与计算机或计算机系统交互的接口。“用户接口”还可以被称为“人机接口设备”。用户接口可以向操作人员提供信息或数据和/或从操作人员接收信息或数据。用户接口可以使得来自操作人员的输入能够被计算机接收并且可以从计算机向用户提供输出。换言之，所述用户接口可以允许操作人员控制或操控计算机，并且所述接口可以允许计算机指示操作人员的控制或操控的效果。显示器或图形用户接口上的数据或信息的显示是向操作人员提供信息的示例。通过键盘、鼠标、跟踪球、触摸板、指点杆、图形输入板、操纵杆、游戏手柄、网络摄像头、耳机、踏板、有线手套、遥控器和加速度计对数据的接收全都是实现对来自操作人员的信息或数据的接收的用户接口部件的示例。

如本文所使用的“硬件接口”涵盖使得计算机系统的计算系统能够与外部计算设备和/或装置交互和/或控制外部计算设备和/或装置的接口。硬件接口可以允许计算系统将控制信号或指令发送到外部计算设备和/或装置。硬件接口也可以使得计算系统能够与外部计算设备和/或装置交换数据。硬件接口的示例包括但不限于：通用串行总线、IEEE1394端口、并行端口、IEEE 1284端口、串行端口、RS-232端口、IEEE-488端口、蓝牙连接、无线局域网连接、TCP/IP连接、以太网连接、控制电压接口、MIDI接口、模拟输入接口以及数字输入接口。

如本文所使用的“显示器”或“显示设备”涵盖适于显示图像或数据的输出设备或用户接口。显示器可以输出视觉、音频和/或触觉数据。显示器的示例包括但不限于：计算机监视器、电视屏幕、触摸屏、触觉电子显示器、盲文屏幕、阴极射线管(CRT)、存储管、双稳态显示器、电子纸、矢量显示器、平板显示器、真空荧光显示器(VF)、发光二极管(LED)显示器、电致发光显示器(ELD)、等离子体显示板(PDP)、液晶显示器(LCD)、有机发光二极管显示器(OLED)、投影仪和头戴式显示器。

K空间数据在本文中被定义为在磁共振成像扫描期间使用磁共振装置的天线记录的由原子自旋发射的射频信号的测量结果。磁共振数据是断层摄影医学图像数据的示例。

磁共振成像(MRI)成像数据或磁共振(MR)图像在本文中被定义为包含在k空间数据内的解剖数据的重建二维或三维可视化。这种可视化能够使用计算机来执行。

附图说明

在下文中，将仅通过示例并且参考附图描述本发明的优选实施例，在附图中：

图1图示了医学系统的示例；

图2示出了图示使用图1的医学系统的方法的流程图；

图3图示了医学系统的另一示例；

图4示出了图示使用图3的医学系统的方法的流程图；

图5示出了图示训练卷积神经网络的方法的流程图；

图6图示了卷积神经网络的示例；

图7图示了卷积神经网络在提供期望的激励视场时的有效性；

图8图示了期望的视场；并且

图9图示了由使用卷积神经网络产生的视场和由使用LSR算法产生的视场。

附图标记列表

100 医学系统

102 计算机

104 计算系统

106 任选的硬件接口

108 任选的用户接口

110存储器

120 机器可执行指令

122 卷积神经网络

124至少一个激励视场的选择

126 初始脉冲序列命令

128 复阵列

130 射频波形

132多个空间选择性梯度脉冲波形

134经修改的脉冲序列命令

200接收至少一个激励视场的选择

202接收被配置用于控制磁共振成像系统采集描述对象的k空间数据的初始脉冲序列命令

204使用至少一个激励视场对复阵列进行编码

206响应于将复阵列输入到卷积神经网络中而接收射频波形和多个空间选择性梯度脉冲波形

208通过利用射频波形和多个空间选择性梯度脉冲波形修改初始脉冲序列命令来构建经修改的脉冲序列命令，使得脉冲序列命令被配置为控制磁共振成像系统从至少一个激励视场采集k空间数据300 医学系统

