KR20200006003A - 자기 공명 이미징을 위한 펄스 시퀀스들의 데이터베이스를 구축하는 컴퓨터 구현 방법 및 이러한 데이터베이스를 이용하여 자기 공명 이미징을 수행하는 방법 - Google Patents

Abstract

병렬 송신 자기 공명 이미징을 위한 펄스 시퀀스들의 데이터베이스를 구축하는 컴퓨터 구현 방법으로서:
a) 복수 (S0) 의 대상들 각각에 대해, 대상에 대한 최적 시퀀스를 결정하는 단계;
b) 각각의 대상에 대해, 대상들 모두에 대한 최적 시퀀스들을 재생함으로써 획득된 코스트 또는 메리트 함수의 또는 상이한 코스트 또는 메리트 함수의 값들을 계산하는 단계;
c) 상기 값들, 또는 그의 함수들을 메트릭들로서 취하는 클러스터링 알고리즘을 사용하여 대상들을 복수의 클러스터들로 집성하는 단계;
d) 각각의 클러스터에 대해, 클러스터에 대한 평균 최적 시퀀스를 결정하는 단계;
e) 적어도 대상의 형태학적 피처를 포함하는, 이미징 대상 (IS) 을 특징화하는 피처들의 세트를 입력으로서 수신하는 단계;
f) 컴퓨터 구현 분류자 알고리즘을 사용하여 피처들의 세트에 기초하여 데이터베이스의 하나의 펄스 시퀀스에 대상을 연관시키는 단계; 및
g) 상기 펄스 시퀀스를 이용하여 자기 공명 이미징을 수행하는 단계를 포함한다.
이러한 방법의 단계들 e)-g) 를 수행하기 위한 자기 공명 이미징 장치.

Description

자기 공명 이미징을 위한 펄스 시퀀스들의 데이터베이스를 구축하는 컴퓨터 구현 방법 및 이러한 데이터베이스를 이용하여 자기 공명 이미징을 수행하는 방법{A COMPUTER-IMPLEMENTED METHOD OF BUILDING A DATABASE OF PULSE SEQUENCES FOR MAGNETIC RESONANCE IMAGING, AND A METHOD OF PERFORMING MAGNETIC RESONANCE IMAGING USING SUCH A DATABASE}

본 발명은 병렬-송신 (parallel-transmission) 자기 공명 이미징을 위한 펄스 시퀀스의 데이터베이스를 설계하고 이러한 데이터베이스를 이용하여 병렬-송신 자기 공명 이미징을 수행하는 방법에 관한 것이다. 펄스 시퀀스는 하나 이상의 무선 주파수 (RF) 펄스들 및 적어도 하나의 자기장 구배 (gradient) 파형을 포함하여, 핵 스핀들의 배향으로부터 야기되는 정적 자기장에 침지된 샘플의 핵 자화를 조종하는 것을 허용한다. 간단성을 위해, 다음에서, 펄스 시퀀스는 때때로 "펄스" 로 표기될 것이다.

고 필드 자기 공명 이미징 (MRI) 은 이것이 제공하는 높은 신호 대 잡음비 (SNR) 덕분에 임상적으로 그 활용성을 입증하여서, 더 미세한 시간 및/또는 공간 해상도를 허용하였다. 그러나, 고-필드에 내재된 많은 문제들은 여전히 전세계적으로 병원에서 고-필드 (3T - 7T) 스캐너들의 확산을 저해한다. 그 중에서 RF 파장이 이미징된 영역에 근접하거나 이 영역보다 작아질 때 발생하는 "B1 아피택트(artifact)" 이다 ([1]). 그러한 경우에, 송신된 무선-주파수 "B1+" 필드는 관심 영역 내에서 불균질해지고, 결국 핵 자화 플립 각도들의 불균질한 분포를 초래한다. 이것은 콘트라스트 (constrast) 의 손실 및 음영의 구역들의 발생을 유도하며, 이는 질환을 숨기거나 조영제 (contrast-agent) 주입 시퀀스에서 관찰된 인핸스먼트 비를 변경함으로써 진단에 영향을 미칠 수 있다. 3T 에서, 이 아티팩트는 특히 복부 이미징에서는 임신인 한편, 뇌 이미징에 대해서는 초-고 필드 (UHF - 7T 이상) 에 관련되게 된다.

이 문제를 해결하기 위해 패시브 및 액티브 RF 시밍 (shimming) 을 포함한 몇 가지 툴들이 제안되었다.

패시브 RF 시밍은 B1 불균질성을 보상하기 위해 유전체 패드들의 사용을 수반한다 ([2]). 그 효과는 어떻게든 제한된다.

액티브 RF 시밍은 병렬 송신 (pTx), 즉 핵 스핀들을 여기시키기 위해 다중 RF 코일들을 사용한다. 액티브 RF 시밍 기법들의 두 가지 주요 종류: 정적 및 동적이 존재한다.

정적 액티브 RF 시밍에서, 복수의 무선 주파수 RF 코일 엘리먼트들은 모두 B1 필드를 균질화하도록 최적화된, 상이한 복소 가중치 (complex weight) 들을 갖는 동일한 RF 펄스를 송신한다 [3]. 3T 에서의 복부 이미징에 대해, 이 기법은 대부분의 환자들에게 만족스럽지만, 수용할 수 없는 경우들의 약 10 내지 20 % 에서 충분히 균질한 여기를 제공하지 못한다. 더 높은 필드 값들에 대해, 정적 액티브 RF 시밍은 일반적으로 만족스럽지 않다.

동적 RF 시밍 [4] 은 일반적으로 복소 시변 엔벨로프들에 의해 정의되는 상이한 시간 파형들을 갖는 개개의 RF 펄스들을 동시에 송신하기 위해 다중 RF 코일들을 사용하는데 있다. 이 기법은 정적 시밍보다 우수한 균일성을 달성할 수 있지만, 그 복잡성으로 인해 본질적으로 연구 툴이 되었다.

참조 문헌 [5] 는 3T 에서 복부의 비선택적 여기에 대해 임상적 루틴에서 k_T-포인트 [6] 동적 RF 시밍의 우월성을 입증한다.

가중 계수들 (정적 시밍) 또는 RF 파형들 (동적 시밍) 을 최적화는 것은 적어도 각각의 송신 채널로부터 B1+ 맵들의 측정으로 구성된 교정 (calibration) 을 필요로 한다; 또한, 최적의 동적 RF 시밍에 대해, 오프-공진 주파수 Δf0 맵 (지방 조직과 같은 화학적 시프트가 존재하지 않는 경우 정적 필드 불균질성 ΔB0 맵에 대응) 이 RF 펄스의 계산 전에 또한 필요하다. 이러한 계산들은 시간 소모적이다. 예를 들어, 2 개의 채널을 갖는 3T 스캐너 상에서, 전체 교정 프로세스는 거의 2 분: B1+ 매핑에 대한 30 초, Δf0 매핑에 대한 15 초, 펄스 설계 자체에 대한 5 초 (정적 RF 시밍) 와 60 초 (kT- 포인트들) 사이에서 지속할 수 있다. 이는 채널 수가 증가할 때에 더욱 악화된다.

[7] 은 간략화된 정적 RF-시밍 접근법을 설명하며, 이로 인해 몇몇 복소 가중치들의 세트- 상이한 범주들의 환자들에게 최적- 가 미리 계산되며; 임상 활동 동안, 이들 파라미터들의 세트들 중 가장 적합한 것이 각각의 주어진 환자에 대해 선정된다. 그 후, 자화 플립 각도 분포의 감소된 균질성을 희생하고 교정이 회피된다.

[8] 및 [9] 에서 소개된 "보편적인 펄스들 (universal pulses)" 은 교정이 없는 동적 RF-시밍을 허용한다: 각각의 대상 (subject) 에 특정 펄스를 설계하는 대신, 대상 간 가변성에 대해 강건한 (robust) 펄스가 대상들의 개체군의 교정 데이터를 사용하여 한번 그리고 모두에 대해 생성된다. 보편적인 펄스들은 다양한 시퀀스들 및 가중치들, 그리고 상이한 기본 펄스 설계들: k_T-포인트들 [8], [9], [10], [11], 빠른-k_Z 스포크들 [10], 직접 신호 제어 [12] 로, 7T 의 뇌에서 성공적으로 구현되었다.

그러나, 보편성은 개별 균질성을 절충한다. 이들이 대다수의 대상들에 대해 수용할만한 결과들을 제공한다고 하더라도, 상당수의 경우에 충분히 균질한 여기를 제공하지 못한다.

[9] 에 의해 제안된 절충 해결책은, 상이한 그룹의 이미징 대상에 맞추어진, 상이한 "반-보편적인" 펄스들을 계산하는 것으로 구성된다. 보다 정확하게, [9] 에 따르면, 대상들의 세트는 형태학적 피처들 - 예를 들어, 뇌 이미징을 위한 머리의 사이즈 - 에 따라 복수의 코호트 (cohort) 들로 그룹화되며, "반-보편적인" 펄스 시퀀스가 각각의 코호트를 위해 설계된다. 동일한 형태학적 피처들은 그 후 부가 대상들에 대해 가장 적합한 펄스 시퀀스를 선정하는데 사용된다. 이 접근법의 단점은 코호트들이 경험적 기반으로 형성된다는 것이고, 이미징 대상들을 소트하는데 사용된 피처들의 관련성 보장은 없다.

최적의 RF-시밍에 필요한 시간 소모적인 교정을 회피하기 위해 다른 접근법들이 또한 제안되었다. 참조 문헌 [13] 은 양호한 정확도를 갖는 제한된 B1+ 정보 및 머리의 기하학적 피처들을 사용하여 정적 슬라이스 특정 RF 시밍 펄스의 RF 계수를 추론하는 방법을 설명한다; 이 방법은 뇌 이미징을 위해 설계되었으며, 복부와 같은, 머리보다 큰 대상 간 형상 및 치수 변동들을 보여주는 신체 부위를 다루는데 효과적일지가 확실하지 않다. 참조 문헌 [14] 는 동적 RF 시밍 펄스들을 예측하기 위한 신경망 솔루션을 설명하지만, 생성된 펄스들은 성능이 부족하다. 양자의 방법들은 7T 에서 뇌 검사를 위한 슬라이스 특정 펄스들을 타겟으로 한다.

발명은 위에 논의된 종래 기술의 결점들을 극복하는데 목적이 있다. 보다 정확하게는, 보편적인 펄스들의 단순성과 사용자 편의성을, 예를 들어 3T 의 복부에서 발견된 중요한 대상 간 변동성과 조화시키는데 목적이 있다. 발명은 또한, 더 강력한 MRI 시퀀스들 (즉, 대상의 움직임 또는 이미지 취득 프로세스의 임의의 다른 섭동에 덜 민감함) 을 제공하는데 목적이 있다.

