电学属性断层摄影的深度学习的制作方法

1.本发明涉及扫描成像系统，特别涉及用于确定被成像对象中的目标体积的电学属性(ep)的医学分析系统。


背景技术：

2.电学属性断层摄影(ept)是一种通过对b1场分布的幅值和相位进行后处理来在体内无创且定量地测量组织的电学属性的技术。通过所谓的亥姆霍兹方程给出了ep与复杂b1值之间的关系。因此，通过取用从mri得到的具有复值的b1图作为输入，亥姆霍兹方程提供了ep。然而，常规的ept具有收发相位的问题，这种问题在组织边界和噪声放大中存在。


技术实现要素：

3.各种实施例提供了用于确定被成像对象中的目标体积的电学属性(ep)的医学分析系统以及如独立权利要求的主题所描述的方法和计算机程序产品。在从属权利要求中描述了有利实施例。
4.本发明的实施例可以提供使用域对抗训练来达到对ept抵抗因体内图像采集而产生的伪影的鲁棒深度学习的目的的手段。这可以通过进行对抗训练来实现。将额外网络(鉴别器)与重建网络(生成器)一起训练以识别生成器输出与真实组织ep(例如，包括文献ep值的电磁模型)之间的高级偏差。例如，在模拟内容上预先训练生成器之后，没有ep标签但有体内伪影的体内b1数据被用于训练生成器以创建输出，鉴别器无法将该输出与真实输出进行区分。
5.在一个方面中，本发明涉及一种用于确定对象中的目标体积的电学属性(ep)的医学分析系统。例如，磁共振电学属性断层摄影(mr-ept)可以用于估计目标体积的电导率和介电常数分布。根据mr-ept的成像可以使得能够获得使用特定脉冲序列产生的rf场的相位图像和/或b1幅度图像。例如，可以通过磁共振成像(mri)系统对对象进行成像，从而得到mri数据。mri数据可以用于通过求解将发射射频(rf)场的mr测量结果与ep进行关联的电磁逆向问题来重建组织ep。所述医学分析系统包括：至少一个处理器；以及至少一个存储器，其存储机器可执行指令。所述处理器被配置用于控制所述医学分析系统，其中，所述机器可执行指令的执行使所述处理器：使用第一训练数据集来执行对深度神经网络dnn的第一训练，所述第一训练数据集包括训练的b1场图和对应的第一ep图，所述第一训练得到被配置用于根据b1场图来生成ep图的预先训练的dnn；使用条件生成对抗网络gan和第二训练数据集来执行对所述预先训练的dnn的第二训练，其中，所述预先训练的dnn是所述条件gan的生成器，所述第二训练数据集包括测得的b1图和第二ep图，所述第二训练得到经训练的dnn；接收所述目标体积的输入的b1场图并使用所述经训练的dnn来生成所述输入的b1场图的ep图。
6.存在众多用于以实验方式确定b1场分布的b1映射方法。这些方法可以用于测量幅值和相位分布。例如，可以使用两次mri扫描来采集或生成复值b1场图，例如，一次扫描用于
采集b1幅值分布，并且一次扫描用于采集b1相位分布。b1场图可以是b1发射场图。
7.当以2d或3d空间分布的形式确定或呈现关于b1场的信息时，它可以被称为b1场图。可以例如使用通过扫描对象的目标体积而采集的mri数据来确定b1场图。b1场图可以用于根据b1场图来导出ep图。因此，所导出的ep图对应于该b1场图。导出ep图包括使用b1场图来执行ept重建例如，可以通过取用b1场图的拉普拉斯来计算ep图。
8.通过执行两阶段的训练，本主题可以使得能够获得准确的组织电学属性(电导率和介电常数)。这可以是特别有利的，因为电学属性对于正确的电磁模拟和随后的特异性吸收率(sar)评估(例如对于mri的安全评估)来说是至关重要的。本主题可以使得能够进行无创体内测量。
9.与现有方法相比，本主题可以是有利的，因为它们在报告的电学属性之间显示出大的变化。这些变化能够通过对各种物种的组织的使用以及测量条件的变化(例如，组织温度、体内、体外以及离体)来解释。本方法可以用于验证维持体内电学属性值的电流的有效性。特别地，对ept的深度学习的利用可以解决用于ept的常规方法的基本问题，例如，收发相位问题、在组织边界和噪声放大中的问题。
10.本主题可以应用于：电学属性具有诊断价值的情况，或者在rf安全管理需要电学属性的地方，或者rf消融/热疗等治疗规划需要电学属性的地方。
11.根据一个实施例，所述训练的b1场图和所述测得的b1场图中的每项均包括相应的b1场相位图和/或b1幅度图，其中，所述输入的b1场图包括b1相位图和/或b1幅度图。
