图1 主动降噪算法示意图
Fig.1 The diagram of active EMI suppression algorithm
摘要 为了发挥超低场磁共振成像可移动化的优势，传统的被动电磁屏蔽方法应该被主动电磁干扰抑制方法所替代。该文首先分析了电磁干扰传输路径并发现人体耦合为主要传输路径。针对性地设计了用以采集人体耦合电磁干扰的“戒指”型电磁干扰检测线圈，并配合平面及螺线管型线圈共同构成了电磁干扰参考通道。该文提出相关窗口概念：一定采集间隔内的参考电磁干扰信号仍有助于更加精确地估计某一时刻核磁通道电磁干扰信号。选定各通道K空间外围数据为校准数据，由核磁通道校准数据构建校准目标矩阵；由相关窗口内参考通道校准数据构建校准源矩阵。对上述两个矩阵进行小波分解后并通过最小二乘法求得各层转移系数。由参考电磁干扰信号在相关窗口内构建重构源矩阵，并由各层转移系数求得核磁通道电磁干扰拟合值。最后从受污染的核磁信号减去求得的拟合值，实现主动降噪。一维信号以及人体成像实验表明，该主动电磁干扰系统可大幅降低外界电磁干扰对图像质量的影响，使得磁共振扫描仪可在无屏蔽的开放环境中工作。
关键词：超低场 无屏蔽可移动磁共振成像仪 主动电磁干扰抑制 小波分析 相关窗口
核磁共振诊断技术凭借其无电离辐射、无侵入、软组织分辨率高等优点，在磁共振影像等医学领域得到了广泛的应用[1-4]。磁共振成像仪的价格与磁场强度成正相关，接近106 $/T[5]。商用的医疗磁共振扫描仪的磁感应强度普遍在1.5～3 T，这使得传统的磁共振成像仪价格十分昂贵。同时，传统的磁共振成像仪需工作于专门的影像诊断科室中，不具有可移动性。超低场可移动磁共振成像仪相比于传统的磁共振成像仪具有价格低廉、质量轻、占地面积小、使用更加安全、可移动等优点，其已经成为平衡磁共振成像仪的成本及性能的可行方案。因此，很多学者对超低场可移动磁共振成像系统感兴趣[6-7]，并将其应用于可移动磁共振成像系统、床旁监护；以及磁共振救护车等场景[8-13]。目前，超低场磁共振成像仪被应用于脑神经成像[8-9]、大脑成像[10-13]等医学影像领域。
轻量化且无需冷却系统的主磁体是可移动磁共振成像系统的必要部分。不可避免地，其磁场强度要远低于传统的磁共振成像仪（本文中所用的是磁场强度为50 mT的永磁体），这将导致磁共振信号强度相比于传统的磁共振成像仪更弱。法拉第 笼[10]、小型铝箱[14]、导电织物[15]以及其他被动屏蔽方法被用于抑制外界电磁干扰对磁共振信号的影响。然而，这些方法与可移动式磁共振系统的设计初衷相违背且给设备操作带来了很多不便。
摒弃传统的笨重被动电磁屏蔽方法，采用主动电磁干扰抑制方法是实现超低场磁共振成像系统可移动化并发挥其最大效能的必经之路。目前，基于图像处理方法的主动降噪算法[16-17]虽然具有一定干扰抑制效果，但是此类方法往往仅是针对某些特定的电磁干扰信号。然而，超低场磁共振成像系统工作的电磁环境是十分复杂的，例如，神经内科重症监护室等地方，此类算法并不能良好地抑制复杂的电磁干扰信号，同时还可能会导致一些重要的图像信息在噪声抑制后丢失。
基于信号层面[18-23]的主动降噪算法也被应用于抑制电磁干扰信号。在低秩分解方法中[18]，受污染的K空间被分解为低秩矩阵和稀疏矩阵，并从低秩矩阵中还原出没有噪声污染的磁共振信号。然而，此类方法有类似图像后处理方法的局限，即仅考虑抑制一些特殊的干扰。基于参考通道的算法[21-23]，相较于低秩分解方法[18]和模型拟合方法[19]具有环境适应性强等优点。不同于针对特定干扰抑制的方法[20]，该算法可抑制不同类型的复杂电磁干扰信号，因此在近期具有广泛的应用。美国范德堡大学S. A. Srinivas等提出了基于信号分析的主动降噪方法并在两种不同的磁共振成像设备上验证了该算法的可行性[21]。然而，在人体成像实验中为了获得良好的图像质量，仍是需要被动屏蔽。文献[22-23]使用了基于参考通道的深度学习方法用以抑制超低场磁共振成像仪所受到的外界干扰并取得了理想的抑制效果。其中，香港大学的Liu Yilong等在50 mT开放式磁共振成像系统上验证了此类方法的有效性[22]。然而，此类基于深度学习的主动降噪方法用于模型训练的时间会大幅延长整体的扫描时间并且该主动降噪系统需要大量的硬件资源。