발명에 따르면, 순수 "보편적인 펄스" 접근법에서와 같이 모든 대상들에 대해 하나의 펄스를 설계하는 대신, 대상 개체군이 클러스터들로 분할되고, 하나의 의사 보편적인 펄스 시퀀스가 각각의 클러스터에 대해 설계된다. 그 후, 머신 러닝 알고리즘은 새로운 대상을 분류하여 적어도 형태학적 피처에 기초하여 그들 각각에 최상의 가능한 펄스를 할당한다. [9] 의 "반-보편적인" 접근법과는 반대로, 클러스터들은 어떻게든 임의의 형태학적 피처들에 기초하여 경험적으로 정의되는 것이 아니라, 클러스터링 알고리즘을 사용하여 체계적인 방식으로 정의된다. 특히, N 개의 대상들 중 각각의 대상에 대해 최적의 RF 펄스 시퀀스가 계산된다; N 개의 결과 시퀀스들은 대상의 각각에 대해 재생되어, N² 자화 플립 각도 (FA) 분포를 산출한다. 이들 분포와 타겟 분포 (일반적으로, 미리결정된 값을 갖는 균일한 FA) 사이의 차이는 클러스터링을 수행하는데 사용되는 대상 공간에 대한 메트릭들을 정의한다. [9] 에서와는 달리, 그 후 클러스터링은 관련 기준에 기초하도록 보장된다. 그 후, 머신 러닝은 쉽게 이용가능한 데이터, 예를 들어 로컬라이저 취득 - 모든 이미징 프로토콜들에 서문 역할을 하는 필수 (compulsory) 단계로부터 추출될 수 있는 형태학적 피처들을 사용하여 클러스터에 새로운 대상들을 할당하는 것을 허용한다.

단일 대상에 대해서보다, 대상들의 세트에 대해 최적화되면, 발명의 방법에 의해 획득된 펄스 시퀀스들은 "최적 맞춤형" 시퀀스들보다 훨씬 더 강력하다.

따라서, 본 발명의 목적은 자기 공명 이미징을 위한 펄스 시퀀스들의 데이터베이스를 구축하는 컴퓨터 구현 방법이며, 각각의 펄스 시퀀스는 적어도 자기장 구배 파형 및 무선 주파수 펄스들의 세트를 포함하며, 상기 세트의 각각의 펄스는 복수의 설계 파라미터들에 의해 정의되고, 자기 공명 이미징 장치의 개개의 송신 채널에 연관되며, 방법은,

a) 복수의 자기 공명 이미징 대상들의 각각에 대해, 타겟 분포, 및 대상에 대한 펄스 시퀀스를 시뮬레이션함으로써 획득된 핵 자화 플립 각도들의 공간 분포와 타겟 분포 사이의 차이를 나타내는 코스트 또는 메리트 함수를 최적화하는, 대상에 대한 최적 시퀀스로 불리는 펄스 시퀀스를 결정하는 단계;

b) 각각의 대상에 대해, 대상들 모두에 대한 최적 시퀀스들을 시뮬레이션함으로써 획득된 상기 또는 상이한 코스트 또는 메리트 함수의 값들을 계산하는 단계;

c) 메트릭들로서 상기 값들, 또는 그 함수들을 취하는 클러스터링 알고리즘을 사용하여 복수의 클러스터들로 대상들을 집성하는 단계; 및

d) 각각의 클러스터에 대해, 타겟 분포와 클러스터에 속하는 대상들의 핵 자화 플립 각도들의 공간 분포 사이의 평균 차이를 나타내는 코스트 또는 메리트 함수를 최적화하는, 클러스터에 대한 최적 시퀀스로 불리는, 펄스 시퀀스를 결정하는 단계를 포함한다.

발명의 다른 목적은 대상의 자기 공명 이미징을 수행하는 방법으로서,

- 펄스 시퀀스들의 데이베이스를 제공하는 단계로서, 각각의 펄스 시퀀스는 적어도 자기장 구배 파형 및 무선 주파수 펄스들의 세트를 포함하고, 상기 세트의 각각의 펄스는 복수의 설계 파라미터들에 의해 정의되고 자기 공명 이미징 장치의 개개의 송신 채널에 연관되는, 상기 펄스 시퀀스들의 데이터베이스를 제공하는 단계;

- 대상의 적어도 형태학적 피처를 포함하는, 대상을 특징화하는 피처들의 세트를, 입력으로서 수신하는 단계;

- 컴퓨터 구현 분류자 알고리즘을 사용하여 상기 피처들의 세트에 기초하여 데이터베이스의 하나의 펄스 시퀀스에 대상을 연관시키는 단계; 및

- 상기 펄스 시퀀스를 이용하여 자기 공명 이미징을 수행하는 단계를 포함한다.

발명의 또 다른 목적은 자기 공명 이미징 장치로서,

- 적어도 하나의 무선 주파수 송신 채널;

- 구배 코일들의 세트;

- 펄스 시퀀스들의 데이베이스를 저장하는 메모리로서, 각각의 펄스 시퀀스는 적어도 자기장 구배 파형 및 무선 주파수 펄스들의 세트를 포함하고, 상기 세트의 각각의 펄스는 복수의 설계 파라미터들에 의해 정의되고 자기 공명 이미징 장치의 개개의 송신 채널에 연관되는, 상기 메모리; 및

- 컴퓨터를 포함하고, 컴퓨터는,

- 대상의 적어도 형태학적 피처를 포함하는, 자기 공명 이미징 대상을 특징화하는 피처들의 세트를, 입력으로서 수신하고;

- 분류자 알고리즘을 사용하여 상기 피처들의 세트에 기초하여 데이터베이스의 하나의 펄스 시퀀스에 대상을 연관시키며; 그리고

- 상기 펄스 시퀀스를 사용하여 자기 공명 이미징을 수행하기 위해 구배 코일들 및 무선 주파수 송신 채널 또는 채널들을 구동하기 위해 프로그램된다.

발명의 방법들 및 장치의 특정 실시형태들은 종속 청구항들의 청구물을 구성한다.

본 발명의 부가적인 피처들 및 이점들은 첨부 도면들과 함께 취해진 후속 설명으로부터 명백해질 것이다.
- 도 1 은 발명을 수행하는데 적합한 병렬 송신 자기 공명 장치의 개략적인 표현이다.
- 도 2 는 발명에 따른 방법의 플로우챠트이다.
- 도 3a 및 3b 는 복부에서의 송신 B1 필드의 대상 간 가변성을 도시하는, 4 명의 대상들에 대한 B1+ 맵들 (3a: 필드 진폭; 3b: 필드 위상) 이다.
- 도 4a 내지 도 4e 는 클러스터들의 구성을 도시한다.
- 도 5 는 대상들을 분류하는데 사용된 피처 벡터를 도시한다.
- 도 6a, 도 6b 및 도 7 은 발명의 기술적 결과들을 도시하는 시뮬레이션 결과들의 플롯들이다.
- 도 8 및 도 9 는 발명의 기술적 결과들을 추가로 도시하는 생체 내 (in vivo) 실험 결과들이다.
- 도 10 는 발명의 상이한 실시형태에 따른 방법의 플로우챠트이다.

도 1 은 발명을 수행하는데 적합한 병렬 송신 MRI 스캐너의 매우 간략화된 표현이다. 참조 번호 M 은 도 1 의 경우에 수평인 "길이" 방향 z 를 따라 배향된 강한 (예를 들어, 3T 또는 심지어 7T) 정적 자기장 B0 을 생성하기 위한 자석을 나타낸다. 자석은 대상 (일반적으로 인간) 또는 그의 신체 일부 (예를 들어, 머리) 의 삽입을 허용하기 위해 원통 및 중공이다. 구배 코일 (참조 번호 GC) 로 불리는 부가 자석들이 메인 자석 (M) 외부에 배치되고 3 개의 직교 공간 치수들을 따라 강도 구배들을 나타내는 다양한 자기장들을 천천히 (즉, 무선 주파수가 아님) 생성하도록 구동될 수 있다. 도면 상에는, 단일 공간 치수를 따라 구배의 생성을 허용하는, 한 쌍의 구배 코일들만이 나타나 있다. 메인 코일 (M) 의 내부 체적의 주위에는 복수의 무선 고주파 코일 엘리먼트들이 배치되고, 도 1 의 예에는 그 중 8 개: RFC1, RFC2, RFC3, RFC4, RFC5, RFC6, RFC7, RFC8 가 있다. 코일 엘리먼트들은 일반적으로 복소 엔벨로프에 의해 정의될 수도 있는, 상이한 시변 진폭 및 위상과 동일한 캐리어 주파수 (라르모르 (Larmor) 주파수에서) 를 갖는, 개개의 RF 펄스들을 방출하도록 컴퓨터에 의해 독립적으로 구동되는, 증폭기들과 같은, 나타내지 않은 디바이스들을 또한 포함하는, 개개의 송신 채널들의 일부이다. 또한, 신호 프로세서가 구배 코일들 (GC) 을 구동하여 구배 파형들을 생성한다. (불균질) RF 필드 (B1+) 는 RF 코일 엘리먼트들에 의해 생성되며; RF 코일 엘리먼트들에 의해 형성된 앙상블은 때때로 (RF) 코일로 불린다.

발명에 따르면, 스캐너의 각각의 송신 채널에 대한 하나의 RF 펄스 및 유리하게 또한 구배 파형들을 포함하는, RF 펄스 시퀀스들의 세트의 복소 엔벨로프들이 신호 프로세서 (SP) 가 액세스하는 데이터베이스에 저장될 수도 있다. 각각의 펄스 시퀀스는 종래 기술에서와 같이 특정 대상에 맞춰지기 보다는, 다수의 대상들에 맞추기 위해 - 하기에 설명될 방법을 사용하여- 설계된다. 또한, 컴퓨터 (CP) 는 MRI 대상을 기술하는 피처들의 벡터를 입력으로서 수신하고 그것에 분류자 알고리즘을 적용하여 대상을 데이터베이스에 저장된 펄스 시퀀스들 중 하나에 연관시키기 위해 프로그램된다.

도 2 는 발명의 실시형태에 따른 MRI RF 펄스를 설계하는 방법의 단계들을 도시한다.

단계 a) 는 MRI 대상들의 제 1 세트 (S0) 의 각각에 대해 "최적" 펄스 시퀀스를 설계하는데 있으며; 예를 들어 세트 (S0) 는 N_S0= 50 명을 포함할 수도 있다. 펄스 시퀀스는 대상의 시퀀스를 재생함으로써 획득된 대상의 신체의 영역 내에서 자화 플립 각도의 균질성 또는 불균질성을 각각 표현하는 코스트 함수를 최소화하거나 메리트 함수를 최대화할 때 대상에 대해 최적인 것으로 고려된다. 예를 들어, 모든 관심 체적에 대해 적분된 제곱 평균 제곱근 (root-mean-square) 플립 각도 에러에 비례하거나 이와 동일한 코스트 함수가 사용될 수도 있다. 대안으로, 코스트 함수는 플립 각도 에러의 표준 편차에 비례하는 항을 포함할 수도 있다. 최적화는 일반적으로 시퀀스 지속기간, 피크 및 평균 전력, SAR (specific absorption rate) 등에 대한 제약들을 통상적으로 포함하는, 몇 가지 제약들 하에서 수행된다.