12.在第一示例中，训练的b1场图和测得的b1场图中的每项包括相应的b1场相位图，其中，输入的b1场图包括b1相位图。换句话说，使用b1相位图来执行第一训练和第二训练，以便生成经训练的dnn，该经训练的dnn能够响应于接收到b1相位图作为输入而估计或者预测电导率图。dnn可以例如包括输入层，该输入层被配置为接收训练的b1图的体素值或像素值。每个训练的b1图可以例如包括这样的图像：该图像的像素值可以被输入到dnn以用于执行第一训练。dnn的输出层可以例如被配置为提供指示电导率值的输出值。第一训练可以得到这样的dnn：该dnn正被训练用于输出与输入的b1场相位图相对应的电导率图的预测结果或估计结果。这可以使得能够在gan框架中训练dnn之前对dnn进行初始化(例如，初始化的权重)。利用第一训练进行的初始化可以提高第二训练的准确度，因此预测的ep图可以更准确。输入的b1场图可以是输入的b1相位图。通过接收输入的b1相位图，经训练的dnn可以输出电导率图。这可以允许以临床上可用的mr场强对例如人类脑部组织进行准确且精确的电导率图重建。
13.在第二示例中，训练的b1场图和测得的b1场图中的每项包括相应的b1幅度图，其中，输入的b1场图包括b1幅度图。换句话说，使用b1幅度图来执行第一训练和第二训练，以便生成经训练的dnn，该经训练的dnn能够响应于接收到b1幅度图作为输入而估计或者预测介电常数图。dnn可以例如包括输入层，该输入层被配置为接收b1幅度图的体素值或像素值。每个b1幅度图可以例如包括这样的图像：该图像的像素值可以被输入到dnn以用于执行第一训练。dnn的输出层可以例如被配置为提供指示介电常数值的输出值。第一训练可以得到这样的dnn：该dnn正被训练用于输出与输入的b1幅度图相对应的介电常数图的预测结果或估计结果。这可以使得能够在gan框架中训练dnn之前对dnn进行初始化(例如，初始化的权重)。输入的b1场图可以是输入的b1幅度图。通过接收输入的b1幅度图，经训练的dnn可以
输出介电常数图。这可以允许以临床上可用的mr场强对例如人类脑部组织进行准确且精确的介电常数图重建。
14.第一示例和第二示例可以使得能够进行仅相位的电导率重建和仅限幅值的介电常数重建。这在与低于3t的mr场强相对应的频率范围内可以是特别有利的，其中，b1的波动行为不太显著，并且绝对b1相位更多地取决于电导率分布而不是介电常数，而介电常数与b1场的幅值的关系更为密切。
15.在第三示例中，所述训练的b1场图和所述测得的b1场图中的每项均包括相应的b1场相位图和b1幅度图，其中，所述输入的b1场图包括b1相位图和/或b1幅度图。换句话说，使用b1幅度图和b1相位图这两者来执行第一训练和第二训练，以便生成经训练的dnn，该经训练的dnn能够响应于接收到b1幅度图和b1相位图作为输入而估计或者预测介电常数图和电导率图。dnn可以例如包括输入层，该输入层被配置为接收b1幅度图和b1相位图这两者的体素值或像素值。b1幅度图和b1相位图均可以例如包括图像，其中，这两个图像的对应像素值可以被输入到dnn的输入层以用于执行第一训练。dnn的输出层可以例如被配置为提供指示介电常数值和电导率值的输出值。第一训练可以得到这样的dnn：该dnn正被训练用于输出与输入的b1场图相对应的介电常数图和电导率图的预测结果或估计结果。这可以使得能够在gan框架中训练dnn之前对dnn进行初始化(例如，初始化的权重)。通过接收输入的b1场图，经训练的dnn可以输出介电常数图和电导率图。这可以允许以临床上可用的mr场强对例如人类脑部组织进行准确且精确的介电常数图重建。
16.根据一个实施例，所述训练的b1图包括b1幅度图，其中，所述预先训练的dnn被配置为根据b1幅度图来生成介电常数图。第一训练仅限于b1幅度图，而第二训练可以使用b1幅度图和b1相位图这两者。这可以使得能够加速预测ep图的过程，同时仍然提供准确且精确的ep图重建。
17.根据一个实施例，所述训练的b1图包括b1相位图，其中，所述预先训练的dnn被配置为根据b1相位图来生成电导率图。第一训练限于b1相位图，而第二训练可以使用b1幅度图和b1相位图这两者。这可以使得能够加速预测ep图的过程，同时仍然提供准确且精确的ep图重建。
18.根据一个实施例，所述训练的b1场图包括模拟的b1场图和相关联的模拟的ep图，所述第二ep图包括模拟的ep图，其中，所述第二训练包括：使用所述测得的b1场图来训练所述生成器，并且使用所述模拟的ep图和由所述生成器生成的ep图这两者来训练所述gan的鉴别器。这可以实现条件gan框架，在该条件gan框架中，生成器以测得的b1场图为条件。模拟的b1场图不包括伪影。