本文提出了基于信号分析的主动电磁干扰抑制算法，选择各通道K空间的外围数据作为校准数据，这样可以无需进行校准扫描，不会额外增加成像时间且无需对成像序列进行修改。通过选择合适大小的相关窗口，在校准数据区域构建校准源矩阵和目标矩阵。通过将校准源矩阵和目标矩阵进行一维离散小波分解，将其在时域上分解为多层，可以使得对某一个干扰峰值进行抑制时不会受到其他干扰峰值的影响，提高了抑制效率[24]。在每一个小波层上采用针对复数的最小二乘法计算得到该层中各电磁干扰参考通道与核磁通道中电磁干扰的转移系数。最后，将各通道对应的K空间每一个相位编码强度所对应的K空间行依据同样方法进行分解，用各层中核磁通道的数据减去转移后的各电磁干扰参考通道的数据即可得电磁干扰抑制后的核磁信号。通过对电磁干扰耦合路径的分析发现人体耦合是外界电磁干扰影响核磁信号的主要路径，由此针对性地设计了用于采集人体耦合电磁干扰的戒指型噪声检测线圈，并配合其余两个用于检测电磁辐射耦合干扰的线圈共同组成了主动电磁干扰抑制系统的传感器部分。
该主动降噪系统在本团队自行搭建的磁共振成像仪原型机上进行测试，系统的干扰抑制表现通过一维信号分析以及人体成像实验被证明对外界电磁干扰具有较大幅度的抑制效果。
本文提出基于信号分析的主动电磁干扰抑制算法。使用三个电磁干扰检测线圈用于检测环境中的电磁干扰信号，并由电磁干扰检测线圈及相应的硬件电路构成参考通道。由单通道螺线圈射频接收线圈及其相应的硬件电路构成核磁通道。参考通道与核磁通道必须要同步采集信号用以抑制时变的电磁干扰。同时，各电磁干扰检测线圈放置于无法接收到核磁信号的合适位置。因此，核磁通道采集的是受污染的核磁信号，参考通道采集到的是与核磁信号同步的电磁干扰信号。该算法使用各参考通道中的电磁干扰信号（简称为参考电磁干扰信号）对受污染的核磁信号中的干扰信号（简称为主电磁干扰信号）进行抑制。主动降噪算法示意图如图1所示。
该算法主要由三部分组成：
（1）构建：选取各通道K空间的外围数据作为校准数据区域（本文中选用相位编码梯度强度最大和最小的各15行作为校准数据区域），在该区域内计算各参考通道的转移系数，因此无需额外采集校准数据，不会增加成像扫描时间。如图1a中所示，在校准区域内，由核磁通道K空间数据构建校准目标矩阵，并由参考通道K空间中在对应相关窗口内的数据构建校准源矩阵。
（2）校准：如图1b所示，将校准目标矩阵以及对应的校准源矩阵进行一维离散小波变换（1 Dimension Discrete Wavelet Transform, 1DDWT）分解为多层，采用最小二乘法计算某一层的校准源矩阵拟合该层中校准目标矩阵的转移系数。类似地，采用相同的方法可以计算出各小波层所对应的转移系数，共同构建为一个转移系数矩阵。
（3）重构：如图1c所示，在整个K空间范围内，由各参考通道K空间数据依据校准过程中所使用的相关窗口构建重构源矩阵并进行相同的小波分解。将各层的重构源矩阵乘以第（2）部分中所求得的对应层的转移系数得到主电磁干扰信号的估计值。最后，用受污染的核磁信号减去主电磁干扰信号的估计值即得到电磁干扰抑制后的核磁信号。
图1 主动降噪算法示意图
Fig.1 The diagram of active EMI suppression algorithm
本文算法采用各通道K空间相位编码梯度强度最大和最小的各十五行作为校准数据区域，在该区域中构建校准源矩阵和目标矩阵。然而，校准区域中如果存在核磁信号将会影响转移系数的计算精度。因此，在进行转移系数求解之前，需要判断各K空间的外围数据是否具有核磁信号。Kolmogorov- Smirnov test（K-S test）常被用于检验两个经验分布函数是否一致，或者某一经验分布函数是否相似于某一理想分布函数[25]。经过K-S test的检验，各K空间的外围数据在5%的显著程度下相似于标准正态分布，也就是说在K空间的外围数据中仅有极少的核磁信号可以用于计算转移系数。由上述分析可知，在校准区域内核磁通道和参考通道的K空间数据都仅由电磁干扰信号填充。
通过实验发现，在一定时间间隔内采集的参考电磁干扰数据有助于更加精确地估计主电磁干扰信号。因此，本文提出K空间内相关窗口的概念，该窗口沿着相位编码方向的大小为Dy，沿着频率编码方向的大小为Dx，如图1a所示。
