使用预测模型确定模型参数的制作方法

使用预测模型确定模型参数
1.相关申请的交叉引用
2.本技术根据35 u.s.c.
§
120要求优先权至：于2019年2月15日提交的美国非临时申请系列第16/277,939号，其内容通过引用整体并入本文。
技术领域
3.所描述的实施例一般涉及确定与样品相关联的模型参数，以用于在模拟样品对激励的响应物理学的正演模型中使用。


背景技术：

4.许多非侵入性表征技术可用于确定样品的一个或多个物理参数。举例来说，可使用磁共振或mr(经常称为
‘
核磁共振’或nmr)来研究磁属性，这是磁场中的核吸收并重新发射电磁辐射的一种物理现象。此外，可使用表征技术(如x射线成像、x射线衍射、计算机断层扫描、中子衍射或电子显微镜)来研究固体或刚性材料中的密度变化和短程或长程周期性结构，其中电磁波或具有小德布罗意波长的能量粒子被样品吸收或散射。此外，可使用超声波成像来研究软材料或流体中的密度变化和运动，其中超声波在样品中传输和反射。
5.在这些和其它非侵入性表征技术的每一种中，一个或多个外部激励(如粒子通量或入射辐射、静态或时变标量场，和/或静态或时变向量场)被施加到样品上，并且以物理现象的形式测量由此产生的样品响应，以直接或间接地确定一个或多个物理参数。例如，在mr中，磁核自旋可在施加的外部dc磁场中部分对齐(或极化)。这些核自旋可按角频率(有时称为
‘
拉莫尔频率’)围绕外部磁场的方向进动或旋转，角频率由一类核的旋磁比和外部磁场的大小或强度的乘积给出。通过对极化的核自旋施加微扰，如一个或多个射频(rf)脉冲(更一般地，电磁脉冲)，其脉冲宽度对应于角频率并与外部磁场方向成直角或垂直，核自旋的极化可瞬时改变。由此产生的核自旋动态响应(如随时间变化的总磁化强度)可提供关于样品的物理和材料属性的信息，如与样品相关联的一个或多个物理参数。
6.此外，一般而言，每种表征技术可允许在样品中以小体积或体素来确定一个或多个物理参数，其可使用张量来表示。以磁共振成像(mri)为例，核自旋(如质子或同位素1h)的进动角频率对外部磁场大小的依赖性可用于确定不同材料或组织类型的三维(3d)或解剖结构和/或化学成分的图像。特别是，通过对样品施加非均匀或空间变化的磁场，由此产生的1h自旋的进动角频率的变化通常用于在空间上定位1h自旋对体素的测量的动态响应，这可用于生成图像，如患者的内部解剖结构。
7.然而，样品物理属性的表征经常是耗时、复杂和昂贵的。举例来说，在具有高空间分辨率(即小体素大小)的mri中获取mr图像经常涉及要执行的大量测量(有时称为
‘
扫描’)，其持续时间长于患者不同类型组织中1h自旋的弛豫时间。此外，为了获得高空间分辨率，mri期间通常使用大的均匀外部磁场。外部磁场通常使用超导磁体生成，超导磁体具有带窄孔的环形形状，对许多患者来说感觉受限。此外，可使用傅立叶变换技术来促进图像重建，代价是对rf脉冲序列和因此mr扫描时间的约束。
8.长mr扫描时间以及在mri的情况下，磁体孔的封闭环境均会降低用户体验。此外，长mr扫描时间会降低吞吐量，从而增加执行表征的成本。这些类型的问题会约束或限制许多表征技术的使用。
9.解决这些问题的一种方法是使用样品对一种或多种激励的响应物理学的模拟来确定信息，如一种或多种物理参数。举例来说，使用体素水平的模型参数和基于描述物理现象的一个或多个微分方程的正演模型，计算机可使用指定一个或多个激励的信息作为正演模型的输入来模拟样品的响应物理学，作为正演模型的输出。
10.然而，这种方法经常用与在体素水平上准确确定模型参数相关联的问题来代替具有大量mr扫描和长mr扫描时间的问题。举例来说，模型参数通常是通过迭代地施加一个或多个激励、执行测量然后解决使用测量来计算相应模型参数的反演问题，直到实现模拟响应物理学的期望准确度(有时是称为
‘
迭代方法’)。一般而言，使用这些现有技术来确定模型参数可能是困难、耗时且昂贵的，这会约束或限制使用响应物理学的模拟来表征样品。


技术实现要素：

11.描述了一种确定与样品相关联的模型参数的系统。此系统包括：源，其被配置为提供激励；测量装置，其执行测量；处理器，其执行程序指令；和存储器，其存储程序指令。在操作期间，系统可使用源对样品施加激励，其中激励具有至少波长和强度或通量，并且其中激励包括以下中的一种：电磁辐射、射频波、粒子束、声波、磁场或电场。然后，系统可使用测量装置测量与样品相关联的对激励的响应。此外，系统可使用测量的响应和指定激励的信息作为对预定预测模型的输入，在具有代表样品的多个体素的正演模型中在逐个体素基础上计算模型参数。正演模型可模拟样品内发生的对具有给定波长和给定强度或给定通量的给定激励的响应物理学，这些激励选自包括激励、波长和强度或通量，以及至少不同的波长和至少不同的强度或不同的通量的测量条件范围。此外，正演模型可为激励、多个体素的模型参数以及近似响应物理学的微分或唯象方程的函数。接下来，系统可使用处理器，通过比较至少测量的响应和使用正演模型、模型参数和激励的响应的计算预测值来确定模型参数的准确度。此外，当准确度超过预定义值时，系统可将模型参数作为输出提供给用户、另一电子装置、显示器和/或存储器。
12.举例来说，激励可包括以下中的至少一种：x射线波段中的电磁束、中子束、电子束、光学波段中的电磁束、红外波段中的电磁束、超声波波段中的声波、质子束、与阻抗测量装置相关联的电场、与磁共振设备相关联的射频波和/或与磁化率测量装置相关联的磁场。
13.此外，测量装置可包括以下至少一种：x射线检测器、中子检测器、电子检测器、光学检测器、红外检测器、超声检测器、质子检测器、磁共振设备、阻抗测量装置和/或磁化率测量装置。
14.请注意，预定预测模型可包括机器学习模型和/或神经网络。在一些实施例中，预定预测模型包括对应于个体的个性化预测模型。
15.此外，当准确度超过预定义值时，模型参数可在单次计算中计算无需进一步迭代。因此，与没有预定预测模型的迭代方法相比，可使用具有预定预测模型的更少迭代来计算具有超过预定义值的准确度的模型参数。
16.另选地，当准确度小于预定义值时，系统可：使用指定激励和准确度的信息作为对
第二预定预测模型的输入，计算具有至少修正波长、修正强度或修正通量的修正激励；以及用修正的激励而不是激励重复施加、测量、计算和确定操作。请注意，第二预定预测模型可包括机器学习模型和/或神经网络。
17.在一些实施例中，当准确度小于预定义值时，系统可：将激励和测量的响应添加到训练数据集；以及使用训练数据集来确定预测模型的修正实例。
18.此外，系统可使用模型参数和第三预测模型对样品中的一个或多个解剖结构进行分类或分割。举例来说，第三预定预测模型可包括机器学习模型和/或神经网络。
19.此外，系统可使用利用正演模型计算的模拟数据集、模型参数范围和激励范围来训练预测模型。
20.此外，测量的响应可包括样品的时域响应且可除图像以外。
21.另一个实施例提供了一种用于与系统一起使用的计算机可读存储介质。计算机可读存储介质包括程序模块，所述程序模块当由系统执行时，使得系统执行前述操作中的至少一些。
22.另一个实施例提供了一种用于确定与样品相关联的模型参数的方法。这种方法包括由系统执行的前述操作中的至少一些。
23.提供本发明内容是为了说明一些示例性实施例，以便提供对本文描述的主题的一些方面的基本理解。因此，应理解，上述特征仅仅是示例且不应被解释为以任何方式缩小本文描述的主题的范围或精神。本文所描述的主题的其它特征、方面和优点将从以下详细描述、附图和权利要求中变得明显。
附图说明
24.图1是图示根据本公开的实施例的系统的示例的框图。
25.图2是图示根据本公开的实施例的用于确定与样品相关联的模型参数的方法的示例的流程图。
26.图3是图示根据本公开的实施例的图1中的系统中的组件之间的通信的示例的图。
27.图4是图示根据本公开的实施例的机器学习模型的示例的图。
28.图5是图示根据本公开的实施例的神经模型的示例的图。