19.例如，鉴别器单独查看模拟的ep图(作为真正的ep图)和生成的ep图。鉴别器可以区分输入的ep图是真正的还是生成的。这可以使得生成器以测得的b1场图为条件。这可以实现以下情况：代替仅根据噪声来生成ep图，可以将测得的b1场图与噪声进行组合，并且生成器可以使用测得的b1场图来生成ep图。然后可以与训练gan一样以对抗的方式执行对gan的生成器和鉴别器的训练，但是生成器以测得的b1场图为条件。这可以实现更好的训练融合。
20.可以在交替步骤中训练鉴别器和生成器的两个网络。例如，可以将生成器的参数固定，并且使用真正的ep图和生成的ep图来执行鉴别器上的梯度下降的单次迭代。然后可
以将鉴别器的参数固定，并且可以训练生成器以进行另一次迭代。
21.当将在模拟内容上训练的网络应用于体内数据时，如果不考虑来自体内图像采集的伪影，则利用电磁模拟直接对dnn进行训练会造成重建错误。另一方面，明确包括训练中的体内伪影的模拟内可能是繁琐且冗长的流程，并且可能存在真实性问题，并且包括丢失没有识别出的伪影的风险。本主题可以通过施加两个阶段的训练来解决这些问题，其中，第一阶段的训练使用没有伪影的模拟数据来(预先)训练dnn，并且第二阶段的训练使用测得的数据(其具有伪影)来训练预先训练的dnn。
22.对鉴别器的训练包括关于输入是真正ep图还是虚假的(生成的)ep图的确定的误差的反向传播。对生成器的训练包括关于输入是真正ep图还是虚假的ep图的确定的误差分类的误差的反向传播。可以基于反向传播的误差来更新鉴别器和生成器的网络中的每个网络的权重。
23.可以通过模拟真实线圈设置并包括真实头部模型来获得模拟数据。这可以使得能够获得大量的独特b1场。这可以避免对大量mr数据进行训练的需求。
24.根据一个实施例，生成所述输入的b1场图的所述ep图是使用所述经训练的dnn和所述预先训练的dnn来执行的，所述生成包括：使用所述经训练的dnn和所述预先训练的dnn中的每项来生成所述ep图；对所生成的ep图进行平均化，并且在经平均化的ep图上提供不确定度。这可以使得能够访问所预测的ep图的不确定度，因此可以提供用于检查所预测的ep图的准确度的手段。
25.根据一个实施例，所述dnn是u-net。gan的鉴别器可以例如是卷积patchgan分类器。u-net可以包括连续层，其中，池化操作可以被上采样运算符所替换。这些层可以提高u-net的输出的分辨率。
26.根据一个实施例，所述系统被配置为：连接到一个或多个mri系统，并且接收来自所述mri系统的所述输入的b1图和/或所述测得的b1图。
27.根据一个实施例，所述系统还包括mri系统，所述mri系统被配置用于：采集图像数据，并且根据所述图像数据来重建b1图，所述输入的b1图和/或所述测得的b1图包括所重建的b1图。
28.在另一方面中，本发明涉及一种用于确定对象中的目标体积的电学属性ep的方法。所述方法包括：使用第一训练数据集来执行对深度神经网络dnn的第一训练，所述第一训练数据集包括训练的b1场图和对应的第一ep图，所述第一训练得到被配置用于根据b1场图来生成ep图的预先训练的dnn；使用条件生成对抗网络gan和第二训练数据集来执行对所述预先训练的dnn的第二训练，其中，所述预先训练的dnn是所述条件gan的生成器，所述第二训练数据集包括测得的b1图和第二ep图，所述第二训练得到经训练的dnn；接收所述目标体积的输入的b1场图并使用所述经训练的dnn来生成所述输入的b1场图的ep图。
29.在另一方面中，本发明涉及一种包括用于由处理器执行的机器可执行指令的计算机程序产品，其中，所述机器可执行指令的执行使所述处理器执行前述实施例中的任一个实施例的方法。
30.应当理解，可以将本发明的前述实施例中的一个或多个实施例进行组合，只要所组合的实施例不相互排斥即可。
附图说明
31.下面将参考附图并且仅通过示例的方式描述本发明的优选实施例，在附图中：
32.图1是根据本主题的控制系统的示意图，
33.图2是用于确定被成像对象中的目标体积的电学属性(ep)的方法的流程图，
34.图3描绘了图示深度神经网络的训练过程的框图，
35.图4示出了mri系统的横截面和功能视图。
36.附图标记列表
37.100 医学系统
38.101 扫描成像系统
