用于实际梯度波形估计的系统和方法与流程

用于实际梯度波形估计的系统和方法
交叉引用
1.本技术要求于2021年4月29日提交的申请号为17/243,587的美国申请的优先权，其全部内容通过引用结合于此。
技术领域
2.本技术一般涉及磁共振成像(mri)，更具体地，涉及mri中实际梯度波形估计的系统和方法。


背景技术：

3.mri系统已广泛用于疾病诊断和/或治疗。通常，在扫描对象的mri扫描(例如，超短回波扫描、螺旋mri扫描)期间，由于硬件限制等因素，应用于扫描对象的实际梯度波形可能不同于计划应用于扫描对象的预设梯度波形。实际梯度波形相对于预设梯度波形的偏差可能影响mri扫描的结果图像的质量。消除或降低所述偏差的效果的方法之一是确定或估计实际梯度波形，并基于实际梯度波形执行图像重建。因此，期望开发用于估计实际梯度波形的系统和方法。


技术实现要素：

4.根据本技术的一个方面，提供了一种mri方法。该方法包括通过指示mri扫描器根据第一梯度波形对扫描对象执行mri扫描来获得扫描对象的mri扫描数据。该方法还包括基于第一梯度波形和梯度波形确定模型来确定第二梯度波形，其中所述梯度波形确定模型根据机器学习算法训练而成。该方法进一步包括基于第二梯度波形和mri扫描数据生成扫描对象的目标重建图像。
5.根据本技术的另一个方面，提供了一种mri方法。该方法包括获得计划在mri扫描期间应用于扫描对象的第一梯度波形，并基于所述第一梯度波形和梯度波形确定模型确定第二梯度波形。所述梯度波形确定模型根据机器学习算法训练而成。该方法还包括基于所述第二梯度波形，指示mri扫描仪对所述扫描对象执行mri扫描。
6.根据本技术的又一个方面，提供了一种mri系统，包括至少一个用于存储计算机指令的存储设备，以及至少一个处理器。所述至少一个处理器用于执行所述计算机指令，以实现本技术披露的mri方法。
7.本技术的一部分附加特性可以在以下描述中进行说明。通过对以下描述和相应附图的研究或者对实施例的生产或操作的了解，本技术的一部分附加特性对于本领域技术人员是明显的。通过实践或使用下面讨论的详细示例中阐述的方法，工具和组合的各种方面，可以实现和实现本技术的特征和实现。
附图说明
8.本技术将通过示例性实施例进行进一步描述。这些示例性实施例将通过附图进行
详细描述。附图未按比例绘制。这些实施例是非限制性的示例性实施例，在这些实施例中，各图中相同的编号表示相似的结构，其中：
9.图1是示出根据本技术的一些实施例的示例性mri系统的示意图；
10.图2是根据本技术的一些实施例的计算装置的示例性硬件和/或软件组件的示意图；
11.图3是根据本技术的一些实施例的移动设备的示例性硬件和/或软件组件的示意图；
12.图4a和4b是示出根据本技术的一些实施例的示例性处理装置的框图；
13.图5是示出根据本技术的一些实施例的用于生成扫描对象的目标重建图像的示例性过程的流程图；
14.图6是示出根据本技术的一些实施例的用于基于第一梯度波形和梯度波形确定模型确定第二梯度波形的示例性过程的流程图；
15.图7是说明根据本技术的一些实施例的用于确定第二梯度波形的示例性过程的示意图；
16.图8是示出根据本技术的一些实施例的用于产生幅值确定模型的示例性过程的流程图；
17.图9是示出根据本技术的一些实施例的用于产生幅值确定模型的示例性过程的示意图；
18.图10是示出根据本技术的一些实施例的用于生成相位确定模型的示例性过程的流程图；
19.图11是示出根据本技术的一些实施例的用于共同生成幅值确定模型和相位确定模型的示例性过程的流程图；以及
20.图12是示出根据本技术的一些实施例的用于对扫描对象执行mri扫描的示例性过程的流程图。
具体实施方式
21.为了更清楚地说明本技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。然而，本领域技术人员应该明白，可以在没有这些细节的情况下实施本技术。在其它情况下，为了避免不必要地使本技术的各方面变得晦涩难懂，已经在较高的层次上描述了众所周知的方法、过程、系统、组件和/或电路。对于本领域的普通技术人员来讲，显然可以对所披露的实施例作出各种改变，并且在不偏离本技术的原则和范围的情况下，本技术中所定义的普遍原则可以适用于其他实施例和应用场景。因此，本技术不限于所示的实施例，而是符合与申请专利范围一致的最广泛范围。
22.本技术中所使用的术语仅出于描述特定示例实施例的目的，而非限制性的。如本技术使用的单数形式“一”、“一个”及“该”同样可以包括复数形式，除非上下文明确提示例外情形。还应当理解，如在本技术说明书中使用的术语“包括”、“包含”仅提示存在所述特征、整数、步骤、操作、组件和/或部件，但并不排除存在或添加一个或以上其它特征、整数、步骤、操作、组件、部件和/或其组合的情况。
23.应理解，本文中使用的术语“系统”、“发动机”、“单元”、“模块”和/或“块”是一种方
法，用于按升序区分不同级别的不同组件、元件、零件、部分或组件。然而，如果可以达到相同的目的，这些术语也可以被其他表达替换。
24.通常，这里使用的词语“模块”、“单元”或“块”是指体现在硬件或固件中的逻辑，或者是软件指令的集合。本文描述的模块，单位或块可以被实现为软件和/或硬件，并且可以存储在任何类型的非暂时性计算机可读介质或其他存储设备中。在一些实施例中，可以编译软件模块/单元/块并将其链接到可执行程序中。应当理解，软件模块可以从其他模块/单元/块或从它们自身调用，和/或可以响应检测到的事件或中断来调用。配置用于在计算设备(例如，如图2所示的处理器210)上执行的软件模块/单元/块可以提供在计算机可读介质上，例如光盘、数字视频光盘、闪存驱动器、磁盘或任何其他有形介质，或者作为数字下载(最初可以以压缩或可安装的格式存储，需要在执行前进行安装、解压缩或解密)。这里的软件代码可以被部分的或全部的储存在执行操作的计算设备的存储设备中，并应用在计算设备的操作之中。软件指令可以嵌入固件中，例如eprom。还应当理解，硬件模块/单元/块可以包括在连接的逻辑组件中，例如门和触发器，和/或可以包括可编程单元，例如可编程门阵列或处理器。这里描述的模块/单元/块或计算设备功能可以实现为软件模块/单元/块，但是可以用硬件或固件表示。通常，这里描述的模块/单元/块指的是逻辑模块/单元/块，其可以与其他模块/单元/块组合或者分成子模块/子单元/子块，尽管它们是物理组织或存储器件。该描述可适用于系统、引擎或其一部分。
25.应当理解，当一个单元、引擎、模块或块被称为“开启”、“连接到”或“耦合到”另一个单元、引擎、模块或块时，它可以直接开启、连接或耦合到另一个单元、引擎、模块或块，或与介入单元、引擎、模块或块通信，除非上下文另有明确指示，否则可能会出现或阻塞。在本技术中，术语“和/或”可包括任何一个或以上相关所列条目或其组合。
26.根据以下对附图的描述，本技术的这些和其它的特征、特点以及相关结构元件的功能和操作方法，以及部件组合和制造经济性，可以变得更加显而易见，这些附图都构成本技术说明书的一部分。然而，应当理解的是，附图仅仅是为了说明和描述的目的，并不旨在限制本技术的范围。应当理解的是，附图并不是按比例绘制的。
27.本文提供用于非侵入性成像和/或治疗的系统和组件，例如用于疾病诊断、治疗或研究目的。在一些实施例中，所述系统可包括放疗(rt)系统、计算机断层扫描(ct)系统、发射计算机断层扫描(ect)系统、x射线摄影系统、正电子发射断层扫描(pet)系统等，或其任何组合。出于说明目的，本发明描述了用于放射治疗的系统和方法。
28.本发明中的术语“图像”用于统称各种形式的图像数据(例如，扫描数据、投影数据)和/或图像，包括二维(2d)图像、三维(3d)图像、四维(4d)图像等。本发明中的术语“像素”和“体素”可互换地用于指代图像的元素。本发明中的术语“解剖结构”可指气体(例如，空气)、液体(例如，水)、固体(例如，石头)、细胞、组织、受试者的器官或其任何组合，其可显示在图像(例如，规划图像或治疗图像等)中，且真实存在于受试者体内或体表。本发明中的术语“区域”、“位置”和“区域”可指图像中所示的解剖结构的位置或存在于受试者体内或其上的解剖结构的实际位置，因为图像可能指示存在于受试者体内或其上的特定解剖结构的实际位置。
