【核磁共振成像】傅里叶重建
目录
- 一、傅里叶重建
- 二、填零
- 三、移相
- 四、数据窗函数
- 五、矩形视野
- 六、多线圈数据重建
- 七、图像变形校正
- 八、缩放比例
- 九、基线校准

长TR,长TE,是T2加权像;
短TR,短TE,是T1加权像;
长TR,短TE,是PD加权像。
一、傅里叶重建
磁共振图像反映的是组织的信号强度。在图像中,如果越白或者越亮,则代表组织的信号强度越高。
磁共振的不同序列反映的是不同组织对比或者叫做不同参数。磁共振图像我们一般把它叫做“加权像”,Weighted Image。
加权或者权重代表突出重点,那种成分占的权重(比例)大。在磁共振成像中,组织所固有的参数特性(T1、T2、PD等)均对磁共振图像的信号强度有所贡献,但是一副磁共振图像,如果反映了各种组织参数在里面,那么就等于没有反映任何指标,因为都是在对图像信号强度做贡献,我们不知道那种贡献大,通过看图像明暗度,不能判断。
所以,磁共振图像,应该重点反映那种组织对图像的贡献最大。一般,我们是通过调整参数,使磁共振图像主要反映组织某一个方面的特性,这样我们就能够进行判读了。另外,我们不可能得到一个纯粹的只反映组织一个特性的磁共振图像。所以,这也是为什么磁共振图像,很多我们会叫做加权像的原因。
常规的磁共振图像主要有以下几种:
T1加权像(T1WI):主要是反映组织之间T1差别的图像,也就是主要反映 组织之间纵向弛豫差别的图像;
T2加权像(T2WI):主要是反映组织之间T2差别的图像,也就是主要 反映组织之间横向弛豫差别的图像;
PD(质子密度)加权像(PDW):主要是反映 组织之间质子密度,也就是氢质子含量差别的图像。
二、填零
填零:若K空间为是按直线轨迹(笛卡尔方格)全采样,2D或3D-IFT要使用的FFT需要输入数据为2的整数次幂,采集的数据通过补零来满足这个条件。
填零导致图像按sinc插补的加采样,在显示矩阵中提供sinc插补像素。填零不增加任何信息含量,不影响SNR,不影响图像的实际分辨率,但填零能给图像信号一个平滑“延申”或降低由“部分体积效应”引起的块状伪影,从而提高图像的表观图像分辨率。
但由于FT长度增加,重建时间增加。对于大矩阵图像数据可能使显示或存档的系统函数卡壳,还可能增大图像中的截断伪影(Gibbs跳动) 的显著性(Gibbs伪影出现的原因是采样不足,或者空间分辨率不够大,或者体素还不够小)。

部分容积效应:CT图像上各个像素的数值代表相应单位组织全体的平均CT值,它不能如实反映该单位内各种组织本身的CT值。
Gibbs伪影又叫截断伪影或者叫环形伪影,跟图像的空间分辨率有关。一副图像是包含了无数个(无限个)空间频率的。但是我们在通过系统采集图像信号的时候,我们只能采样有限数目的频率。简单来讲就是,我们 用有限的数字体素来描述图像。 在图像的高对比度界面,由于图像变化太大,而有限的像素无法描述这种大变化的时候,则会产生一种伪影,我们把这种伪影叫做 截断伪影,或者 环形伪影,也叫 Gibbs伪影,振铃伪影。 根据这种伪影的特点,它一般出现在图像高对比度界面的周围,形成交替的亮带和暗带。这种伪影可以出现在相位编码方向,也可以出现在频率编码方向。但是出现在相位编码方向的概率大。因为,相位编码方向步级决定扫描时间,一般来说,相位编码方向存在采用不足的可能性比频率编码方向大。
三、移相
将序列值输入到FFT时,算法假定DC点(即零频、零时间点)为起始点S0。
MRI数据一般不是按FFT期望的输入次序采集和储存的。当应用FFT到K空间数据时,需要调整数据列次序以适合FFT的要求,普遍情况是存储数据以DC点位于K空间中点,而在FFT后进行相位校正以补偿N/2位移。