39.103 处理器
40.107 存储器
41.108 电源
42.109 总线
43.111 控制系统
44.121 软件
45.125 显示器
46.129 用户接口
47.133 数据库
48.201-205 方法步骤
49.301 预先训练阶段
50.303 训练阶段
51.305 应用阶段
52.310 dnn
53.312 预先训练的dnn
54.313 鉴别器
55.314 经训练的dnn
56.320 b1场图
57.321 模拟的电学属性
58.323 测得的b1场图
59.325 重建的电学属性
60.326 模拟的电学属性
61.327 测得的b1场图
62.328 重建的电学属性
63.700 磁共振成像系统
64.704 磁体
65.706 磁体的膛
66.708 成像区
67.710 磁场梯度线圈
68.712 磁场梯度线圈电源
69.714 射频线圈
70.715 rf放大器
71.718 对象
具体实施方式
72.在下文中，在附图中具有相似附图标记的元件要么是相似的元件，要么执行等效的功能。如果功能是等效的，则将不必在后面的附图中再讨论先前已经讨论过的元件。
73.仅出于解释的目的，在附图中示意性地描绘了各种结构、系统和设备，以便不用本领域技术人员熟知的细节掩盖本发明。尽管如此，附图被包括以描述和解释所公开的主题的说明性示例。
74.图1是医学分析系统100的示意图。医学分析系统100包括控制系统111，控制系统111被配置为连接到扫描成像系统(或采集部件)101。控制系统111包括处理器103、存储器107，它们均能够与医学系统100的一个或多个部件通信。例如，控制系统111的部件被耦合到双向系统总线109。
75.应当理解，本文描述的方法至少部分地是非交互式的，并且通过计算机化系统被自动化。例如，这些方法能够被进一步实施在软件121(包括固件)、硬件或其组合中。在示例性实施例中，本文描述的方法在软件中被实施为可执行程序，并且由专用或通用数字计算机(例如，个人计算机、工作站、小型计算机或大型计算机)来执行。
76.处理器103是用于执行软件的硬件设备，特别是在存储器107中存储的硬件设备。处理器103能够是任何定制的或可商业获得的处理器、中央处理单元(cpu)、与控制系统111相关联的若干处理器中的辅助处理器、基于半导体的微处理器(以微芯片或芯片组的形式)、微处理器，或者通常为任何用于执行软件指令的设备。处理器103可以控制扫描成像系统101的操作。
77.存储器107能够包括易失性存储器元件(例如，随机存取存储器(诸如dram、sram、sdram等的ram))和非易失性存储器元件(例如，rom、可擦除可编程只读存储器(eprom)、电可擦除可编程只读存储器(eeprom)、可编程只读存储器(prom))的任何一项或组合。注意，存储器107能够具有分布式架构，其中，各种部件彼此远离，但是能够由处理器103进行访问。存储器107可以存储与医学分析系统100的至少一个其他组成元件相关的指令或数据。
78.控制系统111还可以包括显示设备125，显示设备125例如在用户接口129上显示字符和图像等。显示设备125可以是触摸屏显示设备。
79.医学分析系统100还可以包括用于为医学分析系统100供电的电源108。电源108例如可以是电池或外部电源，例如，由标准ac出口供应的电力。
80.扫描成像系统101可以包括mri、ct和pet-ct成像器中的至少一项。控制系统111和扫描成像系统101可以是一体部分，也可以不是一体部分。换句话说，控制系统111可以在扫描成像系统101外部，也可以不在扫描成像系统101外部。
81.扫描成像系统101包括可以由处理器103控制的部件，以便配置扫描成像系统101以向控制系统111提供图像数据。扫描成像系统101的配置可以使得能够进行对扫描成像系统101的操作。扫描成像系统101的操作可以例如是自动的。图4示出了作为mri系统的扫描成像系统101的部件的示例。
82.控制系统111与扫描成像系统101之间的连接可以例如包括总线以太网连接、wan连接或互联网连接等。
83.在一个示例中，扫描成像系统101可以被配置为提供响应于指定的测量的输出数据(例如，图像)。控制系统111可以被配置为接收来自扫描成像系统101的数据(例如，mr图像数据)。例如，处理器103可以适于(自动地或在请求时)接收来自扫描成像系统101的呈可兼容的数字形式的信息，使得这样的信息可以被显示在显示设备125上。这样的信息可以包括操作参数、警报通知以及与扫描成像系统101的使用、操作和功能有关的其他信息。