29.mri扫描常常被用于收集扫描对象的mri扫描数据，以进行疾病诊断和/或治疗。然而，受mri扫描仪的硬件限制(例如，功率放大器、梯度延迟、涡流)，应用于扫描对象的实际
梯度波形可能不同于计划应用于扫描对象的预设梯度波形。如果基于预设梯度波形重建mri图像，会导致图像质量可能较差(例如，包括伪影)。传统方法通常假设mri扫描仪的梯度系统符合线性模型，并使用线性模型预测实际梯度波形。然而，非线性因素(例如功率放大器的非线性效应、非线性湍流等，或其任何组合)常常被传统方法忽略。使用线性模型进行实际梯度波形预测可能具有有限的精度(例如，导致图像伪影)，尤其是当梯度场在mri扫描期间快速变化时。
30.本发明的一个方面涉及用于mri中实际梯度波形估计的系统和方法。这种系统和方法可通过指示mri扫描器根据第一梯度波形(或称为预设梯度波形或理想梯度波形)对扫描对象执行mri扫描来获得扫描对象的mri扫描数据。该系统和方法可以基于第一梯度波形和梯度波形确定模型来确定第二梯度波形。梯度波形确定模型可以根据机器学习算法进行训练生成。第二梯度波形可被视为在mri扫描期间实际应用于扫描对象的实际梯度波形的估计值。该系统和方法可以基于第二梯度波形和mri扫描数据进一步生成扫描对象的目标重建图像。
31.在一些实施例中，所述系统和方法可以在mri扫描之前执行实际梯度波形估计，并基于确定结果实现mri扫描。具体地，该系统和方法可获得计划应用于所述扫描对象的第一梯度波形。该系统和方法还可以基于第一梯度波形和梯度波形确定模型来确定第二梯度波形。该系统和方法可以通过根据第二梯度波形调整第一梯度波形来进一步确定调整后的梯度波形，并指示mri扫描仪根据调整后的梯度波形在扫描对象上执行mri扫描。
32.根据本发明的一些实施例，梯度波形确定模型可用于确定第二梯度波形，以便估计实际梯度波形。与传统的线性模型相比，梯度波形确定模型可以提高精度，该模型从训练数据中学习预测第二梯度波形的最佳机制。梯度波形确定模型可以考虑线性因素、非线性因素以及复杂因素(通常人类或传统的实际梯度波形确定方法无法检测到)。梯度波形确定模型的应用可以提高所确定的第二梯度波形的精度，进而提高基于第二梯度波形执行的图像重建或基于第二梯度波形执行的mri扫描的精度。
33.图1是示出根据本技术的一些实施例的示例性mri系统100的示意图。如图1所示，mri系统100可以包括mri扫描仪110，处理设备120，存储设备130，一个或多个终端140和网络150。在一些实施例中，mri扫描仪110、处理设备120、存储设备130和/或终端140可以通过无线连接、有线连接或其组合相互连接和/或通信。mri系统100中的组件之间的连接可以是可变的。例如，mri扫描仪110可以通过网络150连接到处理设备120。作为另一示例，mri扫描仪110可以直接连接到处理设备120。
34.mri扫描仪110可以被配置为扫描对象(或扫描对象的一部分)以获取图像数据，例如与扫描对象相关联的回波信号(或mri信号)。在一些实施例中，mri扫描器110可包括例如主磁体、梯度线圈(或也称为空间编码线圈)、射频线圈等。
35.在一些实施例中，mri扫描仪110可以包括梯度线圈，该梯度线圈被配置为将预设的梯度波形应用于扫描对象。然而，由于设备限制，在mri扫描期间施加到扫描对象的实际梯度波形可能与预设梯度波形不同。在一些实施例中，根据主磁体的类型，mri扫描器110可以是永磁mri扫描器、超导电磁铁mri扫描器或电阻电磁铁mri扫描器等。在一些实施例中，根据磁场强度，mri扫描仪110可以是高场mri扫描仪、中场mri扫描仪和低场mri扫描仪等。
36.由mri扫描仪110扫描的主体可以是生物或非生物学的。例如，受试者可能包括患
者、人造物体等。作为另一个例子，受试者可以包括患者的特定部分、器官、组织和/或身体部位。仅作为示例，受试者可包括头部、大脑、颈部、身体、肩部、手臂、胸部、心脏、胃、血管、软组织、膝盖、脚等，或其组合。
37.处理设备120可以处理从mri扫描仪110，存储设备130和/或终端140获得的数据和/或信息。例如，处理设备120可以通过应用梯度波形确定模型来确定第二梯度波形(即，估计的实际梯度波形)。又例如，处理设备120可以通过模型训练生成梯度波形确定模型。
38.在一些实施例中，经训练的模型(例如，幅值确定模型和/或相位确定模型)可由处理设备生成，而经训练的模型的应用可在不同的处理设备上执行。在一些实施例中，经训练的模型可以由不同于mri系统100的另一系统的处理设备，或不同于在应用经训练的模型的处理设备120的服务器生成。例如，经训练的模型可以由提供和/或维护这种经训练的模型的供应商的第一系统生成，而基于所提供的经训练的模型的实际梯度波形估计可以在供应商客户的第二系统上执行。在一些实施例中，响应于确定第二梯度波形的请求，可以在线应用经训练的模型。在一些实施例中，可离线确定或生成经训练的模型。
39.在一些实施例中，经训练的模型可由mri扫描仪110的制造商或供应商确定和/或更新(或维护)。例如，制造商或供应商可以在安装mri扫描仪110和/或处理设备120之前或期间，将幅值确定模型和/或相位确定模型加载到mri系统100或其一部分(例如，处理设备120)中，并不时(定期或不定期)维护或更新幅值确定模型和/或相位确定模型。维护或更新可以通过安装存储在存储设备(例如，光盘、usb驱动器等)上的程序或通过网络150从外部源(例如，制造商或供应商维护的服务器)获取的程序来实现。该程序可能包括一个新模型(例如，一个新训练的模型)或模型的一部分，该新的模型或模型的一部分可以用于替代或补充已有的模型的相应部分。
40.在一些实施例中，处理设备120可以是单个服务器或服务器组。服务器组可以是集中式的，也可以是分布式的。在一些实施例中，处理设备120可以是本地的或远程的。例如，处理设备120可以经由网络150从mri扫描仪110，存储设备130和/或终端140访问信息和/或数据。又例如，处理设备120可以直接连接到mri扫描仪110，终端140和/或存储设备130以访问信息和/或数据。在一些实施例中，处理设备120可以在云平台上实现。例如，云平台可包括私有云、公共云、混合云、社区云、分布式云、云间云、多云等，或其组合。在一些实施例中，处理设备120可以由具有如图2所述的一个或多个组件的计算设备200来实现。
41.存储设备130可以存储数据、指令和/或任何其他信息。在一些实施例中，存储设备130可以存储从mri扫描仪110、处理设备120和/或终端140获得的数据。在一些实施例中，存储设备130可以存储数据和/或指令，即处理设备120可以执行或用于执行本技术中描述的示例性方法。在一些实施例中，存储设备130可包括大容量存储设备、可移动存储设备、易失性读写存储器、只读存储器(rom)等，或其组合。示例性大容量存储设备可包括磁盘、光盘、固态驱动器等。示例性可移动存储设备可包括闪存驱动器、软盘、光盘、存储卡、压缩盘、磁带等。易失性读写存储器可包括随机存取存储器(ram)。ram可以包括动态ram(dram)、双日期速率同步动态ram(ddrsdram)、静态ram(sram)、t-ram(t-ram)和零电容随机存储器(z-ram)等等。rom可以包括mask rom(mrom)、可编程rom(prom)、可擦除可编程rom(eprom)、带电可擦可编程只读存储器(eeprom)、光盘rom(cd-rom)和数字多功能磁盘rom等。在一些实施例中，存储设备130可以如本发明其他地方所述在云平台上实现。
42.在一些实施例中，存储设备130可以连接到网络150以与mri系统100中的一个或多个其他组件(例如，mri扫描仪110、处理设备120和/或终端140)通信。mri系统100的一个或多个组件可以经由网络150访问存储在存储设备130中的数据或指令。在一些实施例中，存储设备130可以是处理设备120或终端140的一部分。
