Магнитно-резонансная томография (МРТ) является одним из самых мощных диагностических инструментов в современной медицине, но ее полезность исторически была ограничена длительными временами приобретения. Развитие методов параллельной визуализации коренным образом изменило эту картину, обеспечив существенное сокращение продолжительности сканирования при сохранении или даже улучшении качества изображения. Эти прорывы основаны на глубоком понимании основной физики, особенно использовании нескольких катушек приемника и сложных алгоритмов реконструкции. За последние два десятилетия параллельная визуализация превратилась из нишевого исследовательского инструмента в клинический стандарт, с продолжающимися достижениями, расширяющими свои возможности в динамические, в режиме реального времени и приложения с высоким разрешением. В этой статье рассматриваются физические основы параллельной визуализации, исследуются ключевые алгоритмы, которые делают это возможным, и исследуются последние инновации, которые продвигают область вперед.

Физические принципы параллельной МРТ

Параллельное изображение использует тот факт, что при размещении вокруг пациента множества радиочастотных (RF) приемниковых катушек каждая катушка ощущает сигнал MR с уникальной пространственной чувствительностью. Вместо того, чтобы полагаться исключительно на градиенты магнитного поля для кодирования пространственной информации обычным способом, параллельное изображение использует эти вариации чувствительности для дополнения кодирования градиента. Ключевое понимание заключается в том, что данная точка в пространстве производит различную интенсивность сигнала в каждом канале катушки, в зависимости от расстояния и ориентации относительно этой катушки. Эти различия обеспечивают дополнительную пространственную информацию, которая может использоваться для уменьшения количества шагов кодирования градиента, необходимых для формирования изображения.

Профили чувствительности к катушке

Профиль чувствительности катушки представляет собой карту того, насколько сильно катушка обнаруживает сигнал из каждого места в поле зрения.j-th катушки в пространственном положении,y) является продуктом базового сигнала MR и функции чувствительностиj,y][[FLT]]. Профили чувствительности обычно плавные и медленно изменяются в пространстве, отражая схему приема элемента катушки.Точное знание этих профилей имеет решающее значение для реконструкции: если карты чувствительности известны идеально, матрица чувствительности может быть перевернута для восстановления полного изображения из уменьшенного набора градиентных кодировок. На практике карты чувствительности либо измеряются во время отдельной предварительной калибровки, либо оцениваются из полностью отобранного центра k-про

k-Space

Основой параллельного увеличения скорости визуализации является получение только доли k-пространственных линий, которые были бы необходимы для полностью закодированного градиентом изображения. Если коэффициент сокращения (R) равен 2, то пропускается каждая другая k-пространственная линия, сокращая время получения. Однако стандартная реконструкция Фурье подбора неизмеримых данных производит псевдонимы артефактов — изображение из одной катушки будет содержать наложенные копии объекта, каждая из которых сдвинута на долю поля зрения. Параллельное изображение разрешает это псевдонимирование, используя чувствительность катушки для распутывания перекрывающихся сигналов из разных пространственных мест. Максимально возможный коэффициент ускорения ограничен количеством независимых элементов катушки и их геометрией; на практике коэффициент 2 к 4 является общим, хотя с расширенными катушками массива и алгоритмами, в некоторых приложениях достижимы факторы 6 или выше.

Обсуждение сигнал-шум

Подборка уменьшает количество полученных данных, что само по себе снижает отношение сигнала к шуму (SNR) конечного изображения. Параллельное изображение компенсирует некоторые из этих потерь с помощью нескольких катушек, но g -фактор, или геометрия-фактор, описывает дополнительный шумовой штраф, который возникает в процессе реконструкции.-фактор может быть понят как мера пространственной корреляции между профилями чувствительности катушки; когда профили сильно отличаются и предоставляют независимую информацию, -фактор близок к 1, и потеря SNR скромна. Когда профили похожи (]g -фактор увеличивается, ухудшая SNR. g-фактор для предполагаемых факторов ускорения, и многие сканеры включают в себя карты в реальном времени g-фактор для руководства выбором протокола

Ключевые алгоритмы реконструкции: SENSE и GRAPPA

Два семейства алгоритмов реконструкции доминируют в параллельной визуализации: те, которые работают в области изображения (SENSE) и те, которые работают в k -пространстве (GRAPPA).Оба используют информацию о чувствительности катушки для удаления псевдонимов, но они отличаются своим подходом, практическими требованиями и поведением при наличии шума и артефактов.

