核磁共振(NMR)指纹识别

摘要

描述与NMR指纹识别关联的设备、方法和其他实施例。一个示例性NMR设备包括NMR逻辑，NMR逻辑被构造为重复地并且可变地对与物体关联的(k,t,E)空间进行采样以获取一组NMR信号。所述一组NMR信号的成员与(k,t,E)空间中的不同点关联。执行采样，t和/或E以非恒定方式变化。变化的参数可包括倾倒角、回声时间、RF幅度和其他参数。NMR设备还可包括：信号逻辑，被构造为从NMR信号产生NMR信号演进；和描绘逻辑，被构造为作为将获取的信号与参考信号进行比较的结果描绘物体中的共振品种。

说明书

相关申请的交叉引用

本申请要求于2012年9月19日提交的序列号为13/623,104的美国专利申请的优先权，该申请的主题以其整体通过引用包含于此。

背景技术

传统磁共振(MR)脉冲序列包括准备阶段、等待阶段和获取阶段，这些阶段被构造为产生信号，能够从该信号形成图像。准备阶段确定何时能够获取信号并且确定获取的信号的性质。例如，第一脉冲序列可被设计为在第一回声时间(TE)产生T1加权信号，而第二脉冲序列可被设计为在第二TE产生T2加权信号。然而，尤其当在多个脉冲序列上混合时，许多准备和许多短等待能够合计达长的时间以收集数据集。这些传统脉冲序列通常被设计为提供定性结果，其中利用突出特定参数(例如，T1弛豫、T2弛豫)的各种加权或对比获取数据。

传统MR获取包括准备/等待/获取脉冲序列的许多重复。例如，第一脉冲序列可被应用许多次以针对感兴趣体积(RoI)中的所有体素获取T1加权信号，并且然后第二脉冲序列可被应用许多次以针对RoI中的所有体素获取T2加权信号。可能难以登记(例如，调准)来自这两次获取的信号。

当产生MR图像时，可由放射科医生和/或外科医生观察MR图像，放射科医生和/或外科医生针对特定疾病签名解释定性图像。放射科医生可检查在多个成像平面中获取的多个图像类型(例如，T1加权、T2加权)以进行诊断。检查定性图像的放射科医生或其他个体可能需要特定技能以便能够针对不同时期、针对不同机器并且针对不同机器结构评估变化。因此，图像仅实际上等于图像解释者，并且所有基于图像(例如，定性)的诊断最终是主观的。

从不同视点来看，传统MR使用精确准备时间创建精确准备条件，所述精确准备条件方便在精确时间点从精确位置获取精确信号以形成不精确的定性数据集。传统MR尝试强迫扫描的内容(例如，水、脂肪)在某些时间发射某些信号并且随后从这些信号重构数据。不管这些缺点如何，传统MR已很好地为临床界服务许多年。

Twieg提出了一种包括压缩感测的方案，其中信号的模型被用于减少重构参数映射图并且随后重构图像所需的数据的总量。类似地，Doneva等人提出了随机欠采样以实现压缩感测。在Doneva方案中，像素将会代表它的真实信号演进加上来自其他像素的混叠信号。在一个实施例中，混叠将会仅看起来好像是在像素的附加噪声。该噪声将不会具有结构并且将不会与真实信号演进相关。Doneva方案方便执行相对简单的处理(比如，正交匹配追踪(OMP))以解析正确信号从而支持图像重构。OMP假设存在预期信号演进的约束词典。OMP将接收的信号与信号的词典进行比较以识别最有可能来自于像素的信号。

Twieg, Parsing local signal evolution directly from a single-shot MRI signal: a new approach for fMRI, Magn Reson Med 2003, Nov; 50(5): 1043-52描述一种通过从信号编码检索来执行单次激发参数评估的单次激发MRI方法。Twieg方法放弃在传统MRI方法中使用的基本简化假设，即局部固有信号在信号获取期间不改变它的幅度或相位，但这些改变可能很大，尤其是在单次激发图像获取中使用的较长时间段期间。Twieg意识到发生局部衰变和相位演进，并且因此将每个信号数据建模为来自(k, t)空间而非k空间的采样。Twieg采用这样的观点：每个数据在也反映另一属性(例如，弛豫、衰变)的(k, t)空间中具有它自己的位置，其中t是过去的时间。尽管Twieg期待由于新的信号模型而导致的提高的准确性和健壮性，但密集的重构计算限制了Twieg的进展。

Doneva等的Compressed sensing reconstruction for magnetic resonance parameter mapping, Magnetic Resonance in Medicine（第64卷、第4期、第1114 - 1120页、2010年10月）意识到：人体中的不同组织能够通过它们的固有MR参数(包括质子密度、纵向(T1，自旋——点阵)弛豫时间和横向(T2，自旋——自旋)弛豫时间)在MRI中被区分。Doneva应用学习的词典以使数据稀疏化，并且然后将基于模型的重构用于MR参数映射。Doneva识别出“能够评估异构体素中的多个弛豫分量”。然而，Doneva使用依赖于库的基于成像的方案，在一个例子中，该库的曲线能够由下面形式的方程描绘：

SE = 1 - 2e^-t/Tx

其中：

SE是信号演进，

t是时间，并且

Tx是单弛豫参数。

在另一更一般的例子中，Doneva使用依赖于库的基于成像的方案，该库的曲线能够由下面的方程描绘：

SE = A + Be^-t/C

其中A是常数，B是常数，t是时间，并且C是单弛豫参数。

Doneva将接收信号演进与存储在库中的曲线进行模式匹配。

Doneva库局限于理想化的单弛豫参数曲线，因为准备是特定的并且由这样的事实约束，即Doneva最终从获取的数据重构图像。因此，t的任何变化看起来好像是恒定的或线性的，并且α的任何变化也看起来好像是恒定的或线性的。