以两个参考通道为例来介绍该算法，即Nc=2。如图1a中的插图所示，对于核磁通道K空间中的每一个点，都有两个参考通道K空间中对应相关窗口内共计四个数据点进行拟合估计。在校准区域中，校准目标矩阵是由核磁通道各相位编码行组成，此处以其中某一个相位编码行为例来说明。对应地，校准源矩阵是由各参考通道K空间在相关窗口内的相位编码数据构成。由上述设置可知，对于校准目标矩阵的某一行（一个来自核磁通道K空间数据的相位编码行）都有四个来自各参考通道K空间数据的相位编码行构成对应的校准源矩阵。
为了使得描述更加准确，给定如下定义
该式表示由射频接收线圈采集的受污染的核磁信号，其中
表示没有干扰的纯核磁信号，
表示由射频接收线圈所采集到的电磁干扰信号。第
个参考通道所采集到的参考电磁干扰信号是
。
本算法所选用的校准数据为各通道K空间的外围数据。由相位编码特性所决定且经过上文证明可知，核磁通道K空间的外围数据仅有极少的核磁信号，因此可以认为
。
由于空间位置以及硬件特性的不同，由电磁干扰检测线圈与射频接收线圈所接收到的电磁干扰信号不会完全一致。两个通道所采集的电磁干扰信号可以分为相关和不相关两个部分。在这里，相关信号表示的是由射频接收线圈和电磁干扰检测线圈所采集到的信号特征除了幅值之外是完全一致的，用
和
分别表示。不相关的部分指的是两者采集到的噪声信号不具有类似的信号特征。
然而，通过恰当的配置电磁干扰接收传感器，相关信号可以远大于不相关信号。皮尔森相关系数（Pearson Correlation Coefficient，PCC）常用于描述信号之间的相似性。如果皮尔森系数大于0.8，那么两个信号就被认为具有极强相关性[26]。也就是说当皮尔森系数大于0.8时，电磁干扰信号的相关部分在整个电磁信号中占主导。因此，在校准数据区域内，式（1）成立。
（1）
式（1）表示在校准数据区域内，核磁通道中的信号（仅有电磁干扰信号）可以由各参考磁共振信号进行拟合。
由于对于校准目标矩阵中的某一点都由各参考通道中对应相关窗口内各点（校准源矩阵）进行拟合估计，则有
（2）
式（2）右边是以两个参考通道以及在1.1小节中介绍的相关窗口所确定的。同时，将校准目标矩阵和校准源矩阵的概念代入，式（2）的矩阵形式为
（3）
式中，
为校准目标矩阵；
为校准源矩阵。
如图1b所示，本步骤的核心就是将校准源矩阵与校准目标矩阵进行小波分解，使用1维离散小波变换（1DDWT）在时域上分解为多层。由小波变换特性可知，每一层对应于一个频率范围所有层可以覆盖两个噪声信号的全部频率范围。由于和在校准数据区域内是相关的噪声信号，其频率范围将会基本一致，且每层信号所对应的频率范围会随着实际使用的情况有所不同。将信号分解为多层，有助于单独地去处理每一个电磁干扰峰值点，提高最终的电磁干扰抑制效率。例如，对于第m层中，核磁通道信号在该层的电磁干扰会被各电磁干扰参考通道在该层的参考信号进行抑制，这样操作将使得其余层的干扰峰值不会影响该层的转移系数计算，提高了转移系数的计算精度。校准源矩阵和校准目标矩阵在第m层的信号可以表示为
和
。需要注意的是，本文对校准源矩阵是按照每一个参考通道中的每一相位编码行进行小波分解。因此，如图1b所示，对于m层中的和具有相同的列数，但是行数是的
倍（在本处为4倍）。
由于最小二乘法（Least Squares Method, LSM）常被用于拟合两个相似度较强的信号。因此，如图1b所示，该方法可以被用于计算参考通道在第m层的转移系数矩阵
。也就是说是式（4）的最小二乘解。
（4）
由于射频接收线圈和各电磁干扰采集线圈经由谱仪分析所生成的K空间数据是复数形式，如果采用针对实部和虚部分别进行最小二乘拟合的方法进行转移系数求解，可能会丢失相位等重要的信息。同时，如果对复数直接采用传统的最小二乘法往往得到的不是真正的最小解。因此，本文中采用了针对复数的最小二乘法[27]进行求解，即
（5）
式中，
表示的共轭转置。
如图1b所示，在求出各电磁干扰通道在各小波层上的转移系数后，即可使用转移后的参考电磁干扰信号对核磁通道中的干扰进行抑制。
采用1.1节中所述的方法在各参考通道整个K空间范围内构建重构源矩阵，并在核磁通道整个K空间范围内构建重构目标矩阵。按照1.2节中所示的小波分解方法分解为相同的层。那么，在第m层经过干扰抑制后的核磁通道信号可以表示为