SENSE (кодирование чувствительности)

SENSE, введенный Pruessmann et al. в 1999 году, решает задачу реконструкции явно в области изображения. После прямого преобразования Фурье данных из неиспользуемого пространства k -пространства из каждой катушки, получают псевдонимные изображения — для коэффициента сокращения R каждый пиксель в псевдонимном изображении содержит вклады из R различных пространственных положений. SENSE использует матричную инверсию в каждом местоположении пикселей, используя значения чувствительности катушек в этих положениях, чтобы развернуть суперпозицию в правильные сигналы. Алгоритм требует точных карт чувствительности с высоким разрешением, которые обычно получаются из быстрого эталонного сканирования. SENSE является вычислительно эффективным, потому что инверсия матрицы выполняется независимо на пиксель. Однако SENSE также чувствителен к ошибкам в картах чувствительности и к движению между эталонным сканированием и ускоренным получением. SENSE также обладает свойством, что корреляция шума между катушками может быть включена в реконструкцию, что позволяет оптимально использовать S

GRAPPA (GeneRalized Autocalibrating Partially Parallel Acquisitions) - частично параллельные приобретения

GRAPPA, разработанный Griswold et al. в 2002 году, использует принципиально иной подход, работая в k-пространстве.-пространственных линиях, вместо того, чтобы реконструировать псевдонимы, GRAPPA заполняет недостающие -пространственные линии, используя линейную комбинацию полученных данных из всех катушек.k-пространственные линии, которые получены в центре -пространственной точки в положении kxkyjj]-пространстве, реконструируется подгонка из данных ACS. После того, как полное k-пространство, часто применяется шаг коррекции интенсивности для корректировки на ошибки,

Сравнение SENSE и GRAPPA на практике

Оба алгоритма широко реализованы на коммерческих системах МРТ. SENSE часто предпочтительнее за его вычислительную простоту и более низкий объем памяти, в то время как GRAPPA предлагает надежность в присутствии движения и может быть легче интегрировать в клинические рабочие процессы, поскольку он избегает необходимости отдельного калибровочного сканирования. Многие современные сканеры предлагают гибридные подходы, такие как варианты SENSE, которые включают регуляризацию и расширения GRAPPA, такие как CAIPIRINHA (контролируемое удаление в параллельных результатах визуализации при более высоком ускорении), которые модифицируют шаблон выборки для улучшения сепарабельности катушки. Выбор между SENSE и GRAPPA зависит от конкретного применения: SENSE имеет тенденцию давать лучший SNR для хорошо калиброванных массивов, тогда как GRAPPA выполняет более последовательно в сложных сценариях визуализации, таких как сердечная или брюшная визуализация, где движение неизбежно. Внешний справочник: Pruessmann et al. Начальная публикация SENSE

Достижения в технологиях параллельной визуализации

В течение последних двух десятилетий были расширены и усовершенствованы базовые алгоритмы SENSE и GRAPPA, что привело к значительному увеличению скорости, качества изображения и клинической полезности. Эти достижения включают интеграцию сжатого зондирования, одновременное многосрезовое (SMS) изображение и использование искусственного интеллекта для улучшения реконструкции.

Сжатое восприятие в сочетании с параллельным изображением

Сжатое зондирование (CS) - это метод обработки сигналов, который использует разрежение в данных МРТ - идея о том, что изображение или его математическое преобразование (например, вейвлет или полная вариация) содержит много коэффициентов, близких к нулю. k -пространство (обычно в шаблоне выборки с переменной плотностью, который избегает когерентного псевдонимирования, наблюдаемого с однородной недостаточной выборкой), CS может реконструировать изображения из гораздо меньшего количества измерений, чем требовалось бы при обычной выборке Nyquist. При сочетании с параллельным изображением два подхода являются взаимодополняющими: параллельное изображение уменьшает количество градиентных кодировок, в то время как CS дополнительно использует разрежение, чтобы позволить еще более высокие коэффициенты ускорения. Наиболее распространенным синтезом является формулирование реконструкции как совместной задачи оптимизации, которая минимизирует функцию затрат, сочетающую согласованность данных k -пространственные данные, включая чувствительность к катушке, и термин ре

