基于物理内嵌的磁共振鸟笼线圈调谐匹配预测方法及设备

摘要: 本发明涉及磁共振成像,尤其涉及基于物理内嵌的磁共振鸟笼线圈调谐匹配预测方法及设备。背景技术:1、鸟笼线圈(birdcagecoil)因其优异的射频场(b1+)均...
基于物理内嵌的磁共振鸟笼线圈调谐匹配预测方法及设备

本发明涉及磁共振成像,尤其涉及基于物理内嵌的磁共振鸟笼线圈调谐匹配预测方法及设备。

背景技术:

1、鸟笼线圈(birdcagecoil)因其优异的射频场(b1+)均匀性,被广泛应用于磁共振成像系统中。在真实的工程装配环节,工程师需要为线圈焊接调谐电容以使其在特定频率(如55.8mhz等)产生谐振,并在馈电端口引入阻抗匹配网络(如l-match网络)使其阻抗达到五十欧姆。然而,现有的线圈调试存在以下技术壁垒:

2、负载效应复杂:当线圈装入人体或水模负载时,极性分子与离子产生的介电效应和涡流损耗会引入“寄生电容”,导致理论计算的空载电容完全失效;现有方法高度依赖工程师在台架上使用网络分析仪(vna)进行极耗时的试错调试。

3、纯数据驱动神经网络缺乏物理常识:若仅使用现有神经网络对仿真数据进行拟合,神经网络极易为了迎合数学上的五十欧姆匹配,而给出违背物理拓扑的极端解(例如趋近于开路的0.1pf匹配电容),这在射频工程中是完全不可用的。

技术实现思路

1、本发明的目的在于针对现有技术存在的上述问题,提供基于物理内嵌的磁共振鸟笼线圈调谐匹配预测方法及设备。

2、本发明的上述目的通过以下技术手段来实现:

3、基于物理内嵌的磁共振鸟笼线圈调谐匹配预测方法,包括以下步骤:

4、步骤1、设置输入参数的扫描范围,对鸟笼线圈模型的不同输入参数的组合进行仿真扫描,得到不同输入参数的组合下的s参数矩阵和负载状态参数,并根据输入参数中的线圈物理尺寸和负载状态参数构建出鸟笼线圈模型的物理状态向量。

5、步骤2、获取各个输入参数的组合和对应的负载状态参数下的l-match匹配网络的y参数矩阵;

6、设置多目标适应度函数,利用差分进化算法最小化多目标适应度函数,得到使y参数矩阵满足阻抗匹配条件的最优电容组合,最优电容组合包括电容组合中各个电容的最优的电容值;再将最优电容组合中的电容值转化为容抗值,将最优电容组合对应的容抗值构建为最优电容组合的容抗向量。

7、步骤3、以物理状态向量为模型输入对神经网络模型进行训练,对神经网络模型输出的电容组合的预测容抗向量中的预测容抗值与最优电容组合的容抗向量中的容抗值进行损失函数计算,训练完成后得到训练后的神经网络模型。

8、步骤4、根据待处理的鸟笼线圈的线圈物理尺寸和负载状态参数构建物理状态向量,将物理状态向量输入到训练后的神经网络模型,得到电容组合的预测容抗向量,最后将电容组合的预测容抗向量中的预测容抗值转化为预测电容值。

9、如上所述输入参数还包括水模负载的等效介电常数和水模负载的等效电导率;所述线圈物理尺寸包括线圈直径和线圈长度,所述负载状态参数包括目标谐振频率和等效负载损耗电阻;其中,等效介电常数和等效电导率用于计算目标谐振频率和等效负载损耗电阻;物理状态向量。

10、如上所述电容组合包括调谐电容、并联匹配电容以及串联匹配电容;将最优电容组合中的电容值转化为容抗值,分别得到调谐容抗值、并联匹配容抗值以及串联匹配容抗值,电容组合的容抗向量。

11、如上所述将最优电容组合中的电容值转化为容抗值基于以下公式:

12、;

13、式中,为电容值,为容抗值。

14、如上所述多目标适应度函数为:

15、;

16、式中,为多目标适应度函数;为匹配网络灵敏度惩罚项,为越界惩罚函数,、以及分别为馈电端口回波损耗、匹配网络灵敏度惩罚项以及越界惩罚函数的权重,为取模运算;