Twieg和Doneva看起来好像局限于仅突出一个或几个参数的传统成像序列。就Twieg或Doneva使用任何定量序列而言，这些序列包括产生具有不同性质的不同组织之间的对比的激发和准备方案。然而，该准备随着时间过去而衰退，直至不再能够获取有用的信息，除非重复准备。例如，在大约4-5秒之后，经受为T1对比设计的反转恢复序列的组织将会恢复到它们的平衡状态并且将不会再产生信号。这个短的时间限制损害执行三维成像、移动目标的成像等等的能力。另外，Twieg和Doneva看起来好像还局限于一次获取与一个弛豫参数关联的信息。Twieg和Doneva看起来好像适合收集关于T1弛豫、T2弛豫或T1和T2的一个固定组合的信息，但不同时收集关于二者的信息。就Twieg和Doneva能够获取关于T1和T2的信息而言，通过该获取，对任一个的灵敏度将会是恒定的。

附图说明

被并入本说明书中并且构成本说明书的一部分的附图表示各种示例性系统、方法和本发明的各种方面的其他示例性实施例。将会理解，附图中的示出的元件边界(例如，方框、一组方框或其他形状)代表边界的一个例子。本领域普通技术人员将会理解，在一些例子中，一个元件可被设计为多个元件或者多个元件可被设计为一个元件。在一些例子中，示出为另一元件的内部部件的元件可被实现为外部部件，并且反之亦然。另外，可能未按照比例绘制元件。

图1图示出包含两个共振品种的体积。

图2图示出从两个共振品种接收的两个个体NMR信号和从该两个个体NMR信号获得的信号演进。

图3将传统序列块与示例性序列块进行比较和对比。

图4图示出与NMR指纹识别关联的示例性方法。

图5图示出与NMR指纹识别关联的示例性方法。

图6图示出与NMR指纹识别关联的示例性设备。

图7图示出与NMR指纹识别关联的示例性设备。

图8图示出被构造为执行NMR指纹识别的MR设备。

图9图示出另一组示例性序列块。

图10a-10b图示出示例性磁共振指纹识别(MRF)序列模式。图10a图示出示例性获取序列图。图10b表示FA和TR模式的例子。

图11a-11c图示出示例性信号性质和匹配结果。图11a图示出与四个普通脑组织对应的仿真信号演进曲线。图11b图示出获取的信号演进曲线的一个例子及其与词典的比较。图11c图示出从匹配算法得到的T1和T2值。

图12a-12d图示出与NMR指纹识别关联的示例性活体结果。图12a图示出T1映射图(ms)，图12b图示出T2映射图(ms)，图12c图示出偏共振映射图(Hz)，并且图12d图示出得到的质子密度映射图。

图13图示出被构造为将获取的信息与参考信息进行比较的设备。

具体实施方式

示例性设备和方法采用在应用RF的不同共振品种(例如，组织)中产生不同信号演进的一系列各种序列块。如这里所使用，术语“共振品种”表示能够使用NMR使其共振的物品(例如，水、脂肪、组织、材料)。作为说明，当示例性设备和方法将RF能量应用于既具有骨头又具有肌肉组织的体积时，则骨头和肌肉组织都将会产生NMR信号。然而，“骨头信号”和“肌肉信号”将会是不同的。能够在一段时间上收集不同信号以识别该体积的信号演进。在一个实施例中，能够随后通过将该信号演进与已知演进进行比较来描绘该体积中的共振品种。在一个实施例中，“已知”演进可以是例如仿真演进和/或以前获取的演进。描绘共振品种能够包括识别共振品种的不同性质(例如，T1、T2、扩散共振频率、扩散系数、自旋密度、质子密度)。另外，能够识别其他性质，包括但不限于组织类型、材料、属性(例如，T1、T2)的叠加。

在一个实施例中，可通过将第一信息与第二信息进行比较来执行描绘共振品种。第一信息可包括获取的NMR信号、获取的信号演进或从获取的NMR信号或获取的信号演进获得的信息。第二信息可包括存储的信号演进、已知的信号演进、模仿的信号演进、从存储的信号演进获得的信息或不是信号演进的信息。从信号演进获得信息可包括例如变换信号演进、变换两个或更多信号演进、组合信号演进、 分解信号演进、分解两个或更多信号演进和其他数学或其他变换。

可按照各种方式执行将第一信息与第二信息进行比较，包括但不限于模式匹配、选择、成本函数的最小化和优化。模式匹配可包括但不限于OMP、分类序列标记、回归、群集、分类、实值序列标记、解析算法、贝叶斯方法、马尔可夫方法、集成学习方法和模板匹配。优化可包括但不限于最小二乘方优化、调整最小二乘方优化、基追踪优化和匹配追踪优化。

比较的结果可采取不同形式。在不同实施例中，比较的结果可包括但不限于第一信息与第二信息匹配的识别、第一信息在公差内与第二信息匹配的识别和存在第一信息与第二信息匹配的某个百分比可能性的识别。在其他实施例中，比较的结果可包括但不限于共振品种的T1的识别、共振品种的T2的识别、扩散系数的识别、自旋密度的识别、共振频率(例如，化学位移)的识别和质子密度的识别。在另一实施例中，该比较可包括识别磁场的强度(例如，B0、B1)或者可包括识别梯度场的强度。在另一实施例中，比较的结果可识别组织类型(例如，脑、脑肿瘤)或者可识别材料。因此，该比较可产生不同结果。在一个实施例中，可提供多个结果。例如，可提供可能的材料的加权列表。在另一例子中，可提供多个可能性。

示例性设备和方法不定义由共振品种产生的信号必须是什么，仅定义该信号在检查的不同共振品种之间是不同的。与传统系统不同，不同NMR信号可不具有恒定信号强度或相位。由于在一个实施例中组织或其他材料可产生不同信号，所以描绘组织或其他材料的处理减少为信号时间过程中的模式识别。可使用例如正交匹配追踪(OMP)的不同变化执行模式识别。在一个实施例中，模式匹配可导致这样的结论：获取的信号演进在预期公差内与已知信号演进匹配。在另一实施例中，模式匹配可识别已知信号演进与获取的信号演进匹配的概率。在另一实施例中，比较可导致这样的结论：获取的信号演进或作为获取的信号演进的函数的信息在预期公差内与已知信号演进或作为一个或多个已知信号演进的函数的信息匹配。在另一实施例中，比较可识别获取的信号演进或作为获取的信号演进的函数的信息与已知信号演进或作为一个或多个已知信号演进的函数的信息匹配的概率。示例性设备和方法方便使共振品种之间的对比最大化，而不忽略可位于该体积或物体中的共振品种。因此，NMR指纹识别包括：应用产生针对参数和体积中的共振品种的特定组合而言特定的特定信号演进签名(例如，指纹)的一系列各种序列块。对接收的信号执行的处理不包括传统重构，而是包括考虑到已知信息(包括但不限于，信号演进、从信号演进获得的信息和其他信息)分析接收的NMR信号或确定的信号演进。

