基于深度学习的矩阵线圈匀场调控方法技术

本发明专利技术公开了一种基于深度学习的矩阵线圈匀场调控方法

【技术实现步骤摘要】
基于深度学习的矩阵线圈匀场调控方法、装置及可读介质


[0001]本专利技术涉及磁场调控领域，具体涉及一种基于深度学习的矩阵线圈匀场调控方法
、
装置及可读介质
。

技术介绍

[0002]在核磁共振仪器设计中，匀场线圈作为提升仪器检测区域磁场均匀性的关键模块，对获取高质量核磁共振信号至关重要
。
通常将目标磁场进行球面谐波分解，设计可以补偿相应谐波项磁场的匀场线圈
。
但是，随着核磁共振检测技术发展，多样化检测对于检测复杂区域的精确度和速度提出更高需求，矩阵线圈由于其灵活性和鲁棒性，对于局部匀场性能优于传统球谐线圈，并且相比传统球谐线圈占用更少空间
。
矩阵线圈已经逐渐在多个领域的物质检测研究中发挥着重要作用，能够提高磁共振信号的质量，特别是改善局部磁场的不均匀性
。
[0003]如果需要利用矩阵匀场线圈提升磁场均匀性，需要同时调控多个线圈组通入电流量寻找最优谱线
。
由于磁共振仪器磁体对于环境敏感性高，即便保存优化后的匀场电流值，往往随着环境温度和检测物变化，还需花费时间进行匀场调优
。
矩阵线圈形态多样性导致各个线圈组之间非正交性，产生的补偿磁场之间存在较强的相互依赖，同时线圈数量增加，匀场调控迭代次数随之增加，多个线圈组的匀场寻优的过程通常需要花费大量时间和经验来进行调试和优化，需要搜索式匀场或梯度匀场进行自动匀场
。
一些商业公司也均采用搜索匀场方法配合梯度匀场方法应用于磁共振仪器匀场中
。
一方面，目前梯度匀场主要适配于高场磁共振仪器球谐匀场线圈，且需要高性能梯度系统和仪器的高灵敏度，许多核磁共振仪器往往无法满足如此苛刻的条件
。
另一方面，搜索式匀场将导致每次实验中需要花费更多迭代搜索时间，并且对于非正交性强的矩阵线圈易陷入局部极值解
。
[0004]有文献对频谱和磁场之间关系进行探索，例如：
1996
年获批的美国专利“Correction and automated analysis of spectral and imaging data”(
美国专利号：
US5572125)
，所述的是核磁波谱仪中自动矫正和分析相关谱图数据
。
但是该方法无法获取磁场分布到频谱线形对应的复杂映射关系，相同频谱可能是由不同磁场分布所导致
。
文献“Deep regression with ensembles enables fast,first
‑
order shimming in low
‑
field NMR.Journal of Magnetic Resonance,2022,336:107151.”和“Acquisitions with random shim values enhance AI
‑
driven NMR shimming.Journal of Magnetic Resonance,2022,345:107323.”，所述方法是采用神经网络建立球谐匀场线圈产生的谱图线形和电流偏置值之间映射关系，可以用在核磁共振仪器快速匀场，该匀场方法可以在没有梯度系统的仪器中实现快速自动匀场，保障谱图线形的分辨率和信噪比
。
但是，该文献报道只采用少数近线性球谐线圈开展匀场，提升谱图质量和灵活性受限
。
因此一种快速准确的矩阵线圈智能匀场调控方法对于磁共振仪器精准检测具有重要意义
。

技术实现思路

[0005]针对上述提到的技术问题
。
本申请的实施例的目的在于提出了一种基于深度学习的矩阵线圈匀场调控方法
、
装置及可读介质，来解决以上
技术介绍
部分提到的技术问题
。
[0006]第一方面，本专利技术提供了一种基于深度学习的矩阵线圈匀场调控方法，包括以下步骤：
[0007]获取目标样品的检测区域，建立检测区域对应磁场的几何模型以及线圈载流表面的三维模型，基于几何模型和三维模型利用边界元法和流函数法设计矩阵线圈轮廓，根据矩阵线圈轮廓构建包含若干个线圈组的矩阵线圈；
[0008]采集冷场状态以及分别在若干个线圈组通入偏置电流后对应的谱图数据；
[0009]构建卷积神经网络回归模型并训练，得到匀场电流预测模型，卷积神经网络回归模型包括输入层
、
卷积神经网络
、
全连接神经网络和输出层，谱图数据输入输入层进行降采样，得到数据点集，数据点集输入卷积神经网络，提取出谱线关键特征，谱线关键特征依次经过全连接神经网络和输出层，得到每个线圈组对应的匀场电流预测值；
[0010]将谱图数据输入匀场电流预测模型，预测得到每个线圈组对应的匀场电流预测值，根据匀场电流预测值在矩阵线圈中通入相应的电流进行匀场，获得匀场优化的谱图
。
[0011]作为优选，基于几何模型和三维模型利用边界元法和流函数法设计矩阵线圈轮廓，具体包括：
[0012]根据几何模型确定目标磁场区域，将目标磁场区域进行主成分分析，提取目标磁场区域的磁场分布；
[0013]将线圈载流表面的三维模型映射到二维平面，并将二维平面的边界区域划分为多个三角形的离散单元，每个离散单元对应线圈载流表面上的一个区域，离散单元的顶点构成节点
n
，电流沿相邻的离散单元在节点
n
附近形成闭合回路；
[0014]建立离散单元之间的相互作用边界方程，根据目标磁场区域的磁场分布
、
离散单元之间的相互作用边界方程与约束条件计算线圈载流表面的流函数；
[0015]将线圈载流表面的流函数离散处理，得到线圈基本轮廓；
[0016]通过检查所有线圈基本轮廓之间的相互包含关系来确定线圈基本轮廓的层次结构，建立线圈基本轮廓之间的拓扑关系，拓扑关系包括轮廓组内和轮廓组间不同层次关系，将每个轮廓组内线圈基本轮廓相互连接，形成线圈导线闭合路径，根据轮廓组间之间的配对连接顺序连接相邻的轮廓组；
[0017]将二维平面反向转换回三维曲面，并在导线重叠时沿曲面法线移动线圈路径，得到矩阵线圈轮廓
。
[0018]作为优选，建立离散单元之间的相互作用边界方程，根据目标磁场区域的磁场分布
、
离散单元之间的相互作用边界方程与约束条件计算线圈载流表面的流函数，具体包括：
[0019]在相邻的离散单元中，节点
n
周围的循环电流采用基函数进行表示：
[0020]f
n
(r)
＝
e
ni
/(|e
ni
||d
ni
|)
；
[0021]其中，
e
为节点的对边，
d
为节点垂直于
e...

