用于配置RF发射组件的方法技术

本发明专利技术涉及一种用于配置针对磁共振成像系统(300)的射频RF发射组件(200)以使用RF脉冲序列从成像区域内的对象采集磁共振成像数据的方法，所述RF发射组件(200)包括RF放大器(215)和发射线圈(213)，其中，所述RF发射组件(200)能够利用配置参数的集合来配置。所述方法包括：提供(3001)RF发射组件的操作条件，所述操作条件至少指示：RF脉冲序列的属性以及当使用RF脉冲序列操作RF发射组件时影响RF脉冲序列属性的可测量参数；使用(3003)预定义的机器学习模型，以针对操作条件来确定配置参数的集合的至少部分和相关联的值；根据所确定的配置参数和相关联的值来配置(3005)RF发射组件(200)。(200)。(200)。

【技术实现步骤摘要】
【国外来华专利技术】用于配置RF发射组件的方法


[0001]本专利技术涉及扫描成像系统，具体地涉及一种用于配置射频(RF)发射组件的方法。

技术介绍

[0002]发射RF链被配置为在最短时间段内生成所需的自旋激发，同时遵守技术和生物学限制。磁共振成像(MRI)系统的发射RF链包含驱动MRI线圈的一个或多个RF放大器。RF链可以由数字RF脉冲发生器、RF放大器、模拟T/R开关和MRI天线构成。但是，持续需要改进对RF链的操作的控制。