较大物体(比如，人体)由较小物体(比如，手臂和腿和臀部)构成。较小物体又由较小部分(比如，皮肤、肌肉、脂肪、骨头、腱和假肢)构成。这些较小部分又由甚至更小的事物(比如，水和矿物)构成。水和矿物自身由甚至更小的事物(例如，氢、氧)构成，所述甚至更小的事物由甚至更小的事物(例如，围绕原子核运行的电子)构成。原子核可包括表现出“自旋”的质子。人体具有大量质子，并且因此具有大量自旋。

在存在磁场的情况下，一些自旋将会相对于该磁场沿一个方向(例如，N/S)调准，而其他自旋将会相对于该磁场沿相反方向(例如，S/N)调准。传统MRI操纵磁场，以使得实现沿一个方向的净调准。传统MRI还操纵磁场，以使得实现所述场中的局部差异以允许空间编码。例如，x、y和z梯度可被应用以在较大磁场中创建局部变化。局部变化允许一些自旋的激发，而没有其他自旋的激发。因为磁场和自旋之间的拉莫尔关系，所以选择性激发是可能的。拉莫尔关系描述自旋接受RF能量的频率如何与自旋所在的磁场相关。

利用创建的局部变化，RF能量可被应用于与局部变化关联的自旋的选择的集合以使那些自旋以某种方式运行。例如，自旋可被强迫进入高能状态并且被强迫离开它们的默认调准。当RF能量被去除时，自旋可返回或者可被强迫返回到它们的默认调准。不同自旋可按照不同速率返回到它们的默认调准。类似地，自旋可由于不同原因返回到它们的默认调准。当自旋从被强迫调准返回到自然调准时，自旋产生能够在短时间段期间检测到的信号。传统系统受到这个短时间段的限制，并且因此必须不断地重复使自旋离开一个调准并且进入另一调准的处理，它们能够从该处理返回和产生信号。

像传统MR一样，NMR指纹识别在不同频率操纵磁场并且操纵RF能量的应用。然而，示例性设备和方法使用一种综合询问信号获取方案。在一个实施例中，NMR指纹识别采用伪随机例程，伪随机例程允许体积产生该体积将会响应于由RF能量的各种改变应用创建的各种改变条件而产生的（一个或多个）信号。在一个实施例中，NMR指纹识别随后将从接收的信号演进的信号与在类似条件下在其他时间从其他获取接收的已知信号或一组仿真预期或预测曲线进行比较。如果接收信号演进与已知的仿真或预测信号演进匹配或者能够在阈值内适合已知的仿真或预测信号演进，则产生该信号演进的体积可能保存与产生该匹配的或适合的信号演进的体积相同的数量、类型的自旋和自旋的混合物。如果材料或组织性质可用于该适合的或匹配的信号演进，则传统性质确定可被跳过。更一般地讲，将与响应于NMR指纹识别激发获取的NMR信号关联的第一信息与和NMR指纹识别激发的参考响应关联的第二信息进行比较以描绘经受NMR指纹识别激发的材料的性质。

体积中的水将会接受RF能量的频率由水所在的磁场确定。当知道磁场时，能够计算该频率。同一体积中的脂肪将会接受RF能量的频率也由脂肪所在的磁场确定。当知道磁场时，也能够计算这个频率。因此，应用多个频率能够导致多个共振品种共振。在不同时间在一系列不同条件下应用所述多个频率能够使共振品种以不同方式共振。另外，在不同时间在不同条件下应用所述多个频率能够使共振品种以不同方式共振和弛豫。不同共振和不同弛豫可为共振品种的组合产生唯一信号演进。由于频率由磁场确定，所以当通过考虑到参考信号分析接收的信号而知道频率时可确定磁场。

如果体积仅具有水，则该体积将会仅产生一个信号。如果该体积仅具有脂肪，则该体积也将会仅产生一个信号，但它将会是不同信号。相同体积中的不同量的脂肪和水将会产生不同信号。在不同条件下获取的信号的组合可产生几乎无限的唯一信号演进。尽管人体是复杂事物，但从某个视点，它不是那么复杂。人体中的每个体积仅能够保存以有限的一组方式布置的有限的一组事物。随着时间过去，可获取参考信息的综合库(包括但不限于，与许多最相关的共振品种的组合关联的信号演进)并且所述综合库可用于NMR指纹识别设备。库可存储可被称为基线签名的信号或已知信号演进。在不同实施例中，库可存储仿真和/或预测信号演进。因此，在不同例子中，“已知”信号演进可包括以前获取的信号演进和/或仿真信号演进。另外，词典或其他参考存储器可包括作为信号演进的函数的信息。例如，两个信号演进可被组合成一条不同信息。类似地，单个信号演进可被变换成一条不同信息。可存储信号演进和从信号演进获得的信息、从信号演进计算的信息或另外作为信号演进的函数的信息。另外，在一个实施例中，词典或其他参考存储器可包括并未作为信号演进开始或者并非从信号演进获得的信息。

在一个实施例中，基线签名能够与为了产生基线签名而单独地分析的材料关联。例如，可使用产生信号演进的各种序列块在一段时间期间分析一烧杯的水。类似地，一烧杯的脂肪、骨头、假臀部或共振的其他事物可被分析，并且响应于在各种条件的选择的组合下随着时间过去应用各种序列块的选择的组合从这些物品获得信号演进。这些信号可被用作分析的其他物体的基线签名。