（6）
然后，按照K空间数据原有的排列顺序对降噪后的
进行排列，即可以得到第m层通过噪声抑制后的K空间数据。类似地，通过对所有小波分解层进行相同的操作，即可得到在整个K空间范围内进行干扰抑制后的K空间数据。从算法描述可以看出，本文所提出的主动电磁干扰抑制算法较容易地推广到具有更多电磁干扰参考通道的情况。
本文中所使用的实验平台为自行搭建的可移动式无屏蔽50 mT磁共振扫描仪，如图2所示。为了便于扫描仪移动，除了前置放大器之外所有的电子硬件设备（例如：梯度功率放大器、射频功率放大器、谱仪以及前端箱）均封装于铝盒之中。该铝盒与永磁体一起放置于可移动的框架之上。
图2 自行搭建的可移动无屏蔽磁共振扫描仪
Fig.2 The homebuilt portable unshielded 50 mT MRI scanner
该50 mT永磁体的中心频率是2.2 MHz。X和Y方向上的梯度线圈效率为26.7 mT/m/100 A，Z方向上的梯度线圈效率为43.5 mT/m/100 A。射频接收线圈匹配到中心频率2.2 MHz，带宽为100 kHz。该扫描仪所使用的谱仪是英国Guilford公司生产的4个接收通道和2个发射通道的MRsolutionEVO。梯度功率放大器采用线性放大结构，可以驱动电感量小于500 mH的梯度线圈。
本文中所采用的主动电磁干扰抑制系统由三个电磁干扰检测线圈组成：戒指型电磁干扰检测线圈佩戴于志愿者的手指之上；平面型电磁干扰检测线圈放置于永磁体上方；一个螺线管型电磁干扰检测线圈放置于磁体开口处。装备有上述主动电磁干扰抑制系统的磁共振扫描仪放置于工业园区的一幢建筑内。在实验过程中，没有对外界电磁环境进行任何限制，如电风扇、电钻手机等设备均可以正常使用。
射频接收线圈和各电磁干扰检测线圈分别同步采集核磁信号以及电磁干扰信号。本文中所有人体实验成像所使用的扫描序列为图3所示的GE3d序列。所给出的成像结果均为一次平均的结果，每次扫描用时大约为1.5 min。
图3 成像实验中所使用的GE3d序列
Fig.3 The GE3d sequence used for imaging in the following experiments
电磁干扰采集线圈的首要任务是要采集干扰的主要成分。因此，本节分析了电磁干扰的传输路径，分析结果可用来有针对性地指导电磁干扰采集线圈设计。
外界的电磁干扰污染主要以下三个途径：电磁辐射、传导路径以及人体耦合路径。对于传导路径的电磁干扰，现在有很多成熟的商业器件可以有效的阻隔。如添加电源滤波器，并在磁共振扫描仪与外部接线和内部接线上放置磁环等方法都可以有效地抑制传导耦合的电磁干扰。因此，本文设计的主动电磁干扰抑制系统针对的是电磁辐射以及人体耦合路径的电磁干扰。接下来，对于这两种路径耦合的噪声特性分析如下。
使用第2节所述的磁共振扫描仪，将射频发射关闭后。有无人体头部在射频接收线圈内时，电磁干扰信号的强度见表1。当没有人体负载于射频接收线圈时，外界电磁干扰主要是通过辐射路径被射频接收线圈所采集。当有人体负载时，外界的电磁干扰主要是通过辐射以及人体耦合两个路径被射频接收线圈所采集。
通过对比表1中，有无人体负载时射频接收线圈所采集到的噪声信号特性，可以发现，有人体负载时噪声的均值及峰值均为没有人体负载时的10倍左右。由此，可以认为人体耦合路径为主要的电磁干扰传输路径。辐射传输路径所贡献的干扰强度占总体不足10%。
表1 有无人体负载于射频接收线圈噪声信号特性对比
Tab.1 Comparison of the signal characters between with and without human head loaded in RF coil
有无人体噪声均值噪声峰值噪声标准差 有2241 426467 无2410816
当有人体头部在射频接收线圈中时电磁干扰信号的方均值是没有人体头部在射频接收线圈中时电磁干扰信号均方值的30倍，即当没有人体头部在射频接收线圈内时电磁干扰信号基本是稳定的，而当人体头部进入射频接收线圈之后，电磁干扰信号波动很大。