84.医学分析系统100可以被配置为经由网络130与其他扫描成像系统131和/或数据库133通信。网络130包括例如无线局域网(wlan)连接、wan(广域网)连接、lan(局域网)连接或其组合。数据库133可以包括与患者、扫描成像系统、解剖结构、扫描几何形状、扫描参数、扫描等有关的信息。数据库133可以例如包括电子病历(emr)数据库(包括患者的emr)、放射学信息系统数据库、医学图像数据库、pacs、医院信息系统数据库和/或包括能够用于规划扫描几何的数据的其他数据库。数据库133例如可以包括用于由本主题执行的训练的训练数据集。
85.存储器107还可以包括人工智能(ai)部件150。ai部件150可以是也可以不是软件部件121的部分。ai部件150可以被配置用于根据本主题来训练dnn并且提供经训练的dnn以供进一步使用。例如，如果控制系统111不是扫描成像系统101的部分，则可以将经训练的dnn提供给扫描成像系统101，使得它能够在扫描成像系统101处使用以用于确定ep图。
86.图2是用于确定对象中的目标体积的电学属性(ep)的方法的流程图。可以使用mri系统对对象进行成像以采集能够用于执行电学属性断层摄影(ept)的mri数据。ept方法可以用于以拉莫尔频率对组织的介电属性(电导率和介电常数)进行映射。可以潜在地将感兴趣对象的部分的电学属性用作用于支持目的是鉴别健康组织与恶性组织(例如，肿瘤)的诊断的额外信息。
87.在步骤201中，可以使用第一训练数据集来执行对dnn的第一训练。第一训练数据集包括训练的b1场图和对应的第一ep图。第一训练得到预先训练的dnn，该预先训练的dnn被配置用于根据b1场图来生成ep图。第一训练可以是dnn的监督预先训练。dnn可以例如包括预定义数量的层，其中，训练可以在第一训练之后得到dnn的权重的优化值。
88.可以使用模拟数据来执行第一训练。第一训练数据集包括模拟的b1场图和相关联的模拟的ep图(模拟的ep图可以是模拟的b1场图的标签)。模拟的ep图可以通过ep模型来获得，因此可以提供真实标签。使用模拟数据可以是有利的，因为它可以提高训练数据的准确度和可变性。准确度涉及b1图和ep实现通过亥姆霍兹方程确定的物理关系的程度。例如，通过继承潜在的真实情况的腐败，经训练的模型的预测准确度最高达到了真实情况的平均准确度。可变性是指几何可变性。实验表明：神经网络能够将所期望的基础功能近似于与训练数据类似的预测数据的高准确度。训练集内的大的可变性具有提高预测数据与训练数据之间的相似度的可能性的有益效果。
89.可以提供没有伪影的模拟的b1场图。这可以是有利的，因为对伪影的模拟可能不是准确的或可靠的模拟。由于众多种类各异的可能的体内伪影，对这些伪影的模拟可能太麻烦了。
90.第一训练可以是有用的，因为它对要在步骤203中训练的dnn的权重进行了初始
化。
91.在步骤203中，可以使用gan框架来执行对预先训练的dnn的第二训练。可以使用第二训练数据集来执行第二训练。第二训练可以被执行为使得预先训练的dnn是gan框架的生成器。第二训练数据集包括测得的b1图和第二ep图(第二ep图不是测得的b1图的标签)。
92.测得的b1场图(体内b1数据)可以包括伪影。因此，伴随有电磁信息，体内b1数据包括与图像采集(例如，噪声、患者运动、血液或脑脊液脉动、系统缺陷)有关的伪影。这可以提高本主题使用的第二训练数据集的真实性。训练集的真实性意味着这些伪影的类型和丰度在训练数据和预测数据中是相当的。预测数据可以是在经训练的dnn的应用阶段中使用的输入数据。
93.第二ep图可以是模拟的ep图。模拟的ep图可以是在训练cgan的背景中的真正的(或真实的)ep图。在第二训练期间，鉴别器单独查看模拟的ep图和生成的ep图。所生成的ep图是根据由生成器测得的b1场图生成的ep图。鉴别器可以区分输入的ep图是真正的ep图还是生成的ep图。第二训练可以使得生成器能够以测得的b1场图为条件。这可以实现以下情况：代替仅根据噪声来生成ep图，可以将测得的b1场图与噪声进行组合，并且生成器可以使用测得的b1场图来生成ep图。然后可以与训练gan一样以对抗的方式执行对gan的生成器和鉴别器的训练，但是生成器以测得的b1场图为条件。