在另一实施例中，能够从正在分析的物体获取基线签名。物体中的体积可使用传统技术而被成像并且还可经受NMR指纹识别。例如，腿的1%可被以传统方式成像并且还被使用示例性NMR指纹识别处理以建立骨头和其他组织的基线签名。这1%可被处理以校准设备或方法。利用校准和获取的基线签名，可使用依赖于通过处理所述1%而建立的基线签名的NMR指纹识别分析其余99%。即使一些体积产生不能针对其进行指纹识别匹配的信号，也可简单地使用传统方案分析那些体积。因此，在一个实施例中，传统和指纹识别方案的组合可被用于建立签名和校准。

使用模式匹配比较获取的信号演进与已知的信号演进可包括分析使用具有不同参数的序列块获取的不同组织的信号演进之间的互相关。理想地，信号演进将会正好适合已知的演进的所述多维集合的一个成员。然而，信号演进可与超过一个参考信号具有关系。因此，在一个实施例中，将信号演进与参考信号进行比较的结果可以是信号演进与之相关的参考信号的识别和描绘该关系的测量值。例如，信号演进可被识别为在预期公差内与参考信号匹配。类似地，信号演进可被识别为x%可能与参考信号匹配。在另一实施例中，信号演进可被识别为许多参考信号的加权和。所述多维集合的一个维度能够例如与第一组获取和/或激发参数关联，而所述多维集合的第二维度能够例如与第二组激发和/或获取参数关联。随着时间过去，能够基于从实时数据实现的配合修改所述多维集合的成员。随着时间过去，相对于产生具有更多非对角贡献的矩阵的序列块，可有利于产生更加像单位矩阵的结果的序列块和/或序列块的组合。基于观测结果的序列块和/或一系列序列块的这种修改可例如有助于校准特定NMR设备以用于MR指纹识别。

下面包括选择的这里采用的术语的定义。该定义包括落在术语的范围内并且可被用于实现的部件的各种例子和/或形式。例子不旨在是限制性的。术语的单数和复数形式可在该定义内。

对“一个实施例”、“实施例”、“一个例子”、“例子”等等的提及指示：如此描述的（一个或多个）实施例或者（一个或多个）例子可包括特定特征、结构、特性、性质、元件或限制，但并非每个实施例或例子必然包括该特定特征、结构、特性、性质、元件或限制。另外，短语“在一个实施例中”的重复使用并不必然表示同一实施例，尽管其可表示同一实施例。

如这里所使用的“计算机可读介质”表示存储信号、指令和/或数据的非暂态介质。计算机可读介质可采用各种形式，包括但不限于，非易失性介质和易失性介质。非易失性介质可包括例如光盘、磁盘等。易失性介质可包括例如半导体存储器、动态存储器等。计算机可读介质的常见形式可包括但不限于软盘、柔性盘、硬盘、磁带、其他磁介质、ASIC、CD、其他光学介质、RAM、ROM、存储器芯片或卡、存储棒和计算机、处理器或其他电子装置能够读取的其他介质。

如这里所使用的“逻辑”包括但不限于硬件、固件、在机器上执行的软件和/或每一个的组合以执行（一个或多个）功能或（一个或多个）动作，和/或引起来自另一逻辑、方法和/或系统的功能或动作。逻辑可包括软件控制的微处理器、分立逻辑(例如，ASIC)、模拟电路、数字电路、编程的逻辑装置、包含指令的存储器装置等等。逻辑可包括一个或多个门、门的组合或其他电路部件。在描述多个逻辑的情况下，将所述多个逻辑并入一个物理逻辑中也许是可能的。类似地，在描述单个逻辑的情况下，在多个物理逻辑之间分配该单个逻辑也许是可能的。

“可操作连接”或实体被以其“可操作地连接”的连接是这样的连接：在该连接中，可发送和/或接收信号、物理通信和/或逻辑通信。可操作连接可包括物理接口、电气接口和/或数据接口。可操作连接可包括足以允许可操作控制的接口和/或连接的不同组合。例如，两个实体能够被可操作地连接以直接地或通过一个或多个中间实体(例如，处理器、操作系统、逻辑、软件)向彼此传送信号。逻辑和/或物理通信信道能够被用于创建可操作连接。

如这里所使用的“信号”包括但不限于电信号、光学信号、模拟信号、数字信号、数据、计算机指令、处理器指令、消息、位、比特流或能够接收、发送和/或检测的其他装置。

如这里所使用的“用户”包括但不限于一个或多个人、软件、计算机或其他装置或这些的组合。

按照对存储器内的数据位的操作的算法和符号表示提供下面的详细描述的一些部分。这些算法描述和表示由本领域技术人员使用以将他们的工作的实质传达给其他人。算法在这里并且通常被设想为产生结果的一系列操作。操作可包括物理量的物理操纵。通常，但并非必然，物理量采取能够被存储、传送、组合、比较和在逻辑中以其他方式操纵等的电信号或磁信号的形式。物理操纵创建具体的、有形的、有用的真实世界结果。

有时，主要由于常用的原因，已证明将这些信号称为位、值、元素、码元、字符、项、数字等是方便的。然而，应该记住的是，这些和类似术语将与合适的物理量关联并且仅是应用于这些量的方便的标签。除非另外具体地指出，否则应该理解，在全部描述中，包括处理、计算、确定等的术语表示操纵和变换表示为物理(电子)量的数据的计算机系统、逻辑、处理器或类似电子装置的动作和处理。

参照流程图可更好地理解示例性方法。尽管为了解释的简单性的目的，示出的方法被示出和描述为一系列块，但应该理解，该方法不受块的次序的限制，因为一些块能够按照与示出和描述的次序不同的次序和/或与其他块同时发生。此外，可能需要少于全部的图示的块来实现示例性方法。块可被组合或分离成多个部件。另外，另外的和/或替代的方法能够采用另外的未图示的块。