FFT算法假定输入、输出数据相对于传统次序移动了N/2。这种移动是 在傅里叶共轭域一个符号交替实现的。符号交替输入给输出移动。对于模重建,FT之后符号交替步可以跳动,但FT之前必须进行符号交替。
MRI数据不是按FFT期望的输入次序采集和储存的,当应用FFT到K空间数据时,这数据要调整次序以适合FFT的要求。普遍情况是储存数据 以DC点位于Kx、Ky、Kz方向的中点(假定全K空间采样),而在FFT之后进行相位校正以补偿N/2位移。类似的,FFT算法的输出数据序列是以DC值作为起点而不是在中心,这就需要更正次序,移动DC点回到中心(在FFT之前加一个位移就可以自动完成)。
四、数据窗函数
截断伪影:当测量数据只包含磁化强度傅里叶分量完全数据的低频子集时,这种重建的图像包含上冲和跳动伪影(特别是靠近锐变的边缘处)。
切趾:把K空间数据乘以一个能平滑衰减高空间频率的滤波器或窗函数,就能降低跳动伪影。
1D Tukey窗:适用于MRI的K空间数据的一个窗函数的例子是余弦锥型或Turkey窗,此窗给出的点扩散函数的空间分辨率是各向异性的,即在图像中随方向而变。

不可分割的窗:一个普通的函数时用具有与方向角无关的各向同等截止点Kc的窗,给出各向同性空间分辨率。

任何磁共振图像,都存在Gibbs伪影。如果图像的采样点非常大,那么产生的Gibbs伪影的条纹就近似于无限薄,条纹之间距离近似于无限接近,也就没有伪影了。首要的方法是:减小体素,提高空间分辨率,提高采样,因为提高分辨率,会增加扫描时间,故不采用这种做法。在飞利浦系统中,可以把环形过滤Ringing Filter打开,这样会尽量消除这个伪影。
点扩展函数(point spread function PSF)描述了成像系统对点源或点对象的响应。点目标的扩散/模糊程度是衡量成像系统质量的一个指标。一个复杂对象的像可以被看作是真实对象和PSF的卷积。然而,当被检测到的光是相干的(coherent),图像在复数域( complex field)的形成是线性的。记录灰度图(intensity image),然后可以引发 cancellations 或其他非线性效应。
五、矩形视野
很多解剖截面可用椭圆来近似,即矩形视野,由于ADC采样速度足够高,安排频率编码在长FOV方向而相位编码在短FOV方向
为避免读出方向混叠伪影,可采用过采样技术;要避免相位编码方向的混叠,可采用空间预饱和。
一般有三种方式执行傅里叶变换:
1、离散傅里叶变换(DFT)。但DFT比FFT慢。
2、K空间内插对于相位编码数据维给出2的整数次幂,然后用FFT。物体是紧支的,sinc内插费时,更快的方法是 方格化。从K空间数据方格化再取样产生混叠,有时造成图像质量损失。
3、相位编码数据维通过填零给出2的整数次幂,然后用FFT,并在图像空间内插以恢复正确的比例。
奈奎斯特频率定义为信号带宽的两倍。如果实际采样频率高于奈奎斯特频率,即为过采样。低于奈奎斯特采样频率进行采样就称为欠采样。过采样能够提高分辨率和信噪比SNR,并且通过放宽抗混叠滤波器的性能要求,有助于避免混叠和相位失真。
部分容积效应:CT图像上各个像素的数值代表相应单位组织全体的平均CT值,它不能如实反映该单位内各种组织本身的CT值。
空间预饱和脉冲用于抑制来自成像视野内解剖区域的不良信号。尽管在大脑成像中并不常用,但可用于抑制来自邻近血管的信号,从而最大程度地减少了重影伪影。
六、多线圈数据重建
当多线圈多接受通道采集数据时,各线圈通道的复数像分别单独重建,然后用其平方和的平方根计算出最终图像。如果各线圈的图像是Ij(x,y)(j是线圈编号),则最终的2D图像是:

由平方和近似造成的SNR损失只有百分之几,通过用下式近似这个接受线圈B1场:

七、图像变形校正
通过折中线性度、减少高度线性区的体积,可达到更高的梯度幅度和斜升率,这样的折中对很多不需要大体积的应用如脑fMRI很有吸引力。因距磁体距离的不同而造成的图像在尺寸和强度上变形,可根据梯度场设计数据或测量数据可以进行校正。而其他由梯度非线性造成的变形一般都由及其自动校正。

