La Fundación Física de la Resonancia Magnética Imágenes

Resonancia magnética El diagnóstico de ignición (RM) ha sido una piedra angular de diagnóstico médico, ofreciendo imágenes de alta resolución y no invasivas de tejidos blandos. En su núcleo, la RM explota la propiedad mecánica cuántica del giro poseída por núcleos de hidrógeno (protones) en agua y grasa.

A pesar de su poder, la RM convencional es en gran medida cualitativa. El contraste de imagen depende de parámetros de escaneo (tiempo de repetición TR, tiempo de eco TE, ángulo de voltereta), que se eligen para enfatizar diferencias en T1, T2, o densidad de protones (PD).Las imágenes resultantes contienen intensidades de señal relativas que no son reproducibles en escáneres, sitios o tiempo.

Limitaciones de la RM cualitativa

Los radiólogos dependen del reconocimiento de patrones y la interpretación subjetiva de diferencias de contraste. Cambios sutiles en la enfermedad, como edema, inflamación o fibrosis temprana, se puede perder si el contraste no se optimiza. Además, la variabilidad entre observadores es un problema conocido. Se han desarrollado enfoques cuantitativos (T1 mapeo, T2 mapeo, difusión de imágenes de tensor), pero la mayoría requieren múltiples adquisiciones separadas, prolongando el tiempo de adquisición y el movimiento rápido

¿Qué es la huella de la resonancia magnética?

El resultado de la resonancia magnética es el resultado de la detección de la señalización de la serie BL, que se compara con el resultado de la secuencia de datos de la serie PLT, que se compara con el resultado de la secuencia de datos de la serie PLT, y que se compara con el resultado de la secuencia de la secuencia de datos de la serie TX, y que se compara con el resultado de la secuencia de la secuencia de datos.

El nombre "fingerprinting" refleja la idea de que la evolución de la señal es tan única como una huella humana: tejidos diferentes (por ejemplo, materia gris, materia blanca, líquido cefalorraquídeo) producen patrones temporales distintos que pueden ser reconocidos y clasificados.

Diseño de secuencia de pulsos con imágenes físicas

El corazón de la MRF se encuentra en la física de la dinámica de giro. La adquisición utiliza una secuencia de diferentes pulsos RF (ángulos de Flip desde cerca de cero a 180 grados) con tiempos de repetición variable (TR) y órdenes de codificación gradiente. Esta irregularidad deliberada asegura que la magnetización nunca llegue a estado estable, haciendo que la evolución de la señal dependa no linealmente de los parámetros de tejido subyacentes.

Las ecuaciones Bloch, las ecuaciones diferenciales fundamentales que describen la magnetización nuclear en un campo magnético, se utilizan para simular la evolución de la señal para cada posible combinación de parámetros. Este diccionario puede contener millones de entradas. El modelo físico incorpora efectos como formas de pulso RF, relajación, difusión e incluso flujo de sangre si se desea la perfusión. Al asegurar que la adquisición y la simulación compartan los mismos pasos de tiempo, el diccionario puede predecir la señal exacta que se daría un valor de la

Codificación multiparametro simultánea

Debido a que la huella dactilar integra T1, T2, y PD en una sola evolución, MRF puede producir los tres mapas de una adquisición. Esta es una ventaja importante sobre la cartografía cuantitativa convencional, que normalmente requiere secuencias separadas para cada parámetro (por ejemplo, recuperación de inversion para T1, eco de giro multiecho para T2).

Cómo MRF cuantifica las propiedades de los tejidos

Después de la adquisición, los datos del espacio-K crudo se reconstruye en una serie temporal de imágenes utilizando una ventana deslizante o reconstrucción de detección comprimida (debido a datos infra muestreados). Cada voxel ahora tiene una serie de valores de señal de tiempo, normalmente 100–1000 puntos de tiempo. Esta señal medida se normaliza y se compara con cada entrada en el diccionario.El partido es generalmente evaluado por el producto de puntos o coeficiente de correlación cuantitativa.

Debido a que el diccionario se genera a partir de simulaciones físicas, los valores son absolutos y reproducibles. Por ejemplo, T1 de materia blanca sana a 3T es de aproximadamente 1000–1100 ms, T2 alrededor de 60–70 ms. Un tumor con T1 prolongado y T2 cambiará la huella en consecuencia. Los mapas paramétricos se muestran entonces como imágenes de color o escala gris, permitiendo a los clínicos ver la distribución espacial de cada propiedad.

La naturaleza cuantitativa de la MRF es compatible con la caracterización objetiva del tejido. Estudios han demostrado que la MRF puede diferenciar entre el tejido cerebral normal y las lesiones en la esclerosis múltiple, entre las calificaciones tumorales en gliomas y entre el miocardio sano y fibroso en la imagen cardíaca. Debido a que los valores son absolutos, pueden compararse entre los pacientes y el tiempo, facilitando la vigilancia de enfermedades y la evaluación de respuesta al tratamiento.

Ejemplo de la coincidencia de huellas digitales

Considere un voxel que contiene líquido cefalorraquídeo puro (CSF). CSF tiene muy largo T1 (~3000-4000 ms a 3T) y T2 largo (~2000 ms). La evolución de la señal bajo la secuencia MRF mostrará una recuperación lenta después de cada pulso de la inversión, y el patrón de picos y tros será diferente de la combinación de materia gris (shorter T1, más corto T2).