图1图示出包含两个共振品种R1和R2的体积100(例如，体素)。R1和R2可具有不同性质(例如，弛豫参数、非弛豫参数)。例如，T1R1可小于T1R2，而T2R1可大于T2R2。在另一例子中，R1的自旋密度可不同于R2的自旋密度。传统系统可获取T1加权数据集，并且然后获取T2加权数据集，并且然后登记所述数据集。示例性设备和方法在一系列各种序列块中应用RF能量，所述一系列各种序列块使体积100同时从R1和R2二者产生不同NMR信号。能够从这些同时产生的不同NMR信号产生信号演进。通过将获取的信号与参考信息进行比较，能够从信号演进确定包括弛豫参数(例如，T1、T2)和非弛豫参数(例如，扩散系数、自旋密度、质子密度、磁场强度)的信息。在一个实施例中，所述比较可包括与对于其弛豫参数已知的其他信号演进进行模式匹配。能够随后描绘共振品种R1和R2。由于不同组织具有不同的已知性质(例如，弛豫参数、非弛豫参数)，所以能够使用所述描绘识别不同组织。尽管示出两个共振品种，但本领域技术人员将会理解，体积可包括更大或更小数量的共振品种。因此，示例性方法和设备更一般地适用于具有多个共振品种的体积。

图2图示出从体积100中的两个共振品种R1和R2接收的两个个体NMR信号NMR1和NMR2的图表。NMR1包括在不同时间在不同条件下由R1产生的数据点。NMR2包括在不同时间在不同条件下由R2产生的数据点。信号演进SE产生于同时产生和获取的NMR1和NMR2。从其获取NMR1和NMR2的数据点的空间可被称为(k, t, E)空间，其中在不同例子中，E表示(T1, T2, D)、(T1, T2, D, ...)、(T1, T2, ...)，其中D表示扩散弛豫。在一个例子中，t和E都可以是非线性的。在另一例子中，t和E都可以是伪随机的。再一次，尽管示出与两个共振品种关联的两个图表，但本领域技术人员将会理解，体积可包括更大或更小数量的共振品种，并且因此可产生更大或更小数量的信号。因此，示例性方法和设备更一般地适用于具有一个或多个共振品种的体积。

图3将传统序列块与示例性序列块进行比较和对比。序列块300包括准备阶段310和获取阶段320。在获取阶段320期间，可执行使用相同倾倒角和获取之间的相同间隔的多次获取。获取阶段320类似于从(k, t)空间获取数据的Doneva方案，其中t恒定地或以线性方式变化。该恒定变化方便获取传统图像重构所需的具有恒定幅度和相位的信号。

序列块330还包括阶段340和获取阶段350。需要注意的是，获取阶段350比获取阶段320长很多。与获取阶段320（其中参数固定或以线性方式变化）不同，在获取阶段350中，参数可广泛地（非线性地、随机地、和/或伪随机地）变化。可变化的参数包括但不限于回声时间、倾倒角、相位编码和其他参数。还需要注意的是，尽管在一些例子中阶段340可能是准备阶段或类似准备阶段，但阶段340不必执行传统准备。

图9图示出另一组示例性序列块。在图9中，第一序列块SB1具有第一阿尔法脉冲α1和一系列相同的α2脉冲。在图9中，第二序列块SB2具有相同的第一阿尔法脉冲α1和不同的一系列相同的α2脉冲。对于α2脉冲，相位可以是相同的。因此，在这个例子中，所述一组序列块的成员之间的唯一差别在于α2脉冲的数量。本领域技术人员将会理解，可采用其他组的序列块。

图4图示出与NMR指纹识别关联的方法400。方法400包括：在410，控制NMR设备以将RF能量应用于物体中的体积。该体积可包含一个或多个共振品种。在一个实施例中，该物体可以是人类并且因此共振品种可包括但不限于组织、脂肪、水、氢和假肢。

可在一系列可变序列块中应用RF能量。序列块可在许多参数中变化，所述参数包括但不限于回声时间、倾倒角、相位编码、扩散编码、流编码、RF脉冲幅度、RF脉冲相位、RF脉冲的数量、在序列块的激发部分和序列块的读出部分之间应用的梯度的类型、在序列块的激发部分和序列块的读出部分之间应用的梯度的数量、在序列块的读出部分和序列块的激发部分之间应用的梯度的类型、在序列块的读出部分和序列块的激发部分之间应用的梯度的数量、在序列块的读出部分期间应用的梯度的类型、在序列块的读出部分期间应用的梯度的数量、RF破坏的量和梯度破坏的量。在不同实施例中，两个、三个、四个或更多参数可在序列块之间变化。在不同实施例中，在序列块之间变化的参数的数量可自己变化。例如，A1(序列块1)可在五个参数中不同于A2，A2可在七个参数中不同于A3，并且A3可在两个参数中不同于A4。本领域技术人员将会理解，存在能够通过改变这种大量的参数来创建的几乎无限数量的系列的序列块。在一个实施例中，设计一系列序列块，以使得该系列具有如它们的变化的参数所定义的不同量(例如，1%、2%、5%、10%、50%、99%、100%)的唯一序列块。在不同实施例中，一系列序列块可包括超过十个序列块，超过一百个序列块，超过一千个序列块，超过一万个序列块，并且超过十万个序列块。在一个例子中，连续的序列块之间的唯一差别可在于如图9中所示的α2脉冲的数量。

在序列块期间应用的RF能量被构造为使不同个体共振品种同时产生个体NMR信号。与传统系统不同，所述一系列可变序列块的至少一个成员将会在至少N个序列块参数中不同于所述一系列可变序列块的至少一个其他成员， N是大于1的整数。本领域技术人员将会理解，信号演进的信号内容可直接随着N而变化。因此，当更多参数变化时，得到可能更丰富的信号。传统上，想要和需要取决于单个参数的信号以方便成像。这里，获取具有更多信息内容的信号方便产生更加截然不同并且可识别的信号演进。

在一个实施例中，NMR设备可在410被控制以根据部分随机获取计划应用所述一系列可变序列块的成员，所述部分随机获取计划被构造为以欠采样率R对物体进行欠采样。在不同实施例中，所述率R可以是例如二、四或更大。

