NMR (Материалы к контрольной по биофизике (ЯМР, МРТ)), страница 2

Контраст, C, между двумя тканями A и B будет равен разнице между сигналом ткани A, S_A и сигналом ткани B, S_B.

C = S_A - S_B

S_A и S_B определяются из приведенных выше сигнальных уравнений. Для двух любых тканей существует набор инструментальных параметров, которые дают максимальный контраст. Например, в спин-эхо последовательности контрастность между двумя тканями есть функция TR, графически представленная сопровождающей кривой.

Для того чтобы быть уверенным в том, что сигналы от всех шагов фазового кодирования приобрели одинаковые свойства, к каждому процессу сбора данных для изображения к последовательности прибавляется несколько уравновешивающих циклов. Необходимость этого можно увидеть, рассмотрев компоненты M_Z и M_XY, как функцию от времени в последовательности типа 90-FID.Заметим, что поперечная намагниченность от 90^o-импульса достигает равновесия после нескольких циклов TR. Это увеличивает время отображения на несколько периодов TR.

Комитет магнитного резонанса для обозначения механизма преобладающей контрастности изображения принял следующую номенклатуру. Изображения, контраст которых в основном определяется разностями T₁ тканей, называются T₁ -взвешенными изображениями. Аналогично для T₂ и ,
изображения называются T₂-взвешенными протон-взвешенными. В следующей таблице приведен набор условий, необходимых для получения взвешенных изображений.

Поразительно то, что выбор инструментальных параметров TR, TE, TI и влияет на контраст между различными тканями мозга. В следующем разделе можно выбрать отображающую последовательность и параметры отображения, результирующее изображение будет представлено в графическом окне. Эти изображения являются результатами вычислений, основанных на приведенных выше уравнений и наборов общих T₁, T₂, и изображений человеческого мозга. Два ярких круга в правом и левом углах изображения являются стандартами спиновых плотностей или фантомами, расположенными рядом с головой человека.

Объемное построение (трехмерное построение)

Объемным построением является сбор данных магнитного резонанса не из томографического слоя, а из объема. Это можно представить как получение нескольких, прилежащих друг к другу слоев подряд, в некоторой области отображаемого объекта.Число таких срезов должно всегда быть кратным 2. Временная диаграмма импульсной последовательности при объемном построении выглядит следующим образом.Здесь представлены объем-селектирующий РЧ-импульс и градиент , который вращает только те спины, которые входят в отображаемый объем исследуемого объекта. Эта последовательность импульсов эквивалентна срез-селектирующей последовательности, за тем исключением, что толщина среза, в данном случае, может равняться 10 или 20 см. За объем-селектирующими импульсами следуют градиенты фазового кодирования: один по плоскости 1, а другой по плоскости 2. Каждый градиент может иметь принимать значения между минимумом и максимумом, так же, как и все другие градиенты фазового кодирования. Два градиентных импульса применяются одновременно, и проходят через все возможные комбинации. Для того, чтобы в середине окна сбора спины находились в одной фазе, частотно-кодирующий градиент имеет отрицательную дефазировку. Применение частотно-кодирующего градиента и регистрация полученного сигнала не отличается от аналогичных процессов при других последовательностях.

Время отображения равняется значению времени релаксации (TR), умноженной на число шагов фазового кодирования по плоскости 1, и умноженной на число шагов по плоскости 2. Из-за такого большого значения, для трехмерного отображения обычно используется последовательность градиентного эхо-сигнала (GRE).

T₁, T₂, и изображения

Время спин-решеточной релаксации (T₁), время спин-спиновой релаксации (T₂), и протонная плотность () являются свойствами спинов тканей. Значения этих величин меняются от одной нормальной ткани к другой и от одной больной ткани к другой. Поэтому они создают контрастность между тканями в различных типах изображений, описанных в главе 7 и главе 8.

