【核磁共振成像】观共享重建

简介: 【核磁共振成像】观共享重建

一、K空间关键孔技术-数据采集

  对于笛卡尔K空间,一个相位编码行有时称为一个K空间观。一般情况下,每帧图像的K空间数据都是完全独立的,这里说的观共享(view sharing)是一种重建方法,为了重建两帧或多帧不同的图像,一些K空间观数据被反复使用。即一些K空间观在多个数据集中共享

  成像动态过程或时变过程,比如心脏运动FMRI任务激活对比剂团块(bolus)注入后增强过程、关节运动或导管跟踪,都是临床研究需要的。在这样的研究中,高空间分辨或大覆盖FOV也时常需要。因此,成像动态过程通常涉及在时间分辨空间分辨空间覆盖之间的恰当折中。折中的方法就是部分K空间刷新,keyhole方法就是频繁刷新K空间中心的数据,这样就牺牲了空间分辨,这基于动态信息在K空间是带限的假设(即图像变化有低空间分辨),但保证了时间分辨。

  观共享不是内插K空间数据,而是把选定的观从一个存储位置拷贝到另一个位置以供再用。为此,我们称用观共享重建的额外的像为中间像

  重建期间用观共享的采集实例包括keyholeBRISKTRICKS技术部分K空间数据刷新的实时成像,以及 分段K空间心脏采集(FASTCARD) 等。观共享也用于重建心脏触发相位对比度检查的中间像

  在原始关键孔(keyhole)方法中,小数量观被称为keyhole观,关于K空间中心行(K=0)对称,被重复收集,以低空间分辨提供时间系列图像来监视动态过程。参考数据的高空间频率与各个keyhole数据集结合产生完整的K空间数据集,用于重建系列的图像

  起初引进keyhole采集是为改善对比度增强成像的时间分辨率,基于对比度团注大部分信息包含在低空间频率的假设中。虽然重建的图像有 全空间分辨 的表现,动态变化数据实际上是低空间分辨keyhole采集重建的,高频信息用作解剖位置参考,而不传递任何动态信息

Keyhole采集例

  (a)8个keyhole观

  (b)32参考观

  对于256矩阵,K空间8个相位编码行数据为一观数据


二、BRISK技术

  K空间块区内插方案(block regional interpolation scheme for K-space,BRISK)是基于keyhole思想的一个延申Keyhole基于动态信息是低K空间频率的假设,因此高频数据不刷新。这个假设有时并不真实,故需要改进。当跟踪大部分动态过程时,BRISK的高频信息也刷新,只是K空间边缘比中心数据刷新频率低

  BRISK起始用于不分段K空间采集的2D多相心脏扫描,以缩短采集时间。在传统不分段扫描中,每层面K空间一观每心跳周期采集Ncp次(心脏的相数,即R-R波之间的时间段数)。因此,对于每层面采集全K空间数据集,所需要的心跳数等于K空间行数

  BRISK可以与分段K空间采集结合,有时也叫超快(turbo)-BRISK原始BRISK用傅里叶内插填充各心相K空间缺失的观。后来,用线性内插来提高重建速度

此例中K空间分为16段,心跳周期分为20段,黑方块指示被采样的K空间段

  靠近K空间中心段的观在各个心相都被采样(块8,9)。其他观有内向外采样频度逐渐降低,靠近边缘的段1-5和12-16每心跳周期只采样一次。一列代表一个心相的全K空间数据集。这里可称一段一方块一观以矩形256为例,一观或一段有16行数据

  图中显示了 BRISK的K空间采样机制,此例中K空间被分为16段。心跳周期分为20相。阴影块代表被采样的观,白方块代表缺失的观需要用内插来填充。靠近K空间中心的观(块8和块9)在每个心相都被采样,远离K空间中心的观用低频率采样。具体说,接近K空间边缘的观(块1-5和块12-16)每心跳周期只采样一次;块6和块11采5次;块7和块10采10次。这样,每个层面扫描时间是传统扫描时间的1/4(图中阴影块数是总块数的1/4)。