方法400还包括：在420，控制NMR设备以获取同时产生的个体NMR信号。与能够获取NMR信号的时间受到严重限制(例如，4-5秒)的传统系统不同， NMR设备能够被控制以在显著更长的时间段期间获取NMR信号。例如，NMR设备能够被控制以在多达十秒期间、在多达二十秒期间、在多达一百秒期间或在更长时间期间获取信号。能够在更长的时间段期间获取NMR信号，因为响应于在410应用的所述一系列各种RF能量，信号信息内容在更长的时间段期间保持可用。在不同实施例中，信号演进中的信息内容可在至少五秒期间、在至少十秒期间、在至少六十秒期间或在更长时间期间保持高于信息内容阈值。信息内容阈值可描述例如随后的信号获取包括能够得到并且不同于在前一次信号获取中获取的信息的信息的程度。例如，不具有可得到的信息的信号将会可能下降至低于信息内容阈值，而具有不同于从前一信号得到的信息的可得到的信息的信号将会可能高于信息内容阈值。

方法400还包括：在430，控制NMR设备以从获取的NMR信号确定信号演进。确定信号演进可包括存储在动作420期间获取的(k, t, E)空间数据点。尽管个体序列块可在(k, t, E)空间中产生单个点，但信号演进由所述一系列可变序列块确定。随着时间过去，可识别产生特别有用的信号演进的一系列可变序列块。

在一个实施例中，在第一时间段上在420获取同时产生的信号，并且在第二时间段上在430确定信号演进。在不同实施例中，第一时间段可以是十秒或更长，六十秒或更长，以及甚至更长。另外，在不同实施例中，第二时间段可以是十秒或更长，六十秒或更长，以及甚至更长。

方法400还包括：在440，控制NMR设备以将第一信息与参考信息进行比较。第一信息可以是例如信号演进。参考信息可以是例如已知信号演进、存储的信号演进、仿真信号演进和/或预测信号演进。参考信息还可包括作为已知信号演进、存储的信号演进、仿真信号演进或预测信号演进的函数产生的信息。可通过例如变换信号演进、组合信号演进、分解信号演进和其他操作来产生参考信息。在不同例子中，“存储的”信号演进可包括以前获取的信号、仿真信号或二者。在一个实施例中，存储的信号演进与并非从物体获取的信号关联，而在另一实施例中，存储的信号演进与从物体获取的信号关联。在一个实施例中，存储的信号可与从正在分析的物体获取的信号和并非从正在分析的物体获取的信号关联。

存储的信号和从参考信号演进获得的信息可与潜在地非常大的数据空间关联。因此，本领域技术人员将会理解，存储的信号演进和从参考信号演进获得的信息可包括由下面的方程描绘的所述一组信号演进之外的信号：

SE = A - Be^-t/C

其中：

SE是信号演进，

A是常数，

B是常数，

t是时间，并且

C是单弛豫参数。

实际上，本领域技术人员将会理解，用于信号演进的非常大的数据空间能够部分地由下面的方程描述：

其中：

SE是信号演进，

N_A是序列块的数量，

N_RF是序列块中的RF脉冲的数量，

α是倾倒角，

Φ是相角，

Ri(α)是由于偏共振导致的旋转，

R_RFij(α, Φ)是由于RF差导致的旋转，

R(G)是由于梯度导致的旋转，

T1是自旋——点阵弛豫，

T2是自旋——自旋弛豫，

D是扩散弛豫，并且

E_i(T1,T2,D)与磁化变化关联。

尽管E_i(T1,T2,D)被提供为例子，但本领域技术人员将会理解，在不同实施例中，E_i(T1,T2,D)可实际上是E_i(T1,T2,D,...)或E_i(T1,T2,...)。

在一个例子中，关于j的求和能够由关于j的乘积替换，例如：

。

在NMR、MRI或ESR(电子自旋共振)中，布洛赫方程是被用于在存在弛豫时间T₁和T₂时计算核磁M = (M_x, M_y, M_z)作为时间的函数的一组宏观方程的成员。这些唯象方程由Felix Bloch引入并且也可被称为核磁运动方程。本领域技术人员将会理解，在一个实施例中，Ri(α)、R_RFij(α,Φ)和R(G)可被视为布洛赫方程。

尽管图4图示出各种动作连续地发生，但应该理解，图4中示出的各种动作能够基本上并行地发生。作为说明，第一处理能够控制应用RF能量，第二处理能够控制获取NMR信号和确定信号演进，并且第三处理能够执行比较。尽管描述了三个处理，但应该理解，能够采用更大和/或更小数量的处理。

图5图示出方法400(图4)的另一实施例。这个实施例包括动作410、420、430和440。然而，这个实施例还包括动作412、414、416和450。

方法400的这个实施例包括：在412，控制NMR设备以改变序列块之间的时间量、序列块的相对幅度和序列块的相对相位中的一个或多个。因此，不仅能够在序列块之间改变个体参数(例如，倾倒角、相位)，还能够改变序列块之间的时间和序列块之间的其他差异。这方便在信号演进中创建另外的信号内容。

方法400的这个实施例还包括：在414，控制NMR设备以将所述一系列可变序列块的成员配置为TrueFISP脉冲序列、FLASH脉冲序列和TSE脉冲序列之一。动作414图示：一组序列块未必是与传统脉冲序列相同的事物。序列块由于至少下面的原因而不同于传统脉冲序列：鼓励而非禁止产生具有非恒定幅度和相位的(k, t, E)空间中的NMR信号的非线性地变化的Δt和ΔΕ。

方法400的这个实施例还包括：在416，控制NMR设备以至少部分地基于响应于应用所述一系列可变序列块的较早的成员获取的NMR信号配置所述一系列可变序列块的较晚的成员。因此，方法400的这个实施例是自适应方法，其中可提前不知道所述一系列各种序列块的成员的次序。替代地，当获取(k, t, E)空间中的数据点时，并且当信号演进时，可做出关于不同序列块和不同组的参数变化的决定。作为说明，(k, t, E)空间中的第一数量的数据点和演进信号可朝着一个弛豫参数确定并且离开另一弛豫参数确定导向。因此，可接下来在所述系列中应用能够确认和/或拒绝这些导向中的任一导向的序列块以在模式匹配处理中方便引导和更迅速的收敛。