因此，在本文中使用戒指型电磁干扰检测线圈用于采集由人体耦合的电磁干扰信号，其余两个电磁干扰检测线圈用于采集少量由电磁辐射耦合的电磁干扰。
根据实验规律，经验性的将戒指型电磁干扰检测线圈设计的尽可能紧紧地包裹志愿者的手指，并且将各电磁干扰检测线圈均匹配至与射频接收线圈相同的中心频率和带宽。
为了验证本文所提出的主动电磁干扰抑制系统的干扰抑制效果，首先进行了一维信号的分析。在该实验中，志愿者躺在床上，将头部放置于射频接收线圈内，并将三个电磁干扰检测线圈分别佩戴于手指上、放置于磁体上方以及放置于磁体开口处。在算法层面，选择各通道所对应的K空间相位编码梯度最大强度和最小强度各15行作为校准数据区域，用于计算转移系数。小波分解层数选择为3层。一维信号的干扰抑制效果是选用K空间相位编码梯度强度为0的行作为待干扰抑制行，结果如图4所示。图4中，从P1到P10各电磁干扰信号的峰值均被有效抑制，抑制率可达95.6%。其余背景干扰的强度也被大幅度的抑制，具体数据分析见表2。
通过对表2以及图4中的数据分析，本文所提出的主动电磁干扰抑制系统对于一维数据的电磁干扰具有良好的抑制效果。
图4 电磁干扰抑制前后一维信号对比
Fig.4 The comparison of one-dimensional signal before and after EMI suppression
表2 图4中各干扰峰值点抑制前后对比
Tab.2 The comparison of the interference peak before and after EMI suppression in
Fig.4
干扰抑制前干扰抑制后抑制率(%) 均值410.924.694 峰值1 13849.295.6 皮尔逊系数0.92
在一维信号分析得到较为理想结果的基础上，本文又进行了人体头部成像实验。成像设备使用的是第2节所述的自制50 mT超低场可移动式磁共振成像仪，成像环境也如第2节所示，没有对外界电磁环境做任何屏蔽。成像志愿者为28岁，男性，成像序列为第2节所示的GE3d序列。射频接收线圈和各电磁干扰检测线圈所采集的信号经过各自相同的前置放大器及调制电路输入至谱仪的四个接收通道。各通道所对应的K空间结构为176×128×18，本文中图像的分辨率为1.4 mm×2.0 mm×10 mm。主动电磁干扰算法选择各通道所对应的K空间相位编码梯度最大强度和最小强度各15行用于计算转移系数，并选择小波分解层数为3层。人体头部横断面成像结果如图5所示。图5中，成像结果在主动电磁干扰抑制后有明显改善。在图中红色方框所示的背景区域中，电磁干扰抑制前灰度值为59.8，电磁干扰抑制后同一区域的灰度值为17.6。利用灰度值计算图像信噪比，得出主动电磁干扰抑制前后图像信噪比提升3.9倍。
图5 电磁干扰主动抑制前后人体头部横断面成像结果
Fig.5 The image results of axial plane of human head before and after EMI active suppression
结合一维信号结果和人体头部成像结果可以看出，本文中所提出的主动电磁干扰抑制系统可以较大幅度地抑制外界电磁干扰并提升实际成像质量。本文实验过程中没有对外界电磁环境进行任何限制，因此该主动电磁降噪系统具有较高的实际使用意义。
本文针对自制的50 mT可移动开放式超低场磁共振成像设备设计了主动电磁干扰抑制系统。通过对电磁干扰耦合路径的分析发现，人体耦合是外界电磁干扰影响核磁信号的主要路径，由此设计了用于采集人体耦合电磁干扰的戒指型噪声检测线圈，并配合其余两个用于检测电磁辐射耦合干扰的线圈共同组成了主动电磁干扰抑制系统的传感器部分。本文提出了基于信号分析的主动电磁干扰抑制算法，选择各通道K空间的外围数据作为校准数据，可以无需进行校准扫描，不会额外增加成像时间且无需对成像序列进行修改。通过选择合适大小的相关窗口，在校准数据区域构建校准源矩阵和目标矩阵。通过将校准数据进行一维离散小波分解，将其在时域上分解为多层，可以使得对某一个干扰峰值进行抑制时不会受到其他干扰峰值的影响，提高了抑制效率。在每一个小波层上采用针对复数的最小二乘法计算得到该层中各电磁干扰参考通道与核磁通道中电磁干扰的转移系数。最后，将各通道对应的K空间每一个相位编码强度所对应的K空间行依据同样方法进行分解，用各层中核磁通道的数据减去转移后的各电磁干扰参考通道的数据即可得电磁干扰抑制后的核磁信号。最终，通过一维和人体头部成像实验证明，本文所提出的主动电磁干扰系统对于外界电磁干扰具有较强的抑制效果，可以基本保证移动开放式超低场磁共振成像设备在无屏蔽的环境中正常工作。
