MRI-CEST原理与MRI几种序列

本文涉及的产品
云解析 DNS,旗舰版 1个月
公共DNS(含HTTPDNS解析),每月1000万次HTTP解析
全局流量管理 GTM,标准版 1个月
简介: 笔记

一、引言


 MRI核磁共振的基本原理为核—磁—共振,接下来会具体展开各个词的含义。

 而CEST成像则是基于Bloch-McConnell方程(模拟化学交换的工具),因B-M方程目前还不能人工求出数值解,故用𝑹_𝟏𝝆弛豫模型(求解B-M方程)作为近似求其解析解。

 MRI序列又可分为饱和和采集这两个部分,接下来详细介绍展开。


二、核—磁—共振


 原子核中存在自旋,可以将原子核想象成一个带电小球,表面电荷旋转会产生电流,继而产生磁场,获得一个向上的磁矩。


1.png


 由于质子的分布均匀,随机磁矩相互抵消,所以宏观上观察不到任何效应,除非沿Z方向施加一个主磁场B0。

 在主磁场 B0 的作用下,质子会分裂成两个能级,一些去低能级(与主磁场同相),一些去高能级(与主磁场反相)。而且根据玻尔兹曼分布规律,低能级质子总比高能级要多几个。

 但它们和 B0 并不完全平行,根据Bloch方程(𝑑𝜇 ⃗)/𝑑𝑡=𝛾𝜇 ⃗×𝐵 ⃗,质子不仅会保持本身的自旋,原子核磁矩𝜇 ⃗还会以 Z方向为轴旋转。这个运动被称作进动。

 进动的质子磁矩可以分解纵向分量朝上或朝下,而横向分量都绕 B0 旋转,由于旋转完全随机抵消了,但在纵向上,低能级质子比高能级多,多出来的这些分量就让整体产生一个沿Z轴正向的宏观磁化量M0。


2.png


 考虑大量质子由低能级向高能级跃迁的过程。显然需要用能量为ΔE=ℏ𝜔_0=ℏ𝛾𝐵_0的光子照射低能级态的原子核使其跃迁。即𝜔_0=𝛾𝐵_0。由于质子的核磁矩𝜇 ⃗绕Z轴以−𝜔_0进动,且射频脉冲能量𝐸=ℏ𝜔_1,因此射频场𝐵_1的方向必须以相同频率( 𝜔_0=𝜔_1)变化实现“共振”(前提是𝐵_1≪𝐵_0)。再构造旋转坐标系X’Y’Z’,其中Z’与Z重合,而X’Y’平面相对于XY平面以射频场频率𝜔_0转动。则在新坐标系下𝐵_1一直沿着X’轴正方向。

 脉冲持续的时间越长,跃迁至高能级的质子越多,纵向磁化量Mz 势必会减小,等到两个能级质子数量一致,M0就消失了。

 但脉冲对质子还有另一个作用:相聚合,它会使原本因随机分布而抵消的各个横向分量趋向统一,因而得到一个逐渐增大的、绕B0旋转的横向磁化量Mx、My。

 这两者相叠加就是一个“螺旋式倾倒”运动。

 而一旦脉冲𝐵_1消失,统一了步调的相位重新变得随机,横向磁分量将慢慢消失,没有脉冲的约束,高能级质子也将回落,因此纵向磁分量将恢复。这两个磁分量恢复的过程被称作弛豫。

3.png


三、CEST成像


 化学交换饱和转移(CEST)成像是一种新型的基于MRI的分子影像技术,利用H原子的化学位移效应和化学交换效应可以实现对mmol/L量级及以上浓度的一些小分子物质的信号放大,从而有望实现对小分子物质相关信息的快速较高分辨率的成像观测。

 H原子基本在水中,但水不是重要的指标物质。→所以怎样找小含量物质的信息?