302 磁共振成像系统

304 磁体

306 磁体的膛

308 成像区

310 磁场梯度线圈

312 磁场梯度线圈电源

314 射频线圈

316 收发器

318 对象

320 对象支撑物

322 解剖结构

324 激励视场

330 k空间数据

332 磁共振成像数据

400通过利用经修改的脉冲序列命令控制磁共振成像系统来采集k空间数据

402根据k空间数据重建磁共振成像数据

500使用选择性激励脉冲设计算法生成训练射频波形和多个训练空间选择性梯度脉冲波形502通过将训练射频波形和多个训练空间选择性梯度脉冲波形输入到磁共振成像信号模型中来计算建模的激励视场

504通过将建模的激励视场输入到卷积神经网络中来接收前向传播的射频波形和多个前向传播的空间选择性训练梯度脉冲波形

506通过利用训练射频波形和前向传播的射频波形并且利用多个训练空间选择性梯度脉冲波形和多个前向传播的空间选择性训练梯度脉冲波形的匹配对执行反向传播来更新卷积神经网络的参数600具有ReLu和最大池化层的卷积内核

602具有ReLu和最大池化层的卷积内核

604具有ReLu和最大池化层的卷积内核

606 平坦层

608 全连接层

608’全连接层

608”全连接层

700 生成的激励视场

702 标准数据激励视场

800 期望的激励视场

900由CNN产生的激励视场

902由LSR设计的RF脉冲的使用产生的激励视场

具体实施方式

在这些附图中相似编号的元件或为等价元件或执行相同的功能。如果功能等效，则先前已经论述的元件将不必要在后面的附图中论述。

图1示出了图示医学系统100的示例的图。图1中的医学系统100被描绘为包括计算机102，计算机102包括计算系统104。计算系统104旨在表示可以在相同位置或可以是分布式的一个或多个处理核或计算系统。计算机102被示出为包括连接到计算系统104的任选的硬件接口106和任选的用户接口。硬件接口106例如可以使得计算系统104能够与医学系统100的其他部件交换数据以及控制那些其他部件。用户接口108可以使医学系统100的操作者能够控制它并与它交互。用户接口108可以例如包括图形用户接口或其他图形控制设备。

医学系统100还被示出为包括与计算系统104通信的存储器110。存储器110旨在表示可以由计算系统104访问的存储器的任何组合。

存储器110被示出为包含机器可执行指令120。机器可执行指令120是使得计算系统能够执行诸如控制其他部件以及执行各种数字和图像处理任务之类的任务的指令。存储器110还被示出为包括卷积神经网络122。该卷积神经网络是具有用于输出射频波形的第一输出和用于多个空间选择性梯度脉冲波形中的每个的单独输出的多任务卷积神经网络。卷积神经网络响应于接收到对用于磁共振成像采集的至少一个激励视场的选择进行编码的复阵列而输出这些。

存储器110还被示出为包含至少一个激励视场124的选择。存储器还被示为包含初始脉冲序列命令126。这些例如可以是从数据库检索或在期望执行特定协议时选择的一组脉冲序列命令。

存储器110还被示出为包含用于对至少一个激励视场124的选择进行编码的复阵列。存储器还被示出为包含响应于输入复阵列128而从卷积神经网络122接收的射频波形130和多个空间选择性梯度脉冲波形132。存储器110还被示出为包含经修改的脉冲序列命令134。经修改的脉冲序列命令134根据初始脉冲序列命令126来构建，并且被修改为包含射频波形130和多个空间选择性梯度脉冲波形132。

图2示出了图示操作图1的医学系统100的方法的流程图。首先，在步骤200中，接收至少一个激励视场124的选择。接下来，在步骤202中，接收初始脉冲序列命令126。接下来，在步骤204中，使用至少一个激励视场124对复阵列128进行编码。在步骤206中，响应于将复阵列128输入到卷积神经网络122中而接收射频波形130和多个空间选择性梯度脉冲波形132。最后，在步骤208中，通过将射频波形130和多个空间选择性梯度脉冲波形132集成到初始脉冲序列命令126中来构建经修改的脉冲序列命令。

