深度学习赋能MRI匀场：基于CNN的快速磁场优化方案

1. 项目概述与核心价值

在磁共振成像（MRI）的日常工作中，匀场（Shimming）是一个既基础又令人头疼的环节。无论是做科研还是临床扫描，我们都希望获得一张信号均匀、边界清晰、没有伪影的图像。但现实是，主磁场（B0）的不均匀性无处不在——不同组织（比如大脑和颅骨）的磁化率差异、扫描仪硬件本身的微小不完美，甚至是受试者一个不经意的吞咽动作，都会在磁场中引入“涟漪”。这些不均匀性直接导致图像出现几何畸变、信号丢失或化学位移伪影，尤其是在7T及以上的超高场系统中，问题会被急剧放大。

传统的匀场方法，本质上是求解一个基于球谐函数（Spherical Harmonics, SH）的线性方程组。我们需要先采集一张场图（B0 Map），然后在设定的匀场体积（VOI）内，通过最小二乘法迭代优化各阶匀场线圈的电流系数，以期用线圈产生的反向磁场去“抵消”不均匀性。这个过程听起来很直接，但实操中却有几个痛点：首先，它耗时。一次完整的匀场优化，从采集场图到计算系数再到线圈加载，几分钟就过去了。如果扫描协议包含多个序列，每个序列的匀场体积（VOI）不同，这个过程就得重复多次，累积起来的时间成本相当可观。其次，它假设匀场线圈产生的磁场是完美的、符合理想球谐函数模型的。但现实中，线圈之间存在交叉项干扰，硬件老化、温漂都会导致其产生的磁场与理论模型有偏差，这种“非理想性”会直接影响匀场效果。最后，它对动态变化束手无策。在心脏成像或者病人有轻微移动的长时程扫描中，磁场的不均匀性是实时变化的，传统方法无法做到快速、自适应的调整。

我最近在实验室里折腾的，就是尝试用深度学习，特别是卷积神经网络（CNN），来给这个老问题找一个新解法。核心思路非常直观：既然匀场的终极目标是输入一张带有匀场区域掩码的场图，输出一组最优的匀场线圈系数，那这不正是一个典型的“图像到参数”的回归问题吗？CNN最擅长的就是从图像中提取特征并建立复杂的非线性映射。我们训练一个神经网络，让它学会看“病”——观察磁场哪里“不平”，然后直接“开药方”——给出应该给各线圈通多大的电流。这篇博文，我就来详细拆解我们是如何构建这个“AI匀场师”的，从数据模拟、网络设计、训练技巧到实际效果评估，希望能给同样在医学影像处理或硬件控制优化领域摸索的同仁们一些切实的参考。

2. 核心思路与方案设计：为何选择深度学习？

在深入代码和实验之前，我们必须先想清楚：为什么是深度学习？更具体点，为什么是卷积神经网络（CNN）？替代方案有很多，比如更复杂的传统优化算法（如基于正则化的迭代求解）、或者其他的机器学习模型（如随机森林、支持向量机）。我们的选择基于以下几个核心考量：

2.1 问题的本质：从空间分布到参数集的映射

匀场问题的输入是一张二维或三维的场图（磁场的空间分布），输出是一组离散的系数（通常少于20个，对应1阶和2阶球谐函数）。这是一个典型的从高维空间信息到低维参数向量的映射问题。传统的最小二乘法是在一个预设的、线性的球谐函数基底下进行投影拟合。但这里存在两个关键的非线性环节：

1. 场源的非线性：磁场不均匀性来源于组织磁化率分布，其与磁场扰动之间的关系由复杂的物理方程（如偶极子卷积模型）描述，本身就是非线性的。
2. 线圈的非理想性：实际匀场线圈产生的磁场并非完美的球谐函数，它们之间存在耦合和畸变，这种“基函数”本身的变形也是非线性的。

CNN的优势在于，它不依赖于任何预设的、固定的基函数。它通过多层卷积核，自动从数据中学习最能表征磁场不均匀性模式的“特征基”。这些学习到的特征，可能隐含地包含了理想球谐函数、非理想畸变、甚至是一些我们未能用显式公式描述的复杂模式。网络最终的全连接层，则负责将这些高级特征“翻译”成我们需要的线圈系数。

