DTI 成像已经有比较长的应用历史,它可以显示纤维束的总体走形,并且可以产生定量的参数例如FA值和MD值来反应微结构的信息。但是研究也显示该模型对复杂的纤维束走形显示能力交差,特别是对于交差纤维和具有分支结构的纤维显示效果欠佳。
为了更好的显示复杂纤维束的结构特点并准确判断纤维束的走向,研究者们提出了不同的方法,例如我们熟知的扩散谱成像(diffusion spectrum imaging,DSI)(图1)。西门子公司的“准7T”磁共振 MAGNETOM Prisma 凭借其强大的科研性能,是业内唯一可以实现15分钟全脑DSI弥散谱成像的设备(常规3T同样成像条件需要45分钟以上),可精确显示神经纤维束交叉、缠绕、分段、终止,对神经系统的临床及科研有重大意义。
图1. 基于DSI算法,利用部分栅格数据(grid sampling)(514个点)重建的纤维束图像。
实际上在显示复杂纤维束走形的方法中,DSI只是其中的一种,还有我们所熟知的q-ball成像(q-ball imaging, QBI)和一般q采样模型(Generalized q-Sampling,GQI)(图2),为了更清晰地了解这些不同的后处理模型,我们先从它们所涉及到的基本概念说起。
图2.重建的纤维束图像,(a) 利用QBI重建模型252方向壳数据(shell dataset)重建,(b) 相同的数据类型利用GQI模型进行的重建,(c) 基于203个点栅格数据(grid sampling)利用DSI模型的重建结果,(d)相同的数据利用GQI模型重建的结果。
一、q-Space成像
之所以要介绍“q-space”成像这个概念,是因为该概念是较高级重建算法重建纤维束的的基础。不管是DSI、QBI还是GQI,本质都是基于q-space数据的不同的后重建算法(图3),那什么是“q-space成像”呢?“q-space” 成像是Callaghan于1994年提出,为了更清楚的理解这个概念,可以把这个概念和MR成像中的“K-space”进行对比,K-space内数据的编码是应用频率编码梯度(readout gradient)来实现的,而q-space内的编码是由扩散编码梯度来实现的,K-space内数据通过傅里叶变换可以和氢质子的空间位置进行关联,而q-space内的数据通过傅里叶变换可以得到一个称为“总体平均位移子(ensemble average propagator,EAP)”的数据,它们之间的关系如下公式来表示:
“q-space ” 成像通过评估EAP与组织内氢质子的扩散运动情况相关联。那什么是EAP呢?简单来说,它是一个氢质子位移的三维概率密度函数,“总体”“平均”表明该因子只是对组织内氢质子扩散情况,的一个平均评估,它不考虑组织的不均质性,“位移子”表明该因子评估的是氢质子的相对位移,它并不考虑氢质子的绝对位置。因此,“q-space” 成像是用非参数的方法来研究扩散运动的情况。q的定义如下:q=γGδ/2π,b=(2π)2Δ ,从中可以看出,高q带宽可以带来更高的位移检测敏感性R。
图3.物体真实排列方向和“q-space”成像示意图。来源: Sosnovik, D. E., Wang, R., Dai, G., Reese, T. G., & Wedeen, V.J. (2009). Diffusion MR tractography of the heart. Journal of CardiovascularMagnetic Resonance, 11(1), 1-15.