Одновременная многослойная (SMS) визуализация

Одновременная многополосная (SMS) визуализация, также известная как многополосная визуализация, ускоряет 2D многополосные приобретения, захватывая и приобретая одновременно несколько срезов. Срезы разделены с использованием многополосных радиочастотных импульсов, которые возбуждают различные частотные полосы, и сигналы от срезов перекрывают полосу пропускания приемника. Параллельные методы визуализации затем используют вариации чувствительности катушки по нарезному направлению для распутывания перекрывающихся сигналов - эффективно применяя своего рода параллельную визуализацию в плоскости параллельного изображения (часто называемую многополосной SENSE или Blipped-CAIPI) могут достичь общего коэффициента ускорения, равного продукту внутриполосной и диффузионно-взвешенной визуализации, где покрытие всего мозга с высоким временным разрешением имеет решающее значение. Современные последовательности SMS могут достигать времени повторения (TR) до 400-600 мс для покрытия всего мозга с изотропным разрешением 2-3 мм, значительно улучшая обнаружение многополосной визуализации для FMRI высокого разрешения [FLT: 1

3D-параллельная визуализация и CAIPIRINHA

В то время как параллельная визуализация хорошо установлена для 2D-приобретений, ее расширение до 3D-изображения (где используется направление «раздел» второго этапа) предлагает существенные дополнительные преимущества. В 3D-параллельной визуализации недосэмплирование может применяться вдоль обоих направлений фазового кода, позволяя коэффициентам ускорения, которые являются продуктом факторов сокращения в каждом направлении. Метод CAIPIRINHA (контролируемое удаление в параллельных результатах визуализации в более высоких ускорениях) изменяет шаблон выборки в двух измерениях фазового кода для получения контролируемого псевдонима объекта, который улучшает кондиционирование разворачивающейся проблемы и уменьшает штраф фактора g -фактор. CAIPIRINHA широко принят в абдоминальной визуализации для 3D T1-взвешенных последовательностей с высоким разрешением (например, VIBE с CAIPIRINHA) и в контрастном MRA, где важны короткие длительности задержки дыхания. Метод может достичь общих коэффициентов ускорения 4-8 с хорошим качеством изображения, и он часто сочетается с GRAPPA для надежной реконструкции.

Искусственный интеллект в параллельной реконструкции изображений

В последние годы наблюдается взрыв подходов машинного обучения к параллельной реконструкции изображений. Основная идея заключается в том, чтобы обучать глубокие нейронные сети отображению недосортированных, шумных данных с несколькими катушками на высококачественные изображения, часто включающие как информацию о чувствительности катушки, так и предыдущие знания из больших наборов данных. Появились две основные категории: сети с физической информацией, которые разворачивают алгоритмы итеративной оптимизации (например, обученная итеративная реконструкция, которая чередуется между последовательностью данных и изученным шагом деноизации), и чисто управляемые данными сквозные сети, которые непосредственно производят окончательное изображение из недосортированного k -пространства. Методы на основе ИИ могут достигать факторов ускорения за пределами обычного параллельного изображения (R > 8) при сохранении диагностического качества и часто уменьшают артефакты, такие как остаточное псевдонимирование и часто уменьшающие артефакты, такие как остаточное алиасинг и частое уменьшение артефактов, таких как остаточное алиасинг и глубокое разрешение от Siemens), которые быстро принимаются