不同评价指标(即特征向量中的不同特征就是所述的不同评价指标)往往具有不同的量纲和量纲单位,这样的情况会影响到数据分析的结果。为了消除指标之间的量纲影响,需要进行数据标准化处理,以解决数据指标之间的可比性。原始数据经过数据标准化处理后,各指标处于同一数量级,适合进行综合对比评价。其中,最典型的就是数据的归一化处理。
简而言之,归一化的目的就是使得预处理的数据被限定在一定的范围内(比如[0,1]或者[-1,1]),从而消除奇异样本数据导致的不良影响。
奇异样本数据 是指相对于其他输入样本特别大或特别小的样本矢量(即特征向量)。奇异样本数据的存在会引起训练时间增大,同时也可能导致无法收敛,因此,当存在奇异样本数据时,在进行训练之前需要对预处理数据进行归一化;反之,不存在奇异样本数据时,则可以不进行归一化。
(1)归一化后加快了梯度下降求最优解的速度,也即加快训练网络的收敛性;
(2)归一化有可能提高精度。
八、缩放比例
MRI信噪比正比于像素体积,也正比于总采集时间(正比于K空间中Kx、Ky、Kz方向采样点数Nx、Ny、Nz及激发次数Nex)的平方根,由下式表示:

对于某些接收机硬件,一个DC偏移可能出现在测量的K空间数据中。RF激发脉冲的相位循环可以消除基线;也可以在数据采集采集的开始或结束时测量基线,然后从原始数据中减掉。
九、基线校准
测量基线是在不加梯度和RF的情况下采集数据。选择测量时间给出基线估计(可忽略噪声)。也可以不采集额外的数据,而是在K空间中(FID或回波)对最后几个点取平均来估计基线。一个关键的假定是磁化强度在K空间行的末尾已经衰减或散相,剩余的信号相应到DC偏移。

