基于深度学习预测与仿真的联合球面谐波及交流/直流矩阵线圈技术在磁共振成像中校正运动引起的B0不均匀性研究

《Scientific Reports》：Correcting motion-related B0 inhomogeneities in magnetic resonance imaging via combined spherical harmonics and AC/DC matrix coils using DL-based prediction–simulation study

　　

摘要

磁共振数据的质量取决于静态磁场（B₀）的均匀性。在每次扫描开始时，会先通过磁场图来了解受检者自身的B₀变化情况，随后再调整匀场线圈以抵消这些变化。传统的球谐函数型匀场线圈的匀场能力有限，因此人们开始使用局部多线圈（交流/直流型）系统。不过，受检者的运动可能会破坏已优化好的磁场状态，这就需要实时更新匀场设置，进而要求能够快速检测B₀的变化。我们通过结合一阶球谐函数技术与31通道交流/直流矩阵线圈，模拟了在受检者运动时的实时匀场效果。在模拟中，最初用球谐函数线圈处理过的B₀数据还加入了交流/直流项，以此评估实时控制的效果。在球谐函数线圈的基础上再使用交流/直流线圈进行匀场，确实提升了磁场的均匀性，但受检者的运动又会削弱这种效果。而借助深度学习技术实现的实时数据更新，即便在受检者有较大运动的情况下，也能有效保持B₀的均匀性。其性能与使用梯度回波和回波平面成像技术实现的类似导航系统的实时匀场效果相当，而且不会增加常规成像序列的扫描时间。多线圈匀场显然具有诸多优势，但如果不能实时更新匀场参数，其效果就会大打折扣。借助深度学习技术预测B₀的变化，为实现不受成像序列限制、且能在各种磁共振检查中都能有效应对运动的匀场方法提供了可行的途径。