当前位置: 首页 > article >正文

MRI k空间概念整理

以下内容为MRI期末复习笔记,仅供复习参考使用。

K空间概念

K空间为包含MR数据的阵列,也可定义为原始数据阵列相位编码轴和频率编码轴的交叉点

·MR扫描得到的数据为谱空间数据,谱空间数据与空间数据位置无直接对应关系
·k空间每一数据点或数据线都包含着整个图像的信息
·数据点与施加的不同场强有关(静磁场和梯度场的叠加)梯度场分为相位编码梯度场和频率编码梯度场
·k空间上半部和下半部为共轭对称,即两端相位编码梯度场幅度相等,极性相反(对称性)
·k空间中心的信号比外围信号高,对图像对比度影响大;外围信号低,对空间分辨力影响大
·k空间中央包含最大信号

分析
中央行有信号峰最大值当相位编码为y方向,中央行是在没有相位编码影响下获得的,没有产生散相,中间为0相位(可参照下面k空间的填充方式)
k空间的中央列对应每个回波信号的波峰当自旋完全相位重聚时达到最大幅度(回波峰),则每行数据的中心对应每个回波的中心
梯度场对信号的影响Gp和Gf都是中间值小、两边值大,使采集的信号呈现出中间信号高,四周信号低
高幅度梯度场:低信号,差异大——空间分辨率好
低幅度梯度场:高信号,差异小——信噪比好

在这里插入图片描述
在这里插入图片描述

k空间的填充方式

【一般要求至少有65%的k空间得以填充,对于大多数标准成像,要求填充全部k空间。
完全填充k空间一次的情况叫1NEX或1NAQ,当只有部分K空间填充时,叫做部分NEX。】
相位编码填充方式:Gp由负最大幅度向正最大幅度变化
在这里插入图片描述

举例:SE序列:每一个TR(脉冲序列重复时间)填充k空间中的一条线,若要求256相位编码,则执行256次
其次,k空间有多种填充方式,不一定是顺序填充,具体看序列优化要求
在这里插入图片描述

部分NEX

  1. 根据 K 空间数据的共轭对称性进行重建,只利用部分的行数据(1/2 NEX,1/4 NEX),⼀般需要采集一半多
    ⼀些的数据进行相位校正,并且中央行必须要采集到
  2. 提高了速度,但是 SNR 信噪比没有增加(可能下降),伪影增加,图像对比度没有变化(因 TE 和 TR 没有
    变化)
  3. ⼀般用于定位像
    在这里插入图片描述

部分回波

  1. 每个回波信号只采集了⼀部分(大于 50%),未采集的部分利用采集的部分的共轭对称性进行重建,可以使
    TE 更短,但 TR 不变
  2. 速度没有变化,降低了 TE 时间,对于早期的回波能够提高 SNR,抑制 T2W 图像,降低流动伪影和磁敏感
    效应
  3. ⼀般用于获得 T1W 图像,降低流动伪影和磁敏感效应的情况下
    在这里插入图片描述
    TE缩短的解释:对回波没有采集完全,如上图所示,每行数据并没有采集满
    在这里插入图片描述

两个技术的对比

部分NEX部分回波
speed提高不变
对比度不变 T 2 T_2 T2下降
SNR不变或下降会提高也可能不变
伪影增加降低流动伪影和磁敏感伪影

其他填充方式

半 FOV 成像

  1. 提高速度,隔行填充数据,K 空间的单元尺寸增加⼀倍,FOV 图像减半,K 空间尺寸不变,所以图像空间
    的像素大小不变
    在这里插入图片描述

矩形矩阵扫描成像

  1. 提高速度,只填充靠近中央行的数据,K 空间的单元尺寸没有变化,FOV 图像不变,但 K 空间的空间尺寸
    减半,所以图像空间的像素增加⼀倍
    在这里插入图片描述
    Ny代表只填了一半的数据,矩阵变小而FOV不变,则像素值变大

K空间与图像空间的关系

FOV

以x轴为方向讨论,不同方向的拉莫尔进动频率为:
f x = γ B x = γ G x x f_x=\gamma B_x=\gamma G_x x fx=γBx=γGxx
FOV 的中央列线上对应的磁场强度为 B0,左侧小于 B0,右侧大于 B0
则中央列上有最大频率
x = F O V x / 2 x=FOV_x/2 x=FOVx/2
f m a x = γ G x F O V x / 2 f_{max}=\gamma G_x FOV_x/2 fmax=γGxFOVx/2
则带宽BW
B W = γ G x F O V x BW=\gamma G_x FOV_x BW=γGxFOVx
最后可以得出FOV
F O V = B W / γ G FOV=BW/\gamma G FOV=BW/γG
则增加梯度场场强或降低带宽都可以减小FOV

B W = 1 / Δ T s BW=1/\Delta T_s BW=1/ΔTs
代入可得
1 F O V = γ G Δ T s \cfrac{1}{FOV}=\gamma G\Delta T_s FOV1=γGΔTs
同时考虑两个方向x和y
定义 Δ k x = γ G x Δ t x \Delta k_x=\gamma G_x\Delta t_x Δkx=γGxΔtx
最后:
Δ k x = γ G x Δ t x = 1 F O V x \Delta k_x=\gamma G_x\Delta t_x=\cfrac{1}{FOV_x} Δkx=γGxΔtx=FOVx1
Δ k y = γ G y Δ t y = 1 F O V y \Delta k_y=\gamma G_y\Delta t_y=\cfrac{1}{FOV_y} Δky=γGyΔty=FOVy1
k x = N x Δ k x , k y = N y Δ k y k_x=N_x\Delta k_x,k_y=N_y\Delta k_y kx=NxΔkx,ky=NyΔky
k x = 1 Δ x , k y = 1 Δ y k_x=\cfrac{1}{\Delta x},k_y=\cfrac{1}{\Delta y} kx=Δx1,ky=Δy1
在这里插入图片描述
k空间单元尺寸与图像空间均成反比关系


http://www.kler.cn/a/15485.html

相关文章:

  • ReactPress与WordPress:一场内容管理系统的较量
  • Sql进阶:字段中包含CSV,如何通过Sql解析CSV成多行多列?
  • 黑马智慧商城项目学习笔记
  • 快排和归并
  • Javascript高级—函数柯西化
  • 【STL】set,multiset,map,multimap的介绍以及使用
  • 怎么卸载现有Python?【全方位解决】
  • 1。C语言基础知识回顾
  • 真题详解(数据流图平衡)-软件设计(五十九)
  • 数字IC入门教程
  • DDD系列:一、 Domain Primitive
  • 进程状态以及两种特殊进程
  • Java 网络编程 —— Socket
  • C——Typedef是什么?如何使用?有何便利之处?
  • 下载——安装——使用FinalShell
  • 权威学者、企业CFO荟聚上海国家会计学院,共探「智能会计 价值财务」
  • 30基于非对称纳什谈判的多微网电能共享运行优化策略MATLAB程序
  • 最值得学的编程语言是哪个?
  • 10、Java继承与多态 - 内部内的概念与分类
  • hw xm 的额外symbol汇总
  • 为什么要用虚拟 DOM?
  • Open3D 最小二乘拟合二维直线
  • 智能合约的分层设计浅谈
  • 可视化CNN和特征图
  • Java 中的异常处理机制是什么?如何使用它来处理程序中的异常?(七)
  • 玩转ChatGPT:Auto-GPT项目部署与测评