Sequence Search: Automated Sequence Design using Neural Architecture Search

📄 arXiv: 2604.14788v1 📥 PDF

作者: Rokgi Hong, Hongjun An, Sooyeon Ji, Jongho Lee

分类: cs.AI

发布日期: 2026-04-16

备注: 10 pages, 6 figures

💡 一句话要点

提出基于神经架构搜索的Sequence Search，实现磁共振序列的自动设计。

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 磁共振成像 序列设计 神经架构搜索 自动化 Bloch模拟 梯度优化 脉冲序列

📋 核心要点

  1. 传统MR序列设计依赖人类直觉，AI方法又依赖初始序列或大量数据，通用性受限。
  2. Sequence Search利用神经架构搜索，直接从组织特性和成像目标生成脉冲序列。
  3. 成功复现传统序列，并发现降低射频能量的新序列，验证了框架的有效性。

📝 摘要（中文）

开发磁共振（MR）序列极具挑战性，且很大程度上依赖于人类的直觉。近年来，虽然出现了一些人工智能驱动的方法，但它们大多需要初始序列进行参数优化或大量的训练数据集，限制了其通用性。本研究提出了一种基于神经架构搜索的自动化序列设计框架“Sequence Search”。该方法以组织特性、成像参数和设计目标作为输入，生成满足设计目标的脉冲序列，而无需事先了解传统的序列结构。Sequence Search通过神经架构搜索迭代生成候选序列，并通过可微分的Bloch模拟器和特定于目标的损失函数，使用基于梯度的学习来优化它们。该框架成功地复制了传统的自旋回波、T2加权自旋回波和反转恢复序列。还发现了一些不太直观的解决方案，例如具有降低的射频能量和偏离传统Hahn回波的重聚焦相位的三个射频自旋回波样序列。这项工作建立了一个用于自动MR序列设计的通用框架，突出了探索超越基于人类直觉的传统设计的配置的潜力。

🔬 方法详解

问题定义：传统磁共振序列设计高度依赖专家经验和人工调整，过程耗时且难以发现非直观但可能更优的序列。现有的AI方法通常需要基于已有的序列进行优化，或者需要大量的训练数据，限制了其在新的成像场景和目标下的应用。

核心思路：Sequence Search的核心思想是将MR序列设计问题转化为一个神经架构搜索问题。通过定义一个搜索空间，其中每个“架构”代表一个可能的MR序列，然后利用优化算法自动搜索这个空间，找到满足特定成像目标的最优序列。这种方法避免了对初始序列的依赖，并允许探索更广泛的序列设计空间。

技术框架：Sequence Search框架包含以下主要模块：1) 序列生成器：基于神经架构搜索算法，生成候选的MR序列。2) Bloch模拟器：使用可微分的Bloch方程模拟生成的序列在特定组织参数下的信号响应。3) 损失函数：定义成像质量的度量标准，例如信噪比、对比度等。4) 优化器：使用梯度下降等优化算法，根据损失函数调整序列生成器的参数，从而生成更好的序列。

关键创新：该方法最重要的创新在于将神经架构搜索应用于MR序列设计，实现了序列的自动生成和优化。与传统的基于规则或优化的方法相比，Sequence Search能够探索更广泛的序列设计空间，发现非直观的序列结构。此外，使用可微分的Bloch模拟器使得可以使用梯度下降算法进行优化，提高了优化效率。

关键设计：序列生成器使用循环神经网络（RNN）或Transformer等架构，生成脉冲序列的参数，如射频脉冲的幅度、相位和梯度场的强度、持续时间等。损失函数根据具体的成像目标进行设计，例如，对于T1加权成像，损失函数可以包括对T1对比度的惩罚项。可微分的Bloch模拟器是关键，它允许计算损失函数对序列参数的梯度，从而使用梯度下降算法进行优化。具体网络结构和参数设置未知，需要参考论文补充材料。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

Sequence Search成功地复现了传统的自旋回波、T2加权自旋回波和反转恢复序列，验证了其有效性。更重要的是，该方法还发现了一些非直观的序列，例如具有降低的射频能量和偏离传统Hahn回波的重聚焦相位的三个射频自旋回波样序列，表明该方法能够探索超越人类直觉的序列设计空间。具体的性能数据未知，需要参考论文。

🎯 应用场景

Sequence Search可应用于开发针对特定组织或疾病的优化MR序列，例如，可以设计用于早期肿瘤检测的高灵敏度序列，或用于快速成像的低能量序列。该方法还可以用于探索新的成像对比机制，发现传统方法难以发现的序列结构。此外，该框架可以推广到其他成像模式，如CT和PET。

📄 摘要（原文）

Developing an MR sequence is challenging and remains largely constrained by human intuition. Recently, AI-driven approaches have been proposed; however, most require an initial sequence for parameter optimization or extensive training datasets, limiting their general applicability. In this study, we propose "Sequence Search," an automated sequence design framework based on neural architecture search. The method takes tissue properties, imaging parameters, and design objectives as inputs and generates pulse sequences satisfying the design objectives, without requiring prior knowledge of conventional sequence structures. Sequence Search iteratively generates candidate sequences through neural architecture search and optimizes them via a differentiable Bloch simulator and objective-specific loss functions using gradient-based learning. The framework successfully replicated conventional spin-echo, T2-weighted spin-echo, and inversion recovery sequences. Less intuitive solutions were also discovered, such as three-RF spin-echo-like sequences with reduced RF energy and refocusing phases deviating from the conventional Hahn-echo. This work establishes a generalizable framework for automated MR sequence design, highlighting the potential to explore configurations beyond conventional designs based on human intuition.