方法400的这个实施例还包括：在450，控制NMR设备以描绘至少一个共振品种。在一个实施例中，该描绘可以是将信号演进与一个或多个存储(例如，已知、仿真、预测)的信号演进进行比较的函数。将获取的信号演进与存储的信号演进进行比较可包括例如控制NMR设备以将信号演进与NMR信号演进的多维集合的成员进行比较。所述多维集合中的第一维度可与第一组序列块参数关联，并且所述多维集合中的第二维度可与第二不同组序列块参数关联。由于信号演进随着时间过去而演进，所以所述多维集合可包括时间维度并且模式匹配处理可包括监测信号演进的进展的路径匹配处理。另外，由于一系列各种序列块可不同于另一系列各种序列块，所以所述多维集合可包括次序维度，其中再一次，相对于仅执行模式匹配，模式匹配处理可执行路径匹配。

描绘共振品种可包括例如识别弛豫参数，所述弛豫参数包括但不限于与共振品种关联的T1弛豫、与共振品种关联的T2弛豫、与共振品种关联的偏共振弛豫和与共振品种关联的扩散加权弛豫。描绘共振品种还可包括例如识别不是弛豫参数的性质，该性质包括但不限于扩散系数、自旋密度、质子密度、磁场强度、梯度场强度、组织类型和材料类型。

图6图示出NMR设备600。NMR设备600包括NMR逻辑610。NMR逻辑610被构造为重复地并且可变地对(k, t, E)空间中的物体进行采样以获取可具有非恒定幅度和/或相位的一组NMR信号。所述一组NMR信号的成员与(k, t, E)空间中的不同点关联。在不同实施例中，根据计划对不同点进行采样，其中t和/或E非线性地和/或以非恒定方式变化。

NMR设备600还包括信号逻辑620。信号逻辑620被构造为从NMR信号产生NMR信号演进。信号演进可包括在一段时间上获取的许多NMR信号。

NMR设备600还包括匹配逻辑630。匹配逻辑630被构造为将产生的NMR信号演进或与产生的NMR信号演进关联的信息与参考信息进行比较。参考信息可以是例如以前获取的信号演进、仿真信号演进、从除产生的NMR信号演进之外的信号演进获得的项和其他信息。

图7图示出设备600(图6)的另一实施例。设备600的这个实施例包括描绘逻辑640。描绘逻辑640被构造为描绘物体中的共振品种。描绘共振品种可包括将NMR信号演进或从NMR信号演进获得的信息与参考信息进行比较。参考信息可包括例如（一个或多个）描绘信号演进、从（一个或多个）描绘信号演进获得的信息和其他信息。描绘共振品种可包括识别弛豫参数，包括但不限于T1弛豫、T2弛豫、扩散加权弛豫和偏共振弛豫。描绘共振品种还可包括识别非弛豫参数，包括但不限于扩散系数、自旋密度、质子密度、组织类型和材料类型。

尽管匹配逻辑630(图6)和描绘逻辑640(图7)被示出为NMR设备600的一部分，但在一个实施例中，匹配逻辑630和/或描绘逻辑640可位于与NMR设备600分开的设备中。在这个实施例中，NMR设备600可将NMR信号提供给分开的设备壳体匹配逻辑630和描绘逻辑640。在一个实施例中，匹配逻辑630和描绘逻辑640可位于分开的设备中。

图8图示出配置有用于方便MR指纹识别的指纹识别设备899的示例性MR设备800。指纹识别设备899可配置有这里描述的示例性设备的元件和/或可执行这里描述的示例性方法。尽管指纹识别设备899被示出为MR设备800的一部分，但在一个例子中，指纹识别设备899可以是单独的一个设备或多个设备。

设备800包括（一个或多个）基本场磁体810和基本场磁体源820。理想地，基本场磁体810将会产生均匀B0场。然而，实际上， B0场可能不是均匀的，并且可能在正在由MR设备800分析的物体上变化。MR设备800可包括梯度线圈830，梯度线圈830被构造为发射梯度磁场(比如，GS、GP和GR)。梯度线圈830可至少部分地由梯度线圈源840控制。在一些例子中，可在MR过程期间控制并且因此选择性地修改梯度磁场的定时、强度和方位。

MR设备800可包括一组RF天线850，所述一组RF天线850被构造为产生RF脉冲并且从RF脉冲被引导至的物体接收所获得的核磁共振信号。在一些例子中，在MR过程期间可控制并且因此可选择性地修改如何产生脉冲以及如何接收所获得的MR信号。能够采用分开的RF发射和接收线圈。RF天线850可至少部分地由一组RF发射单元860控制。RF发射单元860可将信号提供给RF天线850。

梯度线圈源840和RF发射单元860可至少部分地由控制计算机870控制。在一个例子中，控制计算机870可被编程为控制如这里所述的NMR装置。传统上，从RF天线850接收的磁共振信号能够被用于产生图像，并且因此可经受产生像素化图像数据的变换处理(比如，二维FFT)。该变换能够由图像计算机880或其他类似处理装置执行。图像数据可随后被示出在显示器890上。

然而，指纹识别设备899方便不必从自RF天线850接收的MR信号执行传统的图像的重构。因此，由设备800应用于物体的RF能量不需要被约束以产生具有基本上恒定的幅度或相位的信号。替代地，指纹识别设备899方便将接收的信号与针对其重构、弛豫参数或其他信息已经可用的已知信号进行匹配。这方便产生定量结果。

尽管图8图示出包括以各种方式连接的各种部件的示例性MR设备800，但应该理解的是，其他MR设备可包括以其他方式连接的其他部件。

图10a-10b图示出示例性磁共振指纹识别(MRF)序列模式。术语核磁共振指纹识别和磁共振指纹识别在这里被可互换地使用。图10a图示出示例性获取序列图，其中在不同TR中，各种序列分量以伪随机模式变化。这个基本获取方案被示出为利用不同空间编码梯度重复以将完整获取的300个TR的图像完全编码。图10b图示出FA和TR模式的例子。

图11a-11c图示出示例性信号性质和匹配结果。图11a图示出与四个普通脑组织对应的示例性仿真信号演进曲线。还标绘来自具有偏共振的白质的示例性信号演进曲线。图11b图示出获取的信号演进曲线的一个例子和与词典的比较。得到的T1、T2、质子密度和偏共振值分别是800 ms、60 ms、0.85e-5和-4Hz。图11c图示出从匹配算法得到的T1和T2值。示出来自十个模型的信号与从标准自旋——回声序列获取的值的比较。用于T1和T2比较的R2值分别是0.9952和0.986。