94.第二训练得到经训练的dnn。
95.可以使用现有的体积的b1场图来构建第一训练集和第二训练集。该体积可以是目标体积或另一对象的体积。
96.在步骤205中，可以接收目标体积的输入的b1场图，并且可以使用经训练的dnn来生成输入的b1场图的ep图。
97.本方法使用对抗域调整以达到在模拟内容上训练的网络对真实体内伪影的鲁棒性的目的。如上所述，除了重建网络(生成器)之外，还利用了第二神经网络(鉴别器)。在利用模拟内容(没有体内伪影)和相应的标签对生成器进行监督预先训练之后，继续以无监督方式继续训练。鉴别器通过使用对抗训练策略来指导随后的模型改进。虽然鉴别器旨在区分生成器的重建输出与真实图像，但是生成器被训练为欺骗鉴别器将其输出评价为真实图像。利用相应的其他冻结网络的模型参数交替训练鉴别器和生成器。因此，一个网络中的改进允许另一网络的更精确的更新，反之亦然。在训练之后，只有生成器用于预测，因为鉴别器被专门训练用于增强生成器。
98.图3描绘了图示深度神经网络310的训练过程的框图。深度神经网络310可以是生成器。图3图示了三个处理阶段，即，预先训练阶段301、对抗训练阶段303和应用阶段305。
99.在预先训练阶段301中，可以使用第一训练集来训练dnn 310。第一训练集包括模拟的b1场图320和对应的模拟的电学属性321。可以提供没有伪影的模拟的b1场图320。利用模拟的b1数据和与模拟模型有关的ep标签来预先训练生成器310。这样得到预先训练的dnn 312。
100.在对抗训练阶段303中，使用第二训练集在条件gan框架中训练预先训练的dnn 312。cgan框架包括鉴别器313。鉴别器313可以是dnn。第二训练集包括测得的b1场图323。测得的b1场图包括伪影。第二训练集还包括模拟的电学属性326。生成器312被配置为在训练期间根据测得的b1场图323来生成重建的电学属性325。利用鉴别器313以对抗方式执行对
生成器312的训练。鉴别器313被训练为区分真实的ep 326与遭受伪影污染的数据的生成器输出325。生成器312与鉴别器313被交替训练，生成器312与鉴别器313具有相反的目标，生成器312通过创建看起来真实的ep重建来欺骗鉴别器。对抗训练阶段303得到经训练的dnn 314。因此，在对抗训练之后，能够将鲁棒的生成器314应用于测得的b1数据。
101.在应用阶段305中，经训练的dnn 314可以用于预测或者重建输入的测得的b1场图327的电学属性328。
102.图3的该方法可以实现域对抗训练。所应用的域对抗训练可以对应于将条件生成对抗网络推广到两个域(这里：模拟的b1图和测得的b1图)的设置的推广，其中，标签(这里：电学特性)仅存在于它们中的一个中(这里：模拟的b1地图)。
103.图4图示了作为医学系统100的示例的磁共振成像系统700。磁共振成像系统700包括磁体704。磁体704是超导圆柱形类型的磁体，其中具有膛706。也可以使用不同类型的磁体；例如，也可以使用分裂式圆柱形磁体和所谓的开放式磁体或密封式磁体。分裂式圆柱形磁体类似于标准圆柱形磁体，不同之处在于，低温恒温器已被分成两个部分，以允许进入磁体的等平面。这样的磁体可以例如与带电粒子束治疗结合使用。开放式磁体具有两个磁体部分，一个磁体部分在另一个磁体部分之上，它们之间具有空间，该空间足够大以接收要被成像的对象718，这两个部分的区域的布置类似于亥姆霍兹线圈的布置。在圆柱形磁体的低温恒温器内部存在超导线圈的集合。在圆柱形磁体704的膛706内存在成像区或体积或解剖结构708，其中，磁场足够大且足够均匀以执行磁共振成像。
104.在磁体的膛706内还存在一组磁场梯度线圈710，这组磁场梯度线圈710在磁共振数据的采集期间用于对在磁体704的成像体积或检查体积708内的目标体积的磁自旋进行空间编码。磁场梯度线圈710被连接到磁场梯度线圈电源712。磁场梯度线圈710旨在是代表性的。通常，磁场梯度线圈710包含三组单独的线圈，这三组单独的线圈用于在三个正交的空间方向上进行编码。磁场梯度电源为磁场梯度线圈供应电流。被供应给磁场梯度线圈710的电流被控制为时间的函数，并且可以是斜坡变化的或脉冲变化的。
105.mri系统700还包括rf线圈714，rf线圈714在对象718处并且与检查体积708相邻以用于生成rf激励脉冲。rf线圈714可以包括例如一组表面线圈或其他专用rf线圈。rf线圈714可以被交替地用于发射rf脉冲和接收磁共振信号，例如，rf线圈714可以被实施为包括多个rf发射线圈的发射阵列线圈。rf线圈714被连接到一个或多个rf放大器715。