43.终端140可被配置为启用用户与mri系统100之间的用户交互。例如，终端140可以接收使mri扫描仪110从用户扫描对象的指令。作为另一示例，终端140可以从处理设备120接收处理结果(例如，代表扫描对象的切片位置的切片图像)，并将处理结果显示给用户。在一些实施例中，终端140可以连接到mri扫描仪110、处理设备120和/或存储设备130并/或与之通信。在一些实施例中，终端140可以包括移动设备140-1、平板电脑140-2、笔记本电脑140-3等，或其组合。例如，移动设备140-1可包括移动电话、个人数字助理(pda)、游戏设备、导航设备、销售点(pos)设备、笔记本电脑、平板电脑、台式机等，或其组合。在一些实施例中，终端140可以包括输入设备、输出设备等。输入设备可以包括字母数字键和其他键，这些键可以通过键盘、触摸屏(例如，具有触觉或触觉反馈)、语音输入、眼睛跟踪输入、大脑监控系统或任何其他类似的输入机制输入。通过输入设备接收的输入信息可以经由例如总线被发送到处理设备120以进行进一步处理。其他类型的输入设备可包括光标控制设备，例如鼠标、轨迹球或光标方向键等。输出设备可以包括显示器、扬声器、打印机等或其组合。在一些实施例中，终端140可以是处理设备120或mri扫描仪110的一部分。
44.网络150可包括可促进mri系统100的信息和/或数据交换的任何合适网络。在一些实施例中，mri系统100的一个或多个组件(例如，mri扫描仪110、处理设备120、存储设备130、终端140等)可以通过网络150与mri系统100的一个或多个其他组件通信信息和/或数据。例如，处理设备120可以经由网络150从mri扫描仪110获取图像数据(例如，回波信号)。又例如，处理设备120可以经由网络150从终端140获取用户指令。网络150可以包括公共网络(例如，互联网)、专用网络(例如，局域网(lan)、广域网(wan)等)、有线网络(例如，以太网)、无线网络(例如，802.11网络、wi-fi网络等)、蜂窝网络(例如，长期演进(lte)网络)，帧中继网络、虚拟专用网络(vpn)、卫星网络、电话网络、路由器、集线器、交换机、服务器计算机等，或其组合。例如，网络150可以包括有线网络、有线网络、光纤网络、电信网络、内部网、无线局域网(wlan)、城域网(man)、公共电话交换网络(pstn)、蓝牙tm网络，zigbeetm网络、近场通信(nfc)网络等，或其组合。在一些实施例中，网络150可以包括一个或以上网络接入点。例如，网络150可以包括有线和/或无线网络接入点，例如基站和/或互联网交换点，通过这些接入点，mri系统100的一个或多个组件可以连接到网络150以交换数据和/或信息。
45.该描述旨在是说明性的，而不是限制本技术的范围。对于本领域技术人员来说，许多替代方案、修改和变化将是显而易见的。本文描述的示例性实施例的特征、结构、方法和特征可以以各种方式组合以获得附加和/或替代示例性实施例。在一些实施例中，mri系统100可以包括一个或多个附加组件，和/或可以省略上述一个或多个组件。附加地或替代地，mri系统100的两个或更多个组件可以集成到单个组件中。例如，处理设备120可以集成到mri扫描仪110中。又例如，mri系统100的组件可以由可以实现组件的功能的另一组件替换。在一些实施例中，存储设备130可以是包括云计算平台的数据存储器，例如公共云、私有云、社区和混合云等。然而，这些变化和修改不脱离本技术的范围。
46.图2是示出根据本技术的一些实施例的计算设备200的示例性硬件和/或软件组件
的示意图。计算设备200可以用于实现如本文所述的mri系统100的任何组件。例如，处理设备120和/或终端140可分别通过其硬件、软件程序、固件或其组合在计算设备200上实现。尽管仅示出了一个这样的计算设备，但为了方便起见，可以在多个类似平台上以分布式方式实现与本文所述的mri系统100相关的计算机功能，以分配处理负载。如图2所示，计算设备200可以包括处理器210、存储设备220、输入/输出(i/o)230和通信端口240。
47.处理器210可以根据本文描述的技术执行计算机指令(例如，程序代码)并执行处理设备120的功能。计算机指令可以包括例如例程、程序、扫描对象、组件、数据结构、过程、模块和功能，它们执行本文描述的特定功能。例如，处理器210可以处理从mri扫描仪110、终端140、存储设备130和/或mri系统100的任何其他组件获得的数据。在一些实施例中，处理器210可以包括一个或多个硬件处理器，例如微控制器、微处理器、精简指令集计算机(risc)、专用集成电路(asic)、专用指令集处理器(asip)、中央处理单元(central processing unit，cpu)、图形处理单元(gpu)、物理处理单元(ppu)、微控制器单元、数字信号处理器(dsp)、现场可编程门阵列(fpga)、高级risc机器(arm)、可编程逻辑器件(pld)、能够执行一个或多个功能的任何电路或处理器等，或其任何组合。
48.仅仅为了说明，在计算设备200中仅描述了一个处理器。然而，应当注意，本发明中的计算设备200还可以包括多个处理器，因此，如本发明所述由一个处理器执行的操作和/或方法操作也可以由多个处理器联合或单独执行。例如，如果在本技术中，计算设备200的处理器同时执行操作a和操作b，应当理解，操作a和操作b也可以由计算设备200中的两个或多个不同处理器共同或分别执行(例如，第一处理器执行操作a，第二处理器执行操作b，或者第一和第二处理器共同执行操作a和b)。
49.存储设备220可以存储从mri系统100的一个或多个组件获得的数据。在一些实施例中，存储设备220可包括大容量存储设备、可移动存储设备、易失性读写存储器、只读存储器(rom)等，或其任何组合。在一些实施例中，存储设备220可以存储一个或多个程序和/或指令，以执行本技术中描述的示例性方法。例如，存储设备220可以存储用于处理设备120执行的用于生成梯度波形确定模型的程序。
50.i/o230可以输入和/或输出信号、数据、信息等。在一些实施例中，i/o230可以启用用户与处理设备120的交互。在一些实施例中，i/o230可以包括输入设备和输出设备。输入设备可以包括字母数字键和其他键，这些键可以通过键盘、触摸屏(例如，具有触觉或触觉反馈)、语音输入、眼睛跟踪输入、大脑监控系统或任何其他类似的输入机制输入。通过输入设备接收的输入信息可以经由例如总线传输到另一组件(例如，处理设备120)以进行进一步处理。其他类型的输入设备可包括光标控制设备，例如鼠标、轨迹球或光标方向键等。输出设备可包括显示器(例如，液晶显示器(lcd)、基于发光二极管(led)的显示器、平板显示器、曲面屏幕、电视设备、阴极射线管(crt)、触摸屏)、扬声器、打印机等，或其组合。
51.通信端口240可以连接到网络(例如，网络150)以便于数据通信。通信端口240可以在处理设备120和mri扫描仪110、终端140和/或存储设备130之间建立连接。该连接可以是有线连接、无线连接、能够实现数据传输和/或接收的任何其他通信连接，和/或这些连接的任何组合。有线连接可以包括例如电缆、光缆、电话线等或其任何组合。无线连接可以包括例如buletooth
tm
链路、wi-fi
tm
链路、wimax
tm
链路、wlan链路、zigbee
tm
链路、移动网络链路(例如，3g、4g、5g)或喜欢或其组合。在一些实施例中，通信端口240可以是和/或包括标准化
通信端口，例如rs232，rs485等。在一些实施例中，通信端口240可以是特定设计的通信端口。例如，可以根据数字成像和医学通信(dicom)协议来设计通信端口240。
52.图3是示出根据本技术的一些实施例的示例性移动设备300的示例性硬件和/或软件组件的示意图。在一些实施例中，终端140和/或处理设备120可以分别在移动设备300上实现。如图3所示，移动设备300可以包括通信平台310、显示器320、图形处理单元(gpu)330、中央处理单元(cpu)340、i/o350、内存360和存储器390。在一些实施例中，任何其他合适的组件，包括但不限于系统总线或控制器(未示出)，也可包括在移动设备300内。在一些实施例中，移动操作系统370(例如，ios
tm
、android
tm
、windows phone
tm