29.图6是图示根据本公开的实施例的样品中一个或多个解剖结构的分类或分割的示例的图。
30.图7是图示根据本公开的实施例的电子装置的示例的框图。
31.图8是图示根据本公开的实施例的由图7的电子装置使用的数据结构的示例的图。
32.请注意，贯穿附图，相同的附图标记指代对应的部分。此外，同一部分的多个实例由一个公共前缀指定，所述公共前缀用破折号与实例编号隔开。
具体实施方式
33.描述了一种确定与样品相关联的模型参数的系统。在操作期间，系统可使用源对样品施加激励。然后，系统可使用测量装置测量与样品相关联的对激励的响应。此外，系统可使用测量的响应和指定激励的信息作为对预定预测模型的输入，在具有代表样品的多个体素的正演模型中在逐个体素基础上计算模型参数。正演模型可模拟样品内发生的对给定
激励的响应物理学。此外，正演模型可为激励、多个体素的模型参数以及近似响应物理学的微分或唯象方程的函数。接下来，系统可使用处理器，通过比较至少测量的响应和使用正演模型、模型参数和激励的响应的计算预测值来确定模型参数的准确度。此外，当准确度超过预定义值时，系统可将模型参数作为输出提供给用户、另一电子装置、显示器和/或存储器。
34.通过确定样品中体素的模型参数(有时称为
‘
张量场映射’或tfm，因为体素中的参数可由混合张量表示，而不是向量场的真实张量)，在确定模型参数时，这种计算技术可减少或消除对迭代测量和自适应的需要。因此，计算技术可在确定模型参数时显著减少系统资源(如处理器时间、内存等)的使用。此外，如果准确度不足(例如，当准确度小于预定义值时)，可使用计算技术来指导对激励的修改，以促进以期望准确度对模型参数的快速收敛。此外，通过提供基于确定的激励值或强度范围的模型参数预测物理现象的正演模型，计算技术可促进样品的快速和准确表征(如样品的一个或多个物理参数的确定)。因此，计算技术可用于动态地自适应或修改测量中使用的激励和/或可促进改进的样品表征。
35.这些功能可产生更短的mr扫描或测量时间、增加的吞吐量，从而降低测量成本、改善用户体验(如通过减少人们在mr扫描仪中磁孔的封闭环境中花费的时间)，以及更多地使用表征技术。此外，计算技术可促进测量的定量分析，这可提高准确度，可减少误差，从而可改善人们的健康和福祉。
36.一般而言，计算技术可与多种表征技术和正演模型结合使用，这些技术和正演模型定量模拟样品内发生的对给定激励的响应物理学。举例来说，表征技术可涉及：x射线测量(如x射线成像、x射线衍射或计算机断层扫描)、中子测量(中子衍射)、电子测量(如电子显微镜或电子自旋共振)、光学测量(如确定一个或多个波长的复杂折射率的光学成像或光学谱学)、红外测量(如确定一个或多个波长的复杂折射率的红外成像或红外光谱)、超声测量(如超声成像)、质子测量(如质子散射)、mr测量或mr技术(如mri、mr光谱或具有一种或多种类型核的mrs、磁共振光谱成像或mrsi、mr弹性成像或mre、mr测温或mrt、磁场弛豫测量、扩散张量成像和/或其它mr技术，例如功能性mri、代谢成像、分子成像，血流成像等)、阻抗测量(如dc和/或ac频率下的电阻抗)和/或磁化率测量(如dc和/或ac频率下的磁化率)。因此，激励可包括以下中的至少一种：x射线波段(如在0.01和10nm之间)中的电磁束、中子束、电子束、光学波段(如在300和800nm之间)中的电磁束、红外波段(如在700nm和1mm之间)中的电磁波束、超声波波段(如在0.2和1.9mm之间)的声波、质子束、与阻抗测量装置相关联的电场、与mr设备或扫描仪相关联的射频波和/或与磁化率测量装置相关联的磁场。然而，可使用另一种非侵入性表征技术(如正电子发射光谱)、综合疗法(如质子束疗法或质子植入、放射疗法、磁导纳米粒子等)和/或不同范围的波长(如10和400nm之间的紫外线波长)。一般而言，只要存在描述这些激励的响应物理学的正演模型，计算技术就可与多种激励一起使用，可用于
‘
激励’空间区域。在随后的论述中，mr技术用作表征技术的说明性示例。
37.请注意，样品可包括有机材料或无机材料。举例来说，样品可包括：无生命(即非生物)样品、生物生命体(如人或动物，即体内样品)或来自动物或人(即，动物或人的一部分)的组织样品。在一些实施例中，组织样品预先从动物或人身上移除。因此，组织样品可为病理样品(如活检样品)，其可为福尔马林固定石蜡包埋的。在接下来的论述中，样品是一个人或一个个体，这被用作说明性示例。
38.我们现在描述系统的实施例。图1呈现了图示系统100的示例的框图。在系统100
中，源110选择性地向样品112提供激励，并且测量装置114选择性地对样品112进行测量以测量样品112对激励的响应。此外，系统100包括计算机116。如以下参考图7进一步描述的，计算机116可包括子系统，如处理子系统、存储器子系统和联网子系统。举例来说，处理子系统可包括执行程序指令的处理器，存储器子系统可包括存储程序指令的存储器，并且联网子系统可包括向源110和测量装置114(如一个或多个传感器)传送指令或命令的接口，其从测量装置114接收测量结果，并且选择性地提供确定的模型参数。
39.在操作期间，计算机116中的通信引擎(或模块)120可经由网络118(如一个或多个有线和/或无线链路或互连件)向源110提供指令或命令，这可使得源110向样品112施加激励。这种激励可具有至少波长和强度或通量。举例来说，激励可包括：电磁辐射、射频波、粒子束、声波、磁场和/或电场。
40.在一些实施例中，激励可包括极化样品112中的一种或多种类型的核的外部磁场、磁场中的任选梯度和/或射频(rf)脉冲序列(有时称为
‘
测量条件’或
‘
扫描指令’)。因此，源110可包括施加外部磁场的磁体、施加任选梯度的任选梯度线圈和/或施加rf脉冲序列的rf线圈。
41.然后，通信引擎120可经由网络118向测量装置114提供指令或命令，这可使得测量装置114执行样品112的至少一部分对激励的响应的测量。此外，测量装置114可经由网络118将测量结果提供给通信引擎120。请注意，测量装置114可包括：x射线检测器、中子检测器、电子检测器、光学检测器、红外检测器、超声检测器、质子检测器、mr设备或扫描仪、阻抗测量装置(如mr设备或扫描仪中的凝胶覆盖台)和/或磁敏度测量装置。
42.在一些实施例中，测量装置114可包括一个或多个rf拾波线圈或另一磁传感器(如磁力计、超导量子干涉装置、光电子等)，其测量与一种或多种类型的核中的核自旋的动态行为相对应的时变或时域电信号，或至少与核自旋的聚集动态行为相对应的磁化强度的平均分量(有时是被称为样品112的至少一部分的
‘
磁响应’)。举例来说，测量装置114可当样品112的至少一部分在xy平面中进动时测量其横向磁化。
43.请注意，测量装置114提供的测量结果可除图像以外或不同于图像。举例来说，测量结果可除mri结果以外。举例来说，测量结果可包括或可对应于样品112中核自旋的自由感应衰变(如其一个或多个分量)。因此，在一些实施例中，测量结果可不涉及对测量的电信号执行傅立叶变换(因此，可能不在k空间中执行，并且可不涉及k空间中的模式匹配，如mr指纹识别)。然而，一般而言，测量结果可在时域和/或频域中指定。因此，在一些实施例中，可对测量结果执行各种信号处理(如滤波、图像处理等)、噪声消除和变换技术(如离散傅立叶变换、z变换、离散余弦变换、数据压缩等)。
44.在接收到测量结果之后，计算机116中的分析引擎(或模块)122可分析测量结果。此分析可涉及确定样品112相对于测量装置114的(可能随时间变化的)3d位置(有时称为
‘
3d配准信息’)。举例来说，对齐可涉及执行点集配准，如使用已知空间位置处的参考标记。配准可使用全球或局部定位系统来确定样品112相对于测量装置114的位置的变化。另选地或附加地，配准可至少部分地基于拉莫尔频率的变化和预定的空间磁场不均匀性或源110和/或测量装置112(如mr设备或扫描仪)的磁场的变化。在一些实施例中，分析涉及至少部分地基于配准信息将体素与期望的体素位置对齐，和/或将测量的信号重新采样和/或内插到不同的体素位置，这可促进与先前测量或结果的后续比较。