2.2 速度优势：一次前向传播 vs. 迭代优化

在扫描仪上，时间是宝贵的。传统迭代优化算法（如共轭梯度法）需要多次矩阵运算和循环，计算时间与匀场体积内的体素数量、球谐函数阶数正相关。虽然对于单次匀场来说，几秒钟的差异可能不明显，但在两种场景下，速度是决定性因素：

• 多序列扫描：一个完整的神经科学研究协议可能包含T1, T2, DTI, fMRI, ASL等多个序列，每个序列的感兴趣区（VOI）可能不同（全脑、胼胝体、海马等）。如果每个序列都需要独立匀场，传统方法的时间成本是线性累加的。
• 动态/实时匀场：在心脏成像或存在不自主运动的扫描中，我们需要在秒级甚至亚秒级时间内更新匀场系数。迭代优化算法很难满足这个实时性要求。

一个训练好的CNN模型，其推理（Inference）过程只是一次简单的前向传播。在现代GPU甚至高性能CPU上，这可以在毫秒级别完成。这意味着我们可以近乎实时地根据当前场图计算匀场系数，为真正的动态匀场打开了大门。

2.3 泛化与鲁棒性潜力

我们最初是在模拟数据上训练模型。一个合理的担忧是：“模拟和现实差距那么大，模型能用吗？”这正是深度学习另一个潜在优势所在。通过精心构建的、覆盖足够多样性的模拟数据集（包括不同的头部形状、大小、位置，以及不同的匀场区域掩码），网络学习到的是“如何根据磁场分布形态和匀场区域位置来调整系数”的通用策略，而不仅仅是记忆特定的案例。

注意：这并不意味着模型可以“开箱即用”于任何扫描仪。不同厂家、不同型号的MRI设备，其匀场线圈的物理特性（电感、电阻、磁场剖面）必然存在差异。因此，迁移学习（Transfer Learning）或微调（Fine-tuning）是必不可少的步骤。我们的预训练模型提供了一个非常好的起点，只需要用目标扫描仪采集的少量真实场图-系数对数据对模型进行微调，就能使其快速适配到新系统，这远比从头标定所有线圈特性要高效得多。

基于以上分析，我们决定采用一个相对轻量化的2D CNN架构作为起点。选择2D而非3D，主要是出于计算效率和数据获取便利性的考虑。在科研初期，用2D切片数据进行概念验证和流程打通是更稳妥的选择。一旦2D模型被证明有效，扩展到3D CNN来处理全脑场图将是水到渠成的事情。

3. 数据工程：构建逼真的模拟训练集

深度学习项目，七分靠数据，三分靠模型。对于我们这个物理驱动很强的任务，构建一个高质量、高保真的模拟数据集是成功的关键。我们不能直接用临床数据，因为获取大量配对的“原始场图-最优匀场系数”数据成本极高，且“最优系数”本身就需要通过耗时的传统优化得到，形成了一个死循环。因此，我们选择从物理第一性原理出发，合成数据。

3.1 磁场模拟：基于偶极子卷积的快速计算

磁场不均匀性（ΔB）主要来源于生物组织磁化率（χ）分布与主磁场（B0）的相互作用。精确计算这个场是一个复杂的边界值问题。我们采用了Salomir等人提出的傅里叶方法，这个方法非常巧妙���它利用卷积定理，在频域中快速计算整个三维空间的磁场扰动。

其核心公式在空间频域（k空间）中表示为：ΔB(k) = (1/3 - k_z^2 / |k|^2) * FT[χ(r)] * B0其中，FT[χ(r)]是磁化率分布图的傅里叶变换，k_z是k空间z方向的分量，|k|是波矢的模长。这个公式的物理意义是：组织磁化率分布与一个偶极子场核在实空间的卷积，等价于在频域中将磁化率谱与一个偶极子响应函数相乘。最后再做一次逆傅里叶变换，就得到了实空间的磁场扰动ΔB(r)。

这么做的优势是什么？

1. 速度快：利用FFT（快速傅里叶变换），计算复杂度从O(N^2)降低到O(N log N)，对于高分辨率的三维头模，这是唯一可行的计算方法。
2. 精度高：该方法直接求解了均匀无限大介质中磁化率扰动的精确解（在忽略边界条件的近似下），比简单的线性投影或经验公式要准确得多。
3. 可扩展：我们可以方便地引入“本征不均匀性”（h_in），用来模拟扫描仪硬件本身固有的、与样本无关的磁场畸变，使得模拟环境更接近真实。