【技术保护点】

【技术特征摘要】
1.
一种基于深度学习的矩阵线圈匀场调控方法，其特征在于，包括以下步骤：获取目标样品的检测区域，建立所述检测区域对应磁场的几何模型以及线圈载流表面的三维模型，基于所述几何模型和三维模型利用边界元法和流函数法设计矩阵线圈轮廓，根据所述矩阵线圈轮廓构建包含若干个线圈组的矩阵线圈；采集冷场状态以及分别在若干个线圈组通入偏置电流后对应的谱图数据；构建卷积神经网络回归模型并训练，得到匀场电流预测模型，所述卷积神经网络回归模型包括输入层
、
卷积神经网络
、
全连接神经网络和输出层，所述谱图数据输入所述输入层进行降采样，得到数据点集，所述数据点集输入所述卷积神经网络，提取出谱线关键特征，所述谱线关键特征依次经过所述全连接神经网络和输出层，得到每个线圈组对应的匀场电流预测值；将所述谱图数据输入所述匀场电流预测模型，预测得到每个线圈组对应的匀场电流预测值，根据所述匀场电流预测值在所述矩阵线圈中通入相应的电流进行匀场，获得匀场优化的谱图
。2.
根据权利要求1所述的基于深度学习的矩阵线圈匀场调控方法，其特征在于，所述基于所述几何模型和三维模型利用边界元法和流函数法设计矩阵线圈轮廓，具体包括：根据所述几何模型确定目标磁场区域，将所述目标磁场区域进行主成分分析，提取目标磁场区域的磁场分布；将所述线圈载流表面的三维模型映射到二维平面，并将二维平面的边界区域划分为多个三角形的离散单元，每个离散单元对应线圈载流表面上的一个区域，所述离散单元的顶点构成节点
n
，电流沿相邻的离散单元在节点
n
附近形成闭合回路；建立所述离散单元之间的相互作用边界方程，根据所述目标磁场区域的磁场分布
、
离散单元之间的相互作用边界方程与约束条件计算线圈载流表面的流函数；将所述线圈载流表面的流函数离散处理，得到线圈基本轮廓；通过检查所有线圈基本轮廓之间的相互包含关系来确定线圈基本轮廓的层次结构，建立线圈基本轮廓之间的拓扑关系，所述拓扑关系包括轮廓组内和轮廓组间不同层次关系，将每个轮廓组内线圈基本轮廓相互连接，形成线圈导线闭合路径，根据轮廓组间之间的配对连接顺序连接相邻的轮廓组；将二维平面反向转换回三维曲面，并在导线重叠时沿曲面法线移动线圈路径，得到矩阵线圈轮廓
。3.
根据权利要求2所述的基于深度学习的矩阵线圈匀场调控方法，其特征在于，所述建立所述离散单元之间的相互作用边界方程，根据所述目标磁场区域的磁场分布
、
离散单元之间的相互作用边界方程与约束条件计算线圈载流表面的流函数，具体包括：在相邻的离散单元中，节点
n
周围的循环电流采用基函数进行表示：
f
n
(r)
＝
e
ni
/(|e
ni
||d
ni
|)
；其中，
e
为节点的对边，
d
为节点垂直于
e
的最小向量，
r
表示电流源点，
i
表示节点
n
周围的第
i
个离散单元；采用下式计算电流密度
J(r
′
)
：
其中，
S
n
表示线圈灵敏度矩阵；建立磁感应强度
B(r)
与电流密度
J(r
′
)
的关系：其中，
r
′
表示磁场场点，
S
′
表示面积微元，
μ0表示真空磁导率常数；考虑磁感应强度沿主磁场分量
B
z
(...

【专利技术属性】
技术研发人员：姚凯文，谢新，赵豪哲，孙惠军，陈忠，
申请(专利权)人：华侨大学，
类型：发明
国别省市：