参考文献
[1] 李晓南, 任雯廷, 刘国强, 等. 高分辨率磁共振电特性成像及脑肿瘤诊断初步研究[J]. 电工技术学报, 2021, 36(18): 3860-3866. Li Xiaonan, Ren Wenting, Liu Guoqiang, et al. Preliminary conductivity reconstruction by high- resolution magnetic resonance electrical properties tomography for brain tumor diagnosis[J]. Transactions of China Electrotechnical Society, 2021, 36(18): 3860-3866.
[2] 冯焕, 姜晖, 王雪梅. 功能磁共振成像在肿瘤学领域的应用[J]. 电工技术学报, 2021, 36(4): 705- 716.
Feng Huan, Jiang Hui, Wang Xuemei. Application of functional magnetic resonance imaging in the field of oncology[J]. Transactions of China Electrotechnical Society, 2021, 36(4): 705-716.
[3] 陈顺中, 王秋良, 孙万硕, 等. 3T动物磁共振成像传导冷却超导磁体研究[J]. 电工技术学报, 2023, 38(4): 879-888. Chen Shunzhong, Wang Qiuliang, Sun Wanshuo, et al. The study of a 3T conduction-cooled superconducting magnet for animal magnetic resonance imaging[J]. Transactions of China Electrotechnical Society, 2023, 38(4): 879-888.
[4] Liney G. MRI in clinical practice[M]. New York, USA: Springer Science & Business Media, 2007.
[5] Sarracanie M, LaPierre C D, Salameh N, et al. Low- cost high-performance MRI[J]. Scientific Reports, 2015, 5(1): 15177.
[6] 万裁, 何为, 沈晟, 等. 超低场磁共振膝关节正交接收线圈设计[J]. 电工技术学报, 2024, 39(7): 1923-1931.Wan Cai, He Wei, Shen Sheng, et al. Design of a quadrature receive coil for ultra-low-field knee magnetic resonance imaging[J]. Transactions of China Electrotechnical Society, 2024, 39(7): 1923-1931.
[7] 徐显能, 徐征. 印制电路板射频线圈的部分元等效电路研究[J]. 电工技术学报, 2022, 37(17): 4284- 4293. Xu Xianneng, Xu Zheng. Research on the partial element equivalent circuit of radio frequency coil on the printed circuit board[J]. Transactions of China Electrotechnical Society, 2022, 37(17): 4284-4293.