技术实现思路

[0003]各实施例提供一种用于配置RF发射组件的方法、医学分析系统和计算机程序产品，如在独立权利要求的主题中所描述的。在从属权利要求中描述了有利的实施例。
[0004]本公开涉及实现具有优化的RF发射链或组件的MRI系统所需的硬件和软件。MRI RF发射组件提供有以机器学习为特征的机器学习模块。模块可以使用针对不同的RF组件优化的不同的机器学习算法，例如脉冲生成、数字预失真、RF放大器的参数设置、阻抗匹配选项和RF开关切换以及在多通道TX系统中的匀场设置(shim set)的选择。不同的机器学习算法可以具有作为输入的RF发射组件的当前操作条件。对于完整的RF组件，可以应用一组用于机器学习的学习算法。学习方法和策略可以基于云基础的实施或本地实施。机器学习模块根据可用数据和训练时间量适用于不同场景。
[0005]一方面，本专利技术涉及一种用于配置针对磁共振成像系统的射频RF发射组件以使用RF脉冲序列从成像区域内的对象采集磁共振成像数据的方法。RF发射组件包括RF放大器和发射线圈，其中，RF发射组件可利用配置参数的集合来配置。所述方法包括：提供RF发射组件的操作条件。操作条件至少指示以下内容：RF脉冲序列的属性和可测量参数，当使用RF脉冲序列操作RF发射组件时，所述可测量参数影响RF脉冲序列属性。预定义的机器学习模型可以用于确定针对操作条件的配置参数的集合的至少部分和相关联的值。可以根据所确定的配置参数来配置RF发射组件。
[0006]所提供的操作条件可以是当使用RF脉冲序列操作RF发射组件时当前测量的操作条件。在另一范例中，所提供的操作条件可以是RF发射组件将要配置的以便相应地起作用的所期望的操作条件。
[0007]术语“机器学习”指一种计算机算法，用于通过以自动方式构建概率模型(称为机器学习(或学习的)模型)从训练数据中提取有用的信息。可以使用一种或多种学习算法，例如线性回归、K均值、分类算法、强化算法等来执行机器学习。“模型”可以例如是方程式或一组规则，其能够根据其他已知的值来预测未测量的值(例如，哪个配置对应于给定的操作条件)和/或预测或选择动作来使未来回报最大化或使未来惩罚最小化。根据一个实施例，机器学习模型是深度学习模型。
[0008]考虑到参数的数量及其非线性(例如，放大器增益、固定参数限制)相互依赖性，通
过用户临时分析优化给定时间帧内的几十个输入和输出参数是不可能的。本方法可以使得能够基于涉及多个输入参数的多维方法来找到用于RF发射组件的最优配置集，其中，所述参数可以是相互依赖性的。
[0009]本公开可以使RF发射组件的操作能够自动化。这可以减少操作者干预RF发射组件的配置的需要。
[0010]本公开还可以具有使用预先精确定义的合适配置的优点，并且因此可以提供具有较少失真的更干净的RF发射信号和在相位和幅度方面更稳定的发射信号、从内部稳定电路解除RF放大器、并降低成本。根据一个实施例，脉冲序列的属性包括以下各项中的至少一项：峰值功率、平均功率、脉冲形状、总持续时间和频率分布、线性度。脉冲序列的属性可以使得能够控制用于采集MR数据的RF脉冲序列。这种基于许多属性的控制对于手动优化可以实际上是不可能的。
[0011]根据一个实施例，可测量参数包括以下各项中的至少一项：环境温度、RF发射组件的冷却水的温度、RF放大器的部件的结点温度(例如，RF LDMOS的温度或散热器的温度)、发射线圈的线圈负载、电源电压、RF发射组件的电源。操作条件还可以指示对象(例如患者)体重、对象身高、成像位置、要被扫描的解剖结构。可测量参数还可以指示B1图、B1需求、电容器组的状态或拾取回路信号。RF发射组件的发射线圈可以被配置为将电磁波发射到样本中，从而产生激发核自旋所需的振荡B1磁场。B1图和B1需求可以量化为可测量参数。可测量参数可以例如根据其他一个或多个可测量参数导出或确定。
[0012]在确定操作条件中使用的属性和可测量参数越多，所选择的所确定的配置参数的集合就越准确。由于属性和可测量参数的数量和组合，并且与本方法相反，系统的临时配置是不可能的，或者至少可能是不准确的资源。
[0013]根据一个实施例，配置参数的集合包括：RF脉冲序列的预失真的指示、RF发射组件的预定义的点处的偏置电压、漏极电压、用于调谐RF发射组件的匹配网络的匹配参数、用于RF放大器的切换开关的开关阈值、例如用于冷却RF组件的部件的冷却水的温度。配置参数的集合可以例如还指示作为多通道中的一个通道的在包括RF发射组件的多通道TX系统中的匀场设置的选择。例如，RF发射组件的操作条件可以指示需要使用多通道TX系统中的其他RF组件。在一个范例中，操作条件可以指示增加例如额外的局部线圈以实现所需的均匀性。
[0014]匹配网络可以例如被配置为用于将给定的系统输入阻抗与RF放大器的RF晶体管的阻抗进行匹配，以实现最大功率传输。可以使用预失真来改善输出信号的线性度。预失真可以是节省成本并具有功率效率的技术。预失真技术可以使RF放大器中的功率电子器件更简单，并从RF放大器中得到更多可用的功率和信号线性度。这可以使得在非线性方案下也能够驱动RF放大器。切换开关可以是RF T/R开关。
[0015]根据一个实施例，所述方法还包括：接收指示与RF发射组件的各种操作条件相关联的配置参数的集合的训练集合；使用训练集合来训练预定义的机器学习算法，从而生成机器学习模型。可以通过使用基于云的算法或使用在RF发射组件附近或之中的本地处理器来实现训练或学习。例如，可以基于训练集合的可用数据量和可用处理资源来应用不同的机器学习算法。训练集合可以例如从多个MRI系统收集，其中，每个MRI系统包括本文所述的RF组件。这可以提高所生成的模型的准确性。训练可以例如定期执行。这可以实现用于准确
预测RF发射组件的设置的最新模型。
[0016]根据一个实施例，所述方法还包括生成训练集合，所述训练集合包括来自至少一个数据源的收集数据，并且处理所述收集数据以确定与相应操作条件相关联的配置参数的集合，其中，数据源包括以下中的至少一个：MRI系统的日志文件、指示RF发射组件的操作的用户报告、例如单独或连续获得的来自工厂的放大器负载拉动数据(可以使用扫描数据来更新负载数据)。本实施例可以实现丰富的训练集合，所述训练集合能够用于提供可靠和准确的预测模型。
[0017]根据一个实施例，所述方法还包括：针对其他的所提供的操作条件重复确定步骤，并且使用所确定的配置参数和所提供的操作条件来更新训练本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种用于配置磁共振成像系统(300)的射频RF发射组件(200)以使用RF脉冲序列从成像区(308)内的对象(318)采集磁共振成像数据的方法，所述RF发射组件(200)包括RF放大器(215)和发射线圈(213)，其中，所述RF发射组件(200)能够利用配置参数的集合进行配置，所述方法包括：-提供(3001)所述RF发射组件(200)的操作条件，所述操作条件至少指示：所述RF脉冲序列的属性以及当使用所述RF脉冲序列操作所述RF发射组件时影响所述RF脉冲序列属性的可测量参数，其中，所述可测量参数包括以下中的至少一个：环境温度、所述RF发射组件的冷却水的温度、所述RF放大器的部件的结点温度、所述发射线圈的线圈负载、医学分析系统的电源的电源电压、所述RF发射组件的电源的电源电压，所述操作条件还指示对象体重、对象身高、成像位置、要被扫描的解剖结构；-使用(3003)预定义的机器学习模型，以针对所述操作条件来确定配置参数的所述集合的至少部分和相关联的值；-根据所确定的配置参数和相关联的值来配置(3005)所述RF发射组件(200)。2.根据权利要求1所述的方法，所述脉冲序列的所述属性包括以下各项中的至少一项：峰值功率、平均功率、脉冲形状、脉冲的总持续时间和频率分布。3.根据前述权利要求中的任一项所述的方法，其中，配置参数的所述集合包括以下中的至少一个：对所述RF脉冲序列的预失真的指示、所述RF发射组件的预定义点处的偏置电压、漏极电压、用于调谐所述RF发射组件的匹配网络的匹配参数、用于所述RF放大器的切换开关的开关阈值。4.根据前述权利要求中的任一项所述的方法，还包括：-接收指示与所述RF发射组件的相应操作条件相关联的配置参数的集合的训练集合；-使用所述训练集合来训练预定义的机器学习算法，从而生成所述机器学习模型。5.根据权利要求4所述的方法，还包括根据至少一个数据源来生成包括收集数据的所述训练集合，以及处理所述收集数据以确定与相应操作条件相关联的配置参数的所述集合，其中，所述数据源包括MRI系统的日志文件、指示所述RF发射组件的操作的用户报告中的至少一个。6.根据前述权利要求4-5中的任一项所述的方法，还包括：针对其他的所提供的操作条件来重复确定步骤，并且使用所确定的配置参数和所有所提供的操作条件来更新所述训练集合，并且使用所更新的训练集合来重复所述机器学习算法的训练，其中，所确定的配置参数用于所述RF发射组件的操作。7.根据前述权利要求中的任一项所述的方法，其中，响...

【专利技术属性】
技术研发人员：C，
申请(专利权)人：皇家飞利浦有限公司，
类型：发明
国别省市：