  除心脏成像外超快BRISK还用于大动脉流动的定量相位对比度(速度编码)成像


三、TRICKS技术

  对比剂动力学的时间分辨成像(time resolved imaging of contrast kinetics,TRICKS)是keyhole采集一般思想和BRISK的一个变型TRICKS通常用于提高3D对比度增强扫描的时间分辨。Kx-Ky平面被分成相等的面积,在时间上循环采样。Ky和Kz是在3D直线采样K空间中的两个相位编码方向。类似于BRISK,为K空间中央区域最频繁的采样

  在原始TRICKS中,Ky-Kz平面仅在Ky方向被划分,后来发展到Ky-Kz平面用共心椭圆来划分通常被划分为4个区,标记为A、B、C、D,A区相应于K空间中央。对比剂注入前,K空间即被全采样,即所有的4个区所有观均被采样,得到的图像用作减法掩模。接下来,4个区按ABACADABACAD…次序采集,直到扫描结束。

对于TRICKS采集K空间等分为4份,标为A、B、C、D

  (a)沿第一个相位编码轴Ky进行分割Kx和Kz分别为频率和层面编码

  (b)用同心椭圆等分二维面积(KyKz),Ky和Kz分别为相位和层面编码


四、实时成像和滑动窗重建

  在实时成像中,滑动窗重建应用比较普遍。设采集一观的时间是TR等N*TR后方可完成第二组观的采集,建一个完全新的像。而通过滑动窗重建每TR间隔后就可以建一个刷新的图像除非图像变化,不考虑噪声时所有像是相同的。这类采集的目的就是探测物体内的变化,比如运动。如果有恒定的线性运动,用观共享重建的某些像见会有突然的过渡

  与静止器官不同,心脏总是在周期性跳动。不妨把心跳周期分为Ncp个时间段每个段代表心脏跳动的一个状态(心相)。要对一个心脏层面完成一个心跳周期的图像采集,就需要采集Ncp个K平面数据,这需要很多个心跳周期才能完成

  因此需要对每个心相成像,对每个心相都需要采集一个K平面数据


五、心电触发电影(CINE)采集

  虽然一个心相K平面上各行数据是在不同心跳周期采集的,但由于R波触发的同步作用,各行数据近似是在心脏周期内同一个时间点采集的(即电影成像)。

  如果有心率不齐,可在图像重建之前用ECG的时间信息进行内插,可以帮助对准K平面上所有行数据集到同一个时间点,此技术称为电影成像

  为减少CINE的总成像时间,可以分段采集,即在各个心相一次R波触发采多个K空间行

  ECG(Electrocardiogram),(又称EKG,an abbreviation from the German “Elektro-kardiographie”)是一个实验(test),用于记录引发心跳的电信号序列的时间节点和强度,ECG记录的是引发心脏跳动的电脉冲序列

在实时成像中,一个层位用8观重复采集。用滑动窗重建可以建7个中间像(总共9个)任两个全新像之间可建N-1个中间像

用心电触发的顺序采集

  (a)电影(CINE)方式,(b)分段K空间方式,每段4观


六、分段心脏采集和观共享

  为了 缩短总扫描时间,就得减少完成整个K空间数据采集所需要的ECG触发次数。该方法 把R-R间隔分段为若干相(phase)对应于K空间段,并在各个心相采集多K空间行

  在各段采集的K空间行数称为每段观数(vps)。虽然分段缩短了总扫描时间vps倍,但作为代价时间分辨率降低了同样倍数。因为在一个心相各行数据并不是在同一个时间点采集的,因而有可能引起图像模糊

  观共享普遍用于重建分段心电触发采集,通过用滑动窗重建在任两相之间高到(vps-1)个中间相可被重建。重建的中间相通过提供更平滑变化的电影显示,提高了表现或有效的时间分辨率。然而,真实的时间分辨率是采集一个K空间段的时间:vps*TR

  观共享不提高真实的时间分辨率,因为它不增加任何新的K空间数据,而是重复使用现有数据一次或多次

  在分段K空间采集中,相应于K空间中心的观通常安排在同一观中。例如,设每段有2观,总共8观,这段或许安排为(2,3),(4,5),(6,7)和(8,1)。如果有心率不齐,置K空间中心在同一观内可降低伪影。多相心电触发成像可用好几种方式采集。其一称为分段心脏采集FASTCARD采集