[8] Sheth K N, Mazurek M H, Yuen M M, et al. Assessment of brain injury using portable, low-field magnetic resonance imaging at the bedside of critically ill patients[J]. JAMA Neurology, 2020, 78(1): 41-47.
[9] Prabhat A M, Crawford A L, Mazurek M H, et al. Methodology for low-field, portable magnetic resonance neuroimaging at the bedside[J]. Frontiers in Neurology, 2021, 12: 760321.
[10] Cooley C Z, McDaniel P C, Stockmann J P, et al. A portable scanner for magnetic resonance imaging of the brain[J]. Nature Biomedical Engineering, 2021, 5(3): 229-239.
[11] Koonjoo N, Zhu B, Bagnall G C, et al. Boosting the signal-to-noise of low-field MRI with deep learning image reconstruction[J]. Scientific Reports, 2021, 11(1): 8248.
[12] Padormo F, Cawley P, Dillon L, et al. In vivo T1 mapping of neonatal brain tissue at 64 mT[J]. Magnetic Resonance in Medicine, 2023, 89(3): 1016- 1025.
[13] Yuen M M, Prabhat A M, Mazurek M H, et al. Portable, low-field magnetic resonance imaging enables highly accessible and dynamic bedside evaluation of ischemic stroke[J]. Science Advances, 2022, 8(16): eabm3952.
[14] He Yucheng, He Wei, Tan Liang, et al. Use of 2.1 MHz MRI scanner for brain imaging and its preliminary results in stroke[J]. Journal of Magnetic Resonance, 2020, 319: 106829.
[15] O’Reilly T, Teeuwisse W M, de Gans D, et al. In vivo 3D brain and extremity MRI at 50 mT using a permanent magnet Halbach array[J]. Magnetic Resonance in Medicine, 2021, 85(1): 495-505.
[16] Liu Bin, Sang Xinzhu, Xing Shujun, et al. Noise suppression in brain magnetic resonance imaging based on non-local means filter and fuzzy cluster[J]. Optik, 2015, 126(21): 2955-2959.
[17] Zaroubi S, Goelman G. Complex denoising of MR data via wavelet analysis: application for functional MRI[J]. Magnetic Resonance Imaging, 2000, 18(1): 59-68.
[18] Campbell-Washburn A E, Atkinson D, Nagy Z, et al. Using the robust principal component analysis algorithm to remove RF spike artifacts from MR images[J]. Magnetic Resonance in Medicine, 2016, 75(6): 2517-2525.
[19] Chen Haiguang, Avram H, Kaufman L, et al. T2 restoration and noise suppression of hybrid MR images using wiener and linear prediction techniques[J]. IEEE Transactions on Medical Imaging, 1994, 13(4): 667-676.
[20] 赵杰, 周智鹏, 高玄飞, 等. 正弦采样信号中单一脉冲干扰信号的快速剔除实践方法[J]. 电气技术, 2021, 22(3): 52-55. Zhao Jie, Zhou Zhipeng, Gao Xuanfei, et al. A practical method for the rapid elimination of a single pulse interference signal from sinusoidal sampling signals[J]. Electrical Engineering, 2021, 22(3): 52-55.
[21] Srinivas S A, Cauley S F, Stockmann J P, et al. External dynamic interference estimation and removal (EDITER) for low field MRI[J]. Magnetic Resonance in Medicine, 2022, 87(2): 614-628.
[22] Liu Yilong, Leong A T L, Zhao Yujiao, et al. A low- cost and shielding-free ultra-low-field brain MRI scanner[J]. Nature Communications, 2021, 12(1): 7238.
[23] Su Jiasheng, Pellicer-Guridi R, Edwards T, et al. A CNN based software gradiometer for electromagnetic background noise reduction in low field MRI applications[J]. IEEE Transactions on Medical Imaging, 2022, 41(5): 1007-1016.
[24] 张婷婷, 于明, 李宾, 等. 基于Wavelet降噪和支持向量机的锂离子电池容量预测研究[J]. 电工技术学报, 2020, 35(14): 3126-3136. Zhang Tingting, Yu Ming, Li Bin, et al. Capacity prediction of lithium-ion batteries based on Wavelet noise reduction and support vector machine[J]. Transactions of China Electrotechnical Society, 2020, 35(14): 3126-3136.
