Diffusion MRI的纤维重建算法解析--DTI,ball-and-sticks model,CSD,DSI,QBI,GQI

一. 什么是纤维重建

 

对结构MRI影像分析比较了解的话一定听过DTI,即DIffusion Tensor Image,初学时我以为DTI跟fMRI, T1类似,也是磁共振影像的一种,可以用来表征大脑内的神经纤维。但是这种认知是错误的,实际上应该是DWI(Diffusion Weighted Imaging),即扩散加权影像,它通过对水分子在多方向上的扩散程度进行成像,从而表征神经纤维的走向。

而DTI是一种纤维重建模型,使用数学模型的方法基于DWI影像计算神经纤维走向并进行纤维追踪,类似于解N阶多元方程,每一阶表示一个方向,阶数越多模拟出的纤维走向就越准确。

而纤维重建算法就不止DTI这一种了(如题所列),它们的区别是什么?原理是什么?

为了更好地理解每种重建方法的优缺点,可以将它们分为基于模型的方法Model-based methods)或无模型方法Model-free methods)。该分类类似于统计中的参数和非参数方法的分类。基于参数或基于模型的方法假定已知的分布/模型(例如高斯)以获得推断,而非参数或无模型方法假设没有基础分布/模型并且使用经验分布获得推断。

二. 纤维重建算法介绍

1. Model-based methods

基于模型的方法包括DTI,球棍模型,NODDI以及更复杂的模型,如CHARM和AxCaliber。

基于模型的方法假设特定的扩散分布模式/函数(前面提到的N阶方程),将扩散信号与模型拟合来计算参数。

DTI假设水扩散速度遵循3D高斯分布,并且计算的张量恰好是高斯的协方差矩阵。

球棍模型是一种多张量模型,而球是各向同性高斯,棒是纯各向异性高斯。

其他的模型方法则是引入更复杂的扩散方向模型进行运算。

与统计学中的参数方法类似,基于模型的方法的优势在于它们仅需要很少的样本来获得整个分布(如DTI,最少只需要6个扩散方向的影像就可以)。然而,基于模型的方法的结果会受到模型的限制,然而真实的扩散模式并不遵循该假设。而过于复杂的模型也可能具有过拟合问题(利用大于N的扩散影像数据,来计算N阶函数),例如过去的研究使用双指数模型来拟合细胞内和细胞外扩散,但事实证明它们未能揭示这种生物物理学。

还有其他方法同时属于两种方法,如球形反卷积方法(包括CSD和其他衍生方法)可以被视为基于模型的方法,因为它们假定纤维群的基础分布(即响应函数,response function)并将其用于反卷积。它也可以被视为无模型,因为它们也获得了纤维分布的ODF(也称为纤维取向分布,FOD,如下图)。这些方法的优点在于它们具有基于模型和无模型方法的优点,即较少的采样以获得尖锐的ODF);缺点是模型不真实,对异常值敏感,容易产生假纤维),如果存在模型不匹配,CSD会产生假的交叉纤维(Parker,GD,Neuroimage 65:433-448。,2013,Schilling,K.,Neuroimage 129:185-197.2016)并且跟踪结果可能是嘈杂的。

2. Model-free methods

无模型方法估计水扩散的经验分布,不施加对分布的假设,包括扩散光谱成像(DSI),Q ball成像(QBI)和广义q-采样成像(GQI)。

DSI使用傅里叶变换和数值积分来计算水扩散的方向分布函数(ODF,不同方向的水扩散的经验分布)。傅里叶变换需要特定的grid  diffusion sampling(多个b值,多个方向)。

QBI使用Funk-Randon变换或球谐函数来计算ODF。该计算需要shell-like diffusion sampling scheme(即HARDI采集,单个b值,多个方向)。 GQI提供了扩散信号和自旋分布函数(SDF)之间的关系,可以应用于任何扩散影像。 SDF是不同方向的水扩散密度,是一种扩散ODF。该关系允许GQI直接计算SDF,从而避免数值估计中的误差。