17、所述匹配网络灵敏度惩罚项设置为调谐电容与并联匹配电容的差值的绝对值;

18、当调谐电容或并联匹配电容或串联匹配电容超出对应的取值范围时,=1,否则=0。

19、馈电端口回波损耗的权重设置为1;匹配网络灵敏度惩罚项的权重设置为0.1~0.5;越界惩罚函数的权重设置为10000。

20、如上所述阻抗匹配条件为≤-15db。

21、如上所述神经网络模型为多层感知机模型,所述多层感知机模型包括输入层、输出层以及2~4层全连接隐藏层,每层全连接隐藏层包括64至256个神经元,并采用gelu激活函数为激活函数;

22、在多层感知机模型的初始化阶段,全连接隐藏层的权重矩阵采用kaiming正态分布初始化,各层全连接隐藏层的偏置向量统一初始化为零;采用adam优化器。

23、如上所述多层感知机模型的损失函数采用mse损失函数。

24、一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现如上所述基于物理内嵌的磁共振鸟笼线圈调谐匹配预测方法的步骤。

25、本发明相对于现有技术,具有以下有益效果:

26、(1)区别于经典物理内嵌神经网络(pinn)将偏微分方程硬编码于损失函数中的常规做法,本发明将电容值转化为容抗值,先进行电容与电抗的反比例非线性映射再进行模型损失计算的特征变换机制彻底消除了电容在高频谐振点附近的数值非线性奇点,提升了网络收敛的稳定性,还大幅降低了模型的计算复杂度。

27、(2)本发明在差分进化算法的优化阶段,不单纯依赖数学上的s参数逼近,还将实际射频台架上l-match匹配网络的元件的取值范围构建为匹配网络灵敏度惩罚项和越界惩罚函数,从而提前剔除虽然满足s参数但物理上无法焊接实现的电容组合。

1.基于物理内嵌的磁共振鸟笼线圈调谐匹配预测方法,其特征在于,包括以下步骤:

2.根据权利要求1所述基于物理内嵌的磁共振鸟笼线圈调谐匹配预测方法,其特征在于,所述输入参数还包括水模负载的等效介电常数和水模负载的等效电导率;所述线圈物理尺寸包括线圈直径和线圈长度,所述负载状态参数包括目标谐振频率和等效负载损耗电阻;其中,等效介电常数和等效电导率用于计算目标谐振频率和等效负载损耗电阻;物理状态向量。

3.根据权利要求2所述基于物理内嵌的磁共振鸟笼线圈调谐匹配预测方法,其特征在于,所述电容组合包括调谐电容、并联匹配电容以及串联匹配电容;将最优电容组合中的电容值转化为容抗值,分别得到调谐容抗值、并联匹配容抗值以及串联匹配容抗值,电容组合的容抗向量。

4.根据权利要求3所述基于物理内嵌的磁共振鸟笼线圈调谐匹配预测方法,其特征在于,所述将最优电容组合中的电容值转化为容抗值基于以下公式:

5.根据权利要求1所述基于物理内嵌的磁共振鸟笼线圈调谐匹配预测方法,其特征在于,所述多目标适应度函数为:

6.根据权利要求5所述基于物理内嵌的磁共振鸟笼线圈调谐匹配预测方法,其特征在于,馈电端口回波损耗的权重设置为1;匹配网络灵敏度惩罚项的权重设置为0.1~0.5;越界惩罚函数的权重设置为10000。

7.根据权利要求1所述基于物理内嵌的磁共振鸟笼线圈调谐匹配预测方法,其特征在于,所述阻抗匹配条件为≤-15db。

8.根据权利要求1所述基于物理内嵌的磁共振鸟笼线圈调谐匹配预测方法,其特征在于,所述神经网络模型为多层感知机模型,所述多层感知机模型包括输入层、输出层以及2~4层全连接隐藏层,每层全连接隐藏层包括64至256个神经元,并采用gelu激活函数为激活函数;

9.根据权利要求8所述基于物理内嵌的磁共振鸟笼线圈调谐匹配预测方法,其特征在于,所述多层感知机模型的损失函数采用mse损失函数。

10.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至9中任一项所述基于物理内嵌的磁共振鸟笼线圈调谐匹配预测方法的步骤。