3.2 解剖模型与磁化率赋值：MIDA头模的妙用

我们需要一个尽可能真实的人头解剖模型来生成磁化率分布图χ(r)。这里我们选择了MIDA（Multimodal Imaging-Based Detailed Anatomical）头模。这个模型基于真实的MRI和CT数据构建，包含了多达115个精细的解剖结构，从大脑灰白质、脑脊液到眼球、耳道、骨骼、牙齿，一应俱全。

为了简化计算并突出主要磁化率对比，我们将这115个结构归并为四大类，并赋予文献中报道的典型磁化率值：

• 空气（Air）: χ ≈ 0.36 ppm (SI)
• 骨骼（Bone）: χ ≈ -8.0 ppm
• 大脑组织（Brain）: χ ≈ -9.0 ppm (这是一个平均值，实际灰质和白质有细微差异)
• 肌肉（Muscle）: χ ≈ -9.0 ppm

通过这种归类，我们得到了一张简化的、但物理意义明确的头部磁化率图。接着，我们对这个基础头模进行了一系列的数据增强操作，以模拟真实人群中解剖结构的多样性：

• 平移（Translation）：模拟头部在扫描仪中的不同位置。
• 缩放（Scaling）：模拟不同大小的头部（如成人与儿童）。
• 剪切（Shearing）：模拟一些非对称的形态变化。 通过这些变换，我们生成了200个不同的“虚拟受试者”头部模型。

3.3 匀场区域（VOI）与目标系数的生成

对于每个头部模型，我们还需要定义匀场区域（Volume of Interest, VOI）。在临床中，VOI可以是全脑、某个脑叶、或者脊髓的一段。在我们的2D实验中，VOI表现为一个在矢状面（Sagittal Slice）上的矩形掩码（Mask）。我们生成了50个不同位置、不同大小的矩形掩码。

对于每一个“头部模型 + VOI掩码”的组合，我们使用前述的傅里叶方法计算其中心矢状面的磁场扰动图（ΔB map）。这张图就是我们的输入特征。

那么训练标签（目标）如何产生？我们采用传统方法作为“金标准”：在VOI掩码区域内，使用最小二乘法拟合1阶和2阶球谐函数系数。具体来说，我们构建一个设计矩阵S，它的每一列代表一个球谐函数（如Z, X, Y, Z², X²-Y², 2XY...）在VOI内每个像素点上的值。我们的目标是找到一组系数向量I，使得S * I尽可能接近测量到的ΔB。通过求解最小二乘问题min ||ΔB - S * I||²，我们得到了一组在当前VOI内“最优”的匀场系数。这组系数就是神经网络要学习预测的目标。

为了模拟真实线圈的非理想性，我们还创建了另一套“非理想”目标系数。方法是在生成设计矩阵S时，给理想的球谐函数基添加微小的高阶项（如3阶项）扰动，模拟线圈间的交叉耦合和制造误差。这样，我们最终得到了一个包含10,000个样本的数据集，每个样本包括：一张带VOI掩码的场图，以及对应的（理想或非理想）匀场系数向量。

4. 网络架构设计与训练策略

有了高质量的数据，下一步就是设计一个能够学习“看图调参”的神经网络。我们的设计原则是：在保证性能的前提下，力求结构简单、参数少、推理快，以方便未来部署到可能计算资源有限的扫描仪控制计算机上。

4.1 网络架构详解

我们采用了一个编码器（Encoder）风格的简单CNN结构，灵感来源于U-Net的编码部分，但去掉了复杂的跳跃连接和解码器，因为我们最终的任务是回归一组系数，而不是分割或生成图像。