Здесь будут представлены несколько методов расчетов значений T₁, T₂, и . Эти методы применяются к конкретным пикселам для получения вычисленных T₁, T₂, или изображений. Чем меньше размер воксела соответствующего пикселу, тем с большей вероятностью значения T₁, T₂, и представляют значения для определенной ткани. Чем больше размер воксела, тем с большей вероятностью вычисленные значения представляют таковые для комбинаций тканевых компонентов.

Вычисление T₁, T₂, или начинается со сбора серий изображений. Например, если необходимо получить T₂ изображение, используется спин-эхо последовательность и серии изображений собираются при изменении TE. l12-1.html12-1.htmСигнал для заданного пиксела может быть выражен для каждого значения и лучше всего подходящего графика уравнения спин-эхо, построенного на основании данных для нахождения T₂. l12-2.html12-2.htm

T₁ изображение может быть создано из той же импульсной последовательности с использованием серий изображений с изменяющимся TR.Сигнал для заданного может быть выражен для каждого значения TR и лучше всего подходящего графика уравнения спин-эхо, построенного на основании данных для нахождения T₁.Протонная плотность может быть вычислена после того как найдены T₁ и T₂ с использованием уравнения сигнала спин-эхо и любого сигнала спин-эхо.

Хотя описанные операции и создают T₁, T₂, или изображения, но они не являются наиболее эффективными или точными. Читателю предлагается обратиться к научной литературе с описаниями более подходящих методов.

Классификация тканей

Классификацией тканей или, как она еще называется, сегментацией изображений, является определение тканей в магнитно-резонансной томографии. Классификация основывается на свойствах тканей на изображении. Например, спин-эхо изображение, где цереброспинальная жидкость (CSF) и серое вещество более яркие по сравнению с другими тканями, интенсивность пиксела может быть использовано для классификации цереброспинальной жидкости, серого вещества и других тканей. Гистограмма и таблица для этого изображения выглядит следующим образом. Обычно, используется линейная зависимость между значением и интенсивностью пиксела. В дальнейшем, компоненты красного, зеленого и синего цветов каждого пикселя будут всегда одинаковыми, для отображения градаций серого. Можно отличить цереброспинальную жидкость и серое вещество от других тканей если преобразовать цветовую таблицу так, чтобы для каждого значения больше, чем 865 компоненты зеленого и синего цветов были выключены. Эта процедура создаст изображение красных пикселей цереброспинальной жидкости и серого вещества. Таким образом, изображение разделяется на два класса тканей: (1) серой вещество и цереброспинальная жидкость; и (2) ткани, не являющиеся серым веществом и цереброспинальной жидкостью.

Процесс сегментации проводится при помощи компьютерных алгоритмов. Эти алгоритмы могут сегментировать с более совершенной логикой, чем простая "больше чем заданное значение данного". Множество различных видов изображений или участков спектра могут быть использованы для разделения тканей. Некоторыми из возможных спектральных областей являются: T₁-, T₂- и -взвешенные; чистые T₁, T₂, и ; ангиографические, диффузионные, химического сдвига и функциональные изображения. С некоторыми из этих изображений работать намного сложнее. Изображения, которые показывают изменения в чувствительности отображающей катушки не могут использоваться, потому что алгоритмы сегментации не могут делать различий между изменениями интенсивности, вызванными чувствительностью отображающей катушки и самой тканью. С расчетными T₁, T₂ и изображениями работать проще, так как они не показывают различий в интенсивности, вызванных изменениями в чувствительности отображающей катушки.

В приведенном выше примере было невозможно отличить (сегментировать) серое вещество от ЦСЖ, потому что эти две ткани имеют близкие интенсивности в спин-эхо изображениях. Чем с более независимыми спектральными областями проводится работа, тем легче сегментировать ткани. Например, сегментация тканей мозга может проводиться с расчетными T₁ , T₂ , и изображениями головного мозга.Эти изображения используются для построения трехмерной гистограммы. Схожие типы тканей отображены кластерами на гистограмме. Можно присвоить пикселу в заданном диапазоне значений T₁, T₂ и определенный цвет. Получившееся изображение показывает сегментированные ткани