106.磁场梯度线圈电源712和rf放大器715被连接到控制系统111的硬件接口。控制系统111的存储器107可以例如包括控制模块。控制模块包含计算机可执行代码，该计算机可执行代码使得处理器103能够控制磁共振成像系统700的操作和功能。该计算机可执行代码还使得能够进行磁共振成像系统700的基本操作(例如，对磁共振数据的采集)。
107.本领域的技术人员将意识到，本发明的各方面可以被实施为装置、方法或计算机程序产品。因此，本发明的各方面可以采用以下形式：完全硬件实施例、完全软件实施例(包括固件、驻留软件、微代码等)或在本文中全部被通称为“电路”、“模块”或“系统”的组合了软件方面和硬件方面的实施例。此外，本发明的各方面可以采用被实施在一个或多个计算机可读介质中的计算机程序产品的形式，所述一个或多个计算机可读介质具有被实施在其上的计算机可执行代码。
108.可以利用一个或多个计算机可读介质的任何组合。计算机可读介质可以是计算机
可读信号介质或计算机可读存储介质。本文使用的“计算机可读存储介质”涵盖可以存储能由计算设备的处理器执行的指令的任何有形存储介质。计算机可读存储介质可以被称为计算机可读非瞬态存储介质。计算机可读存储介质还可以被称为有形计算机可读介质。在一些实施例中，计算机可读存储介质还能够存储能够由计算设备的处理器访问的数据。计算机可读存储介质的示例包括但不限于：软盘、磁硬盘驱动器、固态硬盘、闪速存储器、usb拇指驱动器、随机存取存储器(ram)、只读存储器(rom)、光盘、磁光盘以及处理器的寄存器文件。光盘的示例包括压缩盘(cd)和数字多用盘(dvd)，例如，cd-rom、cd-rw、cd-r、dvd-rom、dvd-rw或dvd-r盘。术语“计算机可读存储介质”还指能够由计算机设备经由网络或通信链路进行存取的各种类型的记录介质。例如，可以在调制解调器上、在互联网上或在局域网上检索数据。可以使用任何适当的介质来传输在计算机可读介质上实施的计算机可执行代码，所述任何适当的介质包括但不限于：无线、有线、光纤缆线、rf等，或前项的任何合适的组合。
109.计算机可读信号介质可以包括例如在基带中或作为载波的部分的、在其中实施计算机可执行代码的传播的数据信号。这样的经传播的信号可以采用各种形式中的任何形式，包括但不限于：电磁、光学或其任何合适的组合。计算机可读信号介质可以是这样的任何计算机可读介质：所述计算机可读介质不是计算机可读存储介质并且能够传递、传播或传输用于由指令执行系统、装置或设备使用的程序或与指令执行系统、装置或设备结合使用的程序。
[0110]“计算机存储器”或“存储器”是计算机可读存储介质的示例。计算机存储器是能由处理器直接访问的任何存储器。“计算机存储设备”或“存储设备”是计算机可读存储介质的另外的示例。计算机存储设备是任何非易失性计算机可读存储介质。在一些实施例中，计算机存储设备也可以是计算机存储器，或者反之亦然。
[0111]
本文使用的“处理器”涵盖能够运行程序或机器可执行指令或计算机可执行代码的电子部件。对包括“处理器”的计算设备的引用应被解读为可能包含多于一个处理器或处理核。处理器例如可以是多核处理器。处理器也可以指在单个计算机系统之内的或被分布在多个计算机系统之间的处理器的集合。术语“计算设备”也应被解读为可能指多个计算设备的集合或网络，所述多个计算设备中的每个均包括一个或多个处理器。计算机可执行代码可以由可以在相同的计算设备之内或者甚至可以被分布在多个计算设备上的多个处理器来执行。
[0112]
计算机可执行代码可以包括令处理器执行本发明的一方面的机器可执行指令或程序。用于执行针对本发明的各方面的操作的计算机可执行代码可以被写成一种或多种编程语言的任何组合，包括面向对象的编程语言(例如，java、smalltalk、c 等)和常规程序编程语言(例如，“c”编程语言或类似的编程语言)，并且被编译成机器可执行指令。在一些实例中，计算机可执行代码可以是高级语言的形式或是预编译的形式，并且可以与解读器联合使用，所述解读器在运行中生成机器可执行指令。
[0113]
计算机可执行代码可以完全在用户的计算机上、部分在用户的计算机上、作为独立软件包、部分在用户的计算机上并且部分在远程计算机上，或者完全在远程计算机或服务器上执行。在后一种场景中，远程计算机可以通过任何类型的网络连接到用户的计算机，所述网络包括局域网(lan)或广域网(wan)，或者可以连接到外部计算机(例如，通过使用互