图3图示了医学系统300的另一示例。医学系统300类似于图1中的医学系统100，除了它另外包括由计算系统104控制的磁共振成像系统302。

磁共振成像系统302包括磁体304。磁体304是具有通过其的膛306的超导圆柱形磁体。不同类型的磁体的使用也是可能的，例如，使用分裂式圆柱形磁体和所谓的开放式磁体两者也是可能的。分裂式圆柱形磁体类似于标准的圆柱形磁体，除了低温恒温器已经分成两部分以允许接近所述磁体的等平面，这样的磁体可以例如与带电粒子束治疗相结合地使用。开放式磁体具有两个磁体部分，一个在另一个上方，它们之间具有足够大的空间以接收对象：两部分区域的布置类似于亥姆霍兹线圈的布置。开放式磁体是受欢迎的，因为对象受较少的约束。在圆柱形磁体的低温恒温器内部有超导线圈的集合。

在圆柱形磁体304的膛306内，存在磁场足够强且足够均匀以执行磁共振成像的成像区308。磁共振数据通常针对感兴趣区域来进行采集。对象318被示为由对象支撑物320支撑，使得对象318的至少部分处于成像区308内。

磁体的膛306内还有磁场梯度线圈310的集合，其用于采集初步磁共振数据，以在磁体304的成像区308内对磁自旋进行空间编码。磁场梯度线圈310连接到磁场梯度线圈电源312。磁场梯度线圈310旨在为代表性的。通常，磁场梯度线圈310包含用于在三个正交空间方向上空间地编码的三组分离的线圈。磁场梯度电源将电流供应到磁场梯度线圈。供应到磁场梯度线圈310的电流根据时间来控制并且可以是斜变的或脉冲的。

与成像区308相邻的是射频线圈314，所述射频线圈用于操纵成像区308内的磁自旋的取向，并且用于接收来自也在成像区308内的自旋的无线电发射。射频天线可以包含多个线圈元件。射频天线也可称为通道或天线。射频线圈314连接到射频收发器316。射频线圈314和射频收发器316可以由独立的发送线圈和接收线圈以及独立的发射器和接收器替代。应理解，射频线圈314和射频收发器316是代表性的。射频线圈314旨在还表示专用的发送天线和专用的接收天线。同样，收发器316也可以表示分离的发射器和接收器。射频线圈314也可以具有多个接收/发射元件，并且射频收发器316可以具有多个接收/发射通道。例如，如果并行成像技术(诸如SENSE)被执行，则射频线圈314将具有多个线圈元件。

收发器316和梯度控制器312被示为被连接到计算机系统102的硬件接口106。

在成像区308内，存在对象318的解剖结构322。可以看出，存在已经被修改为恰好适合解剖结构322的激励视场324。激励视场324通过选择至少一个激励视场124来指定，并且已经被编码到复阵列128中。

存储器110还被示为包含已经由磁共振成像系统302通过利用经修改的脉冲序列命令134控制它而采集的k空间数据330。k空间数据330描述解剖结构322。存储器110被示出为还包含已经根据k空间数据330重建的磁共振成像数据332。

图4示出了图示操作图3的医学系统300的方法的流程图。该方法以如图2所图示的步骤200-208开始。在已经执行步骤208之后，执行步骤400，并且然后执行步骤402。在步骤400中，通过利用经修改的脉冲序列命令134控制磁共振成像系统302来采集k空间数据330。最后，在步骤402中，根据k空间数据330重建磁共振成像数据332。

图5示出了图示训练卷积神经网络122的方法的流程图。步骤500、502、504和506被示出为循环执行或反复重复。然而，这些步骤可以并行执行。也就是说，可以通过在多次执行步骤504并且然后多次执行步骤506之后多次执行步骤500然后多次执行步骤502来执行所有训练数据。首先，在步骤500中，使用所选择的激励脉冲设计算法来生成训练射频波形和多个训练空间选择性梯度脉冲波形。接下来，在步骤502中，通过将训练射频波形和训练空间选择性梯度脉冲输入到磁共振成像信号模型中来计算模型激励视场。

