【核磁共振成像】单射成像和高速脉冲序列

news2024/9/8 7:19:05

目录

  • 一、提高成像速度的手段
  • 二、平面回波成像(EPI)序列
  • 三、常用或基本EPI序列
  • 四、EPI变型序列
  • 五、渐开平面螺旋(spiral)扫描序列
  • 六、RARE序列
  • 七、GRASE序列
  • 八、STEAM序列


一、提高成像速度的手段

  MRI扫描时间可表示为
在这里插入图片描述
  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
在这里插入图片描述
  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。
在这里插入图片描述

全傅里叶编码

在这里插入图片描述

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)。
在这里插入图片描述

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
在这里插入图片描述

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。
在这里插入图片描述

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
在这里插入图片描述

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。

在这里插入图片描述

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。
在这里插入图片描述

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)。
在这里插入图片描述

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。
在这里插入图片描述

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。
在这里插入图片描述

2D GE-spiral序列

在这里插入图片描述

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
在这里插入图片描述

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
在这里插入图片描述

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。
在这里插入图片描述

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。
在这里插入图片描述

高速STEAM的时序
方框中序列重复执行,每个STE分别相位编码

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/910187.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

kubernetes--技术文档-真--集群搭建-三台服务器一主二从(非高可用)附属文档-使用不同运行商服务器-搭建公网集群

&#xff01;&#xff01;&#xff01;&#xff01;&#xff01;版本&#xff01;&#xff01;&#xff01;&#xff01; 使用公网初始化 Kubernetes 需要 Kubernetes 版本 1.19 或更高版本。在早期的版本中&#xff0c;Kubernetes 还不支持公网初始化。因此&#xff0c;请确保…

【C++】visualstudio环境安装

记录了部分安装步骤&#xff0c;可能有点不全&#xff0c;参考下&#xff0c;需要的磁盘空间差不多20GB&#xff1b; 下载 https://visualstudio.microsoft.com/zh-hans/vs/ 下载完成&#xff1a; 双击进入安装状态&#xff1a; 根据自己的需求勾选安装项&#xff1a; 选择…

RNN+LSTM正弦sin信号预测 完整代码数据视频教程

视频讲解:RNN+LSTM正弦sin信号预测_哔哩哔哩_bilibili 效果演示: 数据展示: 完整代码: import torch import torch.nn as nn import torch.optim as optim import numpy as np import matplotlib.pyplot as plt import pandas as pd from sklearn.preprocessing import…

使用Locust进行接口性能测试:安装、命令参数解析与示例解读

“ Locust是一款开源的Python性能测试工具&#xff0c;它可以模拟大量并发用户对网站或者其他接口进行压力测试 一、Locust简介与安装 1. 使用pip安装Locust&#xff1a; pip3 install locust2. 通过GitHub克隆项目并安装&#xff08;推荐Python 3&#xff09;&#xff1a; …

常见js中判断== true/false总结

常见js中判断为true/false总结 false 0 输出true&#xff1b;因为在做判断的时候&#xff0c;两者中有boolean&#xff08;布尔类型&#xff09;&#xff0c;会把boolean先转化为number&#xff08;数字类型&#xff09;&#xff0c;false为0&#xff0c;true是1。也就是等价于…

二、10.文件系统

硬盘是低速设备&#xff0c;其读写单位是扇区&#xff0c;为了避免频繁访问硬盘&#xff0c;操作系统不会有了一扇区数据就去读写一次磁盘&#xff0c;往往等数据积攒到“足够大小”时才一次性访问硬盘&#xff0c;这足够大小的数据就是块&#xff0c;硬盘读写单位是扇区&#…

交叉熵--损失函数

目录 交叉熵&#xff08;Cross Entropy&#xff09; 【预备知识】 【信息量】 【信息熵】 【相对熵】 【交叉熵】 交叉熵&#xff08;Cross Entropy&#xff09; 是Shannon信息论中一个重要概念&#xff0c; 主要用于度量两个概率分布间的差异性信息。 语言模型的性能…

FlashAttention算法详解

这篇文章的目的是详细的解释Flash Attention&#xff0c;为什么要解释FlashAttention呢&#xff1f;因为FlashAttention 是一种重新排序注意力计算的算法&#xff0c;它无需任何近似即可加速注意力计算并减少内存占用。所以作为目前LLM的模型加速它是一个非常好的解决方案&…

ThreadLocal深度解析

简介 在并发编程中&#xff0c;导致并发bug的问题都会归结于对共享变量的操作不当。多个线程同时读写同一共享变量存在并发问题&#xff0c;我们可以利用写时复制、不变性来突破对原数据的写操作&#xff0c;没有写就没有并发问题&#xff0c;而本篇文章所介绍的技术是突破共享…