 小含量物质中也有H原子,不过直接测的话信号很小,它们与水中的H原子之间有自发的化学交换效应和化学位移效应(MT,磁化转移)。由于人体内环境复杂,不同的小含量物质中,H原子所处的化学环境不同,它们的共振频率也不同。

 但射频脉冲有频率,可以把水的信号压下去(通过H原子的交换),相当于把小含量物质的信号放大。(大概能测mmol/L量级及以上浓度的一些小分子物质,如APT、RNOE、Pcr、谷氨酸、葡萄糖等)。

 CEST效应主要受交换率𝑘_b和代谢物质子相对于水质子的浓度𝑓_b所影响。为了获取这些CEST参数,需要引入定量化方法。

 可以把水(自由H原子)和小含量物质(半固体,受制H原子)简化为两个池(“双池模型”)。

 此时,磁化转移可以通过Bloch-McConnell方程来模拟(由于MT池的T2弛豫过快(R2b∼105 s-1),横向部分可忽略)。

 考虑水(a)和某种溶质(b)组成的双池模型。

 其纵向、横向弛豫速率(弛豫时间的倒数)分别为𝑅_1𝑎、𝑅_2𝑎和𝑅_1𝑏、𝑅_2𝑏;

 以水的拉莫自旋频率为零频率𝜔_𝑎,溶质的自旋偏频为𝜔_𝑏。

 溶质质子比例浓度为𝑓_𝑏,与水质子交换速率𝑘_𝑏。

 Bloch-McConnell(BM)方程:

4.png


四、𝑹_𝟏𝝆弛豫模型


 Bloch-McConnell方程无法解析求解。目前最好的解析模型是𝑅_1𝜌弛豫模型,可将BM方程转化成一个可直接求解的一元方程。

 找出A的特征值和特征向量,其中绝对值最小的那个特征值λ1=- 𝑅_1𝜌,它对应的特征向量即为有效场Beff。因此,在稳定状态下,系统的磁化矢量是由沿Zeff的贡献所主导的,认为磁化矢量在Zeff轴方向进行弛豫:

 在每个饱和偏移处的Z值:Z(Δω) = Msat(Δω)/M0

5.png6.png


 该模型能够较好地定量化描述饱和脉冲时间不小于1秒情形下的CEST信号。

 按照该模型的描述,在加饱和脉冲期间,Z值由其初始值以𝑅_1𝜌的弛豫速率向稳定值作指数衰减;𝑅_1𝜌值由水和各项具有CEST效应的化学物质的影响线性叠加而成。

 从该模型的解析表达式中可看出,Z值不仅受溶液中各种具有化学交换效应溶质的CEST参数(氢原子比例浓度𝑓_𝑏、交换速率𝑘_𝑏和横向弛豫时间𝑇_2𝑏)的影响,还与水的纵向弛豫时间(𝑇_1𝑤)、横向弛豫时间(𝑇_2𝑤)、饱和脉冲强度(𝐵_1)和偏频(∆ω)、饱和脉冲时长(𝑡_sat)、扫描重复时长(TR)等CEST效应无关参量有关。

 Z值中主要体现的仍是水的效应,各种具有CEST效应的物质对Z值也均有一定影响。这些物质的相关参数对Z值的影响是复杂的非线性的方式。

 根据𝑍={[(1−𝑒^(−𝑅_1𝑎 (𝑇𝑅−𝑡_sat ) ))cos^2 𝜃−〖𝑅_1𝑎 cos^2 𝜃〗∕𝑅_1𝜌 ]𝑒^(−𝑅_1𝜌 𝑡_sat )+〖𝑅_1𝑎 cos^2 𝜃〗∕𝑅_1𝜌 }/[1−𝑒^(−𝑅_1𝑎 𝑇𝑅)],可解出𝑅_1𝜌值。

7.png

  𝑅_1𝜌不包含水弛豫速率、扫描序列时间参数等信息,是比Z值更好的指标 。(水的影响小了很多)。


五、几种序列


CEST:化学交换饱和转移(chemical exchange saturation transfer)

CERT:化学交换旋转转移(chemical exchange rotation transfer)

FLEX:频率-标记交换(frequency-labeled exchange)

OPARACHEE:共振控制化学交换效应(On-resonance PARamangnetic Chemical Exchange Effects)

pCEST:Positive CEST

SAFARI :频率交替的射频照射饱和(Satura- tion with Frequency Alternating RF Irradiation)