)和一个或多个应用程序380可以从存储器390加载到内存360中，以便由cpu340执行。应用程序380可以包括用于接收和呈现与mri系统100有关的信息的浏览器或任何其他合适的移动应用。用户与信息流的交互可经由i/o350实现，并经由网络150提供给处理设备120和/或mri系统100的其他组件。
53.为了实施本技术描述的各种模块、单元及其功能，计算机硬件平台可用作本文中描述的一个或以上组件的硬件平台。具有用户接口元素的计算机可用于实施个人计算机(pc)或任何其他类型的工作站或终端设备。若计算机被适当的程序化，计算机亦可用作服务器。
54.图4a和4b是示出根据本技术的一些实施例的示例性处理设备120a和120b的框图。在一些实施例中，处理设备120a和120b可以是如图1所述的处理设备120的实施例。处理设备120a可以被配置为通过应用梯度波形确定模型来执行实际梯度波形预测。处理设备120b可以被配置为通过模型训练生成梯度波形确定模型。
55.在一些实施例中，处理设备120a和120b可以分别在不同的处理单元(例如，图2中所示的处理器210或图3中所示的cpu340)上实现。仅作为示例，处理设备120a可以在终端设备的cpu340上实现，并且处理设备120b可以在计算设备200上实现。作为另一示例，处理设备120a可以在mri系统100的计算设备上实现，而处理设备120b可以是mri系统100或其一部分(例如，mri扫描仪110)的制造商的设备或系统。或者，处理设备120a和120b可以在相同的计算设备200或相同的cpu340上实现。例如，处理设备120a和120b可以在相同的计算设备200上实现。
56.如图4a所示，处理设备120a可以包括获取模块401、确定模块402、生成模块403和控制模块404。
57.获取模块401可以被配置为获得与mri系统100有关的信息。例如，获取模块401可以通过指示mri扫描器根据第一梯度波形对扫描对象执行mri扫描来获得扫描对象的mri扫描数据。第一梯度波形指计划在mri扫描期间应用于扫描对象的梯度波形。作为另一示例，获取模块401可被配置为在执行mri扫描之前获得计划应用于扫描对象的第一梯度波形。
58.确定模块402可以被配置为基于第一梯度波形和梯度波形确定模型来确定第二梯度波形。第二梯度波形可以是在mri扫描期间施加到扫描对象的实际梯度波形的估计值。在一些实施例中，确定模块402可以被配置为通过使用至少一个响应函数处理第一梯度波形来确定初始梯度波形。确定模块402可以被配置为基于初始梯度波形和梯度波形确定模型来确定第二梯度波形。关于第二梯度波形的确定可以在本技术的其他地方找到更多描述。参见图5中的操作520及其相关描述。在一些实施例中，确定模块402可以被配置为通过根据第二梯度波形调整第一梯度波形来确定调整后的梯度波形。关于调整后波形的确定的更多
描述可以在本技术的其他地方找到。参见例如图12中的操作1230及其相关描述。
59.生成模块403可以被配置为基于第二梯度波形和mri扫描数据生成扫描对象的目标重建图像。可以在本技术的其他地方找到关于目标重建图像的产生的更多描述。参见图5中的操作530及其相关描述。
60.控制模块404可以被配置为控制mri系统100的一个或多个组件。例如，控制模块404可以指示mri扫描仪根据调整后的梯度波形对扫描对象执行mri扫描。
61.如图4b所示，处理设备120b可以包括获取模块405和训练模块406。
62.获取模块405可被配置为获取用于生成本文所公开的一个或多个经训练的模型的训练数据，例如梯度波形确定模型、幅值确定模型、相位确定模型的训练数据。例如，获取模块405可以被配置为获得多个第一训练样本和第一初始模型，其可用于生成幅值确定模型。作为另一示例，获取模块405可以被配置为获得多个第二训练样本和第二初始模型，其可用于生成相位确定模型。作为又一示例，获取模块405可以被配置为获得多个第三训练样本和包括第一子模型和第二子模型的第三初始模型，其可用于共同生成幅值确定模型和相位确定模型。关于训练数据的更多描述可在本技术的其他地方找到。例如，参见图8-11及其相关说明。
63.训练模块406可被配置为通过模型训练生成一个或多个经训练的模型(例如，机器学习模型)。在一些实施例中，可以根据机器学习算法生成一个或多个经训练的模型。机器学习算法可包括但不限于人工神经网络算法、深度学习算法、决策树算法、关联规则算法、归纳逻辑编程算法、支持向量机算法、聚类算法、贝叶斯网络算法、强化学习算法、表示学习算法、相似性和度量学习算法、稀疏字典学习算法、遗传算法、基于规则的机器学习算法等，或其任何组合。用于生成一个或多个机器学习模型的机器学习算法可以是监督学习算法、半监督学习算法、无监督的学习算法等。关于产生一个或多个经训练的模型的更多描述可以在本技术的其他地方找到。参见例如，参见图8-11及其相关描述。
64.应当注意的是，以上描述仅出于说明的目的而提供，并不旨在限制本技术的范围。对于本领域的普通技术人员来说，可以根据本技术的描述，做出各种各样的变化和修改。然而，这些变化和修改不脱离本技术的范围。在一些实施例中，处理设备120a和处理设备120b可以共享两个或更多个模块，并且可以将任何一个模块分成两个或更多个单元。例如，处理设备120a和120b可以共享相同的获取模块，即获取模块401和获取模块405是相同的模块。在一些实施例中，处理设备120a和/或处理设备120b可以包括一个或多个附加模块，例如用于存储数据的存储模块(未示出)。在一些实施例中，处理设备120a和处理设备120b可以集成到一个处理设备120中。
65.图5是示出根据本技术的一些实施例的用于生成扫描对象的目标重建图像的示例性过程的流程图。在一些实施例中，流程500可以由mri系统100执行。例如，流程500可以实现为存储在存储设备中的一组指令(例如，应用程序)(例如，存储设备130、存储设备220和/或存储器390)。在一些实施例中，处理设备120a(例如，计算设备200的处理器210、移动设备300的cpu340和/或图4a所示的一个或多个模块)可以执行指令集，并且当执行指令时，处理设备120a可以被配置为执行流程500。以下所示过程的操作仅出于说明的目的。在一些实施例中，流程500可以通过一个或多个未描述的附加操作和/或没有讨论的一个或多个操作来完成。此外，图5所示和下面描述的流程500的操作顺序并不旨在限制。
66.在510中，处理设备120a(例如，获取模块401)可以通过指示mri扫描器根据第一梯度波形对扫描对象执行mri扫描来获得扫描对象的mri扫描数据。
67.扫描对象可能是生物或非生物。例如，受试者可能包括患者、人造物体等。作为另一个例子，受试者可以包括患者的特定部分、器官、组织和/或身体部位。仅作为示例，受试者可包括头部、大脑、颈部、身体、肩部、手臂、胸部、心脏、胃、血管、软组织、膝盖、脚等，或其组合。
68.在一些实施例中，处理设备120a可以指示mri扫描仪(例如，mri扫描仪110)根据第一梯度波形在扫描对象上执行mri扫描，并从mri扫描仪获得mri扫描数据。或者，mri扫描数据可以预先收集并存储在存储设备(例如，存储设备130、存储设备220、外部存储设备)中。处理设备120a可以从存储设备中检索mri扫描数据。在一些实施例中，mri扫描可以是超短回波时间mri或螺旋mri扫描。
69.第一梯度波形是指在mri扫描期间计划施加到扫描对象的梯度波形。在一些实施例中，第一梯度波形可以由第一梯度波形的第一幅值信息和第一相位信息限定。例如，第一幅值信息可以包括第一梯度波形在至少两个时间点的幅值。第一相位信息可以包括第一梯度波形在至少两个时间点的相位。在一些实施例中，第一幅值信息可以表示为第一向量，第一相位信息可以表示为第二向量。
70.在一些实施例中，第一梯度波形可以根据mri系统100的默认设置来确定，或者由mri系统100的用户经由例如终端(例如终端140)手动设置。例如，医生可以从多个第一梯度波形中选择第一梯度波形。或者，第一梯度波形可以由处理设备120a基于实际情况来确定。例如，处理设备120a可以基于与扫描对象有关的信息，例如扫描对象的扫描区域、年龄、体形等，或其任何组合，来确定第一梯度波形。在一些实施例中，处理设备120a可以获得一个或多个扫描参数(例如，视野、带宽)。处理设备120a还可以基于一个或多个扫描参数确定第一梯度波形。