도 2 의 실시형태에서, 단계 a) 는 3 개의 주요 하위 단계들을 포함한다.

하위 단계 a1) 는 B1+ - 그리고 바람직하게는 △f0 - 를 취득하는데 있으며 맵들은 각각의 대상에 대해 취득된다 (△f0 맵들은 △B0 으로부터 뿐만 아니라 화학적 시프트들로부터의 기여들을 포함한다). 이 단계를 수행하기 위한 몇가지 방법들이 당업계에 알려져 있으며, 예를 들어, [15], [16] 을 참조한다. 각각의 대상에 대해, - 스캐너의 N_C 송신 채널들 각각에 대해 몇 가지 B1+ 맵들이 획득되어야 한다는 것을 유의하는 것이 중요하다. 따라서, △f0 맵들이 또한 취득되면, 하위 단계 a1) 는 N_S,0(Nc +1) 독립적인 측정들을 필요로 한다. 이것은 상당한 시간을 요구할 수도 있지만, 측정들은 "오프라인" 으로, 즉 임상 검사들의 시작 이전에 수행되며, 코호트의 멤버들은 환자이기보다는 건강한 자원 봉사자일 수도 있다.

방법의 하위 단계 a2) 는 세트 (S0) 의 N_S,0 멤버들에 대한 핵 자화 플립 각도 (FA) 를 계산하는 것을 수반한다.

RF 펄스는 유한 수의 설계 파라미터들에 의해 정의될 수도 있다. 이들은 복소 엔벨로프의 시간 샘플들, 상기 엔벨로프의 푸리에 계수들, 분석 표현의 계수들 등일 수도 있다. 또한, 자기장 구배 파형이 RF 펄스들과 함께 재생된다. 발명의 실시형태에서, 자기장 파형은 미리정의되고 고정되며, RF 펄스들의 설계 파라미터들 만이 여기 (excitation) 균질성을 최적화하도록 조정된다. 대안의 실시형태에서, RF 펄스들 및 구배 파형 (및 그에 따른 k-공간 궤적) 모두가 최적화되고; 따라서 구배 파형은 또한 조정가능한 설계 파라미터들을 사용하여 표현된다. 처음으로 방법의 하위 단계 a2) 를 수행하기 위해 - 예를 들어 무작위로 - 초기화 값들을 이러한 설계 파라미터들에 할당할 필요가 있다.

소위 "kT-포인트" 기법 [6] 을 사용하여 핵 스핀 여기가 비선택적으로 (즉, 모든 관심의 체적에 걸쳐) 수행되는 경우를 고려하며, 여기서 구배 펄스들은 이산 포인트들 ("kT- 포인트들") 을 링크하는 (보통 직선인) 세그먼트들에 의해 형성된 k-공간에서 파선 궤적을 정의하며, 정사각형 RF 서브 펄스들은 상기 포인트들에 대응하여 (즉, 각각의 구배 펄스 후에) 방출된다.

관심의 체적이 각각이 자화 플립 각도의 개개의 값에 의해 특징화되는 N_V (예를 들어, N_V = 12,000) 복셀 (voxel) 들로 분해되게 한다. N_kT (예를 들어, N_kT= 5) 가 예를 들어, k-공간의 중심 주위에 대칭적으로 위치된 kT 포인트들의 수라고 하면; 각각의 무선 주파수 펄스는 고정된 시간에 재생된 N_kT 정사각형 서브 펄스들로 구성되기 때문에, 그 파형은 N_kT 복소 진폭 값들로 정의될 수 있다. N_C (예를 들어, N_C = 8) 가 송신 채널들, 예를 들어 도 1 의 코일 엘리먼트들 (RFC1 - RFC8) 의 수라고 한다.

이 경우 ([17] 참조), 플립 각도는 작은 팁 각도 근사에서 다음과 같이 표현될 수 있다:

식중

- FA 는 N_V-엘리먼트 열 벡터이고, 그의 엘리먼트들은 개개의 복셀들의 플립 각도를 나타낸다.

- x 는 p 엘리먼트 열 벡터이고, p = N_C·N_kT 는 RF 펄스 세트를 형성하는 N_C RF 펄스들의 파형들 (각각이 N_kT 샘플들을 포함, 위 참조) 을 연쇄시킴으로써 획득된다.

- A 는 스핀 역학 행렬 또는 블로흐 연산자 (Bloch operator) 라 불리는 N_V×p 복소 계수 행렬이며, 그 계수들은 다음과 같이 주어진다:

식 중

- "i"는 허수 유닛이다;

- r_m 은 m 번째 복셀의 위치 벡터이다;

- B1_n(r_m) 은 μT (마이크로테슬라) 로 표현되고, 최대 전력에서 m 번째 복셀에서 m 번째 채널에 의해 생성된 B1+ RF 필드이며; 이것은 방법의 하위 단계 a1) 동안 획득된다;

- j는 kT-포인트의 인덱스이고, k_j 는 여기 동안 재생된 자기장 구배들의 시간 반전된 적분을 계산함으로써 획득된 k 공간에서의 대응 포인트이다;

-〈.,.〉는 스칼라 곱을 표기한다;

- γ 는 자기회전 비이다;

- △B0(r_m) 은 T (테슬라) 로 표현되고, m 번째 복셀에서 정적 자기장 (B0) 의 불균질성이며; 이것은 또한 방법의 하위 단계 a1) 동안 획득된다;

- T 는 총 펄스 지속기간이다;

- T_S 는 각각의 RF 서브 펄스의 지속기간 - 예를 들어 9 °의 타겟 플립 각도에 대해 0.08 ms 또는 180 ° 의 타겟 플립 각도에 대해 0.5 ms 이다.

- 정규화 상수 s 는 지속기간 T_S 의 서브 펄스에 대해 그리고 1 μT 의 RF 진폭으로 획득된 플립 각도이다.

다른 종류의 펄스 시퀀스에 대한 일반화는 간단하다. 대안으로, 플립 각도가 너무 크면, 작은 팁 각도 근사가 깨지고 블로흐 방정식의 전체 수치 적분이 필요하다.

하위 단계 a2) 의 종료에서, 플립 각도 맵 - 즉 공간 분포- 가 S0 의 각각의 대상에 대해 획득되어, 위에 언급된 메리트 또는 코스트 함수 계산을 허용한다.

하위 단계 a3 에서, RF 펄스들의 설계 파라미터들 및 바람직하게는 구배 파형들은, FA 분포를 재계산하는 것을 수반하는 메리트 함수를 최대화하거나 코스트 함수를 최소화하기 위해 반복적으로 조정된다. 따라서, N_S,0 펄스 시퀀스들이 획득되며, 각각의 시퀀스는 S0 세트의 대상에 대해 최적이다.

단계 b) 는 세트 S0 에 대한 메트릭들을 정의, 즉 세트의 대상들의 각각의 쌍 사이에서 "거리" 를 정의하는데 있다. 도 2의 실시형태에서, 이것은 세트 S0 의 모든 N_S,0 대상들에 대한 단계 a) 의 종료에서 획득된 모든 N_S,0 펄스 시퀀스들을 재생함으로써, 그리고 코스트 또는 메리트 함수들의 대응 값들을 계산함으로써 수행된다. 대상 "i" 와 대상 "j" 사이의 "거리" 는, 대상 "i" 에 대해 최적화된 펄스가 사용되는 상황과 비교하여, 대상 "j" 에 대해 최적화된 펄스 시퀀스가 대상 "i" 에 대해 재생될 때 획득된 FA 분포의 균질성 손실을 표현한다.

단계 c) 에서, 대상들은 클러스터링 알고리즘을 사용하여 복수의 클러스터들로 집성된다. 클러스터링은 단계 b) 에서 계산된 거리에 기초하여 수행된다. 이는 클러스터의 임의의 멤버에 대한 최적 시퀀스가 클러스터의 임의의 다른 멤버에 대해 합리적으로 균일한 FA 분포를 생성할 것임을 의미한다. 필수적이지는 않지만 바람직하게는, 완전 링크 스킴 (complete linkage scheme) 을 사용한 계층적 집성 클러스터링 알고리즘이 사용된다. 클러스터의 수는 미리결정되거나 대상들의 세트의 특성들에 의존할 수도 있다. 예를 들어, 클러스터들의 수는 임의의 클러스터의 임의의 2 개의 엘리먼트들 사이의 최대 거리 (위에 정의된 바와 같음) 가 주어진 임계 미만이도록 선택될 수도 있다.

단계 d) 에서, 최적의 펄스 시퀀스가 각각의 클러스터에 대해 계산된다. 이 시퀀스는 전체 클러스터에 대한 FA 분포들의 평균 균질성 (불균질성) 을 표현하는 평균 코스트 (메리트) 함수를 최소화 (최대화) 한다. 단계 a) 에서와 같이, 최적화는 바람직하게 다양한 제약들 하에서 수행된다.

단계 e) 는 단계 c) 에서 획득된 클러스터들에 MRI 대상들을 연관시키기 위한 분류자 알고리즘을 훈련시키는데 있다. 분류는 적어도 하나의 형태학적 피처를 포함하는 피처 벡터에 기초하여 수행된다. 예를 들어, 형태학적 피처들은 "로컬라이저 이미지들", 즉 임의의 MRI 검사 전에 재생되는 로컬라이저 시퀀스로부터 획득된 이미지들에 의해 도출될 수도 있다. 대상의 아이덴티티 데이터 (나이, 성별...), 임상 데이터 (키, 몸무게, 병리학) 및 자기 공명 이미징 장치의 동작 파라미터들 (글로벌 SAR, RF 코일들의 참조 전압...) 과 같은 다른 피처들이 또한 사용될 수도 있다. 바람직하게, 발명의 목적들 중 하나가 이러한 교정을 정확하게 회피하는 것으로 주어지면, 피처 벡터는 FA 맵의 B1+ 에 의해 도출된 또는 보다 일반적으로는 전용 교정 단계를 필요로 하는 피처들을 포함하지 않는다.

임의의 적절한 머신 러닝 알고리즘이 단계 e) 를 수행하기 위해 사용될 수도 있다. 바람직하게, 훈련은 세트 S0 의 N_S,0 멤버 및 제 2 세트 S1 로부터의 N_S,1 부가 대상들을 사용하여 수행된다. S1 의 각각의 대상은 그에 대해 단계 d) 에서 결정된 모든 "최적" 시퀀스들을 테스트하고 가장 균일한 FA 분포를 산출하는 것을 선정함으로써 클러스터들에 기인한다.

단계 f) 는 "새로운" 대상 (IS) - 즉, S0 에도 또는 S1 에도 속하지 않은 대상 - 을 클러스터에 연관시키기 위해 훈련된 분류자를 사용하여, 그 피처 벡터를 훈련된 분류자 알고리즘의 입력으로서 제공하는데 있다.

마지막으로, 단계 g) 에서, 대상 (IS) 의 자기 공명 이미징은 대상이 연관된 클러스터에 대한 최적 시퀀스를 사용하여 수행된다.