[25] Massey F J Jr. The Kolmogorov-Smirnov test for goodness of fit[J]. Journal of the American Statistical Association, 1951, 46(253): 68-78.
[26] Nesterov Y. Introductory lectures on convex optimization: a basic course[M]. New York, USA: Springer Science & Business Media, 2014.
[27] Gu Xiangqian, Kang Hongwen, Cao Hongxing. The least-square method in complex number domain[J]. Progress in Natural Science, 2006, 16(3): 307-312.
Abstract The ultra-low field (ULF) magnetic resonance imaging (MRI) scanner features much lower cost, much lighter weight, much smaller footprint, and fewer safety concerns than high-filed ones. However, the intrinsic low signal strength of ULF MRI scanners makes them more easily impacted by electromagnetic interference (EMI). The conventional electromagnetic shielding methods passively block the EMI signal but restrict the mobility of ULF MRI scanners. Therefore, the passive electromagnetic shielding should be discarded. The reference channel-based active EMI suppression methods outperform others for better suppression rate and electromagnetic environment adaptation. However, the present deep-learning reference channel-based methods have drawbacks of demanding additional scan time and modification of pulse sequences.
This paper proposes a signal-analysis reference channel-based active EMI suppression method with the following features. (1) The EMI detecting coils with appropriate locations avoid sample MR signal. (2) The EMI-detecting coils of reference channels and RF-receiving coils of the MR channel acquire the reference EMI signal and contaminated MR signals synchronously. (3) The reference EMI signals estimate EMI signals in the MR channel (primary EMI signal). (4) The denoised MR signal is obtained by subtracting the estimated primary EMI signal from the contaminated MR signal. The EMI transmission paths are analyzed, and human-body coupling is the main path. The ‘ring’ shaped EMI pickup coil is designed to sample human body coupled EMI signal. The ‘ring’ shaped EMI pickup coil, along with one surface coil and one solenoid coil, constitutes three reference channels.
It is found that reference EMI signals acquired in a limited time interval also contribute to estimating EMI signals in the MR channel precisely. Then, the concept termed related window is proposed. A data point at a specific time in the k-space of the MR channel is estimated by the data points ink-spaces of all reference channels within the related window. The periphery data of the k-spaces of each channel are selected as calibration data to calculate the transfer matrix for reference EMI signals without the calibration measurement and modification of pulse sequences. The calibration target matrix is constructed from the calibration data of the MR channel, and the calibration source matrix is formed by the calibration data of reference channels in the related window. The two matrixes are decomposed into multiple layers by wavelet analysis. The least-square method calculates the transfer matrix in each layer. The reconstruction source matrix is constructed from k-spaces of reference channels within related windows and decomposed into the same layers. The primary EMI signal is estimated by the reconstruction source matrix and transfer factors in each layer. The denoised MR signal is acquired by subtracting the estimated EMI signal of the MR channel from the contaminated MR signal.
The active EMI suppression system is fitted to a home-built portable unshielded 50 mT MRI scanner. The one-dimensional signal analysis and in-vivo scan are carried out in a building located in an industrial park without EMI restrictions. The image results show that the signal-to-noise rate (SNR) is improved by 3.9-fold, and the active EMI suppression system ensures that the ULF MRI scanner works normally without shielding.
keywords：Ultra-low field (ULF), unshielded portable magnetic resonance imaging (MRI) scanner, active electromagnetic interference (EMI) suppression, wavelet analysis, related window
DOI: 10.19595/j.cnki.1000-6753.tces.L10031
中图分类号：TM12
国家自然科学基金（52077023）、重庆科卫联合基金（2023-MSXM016）、深圳市科技创新委员会（CJGJZD20200617102402006）和深圳市科技创新重大专项（KJZD20230923114110019）资助项目。
收稿日期 2023-01-10
改稿日期 2023-04-18
杨 磊 男，1993年生，博士研究生，研究方向为超低场磁共振成像系统电磁干扰抑制及并行成像技术。E-mail: lei_yang@cqu.edu.cn
徐 征 男，1980年生，教授，博士生导师，研究方向为电磁场数值计算，医学磁共振成像，电磁设备绝缘状态测量新方法。E-mail: xuzheng@cqu.edu.cn（通信作者）
（编辑 郭丽军）