网络的具体数据流如下：

1. 输入层：接收一张单通道的2D图像，即带掩码的场图。图像中，VOI区域外的像素被置为零（或一个特定值）。图像尺寸被统一缩放到128x128像素，以平衡细节信息与计算量。
2. 特征提取模块（3个卷积块）：
   • 卷积块1：64个3x3卷积核，步长1，同填充（‘same’ padding）。后接ReLU激活函数和2x2最大池化（步长2）。输出尺寸：64@64x64。
   • 卷积块2：128个3x3卷积核，步长1，同填充。后接ReLU激活和2x2最大池化。输出尺寸：128@32x32。
   • 卷积块3：256个3x3卷积核，步长1，同填充。后接ReLU激活和2x2最大池化。输出尺寸：256@16x16。 这三个卷积块的作用是层层递进地提取特征。浅层卷积可能捕捉到磁场的梯度、边缘等局部特征；深层卷积则能整合更大范围的上下文信息，理解整个VOI区域内磁场的整体分布模式（例如，是左侧高右侧低，还是中心凸起四周凹陷）。
3. 展平与全连接层：
   • 将第三个卷积块输出的256个16x16的特征图展平成一个长度为65536 (2561616) 的向量。
   • 全连接层1（FC1）：一个具有1024个神经元的隐藏层，后接ReLU激活和Dropout（丢弃率设为0.3）。Dropout是防止过拟合的关键，它随机在训练期间“关闭”一部分神经元，强迫网络学习更鲁棒的特征。
   • 全连接层2（FC2/输出层）：神经元数量等于要预测的匀场系数个数。在我们的2D矢状面实验中，由于对称性，我们主要优化5个系数：X, Y, Z², X²-Y², 2XY。因此这是一个5神经元的线性层。

4.2 为什么不用球谐函数作为输入？

这是一个关键的设计选择。一个直觉的想法是：既然目标是球谐函数系数，为什么不把球谐函数在VOI内的值也作为额外输入喂给网络呢？这样网络不是学得更快吗？

我们刻意避免了这样做，原因有三：

1. 学习隐含表示：我们希望网络能自己从数据中“悟出”球谐函数，甚至是非理想的、扭曲的“基函数”。如果直接输入理想球谐函数，网络可能会过度依赖这个“完美”的先验知识，而无法适应真实线圈的非理想特性。
2. 应对非理想性：真实线圈的磁场剖面是未知且可能随时间变化的。让网络从带掩码的场图中直接学习到系数，相当于让它同时完成了“特征提取”和“系统辨识”两个任务。这增强了模型对硬件差异和漂移的适应性。
3. 简化输入：在实际部署中，输入越简单越好。我们只需要一张场图和一个VOI掩码，无需预先计算或加载任何关于线圈基函数的���息，降低了系统复杂度和对校准数据的依赖。

4.3 训练过程与超参数选择

我们将10,000个样本按70%/20%/10%的比例随机划分为训练集、验证集和测试集。

• 损失函数：采用均方误差（MSE）。这是回归任务的标准选择，它直接衡量预测系数与目标系数之间的欧氏距离的平方。Loss = mean((I_pred - I_target)²)。
• 优化器：使用Adam优化器，初始学习率设为0.001。Adam结合了动量和自适应学习率的优点，在大多数深度学习任务中表现稳定且收敛快。
• 训练策略：
  • 我们对目标系数进行了Z-score标准化（减去均值，除以标准差），使每个系数的分布均值为0，方差为1。这能加速网络收敛，并避免因不同系数数值范围差异过大导致的训练不稳定。
  • 使用验证集上的损失作为早停（Early Stopping）的监控指标。如果连续10个epoch验证集损失不再下降，则停止训练，并回滚到验证损失最小的模型权重。
  • 总共训练了100个epoch，批量大小（Batch Size）设置为32。
• 评估指标：除了监控MSE损失，我们更关注决定系数R²。R²衡量了预测值对目标值变动的解释程度，其值越接近1，说明预测越准确。R² = 1 - (Σ(I_pred - I_target)² / Σ(I_target - mean(I_target))²)。

5. 实验结果与性能深度分析

模型训练完成后，我们在独立的测试集上进行了全面的评估。结果令人鼓舞，证实了我们最初的设计假设。

5.1 预测精度：与“金标准”的对比

首先，我们直接对比了神经网络预测的匀场系数与传统最小二乘法优化得到的“金标准”系数。图4（在原始论文中）的散点图清晰地展示了这一点。对于理想线圈场和非理想线圈场两种配置，所有5个系数（X, Y, Z², X²-Y², 2XY）的预测值与目标值都紧密分布在y=x这条对角线上。

量化结果：在理想条件下，模型在测试集上的平均R²达到了0.941 ± 0.005。而在非理想条件下，R²为0.939 ± 0.006。两者几乎没有统计学差异。这个结果意义重大：

• 高精度：R² > 0.94意味着模型预测可以解释目标系数94%以上的方差，预测误差非常小。这证明了CNN确实有能力从复杂的场图分布中准确反演出背后的物理参数。
• 对非理想性的鲁棒性：模型在从未“见过”理想球谐函数定义的情况下，成功学习到了非理想线圈场的隐含表示。这表明模型并非简单地记忆了理想基函数与系数的映射，而是真正学会了“看场图，调电流”的通用映射关系，具备了一定的系统泛化能力。