DC是Deflection Coefficient的缩写,是偏因径系数;DC偏移是指由于输入设备的某些问题,导致电流波形偏移了中轴线走向X或者Y方而产生的现象。
相关文章:
【核磁共振成像】傅里叶重建
目录 一、傅里叶重建二、填零三、移相四、数据窗函数五、矩形视野六、多线圈数据重建七、图像变形校正八、缩放比例九、基线校准 长TR,长TE,是T2加权像; 短TR,短TE,是T1加权像; 长TR,短TE&#…...
Camunda 工作流节点跳转 - 多实例节点判断和跳转
在多种工作流引擎中,Camunda框架对流程的处理控制更为强大、灵活。 在应对流程节点按业务需要进行自由跨节点跳转的需求时,通过代码自由控制节点的跳转在Camunda中是支持的,并且提供了编码方法,其中多实例的处理上有一些区别要特…...
MySQL不停重启问题
MySQL不停的自动杀掉自动重启 看一下log日志 my.cnf 里配置的 log_error /var/log/mysqld.log vim /var/log/mysqld.log 报的错误只是 [ERROR] Cant start server: Bind on TCP/IP port: Address already in use [ERROR] Do you already have another mysqld server …...
ol-cesium 暴露 Cesium viewer 对象以及二三维切换、viewer 添加点功能示例
ol-cesium 暴露 Cesium viewer 对象以及二三维切换、viewer 添加点功能示例 核心代码完整代码在线示例 二三维一体化的概念一直都比较火热,虽然大多数都是狭义的概念,但是很多需求方也想要这样的功能。 Openlayers 官方出了一个二三维一体化的工具&…...
国产化-达梦数据库安装2
目录 DM8数据库下载地址 安装一路狂飙next 启动服务 随着国家政府的推广、越来越多的政府项目、在系统部署需要采购国产服务器、数据库等 DM8数据库下载地址 https://eco.dameng.com/download/ 安装一路狂飙next windos安装比较简单直接next即可 仅仅记录几个关键疑问地方k…...
延长OLED透明屏的使用寿命:关键因素与有效方法分享
OLED透明屏作为一项创新的显示技术,具备透明度和高清晰度的特点,在各个领域得到了广泛应用。 然而,为了确保OLED透明屏的持久性和稳定性,延长其使用寿命是至关重要的。根据最新的研究和数据报告, 在这篇文章中&#…...
域名是指哪一部分?
域名是指互联网中用于识别和定位网站的地址。它是由多个部分组成的,每个部分都具有特定的含义和功能。下面是有关域名各个部分的解释。 顶级域名(Top-Level Domain,TLD): 顶级域名是域名的最高级别部分,通常…...
MPP 还是主流架构吗
MPP 架构: MPP 架构的产品: Impala ClickHouse Druid Doris 很多 OLAP 引擎都采用了 MPP 架构 批处理系统 - 使用场景分钟级、小时级以上的任务,目前很多大型互联网公司都大规模运行这样的系统,稳定可靠,低成本。…...
ubuntu查看网速
使用speedomster测试网速 sudo apt-get install speedometer 查询需要测速的网卡 speedometer -r ens33 -t ens33 -r: 指定网卡的接收速度 -t: 指定网卡的发送速度 使用nload测试 sudo apt-get install nload 测速 nload -t 200 -i 1024 -o 128 -U M 参数含义࿰…...
【官方中文文档】Mybatis-Spring #使用 MyBatis API
使用 MyBatis API 使用 MyBatis-Spring,你可以继续直接使用 MyBatis 的 API。只需简单地使用 SqlSessionFactoryBean 在 Spring 中创建一个 SqlSessionFactory,然后按你的方式在代码中使用工厂即可。 public class UserDaoImpl implements UserDao {//…...
go gorm belong to也就是多对一的情况
多位员工属于同一个公司,一个公司包含多个人,关系放在多的那一部分 belongs to 会与另一个模型建立了一对一的连接。 这种模型的每一个实例都“属于”另一个模型的一个实例。 例如,您的应用包含 user 和 company,并且每个 user 能…...
亚马逊云科技 云技能孵化营——机器学习心得
亚马逊云科技 云技能孵化营机器学习心得 前言什么是机器学习?机器学习如何解决业务问题?什么时候适合使用机器学习模型?总结 前言 很荣幸参加了本次亚马逊云科技云技能孵化营,再本期的《亚马逊云科技云技能孵化营》中,…...
Django实现音乐网站 ⒀
使用Python Django框架制作一个音乐网站, 本篇主要是推荐页-推荐排行榜、推荐歌手功能开发。 目录 推荐页开发 推荐排行榜 单曲表增加播放量 表模型增加播放量字段 执行表操作 模板中显示外键对应值 表模型外键设置 获取外键对应模型值 推荐排行榜视图 推…...
PySide6学习笔记--基础环境的安装配置
PySide6介绍 QT官方发布Qt6.0之后,紧接着于2020年12月10日发布了PySide 6,对应C版的Qt6。从PySide6开始,PySide的命名也会与Qt的大版本号保持一致。需要注意的是使用PySide6开发的程序在默认情况下,不兼容Windows7系统,…...
算法通关村第九关——中序遍历与搜索树
1 中序遍历和搜索树原理 二叉搜索树按照中序遍历正好是一个递增序列。其比较规范的定义是: 若它的左子树不为空,则左子树上所有节点的值均小于它的根节点的值;若它的右子树不为空,则右子树所有节点的值均大于它的根节点的值&…...
测试框架pytest教程(5)运行失败用例-rerun failed tests
