【核磁共振成像】单射成像和高速脉冲序列

简介: 【核磁共振成像】单射成像和高速脉冲序列

一、提高成像速度的手段

  MRI扫描时间可表示为

  其中Nex为激发次数,NpE1和NpE2是两个相位的编码步数。而通常运行于2D断层的高速成像又可将其简化为

  重复时间TR脉冲序列相邻的两次执行的时间间隔必须满足小于回波时间TE射频脉冲与对应的回波之间的时间间隔)(TR<TE)。

  TE的缩短受到数据采集时间梯度强度梯度切换时间的限制。

  归一化K空间、脉冲梯度和在K空间的扫描轨迹仅提出了规范化的思路。

全傅里叶编码

采集10行K空间数据的“部分傅里叶”编码


二、平面回波成像(EPI)序列

  对于EPI序列,其允许一次RF激发而得到2D断层图像的全部数据(最快的成像方法)。

原始EPI序列的时序

  Gs、Gp、Gr分别代表选层、相位编码梯度(弱梯度,恒定不变)和频率编码梯度(快速切换)

  一次扫描覆盖半个K空间(使用半傅里叶变化,增加预相位梯度实现全K空间扫描可行),分辨率与全K空间数据一样,信噪比低√2倍。由于其成像速度快对运动不敏感,为T2*加权图像

原始EPI-K空间扫描轨迹

  BEST序列把原始EPI中恒定相位编码梯度修改为短小脉冲(blip),并在读梯度穿越零点时刻加上blip脉冲。如此,在K空间的扫描轨迹是矩状直线,图像重建、数字信号数据处理方便。

BEST序列的时序


三、常用或基本EPI序列

  SE-EPI序列(自旋回波与EPI相结合的混合序列): SE-EPI扫描可覆盖全K空间一定程度上克服了组织间磁化率不一致、主磁场不均匀等引起的偏离共振效应,有更高的图像质量,图像为T2加权

SE-EPI的时序,每个分立的回波都是梯度回波,梯度回波的包络包括对应由180°脉冲产生的自旋回波

  GE-EPI序列(梯度回波和EPI相结合的混合序列):EPI所成图像、GE所成图像均为T2 * 加权的GE-EPI为重T2 * 加权成像(对以BOLD对比度为特征的脑功能成像效果良好)。可用低倾倒角(<90°)激发。

GE-EPI序列的时序

  IR-EPI序列:在GE-EPI或SE-EPI前加一个反向恢复模块。

  在 EPI序列中,由于图像的对比度主要是由K空间中心那条线的TE决定的,所以EPI序列中使用的K空间中心线的TE来代替传统TE,称为有效TE


四、EPI变型序列

  省略偶回波的EPI只有一半的回波用于采集K空间行K空间数据相邻行不存在相位不一致一级幅度调制、不必再做隔行数据颠倒,避免了N/2奈奎斯特鬼影。有效加速了下一个回波采集前K空间轨迹的回扫。

省略回波(回扫)d1GE-EPI序列

  圆形EPI:通过设计梯度波形产生一个局限于圆形趋于的K空间轨迹,减少K空间四角数据切趾的时间。

  测量T2 * -map的变型EPI序列:一次激发产生的回波序列用同一个相位编码步Ky采集,一个回波对应一幅图像(后续再通过SE或GE序列获取无畸变图像作为参考)。

圆形EPI的K空间轨迹

  回波体积成像EVI(三维EPI)一次RF激发扫描得到整个体积的图像,图像空间分辨率还很低。

SE-EVI序列


五、渐开平面螺旋(spiral)扫描序列

  Spiral扫描序列:由于原始EPI序列T2* 衰减较快,能产生的回波数受到一定的限制,因此相位编码方向分辨率下降;EPI还要求急速交变的高强度梯度脉冲,难以实现,故使用spiral扫描部分代替之

  通过spiral扫描,可部分解决相位编码方向分辨率偏低的问题,且一定程度上降低梯度的难度。

  读梯度周期性回零,给流动以高阶补偿。在K=0附近过采样,导致在K空间原点附近采样密度特别大。

  对运动不敏感,伪影少。但采集效率低,时间长,易引起图像模糊,可在变型spiral序列中规定读出梯度从零开始且使其爬升率大而恒定,或加梯度回绕叶返回K空间轨迹到原点

  若想加大对T2*的灵敏度,可使用“逆spiral”,适于基于BOLD对比度的脑功能成像。

2D GE-spiral序列

2D SE-spiral序列


六、RARE序列

  单射RARE序列:90°RF激发脉冲后,用一长列180°再聚焦脉冲可以产生很多个自旋回波。当各个自旋回波用不同的相位编码时,采一个回波就对应K空间的一个傅里叶行

RARE序列的时序

  用90°脉冲一次激发,用N个180°脉冲依次再聚焦产生N个自旋回波,各个回波对应各不同的相位编码步。各个回波测量完之后,相位编码梯度必须进行回绕以消除相移。

  加方框部分表示重复执行

  由于大数目180°脉冲,单层面RARE遭受层面轮廓畸变,RARE的主要应用为脑脊液(CSF)成像如脊髓造影,和其他液体成像(如尿道造影)

  图像为T2对比度增强加权的。用于使用大数目的180°RF脉冲,RF功率沉积很大,临床多用多射RARE(快SE序列)