45.此外，分析引擎122可使用测量结果来确定具有代表样品112的多个体素的正演模型的模型参数，并且正演模型模拟在样品112中发生的对在可能激励范围内的给定激励的响应物理学(即，正演模型可能比确定对特别或特定激励的预测响应的模型更通用)。值得注意的是，对于样品112中的体素的适当模型参数，分析引擎122可使用正演模型来准确且定量地模拟或计算样品112对激励的预测响应(如磁化的预测分量)。请注意，正演模型可至少部分地基于或可使用一个或多个微分方程或一个或多个唯象方程，其在逐个体素基础上近似样品112的响应物理学。举例来说，正演模型可至少部分地基于或可使用bloch方程、bloch
‑
torrey方程(因此，正演模型可包括动力学模拟，如与以下各项相关联的运动：呼吸、心跳、血液流、机械运动等)、全刘维尔计算(如两个或多个元素之间相互作用的刘维尔超矩阵)、全哈密顿量、麦克斯韦方程(例如，正演模型可计算样品112的磁属性和电属性)，热扩散方程、pennes方程和/或表示样品112对某种激励的响应的物理学的另一种模拟技术。因为在一些实施例中，bloch方程背后的假设是无效的(如磁化的平行和反平行分量是耦合的，例如，当磁化状态在rf脉冲序列之前没有重置时)，附加的误差项可添加到bloch方程。因此，正演模型能够响应于可能的激励或激励值范围内的任意激励来计算样品112的动态(例如，时变)状态。
46.在一些分析方法中，计算机116可通过迭代地修改与正演模型中的体素相关联的模型参数直到预测响应和测量的动态磁响应之间的差异小于预定义值(如0.1％、1％、5％或10％)来求解反演问题，从而确定模型参数。(请注意，
‘
反演问题’以一个或多个结果(一个或多个)或输出(一个或多个)开始，然后计算输入或原因。这是
‘
正演问题’的反面，它从输入开始，然后计算一个或多个结果或输出。)然而，在这种
‘
迭代方法’中，源110可重复施加不同的激励，并且测量装置114可重复进行对应的测量。因此，迭代方法可能是耗时、昂贵且复杂的。因此，迭代方法可能会消耗系统100中的大量资源，直到确定合适的模型参数。
47.如下文参考图2
‑
5进一步描述的，为了解决这些问题，在计算技术分析引擎122中可使用一个或多个预定的或预训练的预测模型(如机器学习模型或神经网络，其可特定于特别样品或个体(例如，预测模型可为个性化预测模型)以至少部分地在逐个体素基础上计算模型参数。举例来说，分析引擎122可使用指定激励的测量和信息作为对预测模型的输入，预测模型提供与体素相关联的模型参数作为输出。因此，预测模型可基于至少部分地基于测量或测量结果来训练或者可合并模型参数信息。在一些实施例中，预测模型可校正特定源110和/或测量装置114(如rf噪声或空间磁场不均匀性)和/或特别激励或测量条件的外在特性或特征的测量，使得确定的模型参数在执行测量时的特别时间是样品112固有的。
48.请注意，模型参数可能包括：自旋晶格弛豫时间t1(这是与信号强度损失相关联的时间常数，因为一类核的核
‑
自旋磁化向量的分量弛豫为平行于外部磁场的方向)、自旋
‑
自旋弛豫时间t2(这是与垂直于外部磁场方向的一类核的核
‑
自旋磁化向量分量弛豫期间信号展宽相关联的时间常数)、调整后的自旋
‑
自旋弛豫时间t2*、质子或核密度(更一般地，一种或多种类型核的密度)、扩散(如扩散张量中的分量)、速度/流量、温度、偏共振频率、电导率或介电常数，和/或磁化率或介电常数。
49.如果使用由预测模型提供的这些模型参数的后续模拟，样品112的一个或多个预测响应(如模拟或预测的mr信号)的正演模型和一个或多个激励与对应的测量(如预测响应和测量结果之间的差异小于预定义值，如0.1％、1％、5％或10％，或者当准确度超过预定义
值时)，计算机116中的结果引擎(或模块)124可提供确定模型参数，如通过向用户、另一电子装置、显示器和/或存储器提供输出。在一些实施例中，结果引擎124可输出样品112的张量场映射，其中具有3个空间x一个时间x直至n个测量维度的模型参数，其中每个测量可为向量或标量。
50.因此，当准确度超过预定义值(如90％、95％、99％或99.9％)时，模型参数可在单次传递中计算而无需进一步迭代。因此，与没有预定预测模型的迭代方法相比，可使用具有预定预测模型的更少(或没有)迭代来计算具有超过预定义值的准确度的模型参数(且因此更快)。
51.另选地，当准确度小于预定义值时，计算机116可执行一次或多次迭代，其中一种或多种不同的、修改的或修正的激励(如不同的rf脉冲序列)由源114向样品112施加，并且一个或多个对应的附加测量由测量装置114执行。计算机116可使用这些一个或多个附加测量来确定准确度低于预定义值的模型参数。
52.举例来说，分析引擎122可使用第二预定预测模型(如第二机器学习模型或第二神经网络)来确定修正的激励。值得注意的是，使用指定激励和准确度的信息作为输入，第二预测模型可输出修正的激励。然后，系统100可用修正的激励而不是激励重复施加、测量、计算和确定操作。因此，第二预测模型可基于至少部分地基于预测响应和测量结果之间的剩余差异来训练或者可合并激励信息，以便减少或消除在由系统100执行的操作的一个或多个后续迭代中的剩余差异。在一些实施例中，第二预测模型可修正采样频率、表征技术等以确定允许使用第一预测模型来确定允许使用第一预测模型确定模型参数收敛的附加信息(即，具有小于预定义值的准确度)。换句话说，可选择下一个微扰或扰动以最小化超维空间上的误差或差异。
53.在一些实施例中，当准确度小于预定义值时，计算机116中的训练引擎(或模块)126可：将激励和测量的响应添加到训练数据集；以及使用训练数据集来确定预测模型的修正实例，以供随后在确定模型参数时使用。因此，由系统100执行的测量可选择性地用于自适应学习技术中以改进预测模型，并且因此改进用于一系列激励(如波长和强度或通量的不同值)的确定的模型参数。
54.使用模型参数和正演模型，分析引擎122可模拟或预测样品112对任意激励的响应，如任意外部磁场强度或方向(如0t、6.5mt、1.5t、3t、4.7t、9.4t和/或15t，或时变方向，例如缓慢旋转的外部磁场)、任意任选梯度、任意脉冲序列、任意磁性状态或条件(例如，其中样品112的磁化或极化在测量之前没有返回到、重置到或重新磁化到初始状态)等。因此，模型参数和正演模型可用于促进快速和更准确的测量，如：软组织测量、形态学研究、化学位移测量、磁化转移测量、mrs、一种或多种类型的核的测量、overhauser测量和/或功能成像。举例来说，在计算机116与源110和测量装置114对样品112执行的测量(即实时)同时确定模型参数的实施例中，系统100可在小于t1或t2的时间标度上在任意类型的组织中快速表征样品112的一个或多个物理参数(在体素水平或平均水平)。这种能力可允许系统100执行初始测量以确定模型参数，然后使用确定的模型参数来模拟或预测mr信号以完成或填充由系统100正在执行的正在进行的测量，从而可更快地获得结果(因此，mr扫描时间更短)。请注意，在一些实施例中，系统100可至少部分地基于样品112上获得的先前结果的定量比较来确定结果(如检测样品112中的异常或变化)，如在样品112的先前mr扫描(一个或多个)期
间确定的样品112中体素的存储模型参数。可通过3d配准信息来促进这类比较，3d配准信息允许在不同时间对齐样品112中的体素位置。在一些实施例中，结果至少部分基于医生的指示、医学实验室测试结果(例如，血液测试、尿样测试、活检、基因或基因组测试等)、个体病史、个体家族史、样品112或其他样品的体素相关多维数据的定量张量场映射、样品112的阻抗、样品112的水合水平和/或其它输入。