5.2 匀场效果可视化：场图对比

系数预测得准，最终目的是匀场效果好。我们将预测的系数加载回模拟系统，计算其产生的匀场场，并与原始不均匀场叠加，得到“后匀场”场图。

图3（原始论文中）展示了一个典型样例。第一行是匀场前的原始场图，可以看到明显的、跨越数十Hz的磁场变化。第二行是用传统最小二乘法优化系数后得到的场图，不均匀性被大幅抑制，场图变得平坦。第三行是用我们神经网络预测的系数得到的场图。肉眼几乎无法区分第二行和第三行的差异，两者都实现了优秀的匀场效果。

为了更定量地评估，我们计算了匀场后VOI区域内磁场的标准差（Standard Deviation）。图5的散点图比较了使用“金标准”系数和神经网络预测系数匀场后，VOI内磁场标准差的关系。数据点再次紧密分布在对角线附近，这表明神经网络预测的系数所能达到的匀场均匀度，与理论最优值几乎一致。

5.3 鲁棒性测试：对抗输入噪声

真实的MRI场图不可避免地含有噪声，噪声可能来源于热噪声、运动伪影、涡流等。一个实用的模型必须对输入噪声有一定的容忍度。我们进行了压力测试：在测试集的场图上，添加不同水平（标准差从0到1 ppm）的随机高斯噪声，然后观察模型预测性能（R²）的变化。

结果如图6所示。随着噪声水平从0增加到1 ppm（这是一个相当大的噪声，因为我们的合成场图本身的标准差约为2.16 ppm），模型的R²分数仅呈现非常平缓的下降。即使在1 ppm的强噪声下，R²依然保持在0.9以上。这证明了模型的强大鲁棒性。其背后的原因可能是：CNN的卷积和池化操作本身具有一定的抗噪能力，能够提取噪声之下的有效结构信息；此外，我们在训练数据增强中如果加入了轻微的噪声，也能提升模型的泛化能力。

5.4 误差分析与局限性讨论

尽管结果喜人，但我们仍需冷静看待其中的不足和局限性。

• 高阶项误差略大：仔细观察图4的散点图，可以发现对于二阶项X²-Y²和2XY，数据点的分散程度略高于一阶项X,Y,Z²。这可能是因为高阶球谐函数对应的磁场模式更复杂（如四极子形状），在图像上的特征更细微，网络学习起来难度更大。同时，在整体匀场贡献中，高阶项的权重通常较低，模型可能将更多的“注意力”放在了纠正主要的一阶不均匀性上。
• 2D模型的局限：我们当前的工作完全基于2D矢状面切片。这虽然验证了概念的可行性，但与临床3D匀场需求还有差距。大脑的磁场不均匀性是三维的，特别是Z（上下方向）的一阶不均匀性，在2D切片中无法充分体现。下一步，扩展到3D CNN处理全脑场图是必然之路。好消息是，从2D到3D CNN在架构上是直接的扩展（将2D卷积换成3D卷积），主要挑战在于需要更大规模的3D模拟数据集和更高的计算资源。
• 模拟到现实的鸿沟：这是所有基于模拟数据的研究共同面临的挑战。我们的模拟虽然基于物理原理和真实解剖模型，但依然无法涵盖真实扫描中的所有复杂因素，例如：精确的线圈电磁仿真误差、梯度涡流、被试者胸腔/躯干对磁场的干扰、动态生理运动（呼吸、心跳）等。因此，如前所述，在真实系统上的微调是模型实用化的必经之路。

6. 从研究到应用：部署考量与未来展望

这项工作的最终目标，是让这个AI匀场模型真正运行在MRI扫描仪上，为放射技师和研究人员节省时间，提升图像质量。要实现这一步，还有几个关键的工程和实践问题需要解决。