二、扩散采样方案(DiffusionSampling Scheme)
之所以要介绍“扩散采样方案”,是因为不同的纤维束重建模型对采样数据的要求不一样,例如QBI模型需要数据的采集方案为壳数据(shell dataset),DSI模型需要数据的采集方案为个栅格数据(grid sampling),而GQI模型可以适用于上述两种数据采样方案。扩散加权图像可以应用一系列不同的扩散敏感编码梯度来实现,扩散数据采样方案的分类依据梯度编码向量(Gx,Gy,Gz)的空间分布可以分为单壳数据(Single-shell dataset)、多壳数据(Multi-shell dataset)、栅格数据采集方案(grid sampling scheme)三类(图 4):
图4. 从左至右分别为单壳数据(Single-shell dataset)、多壳数据(Multi-shell dataset)、栅格数据采集方案(grid sampling scheme)示意图。
三、扩散方向分布函数(diffusion orientation distribution function ,dODF)
之所以要介绍这个函数,是因为这个函数是QBI和DSI模型的重建基础,只有先计算出这个函数的函数值,才能进一步对复杂纤维束进行追踪分析,该函数也是分析DSI模型中EAP因子的一个方法。
把EAP(3D PDF)投影到一个单位球上,就可以来计算扩散方向分布函数(diffusionorientation distribution function,dODF)值(图5),它反应了扩散的氢质子在单位球内的概率分布。需要注意的一点是有多个方法可以实现这种投影,常见计算dODF的方法如下:
1.无权重无上限dODF,函数如下:
该psi函数即为dODF函数,u为方向向量的单位,P为EAP,r为氢质子的位移。
2. r平方权重无上限dODF,函数如下:
3.无权重有上限dODF,函数如下:
QBI、DSI、GQI分别采用了不同的方法来计算dODF,其中QBI采用无权重无上限dODF,DSI应用r平方权重无上限dODF,GQI应用无权重或者r平方权重有上限dODF。为了计算dODF,QBI常采用Funk-Radon变换来计算dODF。而DSI需要先进行反傅里叶变换得到EAP,然后对EAP进行积分运算得到dODF,但是通常EAP噪声较大,在重建的过程中常常需要采用hanning滤波进行平滑。
图5. 图示交叉纤维走形及对应EAP和dODF图像。
四、氢质子分布函数(Spin Distribution Function ,SDF)
之所以要介绍该函数,是因为该函数是GQI模型的重建基础,利用该函数GQI可以应用在任意扩散加权的数据采集方案中(e.g. DTI, DSI, HARDI, multishell),也可以对扩散受限信息进行评估。
dODF是一种概率密度函数,如果我们把该函数用氢质子密度进行加权,就可以得到在不同方向上的氢质子分布函数。事实上,这也是GQI模型的理论基础,它通过直接计算来自于q-space的信号而得到SDF,其数学模型如下:
Z0常数,该常数依据水的氢质子含量对组织氢质子密度进行均一化;S:扩散信号强度;b:b值;sigma:扩散距离上限;H(.):是一个基础函数,H(.)应用sinc函数使得SDF转化为ODF无权重的一种形式(也称为GQI0,无权重形式GQI)。也可以利用不同的基础函数计算GQI1(r权重)和GQI2(r平方权重)。值得注意的是,由于SDF利用氢质子进行了权重,因此SDF可以看作是沿着径向方向氢质子密度的重采样。这使得该函数具有了可以量化的作用,而不仅仅是一种概率密度函数。准确的说,SDF函数对在方向为u,扩散位移小于L的扩散氢质子的密度进行了量化。这与QBI和DSI模型中所应用的dODF函数是不一样的,因为它只是一种概率函数,各个方向之和只能是1。在轴向方向,氢质子扩散的数量可以用定量各向异性值来表示(quantitativeanisotropy,QA),参数sigma使我们可以计算径向扩散信息和任意长度下的扩散受限信息。
前面我们介绍了在q-space成像中常见的数据采集方案,介绍了高级重建算法所涉及到的基本概念,其中单壳数据对方向具有最大的敏感性,而栅格数据均衡包含了组织方向和径向组织信息。如果一个研究仅仅关心轴向方向,单壳数据是最有效率的采集方案,如果一个研究涉及到了组织病理的改变,栅格数据采集方案是最好的选择,它综合考虑了方向和径向的信息。
下一期,我们将对复杂重建模型作一个简单概述,并介绍在分析q-space数据中可以采用的定量分析指标以供临床参考(以上部分内容译自www.dsi-studio.labsolver.org/)。
参考文献如下:
[1] Callaghan, P.T.,Principles of Nuclear Magnetic Resonance Microscopy. 1994: Oxford UniversityPress.
[2] Tuch, David S. 'Q‐ball imaging.' Magnetic Resonance in Medicine 52.6 (2004):1358-1372.
[3] Wedeen, Van J., et al. 'Mapping complextissue architecture with diffusion spectrum magnetic resonance imaging.'Magnetic Resonance in Medicine 54.6 (2005): 1377-1386.
[4] Yeh, Fang-Cheng, Van Jay Wedeen, and Wen-YihIsaac Tseng. 'Generalized-sampling imaging.' Medical Imaging, IEEETransactions on 29.9 (2010): 1626-1635.
[5] Barnett, Alan. 'Theory of Q‐ball imaging redux: Implications for fiber tracking.'MagneticResonance in Medicine 62.4 (2009): 910-923
[6] Fang-Cheng Yeh, VanJay Wedeen, and Wen-Yih Isaac Tseng. Generalized -Sampling Imaging. IEEE TRANSACTIONS ONMEDICAL IMAGING, VOL. 29, NO. 9, SEPTEMBER 2010.
联系客服