此后，在步骤504中，通过将模型激励视场输入到卷积神经网络中来接收前向传播的射频波形和多个前向传播的空间选择性训练梯度脉冲波形。然后，在步骤506中，通过执行反向传播更新卷积神经网络的参数来训练卷积神经网络。利用训练射频波形和前向传播的射频波形执行反向传播。还利用多个训练空间选择性梯度脉冲波形和多个前向传播的空间选择性训练梯度脉冲波形的匹配对来执行反向传播。

现代MRI系统通常在临床扫描期间加载预设的RF和伴随的梯度，具有对每次扫描的特定要求的最小适应。示例可以提供用于实现空间二维选择性的激励RF脉冲和伴随的梯度波形的实时设计的多任务多尺度CNN方法。CNN设计的RF和梯度非常接近其SLR设计的对应物，在400个测试数据上具有NRMSE 0.0075±0.0038。使用预测的RF的体模成像也接近SLR设计的激励。该算法在500ms内在可商购的工作站上运行。

尽管诸如自重新聚焦或绝热性的偶尔要求，但是对于二维激励脉冲的最常见要求是在两个维度上的激励分布。因此，RF脉冲设计提出了在给定期望的空间和频率分布的情况下的逆问题，其中，小尖端角近似适用于小激励角并且Shinnar-Le Roux(SLR)算法被证明可处理从0°到180°的任何翻转角。对于现代MRI仪器，常规RF脉冲和伴随的梯度通常在系统发布时使用这两种方法中的任一种根据包括最大允许B1场、梯度场强度和梯度场转换速率的硬件约束来设计，并且所得到的波形被存储在系统上。对于每次特定扫描，这些波形中的一些被加载到光谱仪中，其中，在幅度上缩放或在时间上拉伸。

虽然SLR方法是实用的并且允许采集常规成像序列，但是它限制了应用范围，从而阻止了其中高度特异性信号激励将是有益的任何采集。例如，空间二维激励已经在临床上用于脊髓、乳腺、胰腺、前列腺和子宫颈的扩散成像中来限制相位编码FOV，以便改进分辨率并减少几何失真。除了使用SLR算法来生成简单的二维激励之外，具有完全任意形状的RF和梯度波形是可能的，从而优化RF性能和持续时间之间的平衡。然而，这些任意RF和梯度波形的设计需要迭代算法，这是耗时的并且禁止实时的波形生成。

在示例中公开了一种基于神经网络的二维选择性RF设计，其中，RF波形和梯度波形两者都是在小于一秒内通过多任务卷积神经网络生成的。该方法可以在每个特定扫描时执行，以在给定成像条件下优化RF性能，包括硬件限制(RF和梯度约束以及传输信道的数量)、系统缺陷(涡电流和B0不均匀性)、成像对象相关挑战(B0和B1两者方面的局部磁场不均匀性)以及规定相关要求(感兴趣的FOV)。可变速率选择性激励(VERSE)方法有时已经在临床上应用，并且其迭代设计算法最近已经被简化，但是它仅解决了上面列出的一部分问题。我们在这里介绍的是该综合实时RF设计项目的试点结果。这证明了DL作为实时优化任意激励脉冲的路径的效用。

图6图示了卷积神经网络122的拓扑或结构的一个示例。该神经网络122接收输入阵列128。存在包括卷积内核加ReLU加最大池化的第一层600。这然后馈送到包括另一卷积内核ReLU加最大池化的第二层中。这然后馈送到也具有ReLU和最大池化层的第三卷积内核或层604中。这然后馈送到平坦层606中，该平坦层606然后连接到三个单独的全连接层608、608’和608”中。层608输出射频波形130。只有连接层608’、608”输出两个空间选择性梯度脉冲波形132。图6所图示的神经网络122可以用于二维切片。可以重复使用和修改基本结构以用于三维激励视场。例如，可以为第三空间选择性梯度脉冲波形添加额外的连接层，并且还可以修改输入以接受复三维阵列。各种卷积层的确切结构不是必需的。然而，连接到平坦化层606的单独连接层的使用显示出优于其他类型的神经网络拓扑的结果。