55.此外，如下面参考图6进一步描述的，在一些实施例中，分析引擎122可使用确定的模型参数和第三预定预测模型(如第三机器学习模型和/或第三神经网络)对样品112中的一个或多个解剖结构进行分类或分割。举例来说，使用样品112在体素水平上的模拟或预测响应或在体素水平上确定的模型参数，第三预测模型可输出不同解剖结构的位置和/或可输出不同体素的分类(如器官的类型，它们是否与特别疾病状态相关联，例如，癌症的类型、癌症的阶段等)。因此，在一些实施例中，第三预测模型可基于至少部分地基于模型参数跨不同体素之间的边界的变化(如不连续变化)的变化来训练或者可合并分割信息的分类。这种能力可允许分析引擎122识别不同的解剖结构(这可帮助确定模型参数)和/或诊断或做出关于医学状况或疾病状态的诊断建议。在一些实施例中，在确定模型参数之前、同时或之后执行分类或分割。
56.在一些实施例中，训练引擎126可至少部分地使用模拟数据集训练预测模型、第二预测模型和/或第三预测模型。举例来说，训练引擎126可能已经使用正演模型、模型参数范围和激励范围生成了模拟数据集。以此方式，模拟数据可用于加速一个或多个预测模型的训练。
57.值得注意的是，由于计算技术可能会在测量(如mr扫描)期间捕获所有相关信息，因此可在离线模式下使用正演模型来管理包括大量可能场景(如不同的测量条件)的广泛标记数据集。然后可使用此数据库来训练预测模型。这种能力可解决获得准确标记、可重复和无伪影的mr数据的困难。
58.结合生成的数据集，可使用一个或多个预测模型来选择加速初始数据采集和/或去噪的正则化。此外，一个或多个预测模型还可用于使用正演模型加速模拟或重建。举例来说，预测模型可提供用于正演模型的初始模型参数，这可减少测量和模拟所要求的迭代次数，以收敛于准确度超过预定义值的解。因此，如果初始模型参数产生与测量结果非常不同的预测响应，则这可反馈到后续测量和模拟中以改进模型参数，从而改进预测响应。
59.此外，如果存在未被预测模型(一个或多个)覆盖的模型参数空间的一部分，则可准确地生成和标记新数据点以训练预测模型(一个或多个)。另外，可基于对应于不同应用的不同度量来训练(一个或多个)预测模型(一个或多个)。举例来说，预测模型(一个或多个)可能正在训练以优化差异场景中使用的激励(如无症状人群的快速扫描、特定组织属性的高准确度、对信噪比变化的鲁棒性、不同的硬件缺陷等)。
60.在一些实施例中，分析引擎122可运行至少部分地基于测量或模拟数据确定第一模型参数的神经网络，并且可执行蛮力非线性数值计算以使用测量或模拟数据来解决反演问题以确定第二模型参数。来自这两个
‘
逆求解器’的第一和第二模型参数之间的差异可用作基于神经网络的方法中的误差。这种方法可允许神经网络学习，因为数值方法可能能够向神经网络提供实时反馈并反向传播/更新神经网络中的权重。这种混合方法仍然不要求或不需要先验训练，但能够利用大型神经网络的模式匹配优势和模拟/数值技术的确定性
和准确度来解决反演问题。当神经网络具有与用于训练它的任何示例不同的输入时，混合方法可帮助神经网络。类似地，混合方法可用于直接从时域测量到模型参数化输出(即反演问题输出)。在一些实施例中，混合方法使用生成对抗网络(gan)实现。
61.请注意，在一些实施例中，正演模型可独立于特别mr设备或扫描仪。相反，正演模型可为例如特定于个体的。可调整使用正演模型计算的预测响应，以包括特别mr设备或扫描仪的特性或特征，如磁场不均匀性或磁场中的空间变化、rf噪声、特别rf拾音线圈或另一种磁性传感器、属性或特征随外部磁场强度或测量条件(如体素大小)的变化、地理位置、时间(由于例如磁暴)等。因此，预测的响应可能是特定于机器。
62.尽管前面的论述说明了使用样品112的单个预测模型的计算技术，但在其它实施例中，可存在用于样品112的多个预测模型。举例来说，可使用不同的预测模型来确定样品112的不同部分(如不同的器官或不同类型的组织)的模型参数，并且因此确定不同体素的模型参数。因此，在一些实施例中，可使用不同的预测模型来提供不同类型组织中的t1和t2值，如表1中总结的值。
63.组织t1(秒)t2(毫秒)脑脊液0.8
‑
20110
‑
2000白质0.76
‑
1.0861
‑
100灰质1.09
‑
2.1561
–
109脑膜0.5
‑
2.250
–
165肌肉0.95
‑
1.8220
–
67脂肪0.2
‑
0.7553
–
94
64.表1
65.此外，尽管系统100被示为具有特别组件，但在其它实施例中，系统100可具有更少或更多组件，两个或更多组件可组合成单个组件，和/或一个或多个组件的位置可改变。
66.我们现在描述一种方法的实施例。图2呈现了示出用于确定与样品相关联的模型参数的方法200的示例的流程图。此方法可由系统(如图1中的系统100)或系统中的一个或多个组件(如源110、测量装置114和/或计算机116)来执行。
67.在操作期间，系统中的源可向样品施加激励(操作210)，其中激励具有至少波长和强度或通量。举例来说，激励可包括以下中的一种：电磁辐射、射频波、粒子束、声波、磁场和/或电场。因此，激励可包括以下中的至少一种：x射线波段中的电磁束、中子束、电子束、光学波段中的电磁束、红外波段中的电磁束、超声波波段中的声波、质子束、与阻抗测量装置相关联的电场、与磁共振设备相关联的射频波和/或与磁化率测量装置相关联的磁场。
68.然后，系统中的测量装置可测量与样品相关联的对激励的响应(操作212)。举例来说，测量装置可包括以下中的至少一种：x射线检测器、中子检测器、电子检测器、光学检测器、红外检测器、超声检测器、质子检测器、磁共振设备、阻抗测量装置和/或磁化率测量装置。请注意，测量的响应可包括样品的时域响应且可除图像以外或不同于图像。
69.此外，系统可使用测量的响应和指定激励的信息作为对预定预测模型的输入，在具有代表样品的多个体素的正演模型中在逐个体素基础上计算模型参数(操作214)。正演模型可模拟样品内发生的对具有给定波长和给定强度或给定通量的给定激励的响应物理学，这些激励选自包括激励、波长和强度或通量，以及至少不同的波长和至少不同的强度或
不同的通量的测量条件范围。此外，正演模型可为激励、多个体素的模型参数以及近似响应物理学的微分或唯象方程的函数。
70.请注意，预定预测模型可包括机器学习模型和/或神经网络。在一些实施例中，预定预测模型包括对应于个体的个性化预测模型。
71.接下来，系统可通过使用正演模型、模型参数和激励比较至少测量的响应和计算的响应的预测值来确定模型参数的准确度(操作216)。
72.此外，当准确度超过预定义值时(操作218)，系统可提供模型参数(操作220)作为例如对用户、另一电子装置、显示器和/或存储器的输出。
73.因此，当准确度超过预定义值时(操作218)，模型参数可在单次传递中计算而无需进一步迭代。因此，与没有预定预测模型的迭代方法相比，可使用具有预定预测模型的更少迭代来计算具有超过预定义值的准确度的模型参数。
74.另选地，当准确度小于预定义值时(操作218)，系统可：使用指定激励和准确度的信息作为对第二预定预测模型的输入，计算具有至少修正波长、修正强度或修正通量的修正激励(操作222)；以及用修正的激励而不是激励重复(操作224)施加、测量、计算和确定操作。请注意，第二预定预测模型可包括机器学习模型和/或神经网络。
75.在一些实施例中，系统任选地执行一个或多个任选的附加或另选操作。举例来说，当准确度小于预定义值时(操作218)，系统可：将激励和测量的响应添加到训练数据集；以及使用训练数据集来确定预测模型的修正实例。
76.此外，系统可使用模型参数和第三预测模型对样品中的一个或多个解剖结构进行分类或分割。举例来说，第三预定预测模型可包括机器学习模型和/或神经网络。
77.此外，系统可使用利用正演模型计算的模拟数据集、模型参数范围和激励范围来训练预测模型。
78.在方法200的一些实施例中，可存在附加的或更少的操作。此外，操作的顺序可改变，和/或两个或更多个操作可组合成单个操作。