图12a-12d图示出与NMR指纹识别关联的活体结果。图12a图示出T1映射图(ms)，图12b图示出T2映射图(ms)，图12c图示出偏共振映射图(Hz)，并且图12d图示出质子密度映射图。使用一个示例性MRF同时获取用于产生图12a-12d的信息。

图13图示出被构造为将获取的信息与参考信息进行比较的设备1300。设备1300包括第一逻辑1310，第一逻辑1310被构造为从NMR设备1350接收第一组数据。NMR设备1350被构造为重复地并且可变地对与物体关联的(k, t, E)空间进行采样以获取一组NMR信号。所述一组数据的成员与(k, t, E)空间中的不同点关联，其中t是时间并且E包括T1、T2和一个其他参数中的至少一个，T1是自旋——点阵弛豫，并且T2是自旋——自旋弛豫，并且其中t和E中的一个或多个非线性地变化。

设备1300还包括信号逻辑1320，信号逻辑1320被构造为从第一组数据产生NMR信号演进。在一个实施例中，作为根据两个或更多不同序列块将RF能量应用于物体的函数产生(k, t, E)空间。回想起：序列块包括一个或多个激发阶段、一个或多个读出阶段和一个或多个等待阶段，并且所述两个或更多序列块的至少一个成员在序列块中的α2脉冲的数量、序列块中的α2脉冲的间隔、序列块中的α2脉冲的相位和序列块中的α2脉冲的幅度中的至少一个中不同于所述两个或更多序列块的至少一个其他成员。

设备1300还包括描绘逻辑1340，描绘逻辑1340被构造为至少部分地基于将第一组数据与参考组数据进行比较来描绘该物体。在一个实施例中，描绘逻辑1340可被构造为提供适合产生诊断图像的图像像素数据。从第一组数据和参考组数据之间以及参考组数据和图像像素数据之间的比较识别图像像素数据。在另一实施例中，描绘逻辑1340可被构造为提供诊断信息。从第一组数据和参考组数据之间以及参考组数据和图像像素数据之间的比较识别诊断信息。

在一个实施例中，描绘物体包括提供关于物品的信息，所述关于物品的信息包括但不限于与物体关联的T1、与物体关联的T2、与物体关联的扩散系数、与物体关联的自旋密度、与物体关联的质子密度、物体暴露于的磁场、物体暴露于的梯度场、物体的组织类型和物体的识别。

在一个实施例中，描绘物体可包括执行动作，所述动作包括但不限于识别与第一组数据相关的参考组数据的一部分、识别参考组数据的一部分与第一组数据相关的程度和识别参考组数据的一部分与第一组数据相关的可能性。

在一个实施例中，第一组数据可具有数据，该数据包括但不限于响应于NMR指纹识别激发从物体获取的NMR信号、从响应于NMR指纹识别激发从物体获取的NMR信号产生的信号演进和从自响应于NMR指纹识别激发从物体获取的NMR信号产生的信号演进获得的信息。从信号演进获得的信息可包括例如通过变换信号演进而获得的信息、通过组合信号演进与一个或多个其他信号演进而获得的信息和通过分解信号演进而获得的信息。

在不同实施例中，参考组数据可包括，但不限于包括，以前获取的NMR信号、建模的NMR信号、以前获取的信号演进、建模的信号演进、从参考信号演进获得的信息和非信号演进信息。从参考信号演进获得的信息可包括但不限于通过变换参考信号演进而获得的信息、通过组合参考信号演进与一个或多个其他参考信号演进而获得的信息和通过分解参考信号演进而获得的信息。

在一个实施例中，将第一组数据与参考组数据进行比较可包括但不限于模式匹配、选择、最小化和优化。模式匹配可包括但不限于正交匹配追踪、分类序列标记、回归、群集、分类、实值序列标记、解析、贝叶斯方法、马尔可夫方法、集成学习方法和模板匹配。优化可包括但不限于最小二乘方优化、调整最小二乘方优化、基追踪优化和匹配追踪优化。

尽管已通过描述例子来示出示例性系统、方法等并且尽管已非常详细地描述例子，但申请人并不意图将所附权利要求的范围约束或以任何方式限制于这种细节。当然，不可能为了描述这里描述的系统、方法等的目的而描述部件或方法的每个想得到的组合。因此，本发明不限于示出和描述的特定细节、代表性设备和说明性例子。因此，本申请旨在包括落在所附权利要求的范围内的改变、修改和变化。

就在详细描述或权利要求中采用术语“包含”或“具有”而言，旨在以类似于术语“包括”的方式是包括性的，如同当在权利要求中被用作过渡词语时解释该术语一样。

就在详细描述或权利要求中采用术语“或”(例如，A或B)而言，旨在表示“A或B或二者”。当申请人意图指示“仅A或B而非二者”时，则将会采用术语“仅A或B而非二者”。因此，这里的术语“或”的使用是包括性的而非排他性使用。参见Bryan A. Garner, A Dictionary of Modern Legal Usage 624 (2d. Ed. 1995)。

就这里采用短语“A、B和C之一”(例如，数据存储器被构造为存储A、B和C之一)而言，旨在传达一组可能性A、 B和C(例如，数据存储器可存储仅A、仅B或仅C)。不旨在需要一个A、一个B和一个C。当申请人意图指示“至少一个A、至少一个B和至少一个C”时，则将会采用措辞“至少一个A、至少一个B和至少一个C”。

就这里采用短语“A、B和C中的一个或多个”(例如，数据存储器被构造为存储A、B和C中的一个或多个)而言，旨在传达一组可能性A、B、C、AB、AC、BC、ABC、AA...A、BB...B、CC...C、AA...ABB...B、AA...ACC...C、BB...BCC...C或AA...ABB...BCC...C(例如，数据存储器可存储仅A、仅B、仅C、A和B、A和C、B和C、A和B和C或其包括A、B或C的多个实例的其他组合)。不旨在需要一个A、一个B和一个C。当申请人意图指示“至少一个A、至少一个B和至少一个C”时，则将会采用措辞“至少一个A、至少一个B和至少一个C”。