VDMP:可变延迟多脉冲(Variable delay multi pulse)

TSE:涡轮自旋回波(turbo spin echo)

RARE:快速自旋回波快速采集松弛增强(rapid acquisition with relaxation enhancement)


相关文章
|
机器学习/深度学习 传感器 编解码
史上最全 | BEV感知算法综述(基于图像/Lidar/多模态数据的3D检测与分割任务)
以视觉为中心的俯视图(BEV)感知最近受到了广泛的关注,因其可以自然地呈现自然场景且对融合更友好。随着深度学习的快速发展,许多新颖的方法尝试解决以视觉为中心的BEV感知,但是目前还缺乏对该领域的综述类文章。本文对以视觉为中心的BEV感知及其扩展的方法进行了全面的综述调研,并提供了深入的分析和结果比较,进一步思考未来可能的研究方向。如下图所示,目前的工作可以根据视角变换分为两大类,即基于几何变换和基于网络变换。前者利用相机的物理原理,以可解释性的方式转换视图。后者则使用神经网络将透视图(PV)投影到BEV上。
史上最全 | BEV感知算法综述(基于图像/Lidar/多模态数据的3D检测与分割任务)
|
8月前
|
数据采集 机器学习/深度学习 算法框架/工具
探究肺癌患者的CT图像的图像特征并构建一个诊断模型
探究肺癌患者的CT图像的图像特征并构建一个诊断模型
|
机器学习/深度学习 人工智能 vr&ar
光流法相关论文-LK光流法,HS光流法,Farneback光流法,FlowNet: 端到端的深度光流估计, RAFT: 结构化的光流估计
光流法相关论文-LK光流法,HS光流法,Farneback光流法,FlowNet: 端到端的深度光流估计, RAFT: 结构化的光流估计
371 0
|
人工智能 算法 图形学
山大SIGGRAPH 2023 最佳论文得主分享:点云法向估计及保特征重建
山大SIGGRAPH 2023 最佳论文得主分享:点云法向估计及保特征重建
265 0
|
传感器 机器学习/深度学习 人工智能
史上最全综述 | 3D目标检测算法汇总!(单目/双目/LiDAR/多模态/时序/半弱自监督)(下)
近年来,自动驾驶因其减轻驾驶员负担、提高行车安全的潜力而受到越来越多的关注。在现代自动驾驶系统中,感知系统是不可或缺的组成部分,旨在准确估计周围环境的状态,并为预测和规划提供可靠的观察结果。3D目标检测可以智能地预测自动驾驶车辆附近关键3D目标的位置、大小和类别,是感知系统的重要组成部分。本文回顾了应用于自动驾驶领域的3D目标检测的进展。
史上最全综述 | 3D目标检测算法汇总!(单目/双目/LiDAR/多模态/时序/半弱自监督)(下)
|
机器学习/深度学习 数据采集 编解码
【核磁共振成像】并行采集MRI
【核磁共振成像】并行采集MRI
【核磁共振成像】并行采集MRI
|
机器学习/深度学习 传感器 运维
【特征提取】基于麻雀算法优化VMD实现西储大学数据集故障信号特征提取附matlab代码
【特征提取】基于麻雀算法优化VMD实现西储大学数据集故障信号特征提取附matlab代码
|
机器学习/深度学习 传感器 算法
【图像重建】基于ART算法和SIRT算法实现超声CT反演附MATLAB代码
【图像重建】基于ART算法和SIRT算法实现超声CT反演附MATLAB代码
|
机器学习/深度学习 存储 数据可视化
医学图像的深度学习的完整代码示例:使用Pytorch对MRI脑扫描的图像进行分割
图像分割是医学图像分析中最重要的任务之一,在许多临床应用中往往是第一步也是最关键的一步。在脑MRI分析中,图像分割通常用于测量和可视化解剖结构,分析大脑变化,描绘病理区域以及手术计划和图像引导干预,分割是大多数形态学分析的先决条件。
275 0
|
机器学习/深度学习 传感器 算法
基于超声图像散斑统计的各向异性扩散滤波器附matlab代码
基于超声图像散斑统计的各向异性扩散滤波器附matlab代码