79.图3呈现了图示系统100(图1)中组件之间通信的示例的图。值得注意的是，计算机116中的处理器310可执行存储在存储器314中的程序指令(p.i.)312。当处理器310执行程序指令312时，处理器310可执行计算技术中的操作中的至少一些。
80.在计算技术期间，处理器310可向接口电路(i.c.)316提供指令318。作为响应，接口电路316可例如在一个或多个分组或帧中向源110提供指令318。此外，在接收指令318之后，源110可对样品施加激励320。
81.然后，处理器310可向接口电路316提供指令322。作为响应，接口电路316可例如在一个或多个分组或帧中向测量装置114提供指令322。此外，在接收指令322之后，测量装置114可测量与样品对激励320相关联的响应324。接下来，测量装置114可例如在一个或多个分组或帧中向计算机116提供测量响应324。
82.在接收到测量响应324之后，接口电路316可向处理器310提供测量响应324。然后，使用测量的响应324和指定激励320的信息作为对预定预测模型的输入，处理器310可在具有表示样品的多个体素的正演模型中在逐个体素基础上计算模型参数(m.p.)326。
83.另外，处理器310可通过使用正演模型、模型参数326和激励320比较至少测量的响应324和计算的响应的预测值来确定模型参数的准确度328。当准确度328超过预定义值时，
处理器310可将模型参数326作为例如输出提供给用户、另一个电子装置(经由接口电路316)、显示器330和/或存储器314。
84.否则，当准确度小于预定义值时，处理器310可执行补救动作332。举例来说，处理器310可：使用指定激励320和准确度328的信息作为对第二预定预测模型的输入来计算修正激励；以及用修正的激励而不是激励320重复施加、测量、计算和确定操作。另选地或附加地，处理器310可：将激励320和测量的响应324添加到训练数据集；以及使用训练数据集来确定预测模型的修正实例。
85.我们现在描述预测模型的实施例。举例来说，预测模型可能包括机器学习模型，如监督学习模型或无监督学习技术(如聚类)。在一些实施例中，机器学习模型可包括：支持向量机、分类和回归树、逻辑回归、lasso、线性回归、非线性回归、模式识别、贝叶斯技术和/或另一种(线性或非线性)监督学习技术。
86.图4呈现了图示机器学习模型400的示例的图。在此机器学习模型中，测量结果410、一个或多个对应激励412和一个或多个测量结果410与使用正演模型确定的一个或多个预测响应之间的一个或多个误差414的加权(使用权重408)线性或非线性组合416、正演模型中体素的模型参数的当前实例以及一个或多个激励412用于计算模型参数418的修正实例。因此，在一些实施例中，预测模型400与正演模型结合使用以迭代地修改模型参数的实例，直到预测响应的准确度小于预定义值(即，达到收敛准则)。然而，在一些实施例中，机器学习模型可用于在一次传递中(即以开环方式)确定模型参数。
87.另选地或附加地，预测模型可包括神经网络。神经网络是广义函数逼近器。举例来说，深度学习等技术通常使用之前的示例作为输入。一般而言，这些机器学习模型不可能确定它们试图近似的实际函数，因为它们没有可用于估计预测误差的参考点。特别是，神经网络很难基于与训练神经网络的示例非常不同的输入进行预测。在这方面，可将神经网络视为有损计算压缩引擎。
88.然而，通过使用各种激励、测量的响应和对应的模型参数训练神经网络，神经网络可为模拟样品对激励的响应的物理学的正演模型提供模型参数(或模型参数的初始估计)。由于神经网络是有效的近似/压缩，因此它们可在相同的输入上执行得更快，所要求的计算能力更少。此外，由于函数在正演模型中是已知的，因此可计算响应并评估预测的准确度(而不是使用近似值)。因此，计算技术可用于确定其预测何时不可靠。特别地，如先前针对图4所论述的，神经网络可与正演模型结合使用以迭代地修改模型参数的实例，直到预测响应的准确度小于预定义值(即，达到收敛准则)。然而，在一些实施例中，神经网络可用于在一次传递中(即以开环方式)确定模型参数。
89.图5呈现了图示神经网络500的示例的图。此神经网络可使用卷积神经网络或递归神经网络来实施。举例来说，神经网络500可包括网络架构512，其包括：初始卷积层514，其提供输入510的滤波(如一个或多个测量结果以及一个或多个测量结果与使用正演模型、模型参数的当前实例和激励确定的一个或多个预测响应之间的差异或误差)；施加权重的附加卷积层(一个或多个)516；以及执行选择(例如，选择模型参数的修正实例)的输出层518(例如，经校正的线性层)。请注意，神经网络500中具有不同层的细节以及它们的互连件可定义网络架构512(如有向无环图)。这些细节可由神经网络500的指令指定。在一些实施例中，神经网络500被重新格式化为一系列矩阵乘法运算。神经网络500可能能够处理100万个
或更多输入中的真实世界方差。请注意，可使用深度学习技术或gan来训练神经网络500。在机器学习模型400(图4)和/或神经网络500的一些实施例中，模型参数的当前实例被用作输入。
90.在一些实施例中，大型卷积神经网络可包括60m个参数和650,000个神经元。卷积神经网络可能包括八个具有权重的学习层，包括五个卷积层三个具有最终1000路softmax或归一化指数函数的完全连接层，其针对不同的可能模型参数在1000类标签上产生分布。卷积层中的一些之后可能是最大池化层。为了使训练更快，卷积神经网络可使用非饱和神经元(如局部响应归一化)和卷积运算的高效双并行化gpu实施方式。此外，为了减少全连接层的过拟合，可使用正则化技术(有时称为
‘
dropout’)。在dropout中，不同模型的预测被有效组合以减少测试误差。特别地，每个隐藏神经元的输出以0.5的概率设置为零。以这种方式
‘
退出’的神经元不参与正向传播，也不参与反向传播。请注意，卷积神经网络可最大化多项逻辑回归目标，这可相当于最大化预测分布下正确标签的对数概率的训练案例的平均值。
91.在一些实施例中，第二、第四和第五卷积层的内核耦合到驻留在同一gpu上的前一层中的那些内核映射。第三卷积层的内核可耦合到第二层中的所有内核映射。此外，全连接层中的神经元可耦合到前一层中的所有神经元。此外，响应归一化层可在第一和第二卷积层之后，并且最大池化层可在响应归一化层和第五卷积层之后。神经元的非线性模型，如经校正的线性单元，可施加到每个卷积层和全连接层的输出。
92.在一些实施例中，第一卷积层用96个大小为11
×
11
×
3的内核以四个像素的步长(这是内核映射中相邻神经元的感受野中心之间的距离)滤波224
×
224
×
3的输入图像。请注意，第二卷积层可将第一卷积层的(响应归一化和池化)输出作为输入，并且可用256个大小为5
×5×
48的内核对其进行滤波。此外，第三、第四和第五卷积层可在没有任何中间池化或归一化层的情况下彼此耦合。第三卷积层可具有384个大小为3
×3×
256的内核，这些内核耦合到第二卷积层的(归一化、池化)输出。另外，第四卷积层可具有384个大小为3
×3×
192的内核，并且第五卷积层可具有256个大小为3
×3×
192的内核。全连接层每个可具有4096个神经元。请注意，前面和下面剩余论述中的数值仅用于说明的目的，并且在其它实施例中可使用不同的值。
93.在一些实施例中，卷积神经网络使用至少两个gpu来实施。一个gpu可运行层部分中的一些，而另一个运行剩余的层部分，并且gpu可在某些层进行通信。卷积神经网络的输入可为150,528维的，卷积神经网络中剩余层的神经元数目可由253、440
‑
186、624
‑
64、896
‑
64、896
‑
43和264
–
4096
–
4096
–
1000。
94.我们现在描述正演模型的实施例。此正演模型可为样品的一部分(如个体)中体素的3d模型，并且可包括每个体素的bloch方程中的模型参数。特别地，对于沿z轴线的准静态磁场b0，bloch方程为