可以基于卷积框架(以下称为CNN)来构建示例多任务CNN。如上面的图6所示，它包括输入层；三个卷积块600、602、604；平坦层606；全连接层608、608’、608”；以及输出层。输入层采用期望的激励分布的实部和虚部，因此是具有第三维度大小为2的三维矩阵(例如，101x101x2)。第一卷积块600包含16个卷积内核和修正线性单元(ReLU)，跟随有最大池化步骤。第二卷积块602和第三卷积块604分别包含32个卷积内核和64个卷积内核，均跟随有相同的ReLU激活和最大池化。然后，平坦层606被设置为将数据变换为9216的向量，该向量由全连接层连结以产生具有匹配维度的输出的高级推理。通过最小化损失来评价网络的收敛，最小化损失被测量为均方根误差(RMSE)。调节网络的参数，直到实现最佳网络设置。

RF、GRS和GRF波形被认为是RF脉冲的三个信道以生成激励分布，并且采用多任务学习技术，其中，携带共享特征的平坦层与三个全连接层并联连结。此外，卷积内核被调节为1×1、3×3、5×5和7×7的多个大小，类似于初始模块中的策略。与常规卷积运算相比，具有多个内核大小的卷积以不同的尺度捕获特征信息，并且如果使用更深的网络，则这避免了潜在的过度拟合问题。

示例可以包含以下特征中的一个或多个：

1)使用用于训练CNN的常规SLR算法生成足够大的2DRF脉冲集合。

2)通过用于训练CNN的B1och模拟生成每个脉冲的激励分布。

3)具有优化的层和连接的定制卷积神经网络架构。

4)用所生成的激励分布作为输入并用对应的RF脉冲作为输出来训练网络。

5)将期望的激励分布输入到经训练的网络以获得CNN设计的RF。

图7图示了由卷积神经网络122提供的射频波形130和多个空间选择性梯度脉冲波形132的有效性。在该图中，在顶部处图示了示例性射频波形130和多个空间选择性梯度脉冲波形132。这些波形130、132用于在中间提供激励分布700。这非常接近在下面的框702中描绘的标准数据激励场视图。

此外，预测的RF实际上可以提供非常接近期望的FOV激励分布的激励分布。这是通过在临床MR 3.0T扫描器上的体模成像来测试的。

还使用图8和9图示了卷积神经网络的有效性。图8示出了期望的激励视场800。在图9中，图900示出了由卷积神经网络的使用产生的激励视场。在右侧，框902示出了由LSR设计RF脉冲产生的激励视场。可以看出，卷积神经网络非常好地匹配LSR设计RF脉冲。

示例可以包含以下特征中的一个或多个：

1)用于RF和梯度波形两者的基于CNN的RF设计。

2)多任务技术与共享层一起使用以连接RF波形和两个梯度。

3)CNN中的多尺度内核用于在输入FOV图像域中捕获不同尺度的细节。

4)选择回波平面轨迹用于训练数据集的RF生成。

这种技术可能通过对扫描和采集图像的实验来检测。

在脑、脊髓、头颈肿瘤、乳腺、胰腺和前列腺的成像中可以应用空间二维或三维激励。它允许针对扩散加权成像的改进的空间分辨率和减少的几何失真。

尽管已经在附图和前面的描述中详细说明和描述了本发明，但这样的说明和描述被认为是说明性或示例性的而非限制性的；本发明不限于公开的实施例。

本领域技术人员通过研究附图、说明书和权利要求书，在实践要求保护的本发明时能够理解和实现所公开实施例的其他变型。在权利要求书中，“包括”一词不排除其他元件或步骤，词语“一”或“一个”不排除多个。单个处理器或其他单元可以满足权利要求中记载的若干项目的功能。尽管在互不相同的从属权利要求中记载了特定元件，但是这并不指示不能有利地使用这些元件的组合。计算机程序可以存储和/或分布在适当的介质上，例如与其他硬件一起提供或作为其他硬件的一部分提供的光学存储介质或固态介质，但计算机程序也可以以其他形式分布，例如经由因特网或其他有线或无线的远程通信系统分布。权利要求书中的任何附图标记都不得被解释为对范围的限制。