71.在应用中，由于如本技术其他地方所述的硬件限制，应用于扫描对象的实际梯度波形可能不同于第一梯度波形。使用第一梯度波形的图像重建可生成图像质量较低(例如，具有伪影)的mri图像。因此，可能需要确定第二梯度波形作为实际梯度波形的估计值，并将其用于生成扫描对象的重建图像，以提高图像质量。
72.在520中，处理设备120a(例如，确定模块402)可以基于第一梯度波形和梯度波形确定模型来确定第二梯度波形。
73.在一些实施例中，第二梯度波形可以由第二梯度波形的第二幅值信息和第二相位信息定义。例如，第二幅值信息可以包括第二梯度波形在至少两个时间点的幅值。第二相位信息可以包括第二梯度波形在至少两个时间点的相位。
74.如本文所使用的，梯度波形确定模型是指经过训练的模型(例如，机器学习模型)或算法，其被用于基于其输入确定与第二梯度波形有关的信息。例如，处理设备120a可以将第一梯度波形的第一幅值信息和第一相位信息输入到梯度波形确定模型中，梯度波形确定模型可以输出第二梯度波形的第二幅值信息和第二相位信息。作为另一示例，处理设备120a可以基于第一梯度波形和至少一个响应函数来确定初始梯度波形。处理设备120a可以进一步将初始梯度波形的信息输入到梯度波形确定模型中，梯度波形确定模型可以输出第二梯度波形的第二幅值信息和第二相位信息。关于初始梯度波形的更多描述可在本技术的
其他地方找到。参见，例如图6及其相关描述。
75.在一些实施例中，梯度波形确定模型可以包括幅值确定模型和相位确定模型。幅值确定模型是指经过训练的模型(例如，机器学习模型)或算法，其被用于基于其输入确定第二梯度波形的第二幅值信息。相位确定模型是指经过训练的模型(例如，机器学习模型)或算法，其被用于基于其输入确定第二梯度波形的第二相位信息。
76.在一些实施例中，幅值确定模型和相位确定模型可以是分别训练的两个独立模型。换句话说，处理设备120a可以获得两个独立模型，并基于这两个独立模型确定第二梯度波形。例如，处理设备120a可以基于第一梯度波形确定幅值确定模型的第一输入，并基于第一输入和幅值确定模型确定第二梯度波形的第二幅值信息。处理设备120a还可以基于第一梯度波形确定相位确定模型的第二输入，并基于第二输入和相位确定模型确定第二梯度波形的第二相位信息。
77.或者，幅值确定模型和相位确定模型可以是经训练的混合模型的两个子模型，其中幅值确定模型和相位确定模型可以在经训练的混合模型的生成过程中接受联合训练。换句话说，处理设备120a可以获得包括幅值确定模型和相位确定模型的经训练的单个混合模型，并且基于经训练的混合模型确定第二梯度波形。例如，处理设备120a可以确定训练的混合模型的第三输入，并基于经训练的混合模型和第三输入确定第二梯度波形的第二幅值信息和第二相位信息。为了便于描述，本技术使用术语“梯度波形确定模型”统称地指代相位确定模型、幅值确定模型、经训练的混合模型或这些模型的任何组合。关于基于梯度波形确定模型的确定第二梯度波形的更详细描述可以在本技术的其他地方找到。参见，例如图7及其相关描述。
78.在一些实施例中，梯度波形确定模型可以是根据机器学习算法的机器学习模型。例如，梯度波形确定模型可包括神经网络模型，例如卷积神经网络(convolutional neural network，cnn)模型(例如，完整cnn模型、v-net模型、u-net模型、alexnet模型、牛津视觉几何群(vgg)模型、resnet模型)、生成对抗网络(generative adversarial network，gan)模型等，或其任何组合。在一些实施例中，梯度波形确定模型可以包括用于特征提取和/或特征组合的一个或多个组件，例如全卷积块、跳跃连接、残余块、密集块等，或其任何组合。
79.示例性机器学习算法可包括人工神经网络算法、深度学习算法、决策树算法、关联规则算法、归纳逻辑编程算法、支持向量机算法、聚类算法、贝叶斯网络算法、强化学习算法、，表示学习算法、相似性和度量学习算法、稀疏字典学习算法、遗传算法、基于规则的机器学习算法等，或其任何组合。用于生成梯度波形确定模型的机器学习算法可以是有监督学习算法、半监督学习算法、无监督学习算法等。
80.在一些实施例中，处理设备120a可以通过网络(例如，网络150)从mri系统100的一个或多个组件(例如，存储设备130、终端140)或外部源获得梯度波形确定模型。例如，梯度波形确定模型可以预先由计算设备(例如，处理设备120b)训练，并存储在mri系统100的存储设备(例如，存储设备130、存储设备220和/或存储设备390)中。处理设备120a可以访问存储设备并从存储设备检索梯度波形确定模型。在一些实施例中，可以由计算设备(例如，处理设备120b)执行本文公开的流程800生成幅值波形确定模型。可以由计算设备(例如，处理设备120b)通过执行本文公开的流程1000来生成相位生成模型。可以由计算设备(例如，处理设备120b)通过执行本文公开的流程1100来生成经训练的混合模型。不同的模型可以由
相同的计算设备或不同的计算设备生成。
81.在530中，处理设备120a(例如，生成模块403)可以基于第二梯度波形和mri扫描数据生成扫描对象的目标重建图像。
82.在一些实施例中，处理设备120a可以通过根据第二梯度波形将mri扫描数据填充到k空间来生成k空间数据。处理设备120a还可以基于k空间数据进一步重建扫描对象的目标重建图像，例如，通过在k空间数据上执行逆傅里叶变换。在一些实施例中，处理设备120a可以使用mri图像重建算法生成目标重建图像。
83.应当注意，上面的关于流程500的描述仅用于说明的目的，而不是为了限制本技术的范围。对于本领域的普通技术人员来说，可以根据本技术的描述，做出各种各样的变化和修改。然而，这些变化和修改不脱离本技术的范围。在一些实施例中，流程500可以通过一个或多个未描述的附加操作和/或没有上述一个或多个操作来完成。仅作为示例，流程500可以包括将目标重建图像发送到用于显示的终端的附加操作。又例如，可以省略操作530。
84.图6是示出根据本技术的一些实施例的基于第一梯度波形和梯度波形确定模型确定第二梯度波形的示例性过程的流程图。在一些实施例中，可以执行流程600以实现如图5所述的操作520的至少一部分。
85.在610中，处理设备120a(例如，确定模块402)可以通过使用至少一个响应函数处理第一梯度波形来确定初始梯度波形。
86.如这里所使用的，响应函数可以包括可用于实际梯度波形预测的线性函数或模型。至少一个响应函数可以在实际波形预测中考虑线性因素，例如功率放大器的线性效果、湍流等的线性效果，或其任何组合。然而，至少一个响应函数可能忽略了非线性因素，例如功率放大器的非线性效应、非线性湍流等、或其任何组合。使用至少一个响应函数的实际梯度波形预测可能具有有限的精度(例如，导致图像伪影)，尤其是当梯度场在mri扫描期间快速变化时。因此，本技术使用至少一个响应函数来预处理第一梯度波形以确定初始梯度波形，并进一步使用梯度波形确定模型来基于初始梯度波形来确定第二梯度波形。这样，可以同时考虑线性因素和非线性因素，从而提高所确定的第二梯度波形的精度，进而提高基于第二梯度波形执行的图像重建的精度。另外，通过预处理第一梯度波形，可以减少梯度波形确定模型的计算量，这可以提高第二梯度波形确定的效率。
87.初始梯度波形可以由初始幅值信息和初始相位信息来定义。例如，初始幅值信息可以包括初始梯度波形在至少两个时间点的幅值。初始相位信息可以包括初始梯度波形在多个时间点的相位。
88.在一些实施例中，处理设备120a可以将与第一梯度波形有关的信息输入到至少一个响应函数中，至少一个响应函数可以输出与初始梯度波形有关的信息。例如，至少一个响应函数可以包括幅值响应函数和相位响应函数。处理设备120a可以通过使用相位响应函数处理第一梯度波形的第一相位信息来确定初始梯度波形的初始相位信息。处理设备120a可以通过使用幅值响应函数处理第一梯度波形的第一幅值信息来确定初始梯度波形的初始幅值信息。
89.在一些实施例中，处理设备120a可以基于对一个或多个实验扫描对象执行的一个或多个实验扫描(例如，实际扫描或模拟扫描)的实验数据来确定至少一个响应函数。或者，至少一个响应函数先前可以由处理设备120a或另一计算设备确定，并存储在存储设备(例