[0095][0096]
和
[0097][0098]
其中γ是旋磁比，表示向量叉积，并且是样品中一类核所经历的磁场。bloch方程中的模型参数可包括t1、t2、一类核的密度、扩散、速度/流量、温度、磁化率等。请注意，对于每个体素的不同类型的核，可能有不同的模型参数。此外，请注意，bloch方程是样品中核类型的磁矩对时变磁场的动态响应的半经典、宏观近似。举例来说，在1mm3体素中可存在67m个细胞。
[0099]
原则上，样品的bloch方程中模型参数的解空间可被低估，即，要确定的模型参数可比用于指定或约束模型参数的观测值多得多。因此，在训练预测模型或使用预测模型确定模型参数时(如使用机器学习模型或神经网络层中的计算)，计算技术可利用附加信息来约束或降低问题的维数。举例来说，可使用其它成像技术(如计算机断层扫描、x射线、超声等)来确定样品解剖结构的一个方面。此外，比目标类型的组织(如心脏组织)看起来不像(即具有非常不同的测量结果，例如，不同的测量mr信号)的区域可从正演模型中排除(如通过将这些区域中的模型参数设置为零)。以此方式，例如可排除由空气组成的区域。正演模型中的其它约束可包括：对用于灌注或mrt以量化代谢的热流(从热至冷)的热力学约束。此外，可使用不同的脉冲序列和/或不同的mr技术，在不同的磁场强度b0(其可提供与伪随机脉冲序列类似的信息)下的测量来训练预测模型，这可降低模型参数与观测值的比率，从而简化预测模型的训练。
[0100]
另选地或附加地，与基于先前mr测量或扫描(例如，异常或变化)的预测或模拟响应(如预测的mr信号)显著偏离的组织可成为正演模型的焦点，如通过使用等高线图(例如三次样条)来界定存在显著差异的区域(或指定区域的边界)。在一些实施例中，当使用预测模型训练预测模型或确定模型参数时(如使用机器学习模型或神经网络层中的计算)，可使用一个或多个水平集函数来表示测量结果与模拟或预测响应之间的差异或误差，并且误差超过阈值的区域的边界可基于与阈值对应的平面与一个或多个水平集函数的交集来确定。
[0101]
在一些实施例中，神经网络中的层可沿样品中模型参数解的表面(一个或多个)计算一阶和二阶导数。(为了便于导数的计算，可使用一个或多个水平集函数来表示模型参数。)可识别沿一阶导数为零的线的一组体素。这组体素可使用三次样条拟合，并且体素位置和三次样条之间的误差最小。此拟合操作可在模型
‑
参数
‑
解空间中的所有边界处重复。此外，可确定由三次样条定义的边界内的最大连续表面，并且可重复模型参数解计算以确定在先前连续表面内的新连续表面。这种通用框架可最小化体素体积内的误差，从而提高测量结果与基于正演模型的模拟或预测响应之间的一致性。
[0102]
举例来说，神经网络可使用正演模型中体素的模型参数的雅可比矩阵和牛顿方法来解决反演问题，以基于模型参数中的微扰如何影响测量结果与预测响应之间的差异或误差来修改连续层中体素的模型参数。
[0103]
在一些实施例中，如果样品的一部分包括一个体素，则可能存在需要为特别类型的组织确定的4
‑
10个模型参数(其指定正演模型)。如果体素包括m种类型的组织，则可能存在需要为特别类型的组织确定的4m
‑
10m个模型参数。随着体素数目的增加，这似乎是一个令人生畏的问题。
[0104]
然而，由于不同类型的核具有不同的拉莫尔频率，因此可通过测量确定核类型的空间分布及其局部浓度。然后，可缩放人体(或人体的一部分)的预定义解剖模板以及用于正演模型的相关初始模型参数，以匹配核类型的空间分布及其局部浓度。举例来说，不同类型的组织中的模型参数的预定或预定义范围可用于确定初始模型参数的范围。在一些实施例中，初始模型参数基于与先前测量或mr扫描相关联的模型参数。
[0105]
接下来，具有作为关联模型参数和激励的函数的模拟或预测响应(使用一个或多个正演模型生成)的查找表可用于修改初始模型参数或计算样品中体素的模型参数。举例来说，可识别与测量相似的模拟或预测响应，并且这些模拟或预测响应与测量之间的差异或误差可用于指导查找表中模型参数之间的插值。
[0106]
在一些实施例中，对于一种类型的组织(如特别器官)，使用神经网络中的不同层确定的模型参数可随着不同层中体素的大小逐渐减小(并且因此，体素的数目增加)而迭代地细化。此分析可由测量结果与使用正演模型的模拟或预测响应之间的误差驱动。通过神经网络中的连续层进行，焦点可集中在误差大于收敛或准确度准则的残差区域上。举例来说，神经网络中一层中的正演模型的模型参数可基于在一个磁场强度下的测量结果，然后可基于在另一个磁场强度下正演模型的预测响应来确定误差。此外，请注意，最初预测模型或正演模型可假设不同体素之间没有贡献或相互作用。然而，随着误差和体素大小的减小，这类贡献和/或相互作用可包括在神经网络的后续层中。在一些实施例中，当针对神经网络中的一层的反演问题存在多个候选模型参数解(具有相似的误差)时，这些候选中的至少一些可保留以供在后续层中使用(即，在这一点上可不识别唯一的模型
‑
参数解)。另选地，如果在期望误差范围内(如小于50％、25％、10％、5％或1％)没有唯一的参数解，则可保留最佳(误差最小)模型参数解。此外，当在期望误差范围内没有模型参数解时，可使用第二预测模型来修改激励，并且可执行附加的测量(一个或多个)。
[0107]
因此，基于测量确定模型参数的反演问题可使用提供模型参数的预测模型来
‘
解决’，该模型参数最小化测量与基于正演模型、模型参数和激励生成的模拟或预测响应之间的误差或差异。在一些实施例中，使用一种或多种分析技术来解决反演问题，包括：最小二乘法、凸二次最小化技术、最速下降技术、拟牛顿技术、单纯形技术、levenberg
‑
marquardt技术、模拟退火、遗传技术、基于图形的技术、另一种优化技术和/或卡尔曼滤波(或线性二次估计)。
[0108]
请注意，预测模型的训练可使用动态规划。特别地，训练问题可被分割并由多台计算机并行地执行，例如，在基于云的计算系统中。举例来说，特别线程可尝试解决特别测量条件下的反演问题。可组合(例如，使用线性叠加)由计算机(或处理器)生成的多个潜在模型参数解以确定使用一种或多种分析技术最小化的误差度量。
[0109]
此外，如前所述，可通过预测模型(如机器学习模型或神经网络)迭代地解决反演问题，其通过首先尝试使用粗体素大小为正演模型找到合适的模型参数(例如，最小化测量和模拟或预测响应之间的误差的模型参数，然后在计算的后续层或阶段中逐步找到具有较小体素大小的合适参数。请注意，在该迭代过程中使用的最终体素大小(或体素大小的合适范围，因为在一些实施例中体素大小可不固定)可基于被扫描的核的类型的旋磁比来确定。此外，还可选择体素大小或位置，使得体素被均匀地划分成一组子体素，或者使得与预览体素大小存在一定量的重叠，以有效地对重叠区域进行
‘
过采样’，并且可能进一步定位mr信
号的来源。最后一种技术可类似于将整个梯度系统在一个或多个维度上移动距离dx，距离dx小于体素的特性长度(如体素的长度、宽度或高度)。在一些实施例中，预测模型或正演模型中的体素大小小于测量中使用的体素大小(即，预测模型或正演模型可使用超分辨率技术)。举例来说，在3t的磁场强度下可存在512
×
512个体素或1024
×
1024个体素。请注意，体素大小可小于0.253mm3。
[0110]
我们现在描述可由第三预测模型(如神经网络)使用的用于分割不同类型组织的技术的实施例。在多维参数空间中为不同类型的组织dj(对于j＝1至n)定义测量的时间采样mr轨迹(或向量)的字典d
mr
，使得体素的测量mr信号y
obv
可表示为
[0111][0112]
其中α
j
是归一化权重(即)，并且ε是误差(即ε＝(y
j
,α
j
)，对于j＝1至n。这可定义体素内线性方程问题。广义体素间问题可将一组体素(如具有27个体素的立方体)建模为图g。请注意，该组中的每个体素可具有26条边到8个相邻体素。可将反演问题的参数解定义为最小化误差的解。