이하, 발명의 이론적 근거에 대한 보다 상세한 설명이 제공될 것이고; 그 후 발명 방법의 예시적인 실시형태가 설명될 것이며, 실험 결과들이 논의될 것이다.

이론

목적은 B1-불균질성들에 대해 강력한 짧은 비선택적 여기 펄스들을 설계하는 것이기 때문에, k_T-포인트 방법이 채택되었고, 그 형식주의가 사용되었다 - [6] 참조.

이 섹션은 주제별 (맞춤형) 설계 뿐만 아니라 보편적인 k_T-포인트 펄스 설계를 간략하게 상기한다 ([8], [9]). 그 후, 발명에 특정된 이론이 개발된다.

맞춤형 KT-포인트 펄스 설계

가장 효과적인 k_T-포인트 펄스 설계는 RF 복소 계수들, k-공간 위치들 및 각각의 k_T-포인트 서브 펄스의 지속기간들을 동시에 최적화함으로써 관심 영역에서 플립 각도 (FA) 분포를 균질화하는데 있다. pTx 시스템에 대한 N_kT 의 서브 펄스들은 N_ch 송신 채널들을 구비하고, 벡터들 (x, k 및 t) 을 사용하여, 모든 서브-펄스 RF 복소 계수들, 3 차원 위치들, 및 지속기간들을 각각 나타내며, 최적화 문제는 다음과 같이 표현될 수 있다 :

여기서 α_T 는 타겟인 FA 이고 A 는 B₁ ⁺ 및 Δf₀ 값들 (식 2 참조) 에 의존하여 각각의 복셀에 FA 를 연관시키는 블로흐 연산자이다. 최적화는 피크 전력, 평균 전력 및 SAR (specific absorption rate) 글로벌 및 로컬 제약들 하에서 수행되어 하드웨어 제한들 및 환자 안전을 준수한다.

보편적인 KT-포인트 펄스 설계

위에 논의된 바와 같이, 보편적인 펄스의 설계는 N_S 대상들의 샘블에 기초하여, 하나의 대상에서 뿐만 아니라 전체 개체군에 대해 여기를 균질화하려고 한다. 여기서, 이상치를 회피하면서 전체 개체군에서의 글로벌 FA 불균질성을 감소시키기 위해, 각각의 대상에서 달성된 타겟 정규화된 제곱 평균 제곱근 FA 에러 (NRMSE) 의 평균 플러스 표준 편차가 최소화될 코스트 함수로서 선정되었다.

이 개체군에서 N_S 대상들의 각각에 연관된 블로흐 연산자들의 세트를 나타내면, 펄스 설계는 다음의 문제를 해결하는데 있다:

식 중

) 는 각각의 대상에 대해 관심의 모든 복셀들에 걸쳐 적용된 제곱 평균 제곱근 FA 에러들의 잔차 벡터이고,

그리고

및

는 샘플 평균 및 샘플 표준 편차 연산자들을 각각 나타낸다. 이 문제는 또한 이전의 경우에서 설명된 바와 같이 모두 엄격한 제약들하에서 해결된다.

발명의 설계 방법

발명의 설계 방법은 2 개의 페이즈로 분할될 수 있다. 먼저, 대상들의 N_C 클러스터들이 N_S,0 대상들의 데이터베이스로부터 형성되고 하나의 의사 보편적인 펄스가 각각의 클러스터에 대해 설계된다. 그 후, 분류자는 단순한 피처들의 세트가 주어지면, 대상에 가장 적절한 펄스를 할당하기 위해 N_train 예들에서 훈련된다.

클러스터링 및 펄스 설계

데이터베이스 클러스터링을 수행하기 위해, 식 (4) 에 따라 N_S,0 대상들의 각각에 대해 맞춤형 k_T-포인트들이 설계되었고, 그 후 다음의 행렬이 형성되었다:

식 중 ν_s,p 는 s 번째 대상에 적용될 때 p 번째 펄스에 의해 달성된 NRMSE 를 나타낸다.

대상들 사이의 거리

는 그 후 대상 벡터들

을 정의함으로써 계산되었다:

그 후, 완전 링크를 갖는, 즉 다음과 같이 정의된 대상들의 I 및 J 의 2 개의 클러스터들 사이의 거리를 갖는

에 대해 집성적 계층 클러스터링이 수행되었다.

이것은 각각의 개별 대상이 싱글톤 클러스터를 형성하는 것으로 시작하는 상향식 프로세스이다. 새로운 클러스터 K 는 최소 쌍방식 거리 d(I,J) 의 2 개의 클러스터들 I 및 J 를 결합하여 생성되며; I 및 J 는 그 후 세트로부터 제거된다. 클러스터들은 모든 대상들을 포함하는 단일 클러스터가 획득될 때 때까지, 새로운 더 큰 클러스터들을 형성하기 2 개씩 반복적으로 결합된다. 이 프로세스는 연속적으로 결합됨에 따라 서로 가장 가까운 대상들의 클러스터들 및/또는 대상들 사이의 거리에 대한 정보를 제공한다. 이것은 대상들의 세트의 고유한 구조를 강조하고, NRMSE 에 관하여 다양한 RF 펄스들과 유사한 거동을 디스플레이하는 대상들을 인식하도록 한다. 그 후, 다수의 원하는 클러스터들 N_C 이 주어지면, 병합 클러스터가 정지되는 거리 임계 d_thresh 를 찾는 것이 가능하여, 임의의 2 개의 대상들 사이의 거리가 최대 d_thresh 인, 최대 N_C 클러스터들이 정의된다. 대안으로, 거리 임계는 미리결정될 수도 있으며, 이는 미리 결정되지 않은 수의 클러스터들을 초래한다.

J 번째 클러스터에 속하는 대상들의 인덱스들의 세트가

로 표기되는 경우, N_C 펄스들

을 획득하기 위해, 클러스터링된 펄스 설계는 각각의 서브세트

에 대해 식 (4) 를 푸는 것으로 귀결된다.

머신 러닝

프로세스의 제 2 페이즈에서, 머신 러닝 알고리즘은 N_train 라벨링된 대상들에 대해 훈련된다. 우수한 분류자 성능을 위해, 많은 수의 훈련 대상이 바람직하다. 그러나, 위에서 설명된 클러스터링 단계는 (N_S,0)² 펄스 시뮬레이션들을 필요로 하기 때문에 시간 소모적이다. 따라서, 위에 설명된 바와 같이, 훈련 세트를 확장하기 위해, N_S,1 부가 대상들이 취득된다

.

클러스트링을 위해 사용된 N_S,0 대상들은 그들이 속하는 클러스터에 따라 1 부터 N_C 까지 라벨링된다. 결국 사용된 성능 기준이 대상에 펄스를 적용함으로써 획득된 NRMSE 이기 때문에, N_S,1 새로운 대상들의 각각은 최저 NRMSE 를 산출하는 클러스터 펄스 (P_j) 에 따라 라벨링된다. y_i 가 i 번째 대상에 할당된 클래스를 나타내면:

이것은 훈련 데이터베이스를 확장하는 간단하고 빠른 방법이어서, 제안된 방법을 쉽게 확장가능하게 한다.

예시적인 실시형태의 상세한 설명

대상들 및 스캐너

N_S,0 = 50 의 연속적인 대상들에 대한 B1+ 맵들이 클러스터링 세트 S0 에 사용되었다. N_S,1 = 30 의 부가 대상들이 분류자를 훈련하기 위해 사용되었고 N_test = 53 이상이 테스팅을 위해 사용되어, 합계 133 환자였다 (남성 69 명, 여성 64 명, 나이: 22-89 세, 키: 1.45-1.91 m, 몸무게: 45-140 kg, BMI: 17.6-43.7 kg·m^-2). 연구는 Centre Hospitalier Universitaire Henri Mondor 에서 기관 검토 위원회에 의해 승인되었다.

임상 루틴에서 사용된 2 채널 pTx 시스템이 장착된, MAGNETOM Skyra (Siemens Healthcare GmbH, Erlangen, Germany) 3T 스캐너에서 취득이 수행되었다.

B1+ 및 오프 공진 매핑

B₁ ⁺ 맵들은 제조자 자동 조절 절차, 약 30 초에서 수행된 무호흡 자화 준비 터보 FLASH 시퀀스를 통해 측정되었다. 이들은 환자 특정 정적 RF 시밍을 위해 사용된 것들과 동일한 맵들이었다.

Δf₀ 맵들은 펄스 설계 및 FA 시뮬레이션들을 위해 사용되었을 뿐만 아니라 수분 및 지방 복셀들 사이를 구별하기 위해 사용되었다. 실제로, 펄스들은 지방 억제 시퀀스를 위해 의도되었으므로, FA 균질화를 위해 수분 복셀들만이 고려되어서, 수분에서의 펄스 성능 증가 및 계산 시간 단축을 유도하였다. 양자의 조직들이 혼합하지 않는다고 가정하면, 이것은 ± 500Hz 주파수 범위에 걸쳐 위상 랩핑을 회피하기에 충분히 짧은 ΔTE = 0.95ms 인 일 호흡 유지 (10 초) 에서 취득된 2-에코 FLASH 취득으로 달성되었다.

펄스 설계는 5 mm 등방성 복셀들의 3D 메시로부터 수행되었으므로, B₁ ⁺ 및 Δf0 맵들이 그 해상도와 매칭하도록 다운 샘플링되었다.

맞춤형 및 보편적인 KT-포인트 펄스 설계

9-k_T-포인트 맞춤형 펄스들은 [18] 에서 행해진 바와 같이, SAR 및 하드웨어 제약들 하에서 각각의 대상에 대해 설계되었고; DCE-MRI 에 대해 이들을 사용하는 목적으로, α_T = 11 ° 의 FA 가 6 ms 의 TR 에 대해 타겟되었고, 1800μs 펄스 지속기간 제한이 설정되었다. 로컬 SAR 예측을 위해, 스캐너에 의해 제공된 가상 관찰 포인트들 (VOP) 이 사용되었다.

식 4 에 따라, 대상들 1 내지 50 에 대해 보편적인 펄스가 또한 설계되었다. 이 연구 전체에 걸쳐 사용된 펄스, p_UKT 는 5 개의 서브 펄스들을 가지며 770 마이크로 초 길이였다.

모든 펄스 설계들은 랩탑 컴퓨터 (Intel Core i7-4712HQ CPU, NVIDIA Quadro K1100m GPU) 상에서 MATLAB R2016a (The Mathworks, MA, Natick, MA) 로부터 액티브-세트 제약 최적화 알고리즘을 사용하여 수행되었다.

도 3 은 4 명의 대상들에 대한 (상부에서 하부) 복부에서의 B1+ 필드 송신의 대상 간 변동성을 나타낸다. 시야 및 윈도잉은 모든 대상들에 대해 동일하다.

클러스터링 및 펄스 설계

클러스터링 및 펄스 설계는 대상들 1 내지 N_S,0 = 50 에 기초하였다.