如，存储设备130、存储设备220和/或存储器390中)。处理设备120a可以从存储设备检索至少一个响应函数。
90.在620中，处理设备120a(例如，确定模块402)可以基于初始梯度波形和梯度波形确定模型来确定第二梯度波形。
91.在一些实施例中，如图5所述，梯度波形确定模型可以包括幅值确定模型和相位确定模型。处理设备120a可以通过使用幅值确定模型处理初级幅值信息来确定第二梯度波形的第二幅值信息。处理设备120a可以通过使用相位确定模型处理初始相位信息来确定第二梯度波形的第二相位信息。
92.出于说明目的，图7示出了根据本技术的一些实施例的用于确定第二梯度波形的示例性过程的示意图。
93.如图7所示，处理设备120a可以使用幅值响应函数和相位响应函数处理第一梯度波形的信息。例如，可以通过幅值响应函数来处理第一梯度波形的第一幅值信息以确定初始梯度波形的初始幅值信息。第一梯度波形的第一相位信息可由相位响应函数处理，以确定初始梯度波形的初始相位信息。
94.然后，处理设备120a可以使用幅值确定模型处理初始幅值信息以确定第二梯度波形的第二幅值信息。处理设备120a可以使用相位确定模型处理初始相位信息以确定第二梯度波形的第二相位信息。
95.应当注意的是，上述关于图6和图7的描述仅出于说明目的，并不旨在限制本发明的范围。对于本领域的普通技术人员来说，可以根据本技术的描述，做出各种各样的变化和修改。然而，这些变化和修改不脱离本技术的范围。在一些实施例中，处理设备120a可以直接基于梯度波形确定模型确定第二梯度波形，而不使用至少一个响应函数。例如，可以通过使用幅值确定模型处理第一梯度波形的第一幅值信息来确定第二梯度波形的第二幅值信息；并且可以通过使用相位确定模型处理第一梯度波形的第一相位信息来确定第二梯度波形的第二相位信息。
96.图8是示出根据本技术的一些实施例的用于生成幅值确定模型的示例性过程的流程图。在一些实施例中，流程800可以由mri系统100执行。例如，流程800可以实现为存储在存储设备(例如，存储设备130、存储设备220和/或存储设备390)中的一组指令(例如，应用程序)。在一些实施例中，处理设备120b(例如，计算设备200的处理器210、移动设备300的cpu340和/或图4b中所示的一个或多个模块)可以执行指令集，并相应地被指示执行流程800。
97.在一些实施例中，可以执行流程800的一个或多个操作以实现图5所述的操作520的至少一部分。在一些实施例中，流程800可由mri系统100以外的另一设备或系统执行，例如，制造商的供应商的设备或系统。出于说明目的，下文以处理设备120b为例描述流程800的实现过程。
98.在810中，处理设备120b(例如，获取模块405)可以获得多个第一训练样本。多个第一训练样本中的每一个可以包括计划在样本mri扫描期间应用于样本扫描对象的样本第一梯度波形的样本第一幅值信息，以及在样本mri扫描期间应用于样本扫描对象的真值梯度波形的真值幅值信息。
99.在一些实施例中，第一训练样本的样本扫描对象可以与步骤510描述的扫描对象
具有相同类型或不同类型。例如，扫描对象能是患者的头部，样本扫描对象可能是另一名患者的头部或人造物体(例如，模体)。样本mri扫描可以是应用于样本扫描对象的实际mri扫描或模拟mri扫描。第一训练样本的样本第一梯度波形指计划应用于第一训练样本的样本扫描对象的第一梯度波形。例如，样本第一梯度波形可以由样本第一幅值信息和样本第一相位信息定义。在一些实施例中，可以对样本扫描对象执行具有不同扫描参数(例如，视野、带宽、分辨率)的多个样本mri扫描，以便可以在样本mri扫描中对样本扫描对象应用具有不同形状的多个不同的样本第一梯度波形。
100.第一训练样本的真值梯度波形是指在样本mri扫描中应用于样本扫描对象的实际梯度波形的测量值。例如，在样本mri扫描期间，可通过磁场检测设备测量真值梯度波形。作为另一示例，样本扫描对象可以是水模型，并且可以基于在水模型的样本mri扫描期间收集的mri信号来确定真值梯度波形。在一些实施例中，真值梯度波形可以由真值梯度波形的真值幅值信息和真值相位信息来定义。真值梯度波形的真值幅值信息可以包括真值梯度波形在样本mri扫描期间的至少两个时间点的幅值。真值梯度波形的真值相位信息可以包括真值梯度波形在样本mri扫描期间的至少两个时间点的相位。
101.在一些实施例中，第一训练样本(或其一部分)可由计算设备(例如，处理设备120b)预先生成并存储在存储设备(例如，存储设备130、存储设备220、存储390或外部数据库)中。处理装置120b可以从存储装置检索第一训练样本(或其一部分)。或者，可以由处理装置120b生成第一训练样本(或其部分)。
102.在820中，处理设备120b(例如，获取模块405)可以获得第一初始模型。
103.在一些实施例中，第一初始模型可以是任何类型的模型(例如，机器学习模型)，例如，神经网络模型(例如，cnn模型、gan模型)等。第一初始模型可以包括一个或多个模型参数。例如，第一初始模型可以是cnn模型，初始模型的示例性模型参数可以包括层的数量(或计数)、内核的数量(或计数)、内核大小、步幅、每个卷积层的填充(padding)、损失函数等，或其任何组合。训练前，第一初始模型的模型参数可能有各自的初始值。例如，处理设备120b可以初始化第一初始模型的模型参数的参数值。
104.在830中，对于多个第一训练样本中的每一个，处理设备120b(例如，训练模块406)可以使用幅值响应函数生成第一训练样本的样本第一梯度波形的样本初始幅值信息。
105.例如，可以将样本第一梯度波形的样本第一幅值幅值信息输入到幅值响应函数中，幅值响应函数可以输出样本初始幅值信息。在一些实施例中，样本初始幅值信息的生成方式可以与操作610所描述的初始梯度波形的初始幅值信息的生成方式类似，在此不再赘述。
106.在840中，处理设备120b(例如，训练模块406)可以通过使用多个第一训练样本中的每个样本的初始幅值信息和真值幅值信息训练第一初始模型来生成幅值确定模型。
107.在一些实施例中，第一初始模型可以根据本发明其他地方描述的机器学习算法(例如，图5和相关描述)进行训练。例如，处理设备120b可以根据有监督机器学习算法，通过执行一个或多个迭代来迭代地更新第一初始模型的模型参数，从而生成幅值确定模型。出于说明目的，图9示出了示例性的当前迭代。可以基于第一训练样本的至少一部分来执行当前迭代。在一些实施例中，可以在训练第一初始模型中的不同迭代中使用相同或不同的第一训练样本集合。为简洁起见，当前迭代中使用的第一训练样本称为目标训练样本。
108.如图9所示，对于每个目标训练样本，可以通过处理目标训练样本的样本第一梯度波形的样本第一幅值信息来确定样本幅值信息。在当前迭代中，可以评估在先前迭代中生成的更新的第一初始模型。例如，对于每个目标训练样本，处理设备120b可以通过将目标训练样本的样本初始幅值信息输入更新后的第一初始模型来确定目标训练样本的真值梯度波形的预测幅值信息。然后，处理设备120b可以基于每个目标训练样本的真值梯度波形的预测幅值信息和真值幅值信息来确定更新后的第一初始模型的第一损失函数的值。
109.第一损失函数可用于评估更新的第一初始模型的准确性和可靠性，例如，第一损失函数越小，更新的第一初始模型越可靠。示例性第一损失函数可包括l1损失函数、焦点损失函数、对数损失函数、交叉熵损失函数、dice损失函数等。处理设备120b可以根据例如反向传播等算法，基于损失函数的值，进一步更新更新后的第一初始模型的模型参数的值，以用于下一次迭代。
110.在一些实施例中，如果在当前迭代中满足终止条件，则可以终止一个或多个迭代。示例性终止条件可以是在当前迭代中获得的损失函数的值小于预定阈值。其他示例性终止条件可以包括已执行特定次数的迭代计数、损失函数收敛、在连续迭代中获得的损失函数的值的差异在阈值内等。如果在当前迭代中满足终止条件，则处理设备120b可以将更新的第一初始模型指定为幅值确定模型。