  虽然上述讨论聚焦在单层面采集,延申到多层面是可能的。为了观察心脏总体形态,心电触发多层面交错采集是可行的

对于一个单层位vps=4的分段K空间4相心脏采集

  观共享用于重建额外中间心相。在第一个R-R间隔K空间行1-4被重复采集;第二个R-R间隔K空间行5-8被采集,依次进行,直到数据矩阵被完全填满。在任意两个心相之间观共享重建允许高到(vps-1)个中间心相被重建


相关文章
|
机器学习/深度学习 传感器 安全
【高强度聚焦超声模拟器】模拟分层介质中的高强度聚焦超声波束和加热效应(Matlab代码)
【高强度聚焦超声模拟器】模拟分层介质中的高强度聚焦超声波束和加热效应(Matlab代码)
|
6月前
|
算法 Python
物理力学:探索力与运动的奥秘
物理力学:探索力与运动的奥秘
41 1
【核磁共振成像】相位差重建
【核磁共振成像】相位差重建
|
算法
【漂移-扩散通量重建 FV 方案】用于半导体和气体放电模拟的电子传输的更准确的 Sharfetter-Gummel 算法(Matlab代码实现)
【漂移-扩散通量重建 FV 方案】用于半导体和气体放电模拟的电子传输的更准确的 Sharfetter-Gummel 算法(Matlab代码实现)
103 0
|
传感器
遥感物理基础(3)大气对太阳辐射的影响
对于被动遥感而言,太阳辐射首先通过大气层到达地球表面,与地球表面的物体相互作用后,再次经过大气层被航空平台 (无人机)或航天平台 (卫星)传感器接收. 而大气对电磁辐射的吸收、散射、反射和投射作用,对遥感传感器接收信号影响很大;我们如果要解决大气对信号的影响,我们就需要对大气进一步了解,建立大气的数学模型;
505 0
|
安全 测试技术 数据库
【状态估计】基于数据模型融合的电动车辆动力电池组状态估计研究(Matlab代码实现)
【状态估计】基于数据模型融合的电动车辆动力电池组状态估计研究(Matlab代码实现)
|
机器学习/深度学习 人工智能 算法
将有色液体图像转换成透明液体,CMU教机器人准确掌控向杯中倒多少水
将有色液体图像转换成透明液体,CMU教机器人准确掌控向杯中倒多少水
111 0
|
传感器 机器学习/深度学习 人工智能
一文尽览 | 全景/鱼眼相机低速自动驾驶的近距离感知(识别+重建+定位+工程化)(上)
本文的工作部分受到了Malik等人在[5]中的工作的启发。这项工作的作者提出,计算机视觉的核心问题是重建、识别和重组,他们称之为计算机视觉的3R。在此,论文建议将计算机视觉的3R扩展并专门化为自动驾驶计算机视觉的4R:重建、识别、重组和重新定位。
一文尽览 | 全景/鱼眼相机低速自动驾驶的近距离感知(识别+重建+定位+工程化)(上)
|
机器学习/深度学习 传感器 存储
一文尽览 | 全景/鱼眼相机低速自动驾驶的近距离感知(识别+重建+定位+工程化)(下)
本文的工作部分受到了Malik等人在[5]中的工作的启发。这项工作的作者提出,计算机视觉的核心问题是重建、识别和重组,他们称之为计算机视觉的3R。在此,论文建议将计算机视觉的3R扩展并专门化为自动驾驶计算机视觉的4R:重建、识别、重组和重新定位。
一文尽览 | 全景/鱼眼相机低速自动驾驶的近距离感知(识别+重建+定位+工程化)(下)
|
传感器 编解码 运维
盘一盘!实时自动驾驶车辆定位技术都有哪些?(视觉/Lidar/多传感器数据融合)(上)
与基于激光雷达的定位相比,基于视觉和数据融合的定位技术在提高精度方面的潜力约为2–5倍。基于激光雷达和视觉的定位可以通过提高图像配准方法的效率来降低计算复杂性。与基于激光雷达和视觉的定位相比,基于数据融合的定位可以实现更好的实时性能,因为每个独立传感器不需要开发复杂的算法来实现其最佳定位潜力。V2X技术可以提高定位鲁棒性。最后,讨论了基于定量比较结果的AVs定位的潜在解决方案和未来方向。
盘一盘!实时自动驾驶车辆定位技术都有哪些?(视觉/Lidar/多传感器数据融合)(上)
下一篇
无影云桌面