도 4a 및 도 4b 는 상술한 맞춤형 k_T- 포인트들을 사용하여 획득된

(NRMSE) 및

(쌍방식 거리) 행렬들 (방정식 5 및 6) 의 표현들이다. 도 4c 및 도 4d 는 동일한 행렬들을 나타내며,

에 적용된 집성적 계층 클러스터링에 의해 정의된 순열 π 을 사용하여 재구성된다. 클러스터 구조는 대상 간 거리가 작은 3 개의 대각선 블록들의 형태로 명백히 볼 수 있게 된다.

도 4e 는 클러스터링 프로세스를 도시하는 덴도그램 (dendogram) 이다.

집성적 계층 클러스터링은 Python v2.7 (Python Software Foundation, https://www.python.org) 및 빠른 클러스터 패키지를 사용하여 수행되었다 [19]. 상대적으로 적은 수의 훈련 데이터가 주어지면, 제한된 수의 클러스터들이 바람직했다: N_C = 3 이 선정되었다. 대상 24 는 이상치로 거동하였고 그 자체의 클러스터를 형성하였으므로, 클러스터

에 수동으로 부착되었다.

펄스들 (p_SP,1, p_SP,2 및 p_SP,3) 은 pUKT 에 대해 동일한 5-k_T-포인트 설계 파라미터를 갖는, 클러스터

및

에 대해 각각 생성되었다. 그들의 최적화된 지속기간은 각각 700 μs, 720 μs 및 690 μs 였다.

대상 분류 : 피처들 및 알고리즘

도 5 에 도시된 바와 같이, 10 개의 피처들이 분류를 위해 사용되었고, 이들 모드는 로컬라이저의 데이터로부터 추출되었으며, 이는 프로토콜 초반부에 배치된 필수 시퀀스이며 후속 취득들의 시야 (FOV) 를 설정하는데 사용된다. 간 (liver) 이미징을 위해 국부적으로 사용된 로컬라이저 시퀀스는 일 호흡 정지 (TA = 17 초) 에서 모두 취득된, 0.8 mm 평면내 해상도의 5 축 (TRA), 7 개의 관상면 (COR) 및 11 개의 준-시상 (quasi-sagittal)(SAG) T1-가중된 7.0 mm 두께 슬라이스들로 구성된다. 표 1 은 개체군 요약 뿐만 아니라, 본 연구의 도면들에 나타낸 대상들에 대응하는 피처들을 모은다.

표 1. 연구에서 집중된 5 명의 대상들로부터 추출된 피처들

대상의 나이, 성별, 몸무게 및 키는, 등록 동안 환자들에 의해 주어지면, 이 스캐너의 임의의 MRI 검사에 대한 필수 데이터이고, PS3.6: 데이터 사전에 명시된 바와 같이, DICOM 필드로서 이용가능하다. 로컬라이저 취득 동안 머신에 의해 측정된 글로벌 SAR 은 또한 DICOM 필드들로부터 취출되었다. 대상의 체질량 지수 (BMI) 는 키와 몸무게로부터 도출되었다. 부가적인 제조자 특정 메타데이터가 이용가능하였고, 그 중 참조 전압이 각각의 대상에 대해 스캐너에 의해 교정되었고, 500μs 하드 펄스에 대해 필요한 전압으로서 정의되어 자석 아이소센터 (isocenter) 에서 1 cm 두께 횡단 슬라이스에 있어서 90 ° 여기를 생성하였다. 이 값은 디폴트 송신 구성에 있어서 이 슬라이스에서의 평균 B₁ ⁺ 과 관련된다. 대상의 복부 폭 W 및 높이 H (2 개의 피처들) 는 가장 미방 (caudal) 축 슬라이스에 새겨진 타원을 피팅하고 그의 장축 및 단축을 (각각) 취출함으로써 추정되었다. 타원 피팅이 흉부가 아닌 복부에서 수행된 것을 보장하기 위해 가장 열등한 슬라이스가 뽑혔다. 그러나, 파일럿 연구에서, 일부 환자들에 대해, 로컬라이저는 실제로 중심에 있지 않았으며; 이 경우, 타원 피팅은 Δf₀ 맵과 연관된 크기 이미지들의 중심 슬라이스 상에서 수행되었다. 하나의 마지막 피처가 이들 측정들: 복부 비 H/W (폭에 대한 높이) 로부터 도출되었다.

분류 알고리즘은 Scikit-학습을 사용하여 구현되었다 [20]. 클러스터링 및 펄스 설계를 위해 사용된 N_S,0 = 50 대상들에 부가하여, N_S,1 = 30 대상들로부터의 교정 데이터가 취득되어 N_TRAIN = 80 대상들의 훈련 세트를 형성하였다. 2 개의 알고리즘은 50 개의 셔플과 5 개의 스플릿으로, 이 세트에 대해 반복 계층화된 교차 검증에 의해 별도로 조정되었다. 4000 트리를 갖는 극도로 랜덤화된 트리 알고리즘 [21] 은 84.3 % 교차 검증 정확도에 도달하였다. 반경 기반 함수 커널, γ = 0.18 커널 계수이고, C = 1.5 에러 페널티인 지원 벡터 머신 멀티클래스 분류자 [22], [23] 는 84.9 % 정확도를 달성하였다. 이 연구를 위해 선택된 알고리즘은 양자의 알고리즘의 출력 클래스 확률을 평균하는 보터 (voter) 분류자였고; 그 교차 검증 정확도는 85.4 % 였다. 전체 훈련 세트에 대한 예측 점수는 100 % 였다.

여기 균질성 평가

테스팅 세트는 대상들 81 내지 133 (N_test = 53) 으로 형성되었다. 각각의 대상에 대해, 6 가지 기법들이 비교되었다.

p_TF: 트루폼 (TrueForm), 스캐너 디폴트 타원 편광 펄스;

p_TSS: 대상의 B₁ ⁺ 맵들에 기초하여 스캐너에 의해 자동으로 계수들이 계산되지만, 최대 전압은 트루폼 이하로 제약된, 제조자의 환자-맞춤형 정적 RF 시밍;

p_OTSS: 오프라인 계산된, 최적의 정적 RF 시밍;

p_TKT: 오프라인 계산된, 환자-맞춤형 k_T- 포인트 동적 RF 시밍;

p_UKT: 보편적인 k_T-포인트들;

p_SP: 발명에 따른 k_T-포인트들, 이후 "스마트펄스 (SmartPulse)".

하드 펄스들 (p_TF, p_TSS 및 p_OTSS) 의 지속기간은 100μs 로 설정되었다. p_UKT 및 p_SP 는 전압 스케일링없이 모든 대상에 적용되었다.

각각의 기법으로 획득된 FA 맵들은 대상들에서 측정된 실제 B₁ ⁺ 및 Δf₀ 맵들에 기초하여 수치적 블로흐 적분에 의해 시뮬레이션되었다. 관심의 체적에서 수분 복셀들에 걸쳐 FA 평균, 변동 계수 (CV) 및 NRMSE 가 추정되었다.

스마트펄스 경우에 있어서, 예측된 p_SP 가 실제로 최상의 옵션이었는지 여부를 결정하기 위해, 그리고 예측 에러가 없는 "이상적인" 프로세스의 성능을 평가하기 위해 3 개의 클러스터 펄스들 모두가 테스팅되었다.

매칭-쌍 윌콕슨 사인-랭크 테스트 (Matched-pair Wilcoxon signed-rank test) 가 FA NRMSE, CV 또는 상이한 기법들의 수단이 비교될 때마다 SciPy [24] 통계 패키지를 사용하여 계산되었다. 보고된 p 값들은 2-측면 유의 레벨들이며; 분포 중앙값의 균등의 널 (null) 가설은 0.05 미만 p 에 대해 거절되었다.

생체 내 취득들

테스트 세트로부터 23 대상들은 DCE-MRI 를 겪으면서 전문가 펄스 설계자 (R.T-T.) 의 존재에서 스캔되었다. 부가 시퀀스들이 p_TF, p_TSS, p_TKT 및 예측된 p_SP 와 획득된 이미지들을 비교하기 위해 실행되었다. 진단용 DCE-MRI 프로토콜을 방해하지 않기 위해, 이들 시퀀스들은 조영제 주입 전과 후기 페이즈에만 삽입되었다.

사용된 시퀀스는 조영제 관련 강화를 마스킹할 수 있는 지방의 짧은 T₁ 으로 인한 하이퍼시그널 (hypersignal) 을 제거하기 위해, "빠른 지방 포화"[25] 로 T₁ 가중된 3D FLASH 였다. 지방 포화는 모든 시퀀스들에서 동일한, 가우시안 형상의 지방 선택적인 90 °- 펄스로 달성되었다. 시퀀스 파라미터들은: 23 초 미만의 취득 시간에 대해, FA = 11 °, TR/TE = 6/3 ms, 320×220×72 행렬, 1.2×1.2×3.5 mm³ 해상도, 페이즈 인코딩 방향 (전방 - 후방) 에서 GRAPPA 팩터 2, 80 %/50 % 페이즈/슬라이스 해상도, 6/8 의 부분 푸리에 팩터, 505 Hz/픽셀 대역폭이었다. 호흡 중지와 호환가능한 취득 시간을 보장하면서 더 많은 환자들을 수용하기 위해 행렬 사이즈 및/또는 해상도는 때때로 약간 조정되었다. 앨리어싱을 회피하기 위해 파티션-인코딩 방향에서 33 % 까지 오버샘플링이 사용되었다. 2 개의 30 채널 표면 코일들 (전방 및 후방) 이 수신을 위해 사용되었다. FOV 를 커버하는데 필요한 채널들만이 선택되었고; 이것은 스캐너에 의해 자동으로 행해졌으며, 오버샘플링을 최소로 유지하도록 하였다. 수신 프로파일에 대한 이미지들을 보정하기 위해 모든 시리즈들에 제조자의 "프리스캔 표준화" 절차가 적용되었다. 그러나, 이 기법은 균질한 바디 코일 수신을 가정하며, 이는 대응하는 수신 프로파일이 B₁ 아티팩트에 의해 또한 영향을 받기 때문에 복부에서의 경우는 아니며; 따라서 상당한 불균질성이 남아있을 수도 있다.

Siemens 소프트웨어를 사용하여 모든 취득들에 탄성 등록 (elastic registration) 이 적용되었다. 이는 상이한 시리즈들을 보다 쉽게 비교하고, 각각의 기법에 대해, 다음과 같이 정의된 CE (contrast enhancement) 및 ER (enhancement ratio) 을 계산하도록 한다.

및

식중 S_ref 및 S_late 는 주입 전후의 신호를 각각 나타낸다. ER 은 수신 프로파일을 완전히 제거하는 이점을 제시하지만, CE 와는 반대로 FA 오버 슛으로 인위적으로 증가할 것이다.