111.在一些实施例中，可以省略步骤830，并且可以通过使用每个第一训练样本的样本第一幅值信息和真值幅值信息训练第一初始模型来生成幅值确定模型。例如，在用于生成幅值确定模型的迭代期间，可以基于样本第一幅值信息和更新的第一初始模型来确定预测幅值信息。
112.图10是示出根据本技术的一些实施例的用于生成相位确定模型的示例性过程的流程图。在一些实施例中，流程1000可以由mri系统100执行。例如，流程1000可以实现为存储在存储设备(例如，存储设备130、存储设备220和/或存储设备390)中的一组指令(例如，应用程序)。在一些实施例中，处理设备120b(例如，计算设备200的处理器210、移动设备300的cpu340和/或图4b中所示的一个或多个模块)可以执行指令集，并相应地被指示执行流程1000。在一些实施例中，可以执行处理1000的一个或多个操作以实现如图5所述的操作520的至少一部分。
113.在1010中，处理设备120b(例如，获取模块405)可以获得多个第二训练样本。
114.多个第二训练样本中的每一个可以包括计划在样本mri扫描期间应用于样本扫描对象的样本第一梯度波形的样本第一相位信息，以及在样本mri扫描期间应用于样本扫描对象的真值梯度波形的真值相位信息。关于样本主体、样本第一梯度波形、样本第一相位信息、真值梯度波形和真值相位信息的更多描述可在本技术的其他地方找到。参见例如操作810及其相关描述。
115.在步骤1020中，处理设备120b(例如，获取模块405)可以获得第二初始模型。
116.第二初始模型可类似于操作820所述的第一初始模型。在一些实施例中，第一和第二初始模型可以是相同类型或不同类型的模型。
117.在步骤1030中，对于多个第二训练样本中的每一个，处理设备120b(例如，训练模块406)可以使用相位响应函数生成第二训练样本的样本第一梯度波形的样本初始相位信息。
118.例如，可以将样本第一梯度波形的样本第一相位信息输入到相位响应函数中，相位响应函数可以输出样本初始相位信息。在一些实施例中，样本初始相位信息的生成方式可以与步骤610所描述的初始梯度波形的初始相位信息的生成方式类似，在此不再赘述。
119.在1040中，处理设备120b(例如，训练模块406)可以通过使用多个第二训练样本中的每个样本的初始相位信息和真值相位信息训练第二初始模型来生成相位确定模型。
120.相位确定模型的生成方式可以与步骤840所描述的幅值确定模型的生成方式类似。例如，在用于生成相位确定模型的迭代中，可以评估在先前迭代中生成的更新的第二初始模型。更新的第二初始模型可用于确定第二训练样本的预测相位信息。第二训练样本的预测相位信息和真值相位信息可用于确定与第二初始模型相关的第二损失函数的值。第二损失函数可以类似于图8所述的第一损失函数。可基于第二损失函数的值来更新更新的第二初始模型。
121.在一些实施例中，可以省略步骤1030，通过使用每个第二训练样本的样本第一相位信息和真值相位信息训练第二初始模型来生成相位确定模型。例如，在用于生成相位确定模型的迭代期间，可以基于样本第一相位信息和更新的第二初始模型来确定预测相位信息。
122.图11是示出根据本技术的一些实施例的用于共同生成幅值确定模型和相位确定模型的示例性过程的流程图。在一些实施例中，流程1100可以由mri系统100执行。例如，流程1100可以实现为存储在存储设备(例如，存储设备130、存储设备220和/或存储设备390)中的一组指令(例如，应用)。在一些实施例中，处理设备120b(例如，计算设备200的处理器210、移动设备300的cpu340和/或图4b中所示的一个或多个模块)可以执行指令集，并相应地被指示执行流程1100。在一些实施例中，可以执行流程1100的一个或多个操作以实现如图5所述的操作520的至少一部分。
123.在步骤1110中，处理设备120b(例如，获取模块405)可以获得多个第三训练样本。
124.多个第三训练样本中的每一个可以包括计划在样本mri扫描期间应用于样本扫描对象的样本第一梯度波形的样本第一幅值信息和样本第一相位信息，以及在样本mri扫描期间应用于样本扫描对象的真值梯度波形的真值幅值信息和真值相位信息。关于样本扫描对象、样本第一梯度波形、样本第一幅值信息、样本第一相位信息、真值梯度波形、真值幅值信息和真值相位信息的更多描述可在本技术的其他地方找到。参见例如步骤810及其相关描述。
125.在1120中，处理设备120b(例如，获取模块405)可以获得包括第一子模型和第二子模型的第三初始模型。
126.在一些实施例中，第三初始模型可以是包括第一子模型和第二子模型的初始混合模型。第一子模型可以被训练作为幅值确定模型，第二子模型可以被训练作为相位确定模型。在一些实施例中，第一和第二子模型可以是相同类型或不同类型的模型。在一些实施例中，第一子模型可以类似于操作820所述的第一初始模型，第二子模型可以类似于操作1020描述的第二初始模型。
127.在1130中，处理设备120b(例如，获取模块405)可以通过使用多个第三训练样本训练第三初始模型来生成经训练的混合模型。
128.经训练的混合模型的生成方式与步骤840描述的幅值确定模型的生成方式类似。
例如，在用于生成训练的混合模型的迭代中，可以评估在先前迭代中生成的更新的第三初始模型。更新后的第三初始模型可用于确定第三训练样本的预测相位信息和预测幅值信息。第三训练样本的预测相位信息、预测幅值信息、真值相位信息和真值相位信息可用于确定与第三初始模型相关的第三损失函数的值。第三损失函数可以类似于图8所述的第一损失函数。可基于第三损失函数的值来更新更新的第三初始模型。在一些实施例中，第三损失函数可以包括用于测量真值幅值信息和预测幅值信息之间的差异的第一分量，以及用于测量真值相位信息和预测相位信息之间的差异的第二分量。第一分量可用于更新的第三初始模型的第一子模型，并且第二分量可用于更新更新的第三初始模型的第二子模型。
129.在步骤1140中，处理设备120b(例如，训练模块406)可以将经训练的混合模型的经训练的第一子模型指定为幅值确定模型。
130.在步骤1150中，处理设备120b(例如，训练模块406)可以将经训练的混合模型的经训练的第二子模型指定为相位确定模型。
131.应当注意的是，上述关于图8-11仅用于说明目的，并不旨在限制本发明的范围。对于本领域的普通技术人员来说，可以根据本技术的描述，做出各种各样的变化和修改。然而，这些变化和修改不脱离本技术的范围。在一些实施例中，流程800可以通过一个或多个未描述的附加操作和/或没有上述一个或多个操作来完成。
132.例如，在生成经过经训练的模型(幅值确定模型、相位确定模型、经过训练的混合模型)之后，处理设备120b可以使用一组测试样本进一步测试经训练的模型。作为另一示例，处理设备120b可基于一个或多个新生成的训练样本(例如，mri扫描中的新样本第一梯度波形)定期或不定期地更新经训练的模型。又例如，训练样本(或其一部分)可在模型训练之前被预处理。仅作为示例，可以对样本第一梯度波形执行一个或多个波形信号处理操作(例如，线性化、去噪、滤波、锐化等)。又例如，在步骤1130之前，处理设备120b可以确定每个第三训练样本的样本初始幅值信息和样本初始相位信息，并使用每个第三训练样本的样本初始幅值信息、样本初始相位信息、真值幅值信息和真值相位信息训练第三初始模型。
133.图12是示出根据本技术的一些实施例的用于对扫描对象执行mri扫描的示例性流程的流程图。在一些实施例中，流程1200可以由mri系统100执行。例如，流程1200可以实现为存储在存储设备(例如，存储设备130、存储设备220和/或存储设备390)中的一组指令(例如，应用程序)。在一些实施例中，处理设备120a(例如，计算设备200的处理器210、移动设备300的cpu340和/或图4a中所示的一个或多个模块)可以执行指令集，并相应地被指示执行流程1200。以下所示步骤的操作仅出于说明的目的。在一些实施例中，流程1200可以通过一个或多个未描述的附加操作和/或省略下文描述的一个或多个操作来完成。此外，图12所示和下面描述的流程1200的操作顺序并不旨在限制。
134.在操作1210中，处理设备120a(例如，获取模块401)可以获得计划应用于扫描对象的第一梯度波形。例如，处理设备120a可以获得第一梯度波形的第一幅值信息和第一相位信息。关于第一梯度波形的更多描述可以在本技术的其他地方找到。参见例如操作510及其相关描述。