6.1 部署流程设计

一个完整的AI匀场工作流可能如下：

1. 场图采集：执行标准的双回波梯度回波序列（如GRE），计算出B0场图。这一步与现有流程完全一致。
2. VOI定义：由用户在扫描计划中勾画匀场区域，或由序列预设（如“全脑匀场”）。
3. 数据预处理：将采集到的场图与VOI掩码结合，进行必要的裁剪、缩放，归一化到与训练数据相同的数值范围（例如，将磁场值从Hz归一化到[-1, 1]区间）。
4. 模型推理：将预处理后的数据输入到已部署的神经网络模型中。模型在GPU或高性能CPU上进行一次前向传播，在毫秒级时间内输出预测的匀场系数。
5. 系数后处理与加载：将模型输出的标准化系数反归一化，转换成实际的电流值（单位：安培，A）。通过扫描仪的硬件接口，将这些电流值加载到对应的匀场线圈上。
6. （可选）验证与迭代：可以再次采集一张快速场图，验证匀场效果。如果效果不达标，可以将新场图作为输入，进行第二次预测和调整，形成一个闭环。

6.2 模型适配与微调（Fine-tuning）

这是决定成败的一环。我们预训练的模型是一个“通用学生”，它学会了匀场的基本原理。但要让它成为某台特定扫描仪（比如“本院3号磁共振室的那台GE 3T”）的“专家”，必须进行微调。

• 数据收集：在该台扫描仪上，针对不同的典型头部线圈、不同的常见VOI（全脑、小脑、颞叶等），采集一批（例如50-100例）场图。
• 生成标签：对这批发图，使用该扫描仪当前的标准匀场程序（即传统的迭代优化方法）计算出“金标准”匀场系数。注意，这个“金标准”本身就包含了该设备线圈的所有非理想特性。
• 微调训练：以我们的预训练模型为起点，用这批新的（场图， 系数）配对数据，以较小的学习率（例如0.0001）继续训练几个epoch。这个过程相当于让模型快速学习当前设备的“方言”和“口音”。
• 优势：微调所需的数据量远小于从头训练，可能几十例就足够了。这大大降低了临床部署的数据收集成本。

6.3 潜在应用场景与价值

一旦部署成功，这项技术将在多个场景中发挥巨大价值：

• 多序列扫描加速：在科研协议中，快速为每个序列的特定VOI计算匀场系数，将总匀场时间从“N x 几分钟”缩短到“N x 几秒钟”，显著提升扫描效率。
• 动态匀场（Dynamic Shimming）：结合快速场图采集技术（如EPI-based B0 mapping），在扫描过程中近乎实时地监测磁场变化（如由于呼吸、心脏搏动引起的脑部磁场波动），并实时更新匀场系数。这对于腹部、心脏成像以及高分辨率功能磁共振成像（fMRI）至关重要，可以极大减少因磁场不稳引起的伪影。
• 超高场强（7T, 9.4T）MRI：场强越高，磁场不均匀性问题越严重，匀场越复杂、耗时。AI匀场提供了一种快速、可能更鲁棒的解决方案，有助于释放超高场MRI的潜力。
• 个性化与自动化：模型可以学习不同人群（儿童、成人、特殊病理结构）的匀场模式，实现更个性化的匀场。最终目标可能是实现“一键匀场”——用户选定扫描部位和序列，系统自动完成场图采集、VOI识别、系数计算和加载的全流程。

6.4 挑战与未来方向

当然，前路仍有挑战：

• 计算资源与集成：需要将模型集成到扫描仪供应商的原始操作系统中，这对软件架构和安全性提出了要求。或者，以外挂设备的形式存在，需要解决与主机的通信和同步问题。
• 安全性与可靠性：医疗AI必须绝对可靠。需要建立严格的验证流程，确保模型在任何情况下（如极端解剖、金属植入物附近）都不会输出导致安全隐患的异常系数（如过大电流）。
• 扩展到更高阶与3D：当前模型只预测到2阶系数。对于超高场或局部匀场，可能需要3阶甚至更高阶。网络架构和数据集都需要相应升级。扩展到3D全脑是下一步最直接的工作。
• 探索更优的架构：可以尝试更先进的网络，如Vision Transformer (ViT) 或注意力机制（Attention），看是否能更好地捕捉磁场分布的全局和长程依赖关系。

回顾整个项目，从最初被匀场耗时问题困扰，到尝试用深度学习破局，再到看到模型在模拟数据上展现出媲美传统方法的精度和令人惊喜的鲁棒性，这个过程充满了探索的乐趣。AI不是要取代物理，而是提供一个新的、更强大的工具来理解和控制物理系统。这个基于CNN的匀场模型，就像给MRI工程师装上了一双能瞬间“看透”磁场并“调平”它的慧眼。虽然从实验室的模拟到扫描仪旁的现实还有一段路要走，但第一步已经迈出，并且迈得相当扎实。