Fast-RF-Shimming：利用深度学习加速 7T MRI 中的 RF 调谐

超高场 (UHF) 磁共振成像 (MRI) 提供了提高的信噪比 (SNR)，使其能够实现异常高的空间分辨率，既有利于临床诊断，也有利于高级研究。然而，提高到更高场后会引入 complications，尤其是射频 (RF) 场 ($B_{1}^{+}$) 的不均匀性，表现为翻转角和图像强度的不均匀。这些制品可能降低图像质量，阻碍更广泛的临床应用。传统的 RF 调谐方法，如幅值最小二乘 (MLS) 优化，能够有效缓解 $B_{1}^{+}$ 的不均匀性，但仍需大量计算时间。最近的机器学习方法，包括通过迭代投影岭回归的 RF 调谐预测以及其他深度学习架构，表明了另一种可能的路径。尽管这些方法显示出前景，但仍存在训练时间长、网络复杂度有限以及实际数据需求等挑战。本文引入一种整体学习方法，称为 Fast-RF-Shimming，实现了比传统 MLS 方法快 5000 倍。在初始阶段，我们采用随机初始化的自适应矩估计 (Adam) 从多通道 $B_{1}^{+}$ 场中推导出所需的参考调谐权重。随后，我们训练一个残差网络 (ResNet)，将 $B_{1}^{+}$ 场直接映射到最终的 RF 调谐输出，并将置信参数纳入其损失函数中。最后，我们设计了非均匀性场探测器 (NFD)，作为可选的后处理步骤，以确保识别极端不均匀的结果。与标准 MLS 优化进行比较，表明该技术在处理速度和预测准确性方面都取得显著的改进，表明我们的技术为解决持续存在的不均匀性挑战提供了有前景的解决方案。