  零编码步提前(降低T2加权对比度)、低倾倒角代替180°脉冲(降低RF功率沉积)…


七、GRASE序列

  GRASE序列(梯度回波和快自旋回波相结合的混合序列):也即快梯度自旋回波(TGSE)。与EPI相比,由于使用再聚焦脉冲,磁场不均匀性效应及磁化率效应得到补偿,伪影降低;同时也降低了偏振自旋积累的相位,导致较少的几何畸变以及较少的体元内散相引起的信号损失

GRASE序列

  速度有所降低。GRASE数据对涡流、梯度与接收链群时延之间失配以及抗混叠滤波器响应不对称等很敏感。

  GRASE扫描可以是单射也可以是多射,类似于RARE或EPI,因采集的回波数、行数通常非2的幂,故图像重建时K空间要填零

  在各个重聚180°脉冲前后都用了破坏梯度,目的是对由于脉冲不理想产生的FID进行散相,以加大破坏效果。

3D GRASE脉冲序列


八、STEAM序列

  STEAM序列:也可以快速运行,称为fast STEAM序列。采集RF再聚焦的脉冲,而不是梯度回波,因此,STE信号产生类SE的图像,对磁场不均匀性、磁化率、流动以及化学位移不敏感

  高速STEAM是T1加权的,用于心脏成像

  开始的3个RF脉冲和扩散敏感梯度用于预备有扩散权重的磁化强度,后面的RF脉冲和快梯度回波用于空间编码,可以单射产生低分辨率的人脑扩散成像。

高速STEAM的时序方框中序列重复执行,每个STE分别相位编码


相关文章
|
存储 内存技术
【核磁共振成像】临床基本通用脉冲序列(二)
【核磁共振成像】临床基本通用脉冲序列
|
编解码 前端开发
【核磁共振成像】临床基本通用脉冲序列(一)
【核磁共振成像】临床基本通用脉冲序列
|
数据可视化 IDE 定位技术
R语言与RStudio的下载与安装方法
R语言与RStudio的下载与安装方法
1252 1
|
2月前
|
人工智能 监控 数据可视化
让历史经验自动预警:2025年场景化进度监控工具实践指南
本报告系统梳理进度监控工具四代演进路径,深入解析AI、区块链、联邦学习等技术在智能进度监控系统中的应用,涵盖核心功能模块、可视化分析、主流工具选型及实施方法论,展望下一代技术趋势,助力项目管理智能化转型。
157 0
|
4月前
|
机器学习/深度学习 算法 数据可视化
混合效应模型原理与实现:从理论到代码的完整解析
混合效应模型并非神秘的技术,而是普通回归方法在层次化结构建模方面的原理性扩展。这种理解将成为机器学习工具箱中下一个技术突破的重要基础。
311 1
混合效应模型原理与实现:从理论到代码的完整解析
|
数据可视化
高效的时间序列可视化:减少认知负荷获得更清晰的洞察
本文探讨了时间序列数据可视化中的挑战,特别是在处理多个数据集时。通过减少认知负荷,即处理信息所需的脑力,良好的可视化设计能帮助观察者更快理解数据趋势。文章以疫苗接种数据为例,展示了不同类型的图表(如无连线散点图、带连线散点图、纯折线图以及带有填充区域的折线图)在展示单一时间序列时的效果,并对比了多种多时间序列可视化方法,包括无连线散点图、带连线的折线图以及直接标注的图表,以突出最佳实践。通过这些例子,文章强调了减少认知负荷的重要性,它能帮助观察者快速理解趋势、避免误解并维持较高的参与度。最终目的是通过清晰且直观的设计来提升数据理解效率,支持更优的决策制定。
223 0
高效的时间序列可视化:减少认知负荷获得更清晰的洞察
|
8月前
|
人工智能 自然语言处理 数据挖掘
轻松上手,性能爆表:零门槛体验DeepSeek-R1满血版评测
DeepSeek-R1满血版是一款真正实现“零门槛”的高性能AI设备,以其卓越的性能和易用性打破了技术壁垒。用户可通过阿里云百炼模型服务轻松配置部署,支持文本生成、代码编写、数据分析等多任务,响应迅速,硬件要求低,适合非技术背景用户提升效率。测评显示其在数学、代码和推理任务上表现出色,成本优势明显,性价比极高。推荐指数:★★★★★。 核心亮点包括零学习成本、一键部署、中文交互友好、预训练模型优化及私有化部署保障数据隐私。总体而言,DeepSeek-R1满血版实现了开箱即用的AI体验,尤其适合新手或追求高性价比的用户。
898 5
|
10月前
|
监控 供应链 数据可视化
基于用户生命周期的用户分层模型构建
本文探讨了用户分层模型在企业营销中的应用,包括一维、二维和三维分层模型的核心原理与应用方法,以及在银行、DTC营销和零售领域的实践案例。通过板栗看板等工具,企业可实现数据驱动的用户分层管理,优化运营策略,提升营销效率。
475 11
|
机器学习/深度学习 人工智能 算法
认识AI,探索AI如何奇思妙想
AI的快速演进正在加速AGI的到来,不止步于工具的AI让我们意识到它也绝不仅仅意味着算法和代码。当我们真的把人工智能当作智能体的时候总要去思考“AI是什么”这一个问题。关于意识的理论模型各自提供了意识产生机制于AI的不同解释,目前尚无定论,但它们都在学术界激发了广泛的讨论与研究。也欢迎你在评论区聊聊你会怎么向别人介绍AI?你认为AI是如何奇思妙想的,它具有意识吗?
473 0