Claims (15)

1.一种医学系统(100、300)，包括：

存储器(110)，其存储机器可执行指令(120)和卷积神经网络(122)，其中，所述卷积神经网络被配置为接收对至少一个激励视场(324、900)的选择(124)进行编码的复阵列(128)作为输入，其中，所述卷积神经网络被配置为输出射频波形(130)和多个空间选择性梯度脉冲波形(132)，其中，所述卷积神经网络是多任务卷积神经网络，所述多任务卷积神经网络具有针对所述射频波形的第一输出和针对所述多个空间选择性梯度脉冲波形中的每个空间选择性梯度脉冲波形的单独输出；以及

-计算系统(104)，其中，所述机器可执行指令的运行使所述计算系统：

-接收(200)对所述至少一个激励视场的所述选择；

-接收(202)初始脉冲序列命令(126)，所述初始脉冲序列命令被配置用于控制磁共振成像系统(302)采集描述对象(318)的k空间数据(330)；

-使用所述至少一个激励视场对所述复阵列进行编码(204)；

-响应于将所述复阵列输入到所述卷积神经网络中而接收(206)所述射频波形和所述多个空间选择性梯度脉冲波形；并且

-通过利用所述射频波形和所述多个空间选择性梯度脉冲波形修改所述初始脉冲序列命令来构建(208)经修改的脉冲序列命令(134)，使得所述脉冲序列命令被配置为控制所述磁共振成像系统采集来自所述至少一个激励视场的所述k空间数据。

2.根据权利要求1所述的医学系统，其中，所述卷积神经网络由重复地执行以下步骤的所述计算系统来训练：

-使用选择性激励脉冲设计算法来生成(500)训练射频波形和多个训练空间选择性梯度脉冲波形；

-通过将所述训练射频波形和所述多个训练空间选择性梯度脉冲波形输入到磁共振成像信号模型中来计算(502)建模的激励视场；

-通过将所述建模的激励视场输入到所述卷积神经网络中来接收(504)前向传播的射频波形和多个前向传播的空间选择性训练梯度脉冲波形；

-通过利用所述训练射频波形和所述前向传播的射频波形并且利用所述多个训练空间选择性梯度脉冲波形和所述多个前向传播的空间选择性训练梯度脉冲波形的匹配对来执行反向传播来更新(506)所述卷积神经网络的参数。

3.根据权利要求2所述的医学系统，其中，所述选择性激励脉冲设计算法是以下各项中的任一项：Shinnar–Le Roux算法、小翻转角近似算法和数值最优控制算法。

4.根据权利要求2或3所述的医学系统，其中，所述磁共振成像信号模型是布洛赫方程的数值解。

5.根据前述权利要求中的任一项所述的医学系统，其中，所述脉冲序列命令被配置用于根据并行成像磁共振成像协议来采集所述k空间数据。

6.根据前述权利要求中的任一项所述的医学系统，其中，所述机器可执行指令的运行还使所述计算系统：

-接收调查磁共振图像；

-在显示器上绘制所述调查磁共振图像；并且

-响应于显示所述调查磁共振图像而接收对所述至少一个激励视场的所述选择，其中，对所述至少一个激励视场的所述选择在所述调查磁共振图像内。

7.根据前述权利要求中的任一项所述的医学系统，其中，从以下各项中的任一项接收对所述至少一个视场的所述选择：自动图像分割算法、来自用户接口、以及其组合。

8.根据前述权利要求中的任一项所述的医学系统，其中，所述多个空间选择性梯度脉冲波形是两个空间选择性梯度脉冲波形，并且其中，至少一个激励视场中的每个激励视场是二维激励视场。

9.根据权利要求1至7中的任一项所述的医学系统，其中，所述多个空间选择性梯度脉冲波形是三个空间选择性梯度脉冲波形，并且其中，至少一个激励视场中的每个激励视场是三维激励视场。