Реальное время и динамическая параллельная визуализация

Параллельная визуализация позволила в реальном времени МРТ-приложения, где изображения реконструируются и отображаются с частотой видеокадра. Путем объединения высоких коэффициентов ускорения (R ≥ 6) с алгоритмами быстрой реконструкции (часто GRAPPA на GPU), теперь можно снимать движущиеся органы, такие как язык, сердце и суставы во время движения без зуда. Для сердечной визуализации параллельная визуализация в реальном времени с сжатым зондированием позволяет непрерывную сине-визуализацию с хорошим временным разрешением (30–50 мс) и пространственным разрешением (1,5–2,0 мм в плоскости). Эта возможность устраняет необходимость в ЭКГ-гитинге и инструкциях задержки дыхания, что бесценно для пациентов с аритмией или невозможностью сотрудничать. Динамическая контрастная визуализация печени также извлекает выгоду из параллельной визуализации, позволяя полностью 3D-покрытие с высоким временным разрешением захватывать перфузионную кинетику. Эти динамические методы в значительной степени зависят от физических принципов чувствительности катушки и эффективной реконструкции, и они продолжают совершенствоваться с помощью более совершен

Клиническое воздействие и будущие направления

Практическое влияние параллельной визуализации на клиническую визуализацию глубокое. Более короткое время сканирования уменьшает дискомфорт пациента, увеличивает пропускную способность пациента и минимизирует артефакты движения. В педиатрической визуализации, например, сокращение продолжительности сканирования с 10 минут до 3-4 минут может сделать разницу между диагностическим исследованием и одним омраченным движением. В сердечной МРТ параллельная визуализация с фактором 2-3 позволяет проводить комплексные обследования в течение одного задержки дыхания. В нейровизуализации 3D-последовательности с высоким разрешением, такие как MP-RAGE и FLAIR, теперь регулярно ускоряются с параллельной визуализацией для достижения изотропного субмиллиметрового разрешения в клинически приемлемые времена. Параллельная визуализация была описана как «критический активатор» для многих современных протоколов МРТ .

Будущие направления включают дальнейшую интеграцию с ИИ, как уже упоминалось, но также новые конструкции решеток катушки с более независимыми элементами и перекрывающимися моделями чувствительности, которые повышают достижимый коэффициент ускорения. Разработка массивов «целого тела» с 128 или более каналами в сочетании с оптимизацией факторов в реальном времени g -фактора позволит получать изотропную 3D-изображение с субмиллиметровым разрешением в одну-две минуты. Другой перспективной областью является комбинация параллельной визуализации с магнитно-резонансной дактилоскопией (MRF), метод, который одновременно количественно определяет несколько параметров ткани (T1, T2, M0) из одного, сильно недосортированного сканирования. Параллельная визуализация помогает MRF достигать необходимого ускорения при сохранении высокого качества карты параметров. Кроме того, методы коррекции движения, которые используют принципы параллельной визуализации (например, PROPELLER на основе вращающегося лезвия выборки) продолжают развиваться, предлагая надежное качество изображения у пациентов, которые не могут оставаться неподвижными.

Достижения в параллельной визуализации также способствуют внедрению MR-управляемой терапии, такой как сфокусированное ультразвуковое и радиотерапевтическое планирование, где быстрое визуализация в реальном времени имеет важное значение. По мере того, как вычислительное оборудование улучшается, а алгоритмы реконструкции становятся более сложными, границы того, что достижимо, будут продолжать расширяться. Понимание физических основ - от профилей чувствительности катушки до g -фактора - остается столь же важным сегодня, как и когда методы были впервые разработаны, потому что он обеспечивает основу для разработки новых методов и устранения неполадок клинических проблем.

Заключение

Параллельные методы визуализации превратили МРТ из медленной, тщательно закодированной модальности в способную к быстрому, надежному получению изображения. Фундаментальная физика - пространственное кодирование, полученное из нескольких профилей чувствительности катушки - позволяет увеличить скорость, которые необходимы как для клинических, так и для исследовательских настроек. От ранних алгоритмов SENSE и GRAPPA до современных методов с улучшенным ИИ, многократным ускорением, каждое продвижение построено на тех же основных принципах, добавляя новые слои сложности. Поскольку сканеры включают более мощные градиентные системы, более плотные массивы катушек и бортовые процессоры глубокого обучения, потенциал для дальнейшего ускорения и улучшения качества изображения существенен. Для клиницистов, физиков и инженеров, работающих с МРТ, твердое понимание физики параллельного изображения не просто академическое; это ключ к оптимизации протоколов, устранению неполадок и принятию следующей волны инноваций. Продолжающаяся синергия между физическим пониманием и технологическим прогрессом гарантирует, что параллельное изображение останется в основе развития МРТ на долгие годы.