결과

분류 성능

일단 로컬라이저 시퀀스가 취득되면, 하나의 대상에 대한 피처 추출 및 스마트펄스 예측의 전체 프로세스는 1 초에서 2 초 걸렸다. 엄밀히 말하면, 테스트 데이터에 대한 알고리즘의 정확성 - 즉, 최소 NRMSE 를 산출하는 펄스를 할당받았던 대상들의 비율 - 은 74 % 였다. 그러나, 많은 경우, 2 개의 클러스터 펄스가 유사하게 잘 수행되어, 분류자에 의해 선정된 경우, 두 번째 최상의 펄스는 일반적으로 수용가능한 NRMSE 를 산출할 것이다. 이것은 도 6a 에 도시되며, 여기에서는 각각의 예상된 스마트펄스 (펄스들 1, 2 및 3 에 대해, 각각 채워진 원, 정사각형, 다이아몬드) 의 성능이 2 개의 다른 클러스터 펄스들 (클러스터 펄스들 1, 2 및 3 에 대해 중공 원, 정사각형, 다이아몬드) 과 비교되었다. 파선은 25 % NRMSE 를 표시한다. 최소 NRMSE 에 부가하여 1.5 % NRMSE 허용오차를 설정하면 81 %의 분류 정확도를 제공한다.

다른 펄스 설계들과의 비교

도 6b 는 스마트펄스 (원) 을 트루폼 (정사각형), 디폴트 무교정 펄스와 비교한다. 보편적인 펄스 성능이 또한 표시된다 (다이아몬드). 가독성을 개선하기 위해, 모든 옵션들이 아닌 예측된 P_SP 만을 나타낸다. 파선은 25 % NRMSE 를 표시한다. 높은 트루폼 NRMSE 를 갖는 대상들이 어떻게 수용가능한 값들을 향하게 되는지를 알 수 있다.

동일한 1.5 % 마진을 고려하면, 예측된 p_SP 는 p_TF 보다 낮은 NRMSE 를 산출하였고, 또는 대상들의 87 %에서는 적어도 최상의 가용 p_SP 였다. 3 가지 경우에 있어서, 심지어 최적 스마트펄스 (p_{SP, best}) 는 트루폼에 비해 낮은 성능을 달성하였다; 대상 96 (p_SP,bset, 에 대해 18 % NRMSE, p_TF 에 대해 14 %), 대상 103 (15 % 대신 18 %) 및 대상 114 (13 % 대비 18 %). p_SP 는 일관되게 p_TF, p_TSS 및 p_UKT 보다 우수하게 수행되었고; 이들은 p_OTSS 에 필적하지만 후자는 가장 어려운 대상들에 대한 그들의 제한을 보여주었다. 모두 p_TKT 에 의해 더 나은 결과를 내었다.

또한, p_SP 는 대상들의 93 % 가 NRMSE 를 25 % 이하로 얻도록 하였으며 (도 7의 파선), 이는 p_UKT (대상들의 72 %), p_TSS (77 %), 및 p_TF (79 %) 보다 훨씬 크며; p_OTSS (96 %) 에 필적하지만, p_TKT (100 %) 보다 작다. 그러나, 완벽한 분류로, p_SP 는 또한 이 임계 아래 대상들의 100 % 를 허용했을 것이다.

도 7 은 펄스 성능을 평가하는데 사용된 상이한 메트릭들의 분포를 보여준다: pTF = 트루폼; pTSS = 스캐너에 의해 계산된 환자 맞춤형 정적 RF 시밍; pOTSS = 최적 환자 맞춤형 정적 RF 시밍; pTKT = 맞춤형 kT-포인트들; pUKT = 보편적인 kT- 포인트들; pSP = 예측된 스마트펄스; pSP, best = 최적 스마트펄스. 녹색 삼각형 = 평균 값; 오렌지 라인 = 중간 값; 박스의 에지들 = 25 번째 (Q1) 및 75 번째 (Q3) 백분위 수; 위스커(whisker)들 = 5 번째 및 95 번째 백분위 수; 원 = 이상치. a. 플립 각도 (FA) NRMSE; 파선은 25 % 임계에 대응한다. b. FA 변동 계수. c. FA 평균; 파선은 11 ° 타겟에 대응한다.

샘플 평균, FA NRMSE 의 SD, CV 및 평균은 표 2 에 의해 제공되며, 도 7 에서 그 분포에 대해 더 상세하게 제공된다.

표 2. 표 1 로부터 5 명의 대상들에 대한 모든 테스팅된 펄스들의 상세한 균질성 평가 결과들

평균 p_SP NRMSE 는 16 % (SD: 5 %) 였고, p_TF, p_TSS 및 p_UKT 보다 각각 20 % (SD: 9 %, p = 0.002), 21 % (SD: 10%, p = 0.0005), 및 20% (SD: 5%, p < 0.0001) 낮았다. 다시, p_OTSS 가 14 % (SD : 4 %, p = 0.001) 로 약간 더 성능적이었지만, 이 차이는 사라질 것이며 (p = 0.44, 중요하지 않음), 완벽한 분류였다. 다른 메트릭들이 펄스 성능을 보다 깊이 이해할 수 있도록 한다: FA CV 는 완전 균질성을 나타내는 한편, FA 평균은 11 ° 타겟을 준수한다. 평균 CV 가 13 % 이면, p_SP 는 p_TKT 외의 모든 펄스를 능가하였다. 비록 p_TSS 가 p_TF (p < 0.0001) 보다 우수한 균질성을 산출하더라도, 이는 FA 타겟 평균으로부터 더 멀리 드리프트된다: 각각 9.6 ° (SD : 1.3 °) 및 9.3 ° (SD : 1.3°)(p < 0.0001). 이것은 p_SP 에 대한 경우는 아니였으며, 이는 FA 평균에서도 우수한 성능을 달성하였고, p_{SP, best} (양자의 경우들에서 p < 0.0001) 에 대해, 10.7 °(SD: 1.3 °) 및 심지어 10.8° (SD: 0.8 °) 이다.

마지막으로, 표 2 및 도 7 은 p_OTSS 및 p_TKT 가 p_TF 및 p_TSS 보다 우수한 NRMSE 를 산출하는 동안, SAR 은 평균적으로 훨씬 높은 것 (모든 경우들에서 p < 0.0001) 을 가리킨다. 이것은 p_SP 에 대한 경우는 아니며: 연관된 SAR 은 p_TSS 보다 상당히 높지만 (p = 0.003) 많이는 아니다. p_SP SAR 은 최대 승인 값의 21 % (SD: 4 %) 대 양자의 p_UKT 및 p_TKT 에 대해 38% (SD: 12%) 및 p_TSS 에 대해 18% (SD: 5%) 였다. SAR 에 관한 잘못된 예측들의 의미에 대해 우려할 수도 있지만, 스마트펄스는 정확히 거동하는 듯하며: 53 테스트 대상들 중에서, 직면된 최고 SAR 은 3 개의 p_SP 옵션들을 고려하여, 최대 허용 값의 37% 였다.

생체 내 취득들

도 8 및 도 9 는 식 [10] 및 [11] 에 따라 계산된 CE 및 ER 맵들 뿐만 아니라, 조영제 주입 전과 후기 페이즈에서 취득된 이미지들의 예를 나타낸다.

도 8 은 2 명의 "어려운" 환자들 (대상들 110 및 132) 에 집중되며, 그 p_TF NRMSE 는 25 %를 초과했다 - 환자 특성들에 대해서는 표 1 을 참조하고 성능 메트릭들에 대해서는 표 2를 참조한다. 도면은 좌측에서 우측으로: 프리-주입, 포스트-주입, 계산된 콘트라스트 강화 및 4 개의 펄스 기법으로 획득된 강화 비율을 나타낸다.

도면 상에서: pTF: 트루폼; pTSS: 환자 맞춤형 정적 RF 시밍; pTKT: 환자 맞춤형 kT- 포인트; pSP: 대상에 기인된 스마트펄스.

양자의 대상들에 대해, 강화 및 ER 맵들은 p_TF 및 p_TSS 에 대해 강도 및 균질성이 결여되었다. 이 아티팩트는 p_TKT 및 p_SP 로 크게 완화되었다.

대상 110 (a) 에 대해, CE 이미지 상에서 가시적인 pTF (노치형 화살촉) 로 간 세그먼트 (5) 에서 ER 의 결여를 알 수도 있다. pTSS 는 보다 균질한 ER 을 초래하지만, 글로벌 강화 (전체 화살촉) 를 희생한다. ER 은 pTKT 로, 심지어 pSP 로 개선된다.

대상 132 (b) 에 대해, T 콘트라스트는 상당히 열악하였고, 실질적인 음영이 해부학적으로 양자의 p_TF 및 p_TSS 로 EC 및 ER 이미지들에서 볼 수 있었다. 2 개의 간세포 암 (화살촉) 은 거의 보이지 않는다. T1 콘트라스트는 pTKT 및 pSP 양자 모두로 취출되고, CE 에서도 또는 ER 에서도 음영은 남아있지 않는다. 부가적인 불균질성은 코일 어레이 수신 프로파일로 인해, 해부학적 및 CE 이미지에서 알 수 있고; ER 이미지들만이 그것에 완전히 없다. FA NRMSE 에서의 현격한 불일치에도 불구하고, 스마트펄스와 맞춤형 k_T-포인트 이미지들 또는 강화 맵들 사이에서 거의 차이가 없었다.

도 9 는 2 개의 "더 쉬운" 경우들에 대해 상이한 펄스들을 비교하도록 한다: 대상 113 (19 % 의 p_TF NRMSE) 및 대상 127 (p_TF 14 % 의 NRMSE). 여기서, 모든 기법들은 모두 만족스러운 유사한 결과들을 산출했다. 또한, p_TF 및 p_TSS 취득들 (화살촉) 상에서는 일부 약간의 국부적인 강화 과소 평가들이 남아있지만, p_TKT 및 p_SP 에서는 아니다.

도면은 좌측에서 우측으로: 2 개의 "표준" 대상들 (25% 미만의 트루폼 NRMSE) 에 적용된 4 개의 펄스 기법들로 획득된 프리-주입, 포스트-주입, 계산된 콘트라스트 강화 (CE) 및 강화 비 (ER) 을 나타낸다. 환자 특성들에 대해서는 표 1 을 참조하고 성능 메트릭들에 대해서는 표 2 를 참조한다. pTF: 트루폼; pTSS: 환자 맞춤형 정적 RF 시밍; pTKT: 환자 맞춤형 kT- 포인트; pSP: 대상에 기인된 스마트펄스. a. 화살촉은 pTF와 pTSS 양자 모두에 대해, ER 맵들에서 또한 주목할 만한, 세그먼트 8 에서 CE 의 결여를 지적한다. 이 아티팩트는 매우 유사하게 보이는 pTKT 및 pSP 맵들에는 존재하지 않는다. b. pTF 로 약간의 CE 비정상 (화살촉) 을 제외하고, 모든 기법들이 유사하게 수행한다.

논의

발명의 방법은 87 % 의 경우에서 정확한 펄스 예측을 제공하였다. NRMSE 시뮬레이션 결과는 일반적으로 p_TF, p_TSS 및 p_UKT 어느 것보다 p_SP 로 우수하였고 p_OTSS 로 획득된 것들에 필적하였다. 완벽한 예측을 고려할 때 이것은 더욱 사실이다 (p_{SP, best}). 스마트펄스는 가장 어려운 대상들에서 불균질을 완화시키는데 특히 설득력이 있었다. 또한, 이들 결과는 도입 로컬라이저 시퀀스의 완성 후에 거의 즉시 획득된다.