联网服务提供商的互联网)的连接。
[0114]
参考根据本发明的实施例的流程图图示和/或方法、装置(系统)以及计算机程序产品的框图描述了本发明的各方面。应当理解，在适当时能够由计算机可执行代码形式的计算机程序指令来实施流程图、图示和/或框图的框的每个框或部分。还应当理解，当互不排斥时，可以对不同的流程图、图示和/或框图中的框进行组合。可以将这些计算机程序指令提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器以产生机器，使得经由计算机或其它可编程数据处理装置的处理器执行的指令创建用于实施流程图和/或框图的一个或多个框中指定的功能/动作的单元。
[0115]
这些计算机程序指令也可以被存储在计算机可读介质中，所述计算机可读介质能够指导计算机、其他可编程数据处理装置或其他设备来以特定方式起作用，使得被存储在计算机可读介质中的指令产生制造品，所述制造品包括实施在流程图和/或一个或多个框图框中指定的功能/动作的指令。
[0116]
计算机程序指令也可以被加载到计算机、其他可编程数据处理装置或其他设备上，以引起要在计算机、其他可编程装置或其他设备上执行的一系列操作步骤，从而产生计算机实施的过程，使得在计算机或其他可编程装置上运行的指令提供用于实施在流程图和/或一个或多个框图框中指定的功能/动作的过程。
[0117]
本文使用的“用户接口”是允许用户或操作者与计算机或计算机系统交互的接口。“用户接口”还可以被称为“人机接口设备”。用户接口可以向操作者提供信息或数据和/或从操作者接收信息或数据。用户接口可以使得来自操作者的输入能够被所述计算机接收，并且可以从计算机向用户提供输出。换言之，用户接口可以允许操作者控制或操纵计算机，并且接口可以允许计算机指示操作者的控制或操纵的效果。在显示器或图形用户接口上显示数据或信息是向操作者提供信息的示例。通过键盘、鼠标、跟踪球、触控板、指点杆、图形输入板、操纵杆、游戏手柄、网络摄像头、头戴式设备、转向杆、方向盘、脚踏板、有线手套、跳舞毯、遥控器以及加速度计来接收数据是使得能够从操作者接收信息或数据的用户接口部件的全部示例。
[0118]
本文使用的“硬件接口”涵盖使得计算机系统的处理器能够与外部计算设备和/或装置交互和/或控制外部计算设备和/或装置的接口。硬件接口可以允许处理器向外部计算设备和/或装置发送控制信号或指令。硬件接口还可以使得处理器能够与外部计算设备和/或装置交换数据。硬件接口的示例包括但不限于：通用串行总线、ieee 1394端口、并行端口、ieee 1284端口、串行端口、rs-232端口、ieee-488端口、蓝牙连接、无线局域网连接、tcp/ip连接、以太网连接、控制电压接口、midi接口、模拟输入接口以及数字输入接口。
[0119]
本文使用的“显示器”或“显示设备”涵盖适于显示图像或数据的输出设备或用户接口。显示器可以输出视觉、听觉和/或触觉的数据。显示器的示例包括，但不限于：计算机监视器、电视屏幕、触摸屏、触觉电子显示器、盲文屏幕、阴极射线管(crt)、存储管、双稳显示器、电子纸、矢量显示器、平板显示器、真空荧光显示器(vf)、发光二极管(led)显示器、电致发光显示器(eld)、等离子显示面板(pdp)、液晶显示器(lcd)、有机发光二极管显示器(oled)、投影仪以及头戴式显示器。
[0120]
虽然已经在附图和前面的描述中详细图示和描述了本发明，但是这样的图示和描述应当被认为是图示性或示例性的，而非限制性的；本发明不限于所公开的实施例。
[0121]
本领域技术人员通过研究附图、公开内容以及权利要求，在实践请求保护的发明时能够理解并实现对所公开的实施例的其他变型。在权利要求中，“包括”一词不排除其他部件或步骤，并且词语“一”或“一个”不排除多个。单个处理器或其他单元可以实现在权利要求中记载的若干项的功能。虽然某些措施被记载在互不相同的从属权利要求中，但是这并不指示不能有利地使用这些措施的组合。计算机程序可以被存储/分布在合适的介质上，例如，与其他硬件一起或作为其他硬件的部分而供应的光学存储介质或固态介质，但是也可以以其他形式分布，例如，经由互联网或其他有线或无线的电信系统进行分布。权利要求中的任何附图标记都不应被解释为对范围的限制。