基于swing的销售管理系统java仓库库存信息jsp源代码mysql

本项目为前几天收费帮学妹做的一个项目&#xff0c;Java EE JSP项目&#xff0c;在工作环境中基本使用不到&#xff0c;但是很多学校把这个当作编程入门的项目来做&#xff0c;故分享出本项目供初学者参考。 一、项目描述 基于swing的销售管理系统 系统有1权限&#xff1a;管…

spring依赖注入详解(上)

一、Bean销毁的过程 如果bean销毁时会执行的场景 1、设置DestroyMethodName为(inferred) // 先把DestroyMethodName设置为(inferred) Component public class TestBeanPostProcessor implements MergedBeanDefinitionPostProcessor {Overridepublic void postProcessMergedBe…

Hive(一)

一、DDL 1、数据库操作 1&#xff09;、创建数据库 语法&#xff1a; CREATE DATABASE [IF NOT EXISTS] database_name [COMMENT database_comment] [LOCATION hdfs_path] [WITH DBPROPERTIES (property_nameproperty_value, ...)]; 案例&#xff1a; &#xff08;1&…

vue element-ui 菜单管理使用图标选择器组件

目录 &#x1f31f;前言&#x1f31f;安装&#x1f31f;main.js配置&#x1f31f;页面使用&#x1f31f;效果展示 &#x1f31f;前言 哈喽小伙伴们&#xff0c;本文为大家介绍一下 VueElementUI 中图标选择器组件的使用方法&#xff1b;一起来看下吧。 &#x1f31f;安装 np…

RN 尝鲜之旅

React Native 一直没使用过&#xff0c;闲来无事&#xff0c;还是尝鲜了一下下。 目前还没有出新手村&#xff0c;所以写的东西不一定具有任何参考价值&#xff0c;见谅。 关于 RN 的一些说明 RN 与 R RN 与 R 的区别&#xff1a;来自掘金的一篇文章 RN 与 R 不一样&#xf…

报道 | 9月国际运筹优化会议汇总

封面图来源&#xff1a; https://www.pexels.com/zh-cn/photo/1181406/ 九月召开会议汇总&#xff1a; The 96th meeting of the EURO Working Group on Multiple Criteria Decision Aiding (EWG-MCDA) Location: Paris, France Important dates: Conference: September 202…

嵌入式系统常用的开发板

今天&#xff0c;了解一下常用的开发板&#xff0c;像stm32是最近了解的&#xff0c;esp8266系列是之前大三下上物联网导论课程时候接触的&#xff0c;一些树莓派&#xff0c;Arduino听说过&#xff0c;但了解不多。

MySQL索引常见术语(索引下推、索引覆盖、最左匹配等)

一:背景 我们在面试中都知道,对于MySQL索引是必问的。大家也应该都知道MySQL的数据结构,什么是索引。其中在面试中,面试官也经常问,你做过哪些优化?本文主要是介绍MySQL索引的一些常见术语,比如索引下推、索引覆盖、最左匹配等,这些其实也是MySQL优化的一部分,能够熟练…

谷歌浏览器推出全新功能:可自动检测恶意软件!

近日&#xff0c;谷歌正在测试 Chrome 浏览器的一项新功能。该功能可在已安装的扩展程序从 Chrome 网上商城删除时向用户发出恶意软件提示警告。 在Chrome 应用商店里一直有人源源不断的发布浏览器扩展程序&#xff0c;有很多都会通过弹出式广告和重定向广告进行推广。 这些扩…

社交工程和钓鱼攻击防范: 分析针对人类心理和社交工程的攻击技术,并介绍预防这些攻击的方法

第一章&#xff1a;引言 随着科技的不断进步&#xff0c;网络安全问题愈发凸显。在这个数字化时代&#xff0c;社交工程和钓鱼攻击成为黑客们获取敏感信息的常用手段。这些攻击不是基于技术漏洞&#xff0c;而是利用人类心理弱点来进行。本文将深入探讨社交工程和钓鱼攻击的原…

一个改进型的差分运放分析

在使用单个集成运放构成的加减运算电路时&#xff0c;存在两个缺点&#xff1a;一是电阻的选取和调整不方便&#xff0c;而是对于每个信号源的输入电阻均较小&#xff08;即相对于信号源内阻&#xff0c;电路的输入阻抗较小&#xff09;。 因此可以采用下图的两级电路实现差分比…