실제 취득 결과를 비교해 보면 스마트펄스는 후자에 유리한 시뮬레이션에도 불구하고, 맞춤형 k_T 포인트 펄스 설계보다 나쁜 이미지를 생성하지 않는다. 그들의 "보편적인" 성질로 인해, 스마트펄스 K_T- 포인트는 그들의 맞춤형 상대보다 교정과 DCE 사이에서 또는 취득 동안 환자 모션에 대해 더 강력할 수도 있고, B₁ ⁺ 맵들이 무호흡에서 취득되는 것을 잊지 않아서, 일반적으로 대상들의 호흡 정지 포지션들에 대응하지 않는다.

이 작업의 2 가지 주요 양태들: 대상 분류 및 펄스 성능을 더욱 개선함으로써 우수한 결과들이 획득될 수 있다.

훈련과 테스팅 정확도 사이의 차이는 훈련 베이스를 확대함으로써 완화될 수 있는 모델 오버피팅을 표시한다. 그러나 이것만으로는 충분하지 않을 수도 있다.

첫번째로, 부가 (비클러스터링) 대상들이 훈련 및 테스트를 위해 라벨링되는 방식 - 즉, 최상의 NRMSE 를 산출하는 펄스를 선택- 은 클러스터들이 만들어지는 방식과 상이하다. 이러한 대상들에 대해, 높은 머신 러닝 성능은 선택된 펄스들이 NRMSE 에 관하여 최상인 것을 표현한다. 물론, 이것은 결국 낮은 NRMSE 를 획득하는 것이 목적이기 때문에, 관심 메트릭이지만, 클러스터링 스킴에만 느슨하게 연결된다. 이것은 주어진 대상에 대해 유사한 NRMSE 를 갖는 펄스들 사이에서 이러한 에러가 발생하게 되기 때문에, 실제로 문제는 아니더라도, 여전히 낮은 테스트 점수를 야기하게 된다. 이것은 NRMSE 에 대한 허용오차 마진이 분류 성능을 추가로 분석하는데 사용되는 이유이다.

두번째로, 추출을 위해 사용된 피처들에서 약간의 에러들이 있었다. 대상의 키 및 몸무게는 환자들 자신에 의해 제공되었으므로, 현장에서 측정되지 않았고, 따라서 사람들이 라운드 값들을 주거나 예를 들어, 그들의 몸무게를 과소평가하는 경향이 있기 때문에 약간의 근사를 유도한다. 가장 중요하게, 복부 측정은 로컬라이저 배치를 자동화함으로써 훨씬 개선될 수 있다. 이것은 신체에서 일관된 로컬라이저 축 슬라이스 위치를 보장하고, 복부 치수 추정을 위해 하나보다 많은 슬라이스를 사용할 수 있게 한다. 복부에서의 상이한 위치들에서의 측정은 다소 원통형인 신체의 가정을 폐기하면서 데이터베이스를 보다 일관되게 할 것이다. 또 다른 개량은 - 이미 획득된 관상면 (도 5 참조) 과 같은, 다른 슬라이스 배향들을 분석하는 것이다. 예를 들어, 대상 106 은 엄청난 비장 비대증을 앓았으며, 이는 아마도 그의 잘못된 분류를 설명한다. 그것의 대부분의 상하방향 (rostrocaudal) 확장 때문에, 비정상적인 비장은 축 평면에서 복부의 치수에 많은 영향을 미치지 않았고; 여전히 여기 불균질에 영향을 미쳤다.

무결 클래스 예측은 매 환자에 대해 완벽하게 수용가능한 검사들을 유도할 수 있는, 9 % - 21 % 범위로 모든 대상들의 NRMSE 를 만들것이다. 여전히, 그 결과들은 개선될 수 있다. 일부 경우들 (대상들 96, 103, 114) 에서, p_{SP, best} NRMSE 는 p_TF 보다 약간 더 높았다. 또한, 부적절한 평균 FA 때문에, 일부 대상은 낮은 CV 를 갖더라도 상대적으로 높은 NRMSE 를 보인다.

이 쟁점은 더 많은 (더 미세한) 클러스터들을 정의함으로써 해결될 수 있다. 이것은 분류자를 훈련시켜 더 많은 범주들을 차별화하기 위해 더 많은 대상들의 취득을 요구하게 된다.

도 10 에 도시된 실시형태에서, 3 개의 부가 단계들 (α, β 및 γ) 은 "스마트 펄스" 가 평균 플립 각도의 원하는 값으로 이어지는 것을 보장하기 위해 수행된다. 실제로, 지금까지 기재된 방법은 허용가능하게 균일한 플립 각도를 제공할 수도 있지만, 그 평균 값은 타겟보다 약간 더 높거나 낮다.

단계 α 는 주어진 "클러스터 펄스" 에 대한 평균 플립 각도를 단계들 e) 및 f) 의 분류자 또는 그 서브세트에 의해 사용된 동일한 피처들의 함수로서 예측하는 회귀 모델을 훈련시키는데 있다. 이 훈련은 단계 d) 에서 결정된 모든 시퀀스들이 시뮬레이션되는 대상들의 제 3 세트 (S2) 를 사용하여 수행된다. 세트 (S2) 는 S1 과 일치할 수도 있다.

단계 β 는 분류자에 의해 선정된 "스마트 펄스" 에 대한 대응 평균 플립 각도를 예측하기 위해, 회귀 모델을 대상 (IS) 에 적용하는데 있다.

단계 γ 는 실제 평균 플립 각도가 가능한한 타겟 값에 근접하는 것을 보장하기 위해 단계 f) 에서 분류자에 의해 선정된 "스마트 펄스" 를 수정하는데 있다. 통상적으로 이것은 타겟 FA 값 및 예측 값의 차이 또는 비율에 의존하여 스케일링 팩터로 RF 진폭을 단순히 승산함으로써 달성된다.

결론적으로, 보편적인 펄스 설계는 전체 개체군에 대한 3T 복부 이미징에서 지속적으로 여기를 균질화하는데 충분하지 않다. 제안된 방법은 맞춤형 및 보편적인 펄스 설계 접근법들 사이의 단순하고 효율적인 트레이드오프를 제공한다. 일반적으로 이것은 최상의 가능한 맞춤형 정적 RF 시밍보다 우수한 균질화를 제공하지는 못했지만, 더 용이한 대상들을 희생시키지 않으면서 가장 어려운 대상들에서 동등하게 잘 또는 우수하게 수행하도록 관리하였다.

이 접근법은 RF 시밍을 수행하는데 사용된 증가된 송신 채널들의 수가 교정 및 펄스 설계를 훨씬 더 지루하게 하는, 신체의 초고 필드 탐색들에 대해 특히 유용함을 입증할 수 있는, 모든 교정 및 최적화를 제거하기 때문에 매우 빠르다.

발명의 방법은 특히 SAR 에 관하여 요구하지 않는 펄스들을 유도한다. 에너지 침착 (energy deposition) 은 이 DCE 연구에서 제한 팩터는 아니었지만, 이 특성은 더 많은 SAR 유도 시퀀스들에서 관심이 되었다.

최종적으로, 기본 k_T-포인트들에 의한 스마트펄스 접근법은 T₁-, T₂*, T₂-, 양성자-밀도- 또는 확산-가중 이미징에서 B₁ ⁺ 불균질성과 겨루기 위해 비선택적 준비 및 3D 이미징을 위해 쉽게 구현가능하다. 보편적인 선택 펄스들로서, 슬래브 (slab) 또는 슬라이스 선택 거동들 및 태클 풀 프로토콜 최적화를 달성하기 위해 빠른-k_Z 스포크처럼 다른 기본 펄스 전략들과 함께 사용할 수도 있다.

변형들

발명은 일부 특정 실시형태들을 참조하여 설명되었지만, 몇몇 대안의 실시형태들이 발명의 범위 내에 포함된다. 예를 들어:

- 타겟 FA 분포가 반드시 균일하지는 않다.

- 클러스터링은 상이한 메트릭들에 기초할 수 있다.

- 예시적인 실시형태에서, 거리 행렬은 유클리드 (Eculidean) 거리를 사용하여 계산되지만, 다른 선정들, 예를 들어 코사인 유사도가 가능하다.

- 분류자는 로컬라이저 이미지들에 기초하거나 기초하지 않는 상이한 피처 벡터들을 사용할 수 있다.

- 예시적인 실시형태에서, 횡단 절단에 대응하는 단 하나의 로컬라이저 이미지만이, 복부 사이즈를 측정하는데 사용되었다. 위에 언급된 바와 같이, 상이한 배향을 갖는 로컬라이저 이미지들을 고려하면 더 미세한 분류가 가능하게 된다.

- 위에 언급된 바와 같이, 발명은 k_T- 포인트 시퀀스의 경우에 제한되지 않으며; 임의의 가중치 (T1, T2, T2^*, 확산, 양성자 밀도 ...) 를 갖고 임의의 신체 부위로 지향되는 임의의 선택적 또는 비선택적 여기 시퀀스, 및 임의의 이미징 시퀀스에 적용될 수 있다.

- 발명은 또한, 단일 RF 코일이 여기를 위해 사용되는 경우 - 정적 RF 시밍이 적용되지 않는 경우에 적용된다.

참조 문헌

Claims (19)

