【技術實現步驟摘要】
基于深度學習的矩陣線圈勻場調控方法、裝置及可讀介質
[0001]本專利技術涉及磁場調控領域，具體涉及一種基于深度學習的矩陣線圈勻場調控方法
、
裝置及可讀介質
。
技術介紹
[0002]在核磁共振儀器設計中，勻場線圈作為提升儀器檢測區域磁場均勻性的關鍵模塊，對獲取高質量核磁共振信號至關重要
。
通常將目標磁場進行球面諧波分解，設計可以補償相應諧波項磁場的勻場線圈
。
但是，隨著核磁共振檢測技術發展，多樣化檢測對于檢測復雜區域的精確度和速度提出更高需求，矩陣線圈由于其靈活性和魯棒性，對于局部勻場性能優于傳統球諧線圈，并且相比傳統球諧線圈占用更少空間
。
矩陣線圈已經逐漸在多個領域的物質檢測研究中發揮著重要作用，能夠提高磁共振信號的質量，特別是改善局部磁場的不均勻性
。
[0003]如果需要利用矩陣勻場線圈提升磁場均勻性，需要同時調控多個線圈組通入電流量尋找最優譜線
。
由于磁共振儀器磁體對于環境敏感性高，即便保存優化后的勻場電流值，往往隨著環境溫度和檢測物變化，還需花費時間進行勻場調優
。
矩陣線圈形態多樣性導致各個線圈組之間非正交性，產生的補償磁場之間存在較強的相互依賴，同時線圈數量增加，勻場調控迭代次數隨之增加，多個線圈組的勻場尋優的過程通常需要花費大量時間和經驗來進行調試和優化，需要搜索式勻場或梯度勻場進行自動勻場
。
一些商業公司也均采用搜索勻場方法配合梯度勻場方法應用于磁共振
【技術保護點】
【技術特征摘要】
1.
一種基于深度學習的矩陣線圈勻場調控方法，其特征在于，包括以下步驟：獲取目標樣品的檢測區域，建立所述檢測區域對應磁場的幾何模型以及線圈載流表面的三維模型，基于所述幾何模型和三維模型利用邊界元法和流函數法設計矩陣線圈輪廓，根據所述矩陣線圈輪廓構建包含若干個線圈組的矩陣線圈；采集冷場狀態以及分別在若干個線圈組通入偏置電流后對應的譜圖數據；構建卷積神經網絡回歸模型并訓練，得到勻場電流預測模型，所述卷積神經網絡回歸模型包括輸入層
、
卷積神經網絡
、
全連接神經網絡和輸出層，所述譜圖數據輸入所述輸入層進行降采樣，得到數據點集，所述數據點集輸入所述卷積神經網絡，提取出譜線關鍵特征，所述譜線關鍵特征依次經過所述全連接神經網絡和輸出層，得到每個線圈組對應的勻場電流預測值；將所述譜圖數據輸入所述勻場電流預測模型，預測得到每個線圈組對應的勻場電流預測值，根據所述勻場電流預測值在所述矩陣線圈中通入相應的電流進行勻場，獲得勻場優化的譜圖
。2.
根據權利要求1所述的基于深度學習的矩陣線圈勻場調控方法，其特征在于，所述基于所述幾何模型和三維模型利用邊界元法和流函數法設計矩陣線圈輪廓，具體包括：根據所述幾何模型確定目標磁場區域，將所述目標磁場區域進行主成分分析，提取目標磁場區域的磁場分布；將所述線圈載流表面的三維模型映射到二維平面，并將二維平面的邊界區域劃分為多個三角形的離散單元，每個離散單元對應線圈載流表面上的一個區域，所述離散單元的頂點構成節點
n
，電流沿相鄰的離散單元在節點
n
附近形成閉合回路；建立所述離散單元之間的相互作用邊界方程，根據所述目標磁場區域的磁場分布
、
離散單元之間的相互作用邊界方程與約束條件計算線圈載流表面的流函數；將所述線圈載流表面的流函數離散處理，得到線圈基本輪廓；通過檢查所有線圈基本輪廓之間的相互包含關系來確定線圈基本輪廓的層次結構，建立線圈基本輪廓之間的拓撲關系，所述拓撲關系包括輪廓組內和輪廓組間不同層次關系，將每個輪廓組內線圈基本輪廓相互連接，形成線圈導線閉合路徑，根據輪廓組間之間的配對連接順序連接相鄰的輪廓組；將二維平面反向轉換回三維曲面，并在導線重疊時沿曲面法線移動線圈路徑，得到矩陣線圈輪廓
。3.
根據權利要求2所述的基于深度學習的矩陣線圈勻場調控方法，其特征在于，所述建立所述離散單元之間的相互作用邊界方程，根據所述目標磁場區域的磁場分布
、
離散單元之間的相互作用邊界方程與約束條件計算線圈載流表面的流函數，具體包括：在相鄰的離散單元中，節點
n
周圍的循環電流采用基函數進行表示：
f
n
(r)
＝
e
ni
/(|e
ni
||d
ni
|)
；其中，
e
為節點的對邊，
d
為節點垂直于
e
的最小向量，
r
表示電流源點，
i
表示節點
n
周圍的第
i
個離散單元；采用下式計算電流密度
J(r
′
)
：
其中，
S
n
表示線圈靈敏度矩陣；建立磁感應強度
B(r)
與電流密度
J(r
′
)
的關系：其中，
r
′
表示磁場場點，
S
′
表示面積微元，
μ0表示真空磁導率常數；考慮磁感應強度沿主磁場分量
B
z
(...
【專利技術屬性】
技術研發人員：姚凱文，謝新，趙豪哲，孫惠軍，陳忠，
申請(專利權)人：華僑大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。