[0113]
考虑两个相邻体素u和v的情况。体素内线性方程u
y
和v
y
需要在u和v处求解。存在几种可能的结果。首先，u
y
和v
y
可具有唯一的模型参数解(其中
‘
唯一模型参数解’可为对现有正演模型的最佳拟合，即具有小于收敛或准确度准则的误差或差异向量)，并且分析可完成。另选地，u
y
可具有唯一的模型参数解，但没有v
y
。u
y
中的模型参数的解有可能对v
y
施加约束，使得v
y
具有单个模型参数解，在这种情况下，分析可完成。然而，u
y
和v
y
均不可具有唯一的模型参数解，在这种情况下，组合方程组(即，有效地增加体素大小)可产生唯一的模型参数解。此外，u
y
和v
y
均不可具有任何模型参数解，在这种情况下，没有进一步的约束就无法解决体素内问题。
[0114]
在最后一种情况下，有可能需要在u、v和w处求解具有对应的体素内线性方程u
y
、v
y
和w
y
的相邻体素w，即序列体素u、v和w。请注意，体素内线性方程v
y
和w
y
简化为前一种情况。当体素内线性方程没有归约到之前的情况时，可递归地施加此解析操作，直到它这样做为止，然后可如前所述求解体素内线性方程。
[0115]
一般而言，这种分析技术可同构于拟合3d表面(或体积)以最小化误差的问题。这方面的一个挑战是它假设所有相邻的体积对最小化误差的模型参数解α
j
具有相同的影响。
[0116]
误差的最小化可最初假设不存在体素间贡献(即，体素是独立的)。随后，可包括体素间贡献。特别是，考虑到相邻的体素体积，存在两个不同的类。共享曲面的体积和仅共享1d边的体积。可通过对相对坐标系中心的体素u处的误差贡献进行加权来改进最小化函数。如果对误差的影响与r
‑2成正比(其中r是体素中心点之间的距离)，并且假设权重中的1mm各向同性体素，则具有体素间贡献的最小化或拟合问题可表示为
[0117][0118]
其中对k的求和是针对共享公共表面的相邻体素(即(
‑
1,0,0)、(1,0,0)、(0,
‑
1,
0)、(0,1,0)、(0,0，
‑
1)和(0,0,1))并且对l的求和是针对共享公共边的相邻体素的剩余部分。分析中的假设是，最难拟合或确定模型参数解的地方是不同组织之间的不连续或界面。因此，在计算技术期间，分析引擎122(图1)可首先求解这些位置，然后可求解剩余的位置。
[0119]
另选地，由于来自相邻体素的磁贡献与r2成正比，因此在最小化问题中，给定距主要或中心体素的中心半径为r的球体，可基于球体扩展到相邻体素体积的程度对周围体素进行加权(因此，基于他们的体素间贡献的强度估计)。举例来说，可能需要指定三种不同的权重，包括：共享2d表面的体素的权重、共享1d线的体素的权重，以及共享0d点的体素的权重。因为在每个体素内可能不存在均匀的组织分布，所以可动态调整权重以对每个体素内的不同类型的分布进行建模，以便找到最小化误差的分布。这可提供为不同类型的组织提供在单个体素内识别多个mr特征的能力。请注意，随着计算能力的增加，第三预测模型的准确度可增加，并且用于解决最小化问题(因此，反演问题)的分析技术可被修改。
[0120]
因此，在体素的正演模型依赖于周围或相邻体素的正演模型的实施例中，可使用第2阶或第n阶效应来计算体素的正演模型。举例来说，如果存在n个第1阶正演模型(其中n是整数)，则可存在多达n！/(n
‑
27)！个第2阶正演模型(如果所有的体素彼此相互作用)。在一些实施例中，局部性用于简化反演问题。以这种方式，可通过结合相邻的体素的正演模型如何影响主(中心)或第1阶体素中的正演模型来生成正演模型。
[0121]
在一些实施例中，抖动技术用于克服体素相对于体内组织类型分布的任意位置。特别地，由于任意体素放置或当前体素大小，体素中可存在两种或更多种类型的组织。这可显著改变该体素的正演模型参数。这可表明体素需要不止一个正演模型。为了确认这一点，体素可位移距离dx(其是体素长度、宽度或高度的一部分)，并且可再次确定正演模型参数(例如，使用预测模型)。在这些过程中，可确定组织分布。因此，这种方法可在不改变体素大小的情况下有效地增加分析中的空间分辨率。
[0122]
图6呈现了图示一个或多个解剖结构600的分类或分割的示例的图。值得注意的是，图6图示了至少部分地基于体素边界处的t1和t2中的不连续变化来识别或分割器官610。
[0123]
尽管前面的论述说明了使用mr技术的计算技术，但这种方法可推广到能够使用各种表征技术对样品进行物理建模和实时测量的测量系统。一般而言，计算技术可使用机械波和/或电磁波的组合来
‘
微扰’或
‘
激励’被扫描的体积，以便根据体积如何响应微扰来评估预测的正确性。这还包括系统模拟自身和系统所在环境的任何部分的能力，这些部分可影响系统试图生成的正演模型的正确性或准确度，以描述被扫描或测量的体积。
[0124]
请注意，不同的表征技术可提供张量场映射和检测张量场异常的能力。这些映射可为图像或定量张量场映射，并且每个表征技术可提供用不同类型的测量捕获的不同类型的张量场映射的可视化。通过查看或考虑这些映射中的两个或更多个，系统可访问正交信息。
[0125]
因此，系统可提供一种在3d空间中的每个体素处实时或接近实时地捕获高阶或超维伪或混合张量或矩阵的方式。使用电磁和/或机械微扰或激励，系统可使用不同的表征技术来测量扰动和响应，然后模拟响应。
[0126]
此表征的结果可为被扫描体积的(4+n)d(三个空间维度、一个时间维度以及在空间中的每个点处多达n个测量维度)定量模型。请注意，(4+n)d定量模型可投影到完整(4+n)d空间的任意子集，包括2d或3d图像。
[0127]
在一些实施例中，即使使用更大的体素大小，多维数据和模型的使用相对于常规mri方法也提供了增强的诊断准确度(即，较低的假阳性率)。因此，计算技术可在比常规mri所需的更大的体素大小(或更弱的外部磁场)下提高诊断准确度。然而，如前所述，计算技术可在与mri分开或附加于mri的情况下与各种测量技术一起使用。
[0128]
我们现在进一步描述执行计算技术中的操作中的至少一些的电子装置。图7呈现了图示系统100(图1)中的电子装置700(如计算机116(图1))或系统100中的另一计算机控制组件(如源110或测量装置114(图1))的框图。此电子装置包括处理子系统710、存储器子系统712和联网子系统714。处理子系统710可包括被配置为执行计算操作并控制系统100(图1)中的组件的一个或多个装置。举例来说，处理子系统710可包括一个或多个微处理器或中央处理单元(cpu)、一个或多个图形处理单元(gpu)、专用集成电路(asic)、微控制器、可编程逻辑装置(如现场可编程逻辑阵列或fpga)和/或一个或多个数字信号处理器(dsp)。
[0129]
存储器子系统712可包括用于存储处理子系统710和联网子系统714的数据和/或指令的一个或多个装置。举例来说，存储器子系统712可包括动态随机存取存储器(dram)、静态随机存取存储器(sram)和/或其它类型的存储器。在一些实施例中，用于在存储器子系统712中处理子系统710的指令包括一个或多个程序模块或指令集(如程序指令724)，其可由处理子系统710在操作环境(如操作系统722)中执行。请注意，一个或多个计算机程序可构成计算机程序机制或程序模块(即，软件)。而且，存储器子系统712中各种模块中的指令可用以下方式实施：高级过程语言、面向对象的编程语言和/或汇编语言或机器语言。此外，编程语言可被编译或解释，例如可配置或配置(在本论述中可互换使用)，以由处理子系统710执行。
[0130]
此外，存储器子系统712可包括用于控制对存储器的访问的机制。在一些实施例中，存储器子系统712包括存储器层次结构，存储器层次结构包含耦合到电子装置700中的存储器的一个或多个高速缓存。在这些实施例的一些中，一高速缓存中的个或多个位于处理子系统710中。
[0131]