10.根据前述权利要求中的任一项所述的医学系统，其中，所述至少一个激励视场中的每个激励视场具有任意形状和/或在空间上断开。

11.根据前述权利要求中的任一项所述的医学系统，其中，所述卷积神经网络是以下各项中的任一项：多尺度卷积神经网络和U-Net卷积神经网络。

12.根据前述权利要求中的任一项所述的医学系统，其中，所述医学系统包括所述磁共振成像系统，所述机器可执行指令的运行还使所述计算系统：

-通过利用所述经修改的脉冲序列命令控制所述磁共振成像系统来采集(400)所述k空间数据(330)；并且

-根据所述k空间数据来重建(402)磁共振成像数据(332)。

13.一种计算机程序，包括用于由控制医学系统的计算系统(104)运行的机器可执行指令(120)，其中，所述计算机程序还包括卷积神经网络(122)，所述卷积神经网络被配置为接收对至少一个激励视场(324、900)的选择(124)进行编码的复阵列(128)作为输入，其中，所述卷积神经网络被配置为输出射频波形(130)和多个空间选择性梯度脉冲波形(132)，其中，所述卷积神经网络是多任务卷积神经网络，所述多任务卷积神经网络具有针对所述射频波形的第一输出和针对所述多个空间选择性梯度脉冲波形中的每个空间选择性梯度脉冲波形的单独输出；

其中，所述机器可执行指令的运行使所述计算系统：

-接收(200)对所述至少一个激励视场的所述选择；

-接收(202)初始脉冲序列命令(126)，所述初始脉冲序列命令被配置用于控制磁共振成像系统(302)采集描述对象(318)的k空间数据(330)；

-使用所述至少一个激励视场对所述复阵列进行编码(204)；

-响应于将所述复阵列输入到所述卷积神经网络中而接收(206)所述射频波形和所述多个空间选择性梯度脉冲波形；并且

-通过利用所述射频波形和所述多个空间选择性梯度脉冲波形修改所述初始脉冲序列命令来构建(208)经修改的脉冲序列命令(134)，使得所述脉冲序列命令被配置为控制所述磁共振成像系统采集来自所述至少一个激励视场的所述k空间数据。

14.一种使用卷积神经网络(122)进行医学成像的方法，其中，所述卷积神经网络被配置为接收对至少一个激励视场(324、900)的选择(200)进行编码的复阵列(128)作为输入，其中，所述卷积神经网络被配置为输出射频波形(130)和多个空间选择性梯度脉冲波形(132)，其中，所述卷积神经网络是多任务卷积神经网络，所述多任务卷积神经网络具有针对所述射频波形的第一输出和针对所述多个空间选择性梯度脉冲波形中的每个空间选择性梯度脉冲波形的单独输出，

其中，所述方法包括：

-接收(200)对所述至少一个激励视场的所述选择；

-接收(202)初始脉冲序列命令，所述初始脉冲序列命令被配置用于控制磁共振成像系统(302)采集描述对象(318)的k空间数据(330)；

-使用所述至少一个激励视场对所述复阵列进行编码(204)；

-响应于将所述复阵列输入到所述卷积神经网络中而接收(206)所述射频波形和所述多个空间选择性梯度脉冲波形；并且

-通过利用所述射频波形和所述多个空间选择性梯度脉冲波形修改所述初始脉冲序列命令来构建(208)经修改的脉冲序列命令(134)，使得所述脉冲序列命令被配置为控制所述磁共振成像系统采集来自所述至少一个激励视场的所述k空间数据。

15.一种训练卷积神经网络(122)的方法，其中，所述方法包括重复执行以下步骤：

-使用选择性激励脉冲设计算法来生成(500)训练射频波形和多个训练空间选择性梯度脉冲波形；

-通过将所述训练射频波形和所述多个训练空间选择性梯度脉冲波形输入到磁共振成像信号模型中来计算(502)建模的激励视场；

-通过将所述建模的激励视场输入到所述卷积神经网络中来接收(504)前向传播的射频波形和多个前向传播的空间选择性训练梯度脉冲波形；

-通过利用所述训练射频波形和所述前向传播的射频波形并且利用所述多个训练空间选择性梯度脉冲波形和所述多个前向传播的空间选择性训练梯度脉冲波形的匹配对来执行反向传播来更新(506)所述卷积神经网络的参数。

Images