用于磁共振扫描仪模拟的方法与流程

1.本发明涉及一种用于磁共振扫描仪模拟的方法。


技术实现要素：

2.本发明涉及一种用于在核磁共振成像(mri)模拟器中进行磁共振(mr)扫描仪模拟的方法，该方法包括：
[0003]-将数据参数输入到mri模拟器的网络接口中，其中，输入的数据参数至少为脉冲序列和解剖模型；
[0004]-连接网络接口和mri模拟器的基于云的模拟器引擎，以将数据参数传递到基于云的模拟器引擎，该方法包括：
[0005]-导入脉冲序列计算模型；
[0006]-设置输入的数据；以及
[0007]-在网络接口中对获得的图像进行切片选择；
[0008]
该方法还包括：
[0009]-重新计算数据参数，以提供一个或多个模拟的mr信号，该重新计算在云中进行，
[0010]
并且其中该方法还包括：
[0011]-基于该一个或多个模拟的mr信号重建mr图像，该mr图像的重建在云中进行；以及
[0012]-将mr图像发送到网络接口。
[0013]
christos g.xanthis和anthony h.aletras在《plosone》上发表的
″
coremri：a high-performance，publicly available mr simulation platform on the cloud
″
一文公开了一种用于高级mri模拟(coremri)的面向云的引擎。该研究的目的在于通过按需随选的、可扩展的和基于云以及基于gpu的基础设施，开发首款作为网络服务提供的高级mr模拟平台。如上所述，该在线mr模拟平台可用作虚拟mri扫描仪，但也可用作基于云的高性能引擎，用于基于模拟的定量mr(qmr)方法中的高级mr模拟。在所用的方法中，还会进行切片以实现该mri模拟过程。应注意，本发明中所提出的方法并未在本文中予以公开或暗示。
[0014]
本发明提供了一种改进了的用于实现基于云的mr模拟的方法，例如，用于实现上述本文中提供的过程。本发明提供的改进涉及切片过程，还有，例如，涉及不同单位如何进行交互(cpu、gpu、用户界面等)的系统水平。
具体实施方式
[0015]
下文提供以及进一步描述了本发明的一些具体实施方案。
[0016]
根据本发明，上述方法还包括：基于该一个或多个模拟的mr信号重建mr图像，该mr图像的重建在云中进行；以及将该mr图像发送到该网络接口。
[0017]
从上文所述应理解，该重建是根据本发明基于实际模拟的步骤。重建可以为根据本发明的方法的一部分，但还应认为，根据本发明的方法还体现了原始数据是有控制的预期输出的情况或基于模拟的定量mr的情况。
[0018]
根据本发明的又一具体实施方案，该输入的数据参数至少为脉冲序列和解剖模型。此外，在根据本发明的方法中，也可输入其他参数。例如，可指定一般配置作为此类输入。
[0019]
进一步，并且从上文所述可以理解，根据本发明的方法还明显指向根据本发明的平台系统中涉及的不同接口和单元的交互。在此上下文中，可注意本发明明显指向提供一种用于教学目的的分析或数值mri模拟平台，其中，该平台基于图形处理单元(gpu)、基于云，并且基于网络。还存在根据本发明的其它感兴趣应用，例如，用于研究和ai目的。
[0020]
此外，在这方面，还可以说，根据一个具体实施方案，该基于云的模拟器引擎进行该重新计算并且将重新计算的数据发送到该mri模拟器的一个或多个图形处理单元(gpu)中，该gpu返回该一个或多个模拟的mr信号。
[0021]
此外，根据本发明的又一具体实施方案，该mr图像的重建步骤由云中的该mri模拟器的一个或多个中央处理单元(cpu)和/或该一个或多个图形处理单元(gpu)进行。
[0022]
在此上下文中，还可注意，gpu卡的特性/规格决定实验如何拆分为更小的部分。此外，可能存在可限制gpu利用率的gpu资源极限(如最大线程、共享存储器容量、每个线程的最大寄存器、寄存器文件容量等)。最佳的gpu卡将在一次迭代中实现整个实验的转移、主机处理以及执行，而无需将实验拆分成更小的部分，并且不会降低gpu利用率。当累积的资源需求相对于内核要求与gpu的资源容量相等时，这类最佳gpu卡将实现最高的gpu利用率。根据本发明，还可以使用不同类型的计算工具和软件，其也可用于对所进行方法的部分进行编码。根据一个具体实施方案，使用matlab进行上述重新计算中的至少部分。
[0023]
如上所述，将不同形式的输入提供给根据本发明的系统，即，使上述方法得到进行。一个此类参数是所使用的脉冲序列。与此相一致给出一个定义，根据一个具体实施方案，则脉冲序列是事件的序列，其改变空间中的每个点应有的表现方式以产生信号。同样，根据本发明，还可以设置一般配置作为输入。示例示出了所使用的坐标系类型，以及是否基于如3d或4d模型。此外，所使用的实际解剖模型也是针对根据本发明的系统及方法限定起始点的一个此类参数。在这方面，还可注意，该解剖模型可以为人或动物。同样，模体和实际上任何其它类型的物体都是完全可能的。然而，应注意，人或动物解剖模型是针对根据本发明的方法和系统的重点。
[0024]
根据本发明，上述过程的步骤为：
[0025]-将数据参数输入到上述mri模拟器的网络接口中；以及
[0026]-连接该网络接口和该mri模拟器的基于云的模拟器引擎，以将该数据参数传递到该基于云的模拟器引擎；
[0027]
优选地，该方法包括：
[0028]-导入脉冲序列计算模型；
[0029]-设置输入的数据；以及
[0030]-在该网络接口中对获得的图像进行切片选择。
[0031]
在这方面，应注意，该脉冲序列计算模型可包括若干参数，至少一些该参数可以调整。一个此类可调整的示例为对比度。此外，此类切片是根据本发明的相关方面。根据本发明的一个具体实施方案，每一次新的切片选择作用在于为下一次切片选择提供参考。进一步，根据又一个实施方案，相位编码方向和频率编码方向分别表示一条与该切片选择方向
正交的轴。例如，在给定的x、y和z坐标中，上述两个参数分别可以用x和y进行表示。
[0032]
进一步，根据一个实施方案，上述切片选择为2d采集中的单切片选择或3d采集中的切块选择。
[0033]
进一步，上述继续，根据本发明的又一个具体实施方案，进行以下过程：
[0034]-在网络接口中对获得的图像进行切片选择；
[0035]-获得新图像；
[0036]-在不同方向上进行新切片选择；
[0037]-获得新图像；以及，最后：
[0038]-进行另一次切片选择，
[0039]
并且其中，获得的每个图像优选地为进行切片选择的图像的横截面。
[0040]
在根据本发明的方法中可能在切片时进行的方向变化能够在一些情况下有助于获得进一步改进的图像。
[0041]
通常，根据本发明的方法非常适合用于mr成像领域的教学目的。作为示例，当使用根据本发明的方法时，可以非常高效的方式训练切片规划。进一步，该方法还使得用户能够从mr成像的视角了解解剖模型后面的物理学知识。然而，应再次注意，本发明也适合若干其它应用，例如用于研究领域和ai领域等。
[0042]
进一步，由于根据本发明的方法能够使用即导入不同的脉冲序列、计算模型和不同类型的切片协议，该方法可几乎用于任何类型的解剖模型上，无论是人类还是动物。
附图说明
[0043]
图1为根据本发明的方法的一个实施方案的过程示意。
[0044]
图2为用于与根据本发明的平台和方法进行交互的系统设置的框图。