Aplicaciones y beneficios clínicos

Imaging cerebral

MRF ha sido ampliamente estudiado en neuroimaging. Puede generar mapas T1, T2, y PD de todo el cerebro en menos de un minuto, con resolución de sub-millímetro. Las aplicaciones incluyen:

  • Esclerosis múltiple: Las lesiones muestran valores elevados de T1 y T2 comparados con la materia blanca normal. El MRF puede cuantificar la carga de la lesión y diferenciar activo de lesiones crónicas.
  • ]Tumores de la médula: El globosoma multiforme suele demostrar T1 y T2, mientras que los gliomas de bajo grado pueden tener diferentes firmas. El MRF ayuda a clasificar y distinguir la recurrencia tumoral de la necrosis de radiación.
  • Enfermedades neurodegenerativas: Los cambios en T1 y T2 en núcleos de materia gris profunda pueden correlacionarse con el deterioro cognitivo de la enfermedad de Alzheimer.

Imágenes cardiacas

En el corazón, la miocárdica T1 y T2 son marcadores de fibrosis, edema y sobrecarga de hierro. La resonancia cardíaca convencional requiere largas respiraciones y múltiples adquisiciones. La MRF puede mapear el miocardio en un solo respirador (alrededor de 15-20 latidos cardíacos marcados), proporcionando mapas T1 y T2 simultáneos.

Imágenes abdominales y pélvicas

El MRF puede medir T1 y T2 para evaluar la fibrosis y la esteatosis. La detección del cáncer de próstata puede beneficiarse de mapas de texturas del MRF que distinguen el tumor del tejido benigno. El MRF se ha aplicado en 3T y 1.5T, y se están realizando esfuerzos para estandarizar protocolos a través de los proveedores.

El principal beneficio de MRF en todas las aplicaciones es la reproducibilidad. Debido a que la salida de secuencia es independiente de la configuración del operador y la variación del escáner día a día, MRF permite verdaderos ensayos clínicos multicentro y monitoreo longitudinal del paciente. También reduce el tiempo de exploración – una adquisición típica de cerebro MRF es de 30 a 60 segundos en comparación con 10 a 15 minutos para múltiples secuencias de cartografías paramétricas convencionales.

Desafíos y limitaciones

A pesar de su promesa, MRF enfrenta varios obstáculos. El diccionario puede ser enorme al incluir múltiples parámetros (por ejemplo, T1, T2, PD, B0, B1). Un diccionario ingenuo 5D con 100 valores cada uno contendrá 10 entradas ^10, que es computacionalmente intráctil. Implementaciones prácticas reducen la dimensionalidad mediante la espacidez (aunque sólo un subconjunto de combinaciones esponible adquisición fisiológicamente plausible)

Otra limitación es la necesidad de modelos físicos precisos. Si el diccionario no cuenta las no-idealidades del sistema (por ejemplo, corrientes de eddy, no linearidades de gradiente, imperfecciones de pulso RF), la combinación puede producir estimaciones parciales. Las calibraciones específicas del vendedor y optimización de secuencias son necesarias. Además, el algoritmo de combinación es sensible al ruido; a una relación de señal a ruido muy baja (SLTR), las redes de impresión

La estandarización sigue siendo un área activa. Aunque el MRF es inherentemente cuantitativo, los valores exactos obtenidos pueden variar con el diseño de secuencia (por ejemplo, número de puntos de tiempo, patrones de ángulo de giro). Existen diferencias entre los proveedores, pero existen iniciativas de consenso como la Quantitativa Imaging Biomarkers Alliance (QIBA) están trabajando para estandarizar protocolos del MRF. Por último, el reembolso y la aprobación reglamentaria para nuevos biomarcadores de imágenes cuantitativas todavía retrasados detrás de investigación clínica.

Future Directions

MRF no es una tecnología estática; sigue evolucionando rápidamente. El aprendizaje profundo ha comenzado a sustituir el paso de juego del diccionario con una red neuronal que predice directamente las propiedades del tejido de la evolución de la señal. Esto reduce el tiempo de cálculo de minutos a milisegundos y puede incorporar conocimiento previo. Otra dirección es "Sensing MRF", donde los factores de submuestra de 20–50 pueden permitir el eco de la trayectoria de la imagen.

Se están explorando extensiones multiparamétricas: MRF con codificación de difusión (D-MRF) puede mapear simultáneamente T1, T2, y coeficiente de difusión aparente (ADC). Transferencia de saturación de intercambio químico (CEST) puede integrarse para medir concentraciones de pH o metabolitos. MRF para mapeo de susceptibilidad cuantitativa (QSM) también está bajo investigación. Estos enfoques avanzados prometen caracterizar tejidos a nivel molecular, además, ampliar el papel de la física.

A nivel de hardware, la RM de campo ultra-alto ofrece una mayor SNR y resolución, pero también más severa B1 inhomogeneidad. La robustez inherente de MRF a la inhomogeneidad B1 (mediante estimación del parámetro) lo convierte en un candidato ideal para aplicaciones 7T. MRF de cuerpo entero (Feiweier et al., 2020 muestra una sesión de viabilidad).

Conclusión

La resonancia magnética [RFLT] permite un cambio de paradigma desde la imagen cualitativa basada en contraste hasta la caracterización cuantitativa de tejidos impulsados por la física. Al aprovechar los principios de la resonancia magnética para crear huellas digitales únicas, MRF ofrece mapas simultáneos de T1, T2, y PD en una adquisición corta y única.