# content of test_50.py import pytestpytest.mark.parametrize("i", range(50)) def test_num(i):if i in (17, 25):pytest.fail("bad luck") 运行这个文件,2个失败,48个通过。 要运行上次失败的测试用例,可以使用--l…...
【车载开发系列】UDS当中的时间参数
【车载开发系列】UDS当中的时间参数 UDS当中的时间参数 【车载开发系列】UDS当中的时间参数一. 术语定义二. 网络层时间调整参数三. ECU诊断层与会话层参数 一. 术语定义 缩写全称中文说明BSBlock Size块大小STminSeparation time min时间间隙SIService Identifier服务标识符S…...
PDF中的表格怎么转换为Excel?这两个工具一定得收藏!
PDF是一种常见的文件格式,它可以保持文件的原始样式和内容,但是也有一些缺点,比如不易编辑和处理数据。如果你想要将PDF中的表格或数据导出到Excel中,以便进行分析、计算或制作图表,那么你可能需要一个专业的PDF转Exce…...
ssh scp sshpass
ssh命令用于远程连接主机 ssh usernamehostname更多用法参考: ssh常用用法 scp 命令是用于通过 SSH 协议安全地将文件复制到远程系统和从远程系统复制文件到本地的命令 比如: scp /data/log/a.txt root192.168.1.100:/data/log该命令就就将本地的a.t…...
leetcode 1996. 游戏中弱角色的数量(排序的魅力)
题目 题意: 给定n个人的攻击力和防御力,对于一个人来说,如果存在某个人的攻击力和防御力都比他高,那么称这个人为弱角色。统计弱角色的数量 思路: 排序,攻击力按从大到小排序,这样遍历的时候某个数时前边的攻击力都比他…...
阿里云ACP云计算备考笔记 (5)——弹性伸缩
目录 第一章 概述 第二章 弹性伸缩简介 1、弹性伸缩 2、垂直伸缩 3、优势 4、应用场景 ① 无规律的业务量波动 ② 有规律的业务量波动 ③ 无明显业务量波动 ④ 混合型业务 ⑤ 消息通知 ⑥ 生命周期挂钩 ⑦ 自定义方式 ⑧ 滚的升级 5、使用限制 第三章 主要定义 …...
Python:操作 Excel 折叠
💖亲爱的技术爱好者们,热烈欢迎来到 Kant2048 的博客!我是 Thomas Kant,很开心能在CSDN上与你们相遇~💖 本博客的精华专栏: 【自动化测试】 【测试经验】 【人工智能】 【Python】 Python 操作 Excel 系列 读取单元格数据按行写入设置行高和列宽自动调整行高和列宽水平…...
通过Wrangler CLI在worker中创建数据库和表
官方使用文档:Getting started Cloudflare D1 docs 创建数据库 在命令行中执行完成之后,会在本地和远程创建数据库: npx wranglerlatest d1 create prod-d1-tutorial 在cf中就可以看到数据库: 现在,您的Cloudfla…...
Mac软件卸载指南,简单易懂!
刚和Adobe分手,它却总在Library里给你写"回忆录"?卸载的Final Cut Pro像电子幽灵般阴魂不散?总是会有残留文件,别慌!这份Mac软件卸载指南,将用最硬核的方式教你"数字分手术"࿰…...
【Android】Android 开发 ADB 常用指令
查看当前连接的设备 adb devices 连接设备 adb connect 设备IP 断开已连接的设备 adb disconnect 设备IP 安装应用 adb install 安装包的路径 卸载应用 adb uninstall 应用包名 查看已安装的应用包名 adb shell pm list packages 查看已安装的第三方应用包名 adb shell pm list…...
comfyui 工作流中 图生视频 如何增加视频的长度到5秒
comfyUI 工作流怎么可以生成更长的视频。除了硬件显存要求之外还有别的方法吗? 在ComfyUI中实现图生视频并延长到5秒,需要结合多个扩展和技巧。以下是完整解决方案: 核心工作流配置(24fps下5秒120帧) #mermaid-svg-yP…...
WebRTC调研
WebRTC是什么,为什么,如何使用 WebRTC有什么优势 WebRTC Architecture Amazon KVS WebRTC 其它厂商WebRTC 海康门禁WebRTC 海康门禁其他界面整理 威视通WebRTC 局域网 Google浏览器 Microsoft Edge 公网 RTSP RTMP NVR ONVIF SIP SRT WebRTC协…...
mq安装新版-3.13.7的安装
一、下载包,上传到服务器 https://github.com/rabbitmq/rabbitmq-server/releases/download/v3.13.7/rabbitmq-server-generic-unix-3.13.7.tar.xz 二、 erlang直接安装 rpm -ivh erlang-26.2.4-1.el8.x86_64.rpm不需要配置环境变量,直接就安装了。 erl…...
Linux 中替换文件中的某个字符串
如果你想在 Linux 中替换文件中的某个字符串,可以使用以下命令: 1. 基本替换(sed 命令) sed -i s/原字符串/新字符串/g 文件名示例:将 file.txt 中所有的 old_text 替换成 new_text sed -i s/old_text/new_text/g fi…...
Git 切换到旧提交,同时保证当前修改不丢失
在 Git 中,可以通过以下几种方式切换到之前的提交,同时保留当前的修改 1. 使用 git checkout 创建临时分离头指针(推荐用于查看代码) git checkout <commit-hash>这会让你进入"分离头指针"状态,你可…...