在一些实施例中，存储器子系统712耦合到一个或多个高容量大容量存储装置(未示出)。举例来说，存储器子系统712可耦合到磁或光驱动器、固态驱动器或另一种类型的大容量存储装置。在这些实施例中，存储器子系统712可被电子装置700用作常用数据的快速存取存储器，而大容量存储装置用于存储不太常用的数据。
[0132]
在一些实施例中，存储器子系统712包括远程定位的存档装置。此归档装置可为大容量网络附接大容量存储装置，如：网络附接存储(nas)、外部硬盘驱动器、存储服务器、服务器集群、云存储提供商、云计算提供商、磁带备份系统、医疗记录存档服务和/或其它类型的存档装置。此外，处理子系统710可经由应用编程接口与档案装置交互以存储和/或访问来自档案装置的信息。请注意，存储器子系统712和/或电子装置700可符合《健康保险可携性和责任法案》。
[0133]
在图8中示出了(本地和/或远程)存储在存储器子系统712中的数据的示例，图8呈现了图示由电子装置700(图7)使用的数据结构800的示例的图。此数据结构可包括：样品808
‑
1(例如个体)的标识符810
‑
1、元数据812(如年龄、性别、活检结果和诊断(如果已经做出一个的话)、其它样品信息、人口统计信息、家族史等)、获取数据时的时间戳814、接收到的测量结果816(如mr信号，更一般地，原始数据)、激励和测量条件818(如外部磁场、任选梯
度、rf脉冲序列、mr设备、位置、机器特定特性，如磁场不均匀性、rf噪声和一个或多个其它系统缺陷、信号处理技术、注册信息、如测量和个体的心跳或呼吸模式之间的同步信息等)，和/或确定的模型参数820(包括体素大小、速度、共振频率或核的类型、t1和t2弛豫时间、分段信息、分类信息等)、环境条件822(如测量样品808
‑
1的房间或腔室中的温度、湿度和/或大气压)、正演模型824、样品808
‑
1的物理属性的一个或多个附加测量826(如重量、尺寸、图像等)、任选的检测到的异常828(其可包括与检测到的异常828中的一个或多个相关联的特别体素(一个或多个))和/或一个或多个检测到的异常828的任选分类830。请注意，数据结构800可包括用于不同测量的多个条目。
[0134]
在一个实施例中，数据结构800中的数据使用区块链或类似的密码散列技术加密以检测记录的未授权修改或损坏。此外，数据可在存储之前匿名化，使得与样品相关联的个体的身份是匿名的，除非个体允许或授权访问或发布个体的身份。
[0135]
回到图7，联网子系统714可包括被配置为耦合到有线、光和/或无线网络并在其上通信(即，执行网络操作，并且更一般地，通信)的一个或多个装置，包括：控制逻辑716、接口电路718、一个或多个天线720和/或输入/输出(i/o)端口728。(尽管图7包括一个或多个天线720，但在一些实施例中，电子装置700包括一个或多个节点708，例如焊盘或连接器，其可耦合到一个或多个天线720。因此，电子装置700可包括或可不包括一个或多个天线720。)举例来说，联网子系统714可包括蓝牙联网系统(其可包括低功耗蓝牙、ble或蓝牙le)、蜂窝联网系统(例如，如umts、lte等的3g/4g网络)、通用串行总线(usb)联网系统、基于ieee 802.11中描述的标准的联网系统(例如，wi
‑
fi联网系统)、以太网联网系统和/或其它联网系统。
[0136]
而且，联网子系统714可包括处理器、控制器、无线电/天线、插座/插头和/或用于耦合、通信和处理每个支持的联网系统的数据和事件的其它装置。请注意，用于在网络上耦合、通信和处理每个网络系统的数据和事件的机制有时统称为联网子系统714的
‘
网络接口’。此外，在一些实施例中，系统100(图1)中的组件之间的
‘
网络’尚不存在。因此，电子装置700可使用联网子系统714中的机制来执行组件之间的简单无线通信，例如传输广告或信标帧和/或扫描由其它组件传输的广告帧。
[0137]
在电子装置700内，处理子系统710、存储器子系统712、联网子系统714可使用一个或多个互连件，如总线726来耦合。这些互连件可包括子系统可用来在彼此之间传送命令和数据的电、光和/或电光连接。尽管为了清楚只示出了一条总线726，但是不同的实施例可包括子系统之间不同数目或配置的电、光和/或电光连接。
[0138]
电子装置700可(或可)包括在各种各样的电子装置中。举例来说，电子装置700可包括在：平板电脑、智能手机、智能手表、便携式计算装置、可穿戴装置、测试器材、数字信号处理器、计算装置集群、膝上型计算机、台式计算机、服务器、子笔记本/上网本和/或另一计算装置中。
[0139]
尽管使用特定组件来描述电子装置700，但在替代实施例中，不同的组件和/或子系统可存在于电子装置700中。举例来说，电子装置700可包括一个或多个附加处理子系统、存储器子系统和/或联网子系统。此外，一个或多个子系统可不存在于电子装置700中。此外，在一些实施例中，电子装置700可包括图7中未示出的一个或多个附加子系统。
[0140]
尽管单独的子系统在图7中示出，但在一些实施例中，给定子系统或组件的一些或
全部可集成到电子装置700中的其它子系统或组件中的一个或多个中。举例来说，在一些实施例中，程序指令724包括在操作系统722中。在一些实施例中，给定子系统中的组件包括在不同子系统中。此外，在一些实施例中，电子装置700位于单个地理位置处或分布在多个不同的地理位置上。
[0141]
此外，电子装置700中的电路和组件可使用模拟和/或数字电路的任何组合来实施，包括：双极、pmos和/或nmos栅极或晶体管。此外，这些实施例中的信号可包括具有近似离散值的数字信号和/或具有连续值的模拟信号。此外，组件和电路可为单端或差分的，并且电源可为单极或双极的。
[0142]
集成电路可实现联网子系统714(如无线电)的功能性中的一些或全部，并且更一般地，实现电子装置700的功能性中的一些或全部。此外，集成电路可包括硬件和/或软件机制，用于从电子装置700传输无线信号和在电子装置700处从系统100(图1)中的其它组件和/或从系统100(图1)外部的电子装置接收信号。除了本文描述的机制之外，无线电在本领域中是公知的，因此不详细描述。一般而言，联网子系统714和/或集成电路可包括任何数目的无线电。请注意，多无线电实施例中的无线电以与单无线电实施例中描述的无线电类似的方式起作用。
[0143]
尽管前述实施例中的操作中的一些在硬件或软件中实施，但一般而言，前述实施例中的操作可按多种配置和架构来实施。因此，前述实施例中的操作中的一些或全部可在硬件、软件或两者中执行。
[0144]
此外，在前述实施例中的一些中，存在更少的组件、更多的组件、改变组件的位置和/或组合两个或更多个组件。
[0145]
尽管前面的论述说明了求解向量波动方程的计算技术，但在其它实施例中，计算技术可用于求解标量方程。举例来说，可基于使用正演模型的超声测量在任意非均匀介质中求解声波方程。(因此，在一些实施例中，激励可为机械的。)请注意，超声测量中的声学耦合可依赖于操作者(即，超声测量可为压力相关的)。尽管如此，类似的方法可用于：改进超声成像、确定3d结构、促进改进演示等。
[0146]
在前面的描述中，我们提到
‘
一些实施例’。请注意，
‘
一些实施例’描述了所有可能实施例的子集，但并不总是指定相同的实施例子集。此外，请注意，前述实施例中的数值是一些实施例的说明性示例。在计算技术的其它实施例中，可使用不同的数值。
[0147]
前述说明旨在使本领域的任何技术人员能够制作和使用本公开，并且在特别应用及其要求的上下文中提供。此外，本公开的实施例的前述描述仅用于说明和描述的目的。它们并非旨在详尽无遗或将本公开局限于所公开的形式。因此，许多修改和变化对于本领域技术人员来说将是显而易见的，并且在不脱离本公开的精神和范围的情况下，本文定义的一般原理可应用于其它实施例和应用。此外，前述实施例的论述并不旨在限制本公开。因此，本公开不旨在局限于所示的实施例，而是被赋予与本文公开的原理和特征一致的最宽范围。