[发明专利]一种基于深度学习的磁共振涡流补偿方法

说明书

本申请是一种基于深度学习的磁共振涡流补偿方法，利用深度学习的神经网络，学习得到涡流测试数据和最终涡流补偿系数间的映射关系，快速计算涡流系数。该方法利用涡流测试序列采集数据，生成按照时间排序的涡流测试数据；使用多组涡流数据训练提供的人工智能网络，输入是涡流测试数据，输出是涡流时间曲线中的时间参数和幅度系数。把待拟合的涡流测试数据输入人工智能网络，得到需要求的时间参数和幅度系数。

技术领域：本发明属于磁共振成像技术领域，是一种用于快速计算涡流补偿系数并进行补偿的方法。

背景技术：磁共振成像(magnetic resonance imaging，MR)技术作为医疗成像领域的一门新技术，有：分辨率高、成像参数多、包含信息量大的特点。同时，MRI无辐射，对人体组织没有破坏作用，可以对人体各部位进行多角度、多平面成像，已被广泛应用于临床检查。在MRI系统中，通过在梯度线圈上施加梯度电流产生所需的梯度磁场，用于信号定位，而梯度线圈被各种金属导体材料所包围，因而在梯度磁场陕速开关的同时，会产生阻碍梯度变化的涡流。这种额外的扰动将影响梯度场的变化使其波形严重畸变使图像存在几何形变、伪影等失真。同时涡流衰减需要很长时间，即使采用多次叠加的方法，也难以获得好的分辨率、信噪比和好的特征对比度。所以，涡流消除是MR设计中的关键技术之一。目前涡流补偿的方法主要有几种，其中最常见的方法是预加重调节方法，利用MRI信号测量梯度涡流，然后对涡流随时间变化曲线进行拟合，得到预加重系数，应用较复杂的迭代代过程得到最佳补偿参数。

根据电感—电阻串联(inductance-resistance，L-R)模型，涡流时间曲线可以描述为多指数项的和，一般可以用近似e指数的形式表示，e₀(t)和e₀(t)表示得到的零阶涡流曲线，由涡流的特性可以用e指数衰减来表征，即：

其中，a_k和b_k是幅度系数，τ_k和μ_k是时间常数。参数拟合的目的就是通过上面测量得到的涡流曲线，拟合出a_k,b_k,τ_k,μ_k的值，用来表征系统的涡流。该方法通过对涡流随时间变化曲线进行拟合，得到预加重系数，应用较复杂的迭代过程得到最佳补偿。

在涡流曲线的拟合中一般用到了Marquardt提出的Levenberg—Marquardt最小平方拟合算法来拟合三组分的e指数涡流衰减函数.这种非线性拟合的流程是：首先设置拟合的初值，然后对初始解进行修正.但是，在非线性拟合的求解过程中初值的设定会影响收敛的速度，甚至初值设的不好，运算就不收敛偿参数。为此本专利提出一种利用深度学习的涡流数据拟合方法。能够实现快速得到拟合系数。

考虑到相同型号磁共振系统使用的梯度线圈，超导磁体是相同的，材料特性差别很小，理论上涡流曲线特性变化不大。基于这一点考虑，我们利用深度学习能够从数据中学习并得到规律的特性。利用大量的涡流数据和已经拟合好的涡流曲线来训练一个网络，在后续涡流参数的拟合过程中直接通过把采集的涡流数据输入网络后，网络输出的结果就是根据AI网络得到的涡流系数值。

磁共振成像中，在采用预加重调节方法进行涡流补偿时，需要用运行涡流测试序列，利用采集数据的相位变化，计算涡流补偿系数。但是在计算涡流系数时，需要迭代拟合多次，才能得到较好的拟合效果。

发明内容：

发明目的：本发明方法利用深度学习的神经网络，学习得到涡流测试数据和最终涡流补偿系数间的映射关系，快速计算涡流系数。

技术方案：

一种基于深度学习的磁共振涡流补偿方法，该方法：

利用涡流测试序列采集数据，施加涡流测试梯度，扫描得到多个时间点上的梯度回波信号；将梯度回波信号按照时间排序得涡流测试数据；