1. 자기 공명 이미징을 위한 펄스 시퀀스들의 데이터베이스 (DB) 를 구축하는 컴퓨터 구현 방법으로서,
   각각의 펄스 시퀀스는 적어도 자기장 구배 파형 및 무선 주파수 펄스들 세트를 포함하고, 상기 세트의 각 펄스는 복수의 설계 파라미터들에 의해 정의되고 자기 공명 이미징 장치의 개개의 송신 채널 (RFC1 - RFC8) 에 연관되며,
   상기 컴퓨터 구현 방법은,
   a) 복수의 자기 공명 이미징 대상들의 각각에 대해, 상기 대상에 대한 펄스 시퀀스를 시뮬레이션함으로써 획득된 핵 자화 플립 각도들의 공간 분포와, 타겟 분포 사이의 차이를 나타내는 코스트 또는 메리트 함수를 최적화하는, 상기 대상에 대한 최적 시퀀스로 불리는, 펄스 시퀀스를 결정하는 단계;
   b) 각각의 대상에 대해, 상기 코스트 또는 메리트 함수의 또는 핵 자화 플립 각도들의 공간 분포와 타겟 분포 사이의 차이를 나타내는 상이한 코스트 또는 메리트 함수의 값들을 계산하는 단계로서, 상기 값들은 상기 대상들 모두에 대해 상기 최적 시퀀스를 시뮬레이션함으로써 획득되는, 상기 값들을 계산하는 단계;
   c) 상기 값들, 또는 그의 함수들을 메트릭들로서 취하는 클러스터링 알고리즘을 사용하여 상기 대상들을 복수의 클로스터들로 집성하는 단계; 및
   d) 각각의 클러스터에 대해, 상기 클러스터에 속하는 상기 대상들의 핵 자화 플립 각도들의 공간 분포와 상기 타겟 분포 사이의 평균 차이를 나타내는 코스트 또는 메리트 함수를 최적화하는, 상기 클러스터에 대한 최적 시퀀스로 불리는, 펄스 시퀀스를 결정하는 단계를 포함하는, 자기 공명 이미징을 위한 펄스 시퀀스들의 데이터베이스 (DB) 를 구축하는 컴퓨터 구현 방법.
2. 제 1 항에 있어서,
   단계 a) 는,
   a1) 상기 자기 공명 이미징 장치의 각각의 송신 채널에 의해 상기 대상 내에서 생성된 무선 주파수 필드들의 불균질성 맵을 취득하는 단계;
   a2) 상기 불균질성 맵 또는 맵들을 입력으로 취하여, 무선 주파수 시퀀스를 시뮬레이션함으로써 획득된 상기 핵 자화 플립 각도들의 공간 분포를 계산하는 단계; 및
   A3) 상기 코스트 또는 메리트 함수를 최적화하기 위해 상기 무선 주파수 펄스들 및 상기 구배 파형의 설계 파라미터들을 조정함으로써 상기 대상에 대한 최적 펄스 시퀀스를 결정하는 단계를 포함하는, 자기 공명 이미징을 위한 펄스 시퀀스들의 데이터베이스 (DB) 를 구축하는 컴퓨터 구현 방법.
3. 제 1 항 또는 제 2 항에 있어서,
   e) 자기 공명 이미징 대상들을 적어도 대상의 형태학적 피처들에 기초하여 상기 클러스터들에 연관시키는 분류자 알고리즘을 훈련시키는 단계를 더 포함하는, 자기 공명 이미징을 위한 펄스 시퀀스들의 데이터베이스 (DB) 를 구축하는 컴퓨터 구현 방법.
4. 제 3 항에 있어서,
   f) 선행 단계들을 수행하기 위해 사용되지 않은, 자기 공명 이미징 대상 (IS) 을 클러스터에 연관시키기 위해 분류자를 사용하는 단계; 및
   g) 상기 클러스터에 대한 최적 시퀀스를 사용하여 상기 대상의 자기 공명 이미징을 수행하는 단계를 더 포함하는, 자기 공명 이미징을 위한 펄스 시퀀스들의 데이터베이스 (DB) 를 구축하는 컴퓨터 구현 방법.
5. 제 3 항 또는 제 4 항에 있어서,
   적어도 상기 대상의 로컬라이저 이미지로부터 상기 형태학적 피처들을 도출하는 단계를 더 포함하는, 자기 공명 이미징을 위한 펄스 시퀀스들의 데이터베이스 (DB) 를 구축하는 컴퓨터 구현 방법.
6. 제 3 항 내지 제 5 항 중 어느 한 항에 있어서,
   상기 분류자 알고리즘은 또한, 상기 클러스터들에 자기 공명 이미징 대상을 연관시키기 위해,
   - 상기 대상의 아이덴티티 데이터;
   - 상기 대상의 임상 데이터;
   - 상기 자기 공명 이미징 장치의 동작 파라미터들
   중에서 선정된 적어도 하나의 피처를 사용하는, 자기 공명 이미징을 위한 펄스 시퀀스들의 데이터베이스 (DB) 를 구축하는 컴퓨터 구현 방법.
7. 제 3 항 내지 제 6 항 중 어느 한 항에있어서,
   상기 분류자 알고리즘은, 상기 클러스터들에 상기 자기 공명 이미징 대상을 연관시키기 위해, 송신 자기 공명 이미징 장치의 각각의 송신 채널에 의해 상기 대상 내에서 생성된 무선 주파수 필드들의 불균질성 맵들에 의해 도출된 피처들을 사용하지 않는, 자기 공명 이미징을 위한 펄스 시퀀스들의 데이터베이스 (DB) 를 구축하는 컴퓨터 구현 방법.
8. 제 3 항 내지 제 6 항 중 어느 한 항에 있어서,
   단계들 a) 내지 d) 는 복수의 대상들의 제 1 세트 (S0) 를 사용하여 수행되고, 단계 e) 는 상기 제 1 세트에 부가하여, 상기 대상들의 핵 자화 플립 각도들의 공간 분포와 상기 타겟 분포 사이의 평균 차이를 나타내는 상기 코스트 또는 메리트 함수가 또한 계산되는 복수의 대상들의 제 2 세트 (S1) 를 사용하여 수행되는, 자기 공명 이미징을 위한 펄스 시퀀스들의 데이터베이스 (DB) 를 구축하는 컴퓨터 구현 방법.
9. 제 3 항 내지 제 8 항 중 어느 한 항에 있어서,
   단계 d) 에서 결정된 각각의 클러스터의 최적 펄스 시퀀스에 대해, 상기 피처들의 함수로서 핵 자화 플립 각도들의 평균 값을 예측하기 위해 회귀 모델을 훈련시키는 단계 α) 를 더 포함하는, 자기 공명 이미징을 위한 펄스 시퀀스들의 데이터베이스 (DB) 를 구축하는 컴퓨터 구현 방법.
10. 제 1 항 내지 제 9 항 중 어느 한 항에 있어서,
    상기 클러스터링 알고리즘은 계층적 집성 클러스터링 알고리즘인, 자기 공명 이미징을 위한 펄스 시퀀스들의 데이터베이스 (DB) 를 구축하는 컴퓨터 구현 방법.
11. 제 10 항에 있어서,
    상기 계층적 집성 클러스터링 알고리즘은 완전 링크 스킴을 사용하는, 자기 공명 이미징을 위한 펄스 시퀀스들의 데이터베이스 (DB) 를 구축하는 컴퓨터 구현 방법.
12. 제 1 항 내지 제 11 항 중 어느 한 항에 있어서,
    상기 자기 공명 이미징 장치는 복수의 송신 채널들을 갖는 병렬 자기 공명 이미징 장치인, 자기 공명 이미징을 위한 펄스 시퀀스들의 데이터베이스 (DB) 를 구축하는 컴퓨터 구현 방법.
13. 대상 (IS) 의 자기 공명 이미징을 수행하는 방법으로서,
    - 펄스 시퀀스들의 데이터베이스 (DB) 를 제공하는 단계로서, 각각의 펄스 시퀀스는 적어도 자기장 구배 파형 및 무선 주파수 펄스들의 세트를 포함하고, 상기 세트의 각 펄스는 복수의 설계 파라미터들에 의해 정의되고, 자기 공명 이미징 장치의 개개의 송신 채널 (RFC1 - RFC8) 에 연관되며, 상기 데이터베이스의 각각의 펄스 시퀀스는 클러스터에 속하는 상기 대상들의 핵 자화 플립 각도들의 공간 분포와 타겟 분포 사이의 평균 차이를 나타내는 코스트 또는 메리트 함수를 최적화하는, 상기 데이터베이스 (DB) 를 제공하는 단계;
    - 적어도 상기 대상의 형태학적 피처를 포함하는, 상기 대상을 특징화하는 피처들의 세트를 입력으로서 수신하는 단계;
    - 컴퓨터 구현 분류자 알고리즘을 사용하여 상기 피처들의 세트에 기초하여 상기 데이터베이스의 하나의 펄스 시퀀스에 상기 대상을 연관시키는 단계; 및
    - 상기 펄스 시퀀스를 이용하여 자기 공명 이미징을 수행하는 단계를 포함하는, 대상 (IS) 의 자기 공명 이미징을 수행하는 방법.
14. 제 13 항에 있어서,
    적어도 상기 대상의 로컬라이저 이미지로부터 상기 형태학적 피처들을 도출하는 단계를 더 포함하는, 대상 (IS) 의 자기 공명 이미징을 수행하는 방법.
15. 제 13 항 또는 제 14 항에 있어서,
    상기 분류자 알고리즘은 상기 데이터베이스의 하나의 펄스 시퀀스에 자기 공명 이미징 대상을 연관시키기 위해,
    - 상기 대상의 아이덴티티 데이터;
    - 상기 대상의 임상 데이터;
    - 상기 자기 공명 이미징 장치의 동작 파라미터들
    중에서 선정된 적어도 하나의 피처를 추가로 사용하는, 대상 (IS) 의 자기 공명 이미징을 수행하는 방법.
16. 제 13 항 내지 제 15 항 중 어느 한 항에 있어서,
    상기 자기 공명 이미징 장치는 복수의 송신 채널들을 갖는 병렬 자기 공명 이미징 장치인, 대상 (IS) 의 자기 공명 이미징을 수행하는 방법.
17. 제 13 항 내지 제 16 항 중 어느 한 항에 있어서,
    상기 피처들의 세트의 함수로서, 연관된 펄스 시퀀스에 의해 상기 대상에서 유도된 평균 핵 자화 플립 각도를 예측하기 위한 회귀 모델을 사용하는 단계 β), 및 예측된 상기 평균 핵 자화 플립 각도 및 그 타겟 값의 함수로서 상기 연관된 펄스 시퀀스를 수정하는 단계 γ) 를 더 포함하는, 대상 (IS) 의 자기 공명 이미징을 수행하는 방법.
18. 자기 공명 이미징 장치로서,
    - 적어도 하나의 무선 주파수 송신 채널 (RFC1-RFC8);
    - 구배 코일들 세트 (GC);
    - 펄스 시퀀스들의 데이터베이스 (DB) 를 저장하는 메모리로서, 각각의 펄스 시퀀스는 적어도 자기장 구배 파형 및 무선 주파수 펄스들의 세트를 포함하고, 상기 세트의 각 펄스는 복수의 설계 파라미터들에 의해 정의되고, 상기 자기 공명 이미징 장치의 개개의 송신 채널에 연관되며, 상기 데이터베이스의 각각의 펄스 시퀀스는 클러스터에 속하는 대상들의 핵 자화 플립 각도들의 공간 분포와 타겟 분포 사이의 평균 차이를 나타내는 코스트 또는 메리트 함수를 최적화하는, 상기 메모리; 및
    - 컴퓨터 (CP) 를 포함하고, 상기 컴퓨터는
    - 적어도 상기 대상의 형태학적 피처를 포함하는, 자기 공명 이미징 대상 (IS) 을 특징화하는 피처들의 세트를, 입력으로서 수신하고;
    - 분류자 알고리즘을 사용하여 상기 피처들의 세트에 기초하여 상기 데이터베이스의 하나의 펄스 시퀀스에 상기 대상을 연관시키며; 그리고
    - 상기 펄스 시퀀스를 사용하여 자기 공명 이미징을 수행하기 위해 상기 구배 코일들 및 상기 무선 주파수 송신 채널 또는 채널들을 구동하기 위해 프로그램된, 자기 공명 이미징 장치.
19. 제 18 항에 있어서,
    복수의 무선 주파수 송신 채널들을 포함하고, 상기 컴퓨터는 상기 펄스 시퀀스를 사용하여 병렬 송신 자기 공명 이미징을 수행하기 위하여 상기 무선 주파수 송신 채널들 및 상기 구배 코일들을 구동하기 위해 프로그램된, 자기 공명 이미징 장치.

Images