无模型方法的优点是它们不受模型的限制。它们不假设特定的扩散结构,并且没有违反模型的风险。没有基于模型的方法的过拟合问题。计算不需要复杂的优化或拟合,因此与基于模型的方法相比,受异常值的影响较小。无模型方法的缺点是它们通常需要更多的扩散采样,至少需要60个方向的数据才能获得更稳健的估计(相比之下,除了b0之外,DTI只需要6次采样)。

如果您正在使用DSI或QBI重建,不妨换成GQI,原因如下:

(1)GQI的数学计算更准确:DSI和QBI仅提供扩散ODF的数值估计,而GQI提供扩散ODF的直接分析关系(此处称为SDF)。在DSI中,数值估计包括傅立叶变换,接着是用于去除噪声的滤波器和用数值插值的径向积分。在QBI中,数值估计包括在Funk-Randon变换之前在径向方向上的重新样本扩散,或者使用球形分解来估计球谐函数以在将其转换回ODF之前计算变换。在GQI中,由于提供了分析关系,因此计算不是数值估计,而是使用简单矩阵乘法将扩散信号转换为SDF的直接计算。 

(2)GQI适用的数据类型更广泛:DSI仅适用于网格数据grid  diffusion sampling(多个b值,多个方向),QBI仅适用于shell数据(单个b值,多个方向),但GQI可应用于grid,shell,multi-shell和非grid非shell数据。

(3)GQI还可以在T1W空间或MNI空间中重建数据,这种衍生方法称为QSDR,这是一种直接在MNI空间中重建扩散模式的方法,因此可以用于组比较和回归研究(基于群体的模板)。 QSDR支持模板构建,连接组指纹识别和连接测量分析。从GQI计算的SDF还提供基于密度的测量,例如QA,ISO和RDI,它与ODF不同,ODF是单位球面上的概率密度函数。

三. 纤维重建算法的选择

方法的选择实际上取决于应用以及图像数据的信噪比和采集方式。如果数据质量非常好(良好的SNR),基于模型的复杂方法(如球棒模型,NODDI或CSD)可以很好地工作(CSD仅适用于shell数据)。如果数据有噪声,更好的选择是DTI或GQI。最近的一项比较研究表明,准确率最高的方法是GQI和DTI(https://www.nature.com/articles/s41467-017-01285-x),不过这是因为文献中使用数据的SNR较差。

我个人选择的方法是GQI,QSDR和DTI。原因在于我个人对统计数据的偏好:如果有一个未知的分布,我要做的第一件事是用高斯拟合,看看它的均值和标准差,这与DTI类似(DTI所做的是使用3D高斯模型拟合数据)。简单的高斯拟合将对噪声具有鲁棒性,即使数据样本有限,我们也可以看到整体分布模式。如果我有足够的数据样本,那么我将计算经验分布(empirical distribution)以观察未知分布的整体模式,这与GQI观察扩散的经验分布相同,经验分布将忠实地揭示扩散模式,并且不会偏向模型假设或仅仅由于模型不匹配而给出错误估计。尽管无模型方法长期以来一直曾被批评,但随着多波段采集(multi band)的进展使我们能够在短扫描时间内获得大量的扩散采样,快速成像的发展就可以支持无模型方法的应用场景。

注:本文第二、三部分译自DSIStudio图像重建方法介绍 http://dsi-studio.labsolver.org/Manual/Reconstruction,可以进入链接查看各种算法的数学计算和MATLAB实现程序

<think>好的,我现在需要回答用户关于MRI图像重建技术原理的问题。首先,我需要回顾自己已有的知识,并参考用户提供的引用内容,特别是引用[2],因为其中提到了CT和MRI的重建原理。 用户提到引用[2]中简要说明了CT和MRI的重建原理,其中CT是通过不同角度的