135.在操作1220中，处理设备120a(例如，确定模块402)可基于第一梯度波形和梯度波形确定模型确定第二梯度波形，其中梯度波形确定模型根据机器学习算法训练而成。
136.当根据第一梯度波形执行mri扫描时，实际施加于扫描对象的实际梯度波形可能
不同于第一梯度波形。第二梯度波形可被视为实际梯度波形的估计值。可以以图5描述的操作520类似的方式执行操作1220，在此不再赘述。
137.在1230中，处理设备120a(例如，控制模块404)可以基于第二梯度波形，指示mri扫描仪在扫描对象上执行mri扫描。
138.在一些实施例中，处理设备120a可确定一个或多个用于实现第二梯度波形的扫描参数，并基于一个或多个扫描参数指示mri扫描器对扫描对象执行mri扫描。
139.在一些实施例中，处理设备120a(例如，确定模块404)可以通过根据第二梯度波形调整第一梯度波形来确定调整后的梯度波形。此外，处理设备120a(例如，控制模块404)可以指示mri扫描器根据调整后的梯度波形对扫描对象执行mri扫描。
140.如上所述，由于硬件限制，在mri扫描期间应用于扫描对象的实际梯度波形通常不同于理想的第一梯度波形。处理设备120a可以根据第二梯度波形(即，当根据第一梯度波形执行mri扫描时的估计实际梯度波形)确定调整后的梯度波形，使得当根据调整后的梯度波形执行mri扫描时，在硬件限制的影响下应用于扫描对象的实际梯度波形可以尽可能接近第一梯度波形。
141.例如，通过比较第一梯度波形和第二梯度波形，处理设备120a可以确定硬件限制影响第一梯度波形的应用的规则，并基于该规则调整第一梯度波形。仅作为示例，如果规则显示第二梯度波形在某一时期快速下降，而第一梯度波形在该时期中处于稳定状态，则处理设备120a可以将该时期中第一梯度波形调整为上升状态。在这种情况下，当根据调整后的梯度波形执行mri扫描时，即使在时期中调整后的部分受硬件限制而下降，实际梯度波形也可能接近第一梯度波形。
142.通过基于第二梯度波形确定调整后的梯度波形并根据调整后的梯度波形执行mri扫描，在mri扫描期间应用于扫描对象的实际梯度波形可以接近理想的第一梯度波形，这可以实现期望的扫描效果。在一些实施例中，mri扫描可以是超短回波时间mri或螺旋mri扫描。在一些实施例中，处理设备120a还可以基于第一梯度波形和在mri扫描中收集的扫描数据来生成扫描对象的目标重建图像。如结合操作1230所述，当根据调整后的梯度波形执行mri扫描时，在扫描期间应用于扫描对象的实际梯度波形可以接近第一梯度波形。基于第一梯度波形重建目标重建图像可以提高重建精度。
143.上文已对基本概念做了描述，显然，对于阅读此申请后的本领域的普通技术人员来说，上述发明披露仅作为示例，并不构成对本技术的限制。虽然此处并未明确说明，但本领域的普通技术人员可能会对本技术进行各种修改、改进和修正。该类修改、改进和修正在本技术中被建议，所以该类修改、改进、修正仍属于本技术示范实施例的精神和范围。
144.同时，本技术使用了特定词语来描述本技术的实施例。例如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本技术至少一个实施例相关的某一特征、结构或特性。因此，应当强调并注意的是，本说明书中在不同位置两次或以上提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本技术的一个或以上实施例中的某些特征、结构或特点可以进行适当的组合。
145.此外，本领域的普通技术人员可以理解，本技术的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的过程、机器、产品或物质的组合，或对其任何新的和有用的改进。因此，本发明的各个方面可以完全由硬件、软件(包括固
件、驻留软件、微代码等)或结合软件和硬件实现来实现，它们在本文中通常被称为“单元”、“模块”或“系统”此外，本发明的各个方面可以采取在一个或多个计算机可读介质中包含计算机可读程序代码的计算机程序产品的形式。
146.计算机可读信号介质可以包含一个内含有计算机程序代码的传播数据信号，例如，在基带上或作为载波的一部分。此类传播信号可以有多种形式，包括电磁形式、光形式等或任何合适的组合。计算机可读信号介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通信、传播或传输供使用的程序。位于计算机可读信号介质上的程序代码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、rf等，或任何上述介质的组合。
147.用于对本技术的各方面进行操作的计算机程序代码可以以一种或多种编程语言的任何组合编写，包括面向对象的编程语言，例如java、scala、smalltalk、eiffel、jade、emerald、c 、c#、vb、net、python等，传统的程序编程语言，如“c”编程语言、visual basic、fortran2103、perl、cobol2102、php、abap、动态编程语言，如python、ruby和groovy，或其他编程语言。程序代码可以在用户的计算机上完全执行用户的计算机，作为独立软件包，部分地在用户的计算机上，部分在远程计算机上或完全位于远程计算机或服务器上。在后一种情况下，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，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，通过互联网使用互联网服务提供商)，或者在云计算环境中，或者作为服务提供，例如软件即服务(saas)。
148.此外，除非权利要求中明确说明，本技术所述处理元素和序列的顺序、数字字母的使用、或其它名称的使用，并非用于限定本技术流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本技术实施例实质和范围的修正和等价组合。例如，尽管上述各种组件的实现可以体现在硬件设备中，但也可以实现为仅软件的解决方案，例如，现有服务器或移动设备上的安装。
149.同理，应当注意的是，为了简化本技术披露的表述，从而帮助对一个或以上发明实施例的理解，前文对本技术的实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。然而，本技术的该方法不应被解释为反映所声称的待扫描对象物质需要比每个权利要求中明确记载的更多特征的意图。相反，发明的主体应具备比上述单一实施例更少的特征。
150.在一些实施例中，表示用于描述和要求保护本技术的某些实施例的量或特性的数字应理解为在某些情况下被术语“大约”、“近似”或“实质上”修改例如，“大约”、“近似”或“实质上”可能表示其所描述值的
±
1％、
±
5％、
±
10％或
±
20％变化，除非另有说明。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本技术一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。
151.本文引用的每项专利、专利申请、专利申请出版物和其他材料，如文章、书籍、规范、出版物、文件、物品和/或类似物，均以本引用的形式全部并入本文，用于所有目的，但与之相关的任何起诉文件历史除外，与本文件不一致或与本文件冲突的任何内容，或对目前
或以后与本文件相关的权利要求的最广泛范围具有限制作用的任何内容。举例来说，如果在描述、定义和/或与任何所结合的材料相关联的术语的使用和与本文件相关联的术语之间存在任何不一致或冲突，则描述、定义和/或在本文件中使用的术语以本文件为准。
152.最后，应当理解的是，本技术中所述实施例仅用以说明本技术实施例的原则。其他的变形也可能属于本技术的范围。因此，作为示例而非限制，本技术实施例的替代配置可视为与本技术的教导一致。相应地，本技术的实施例不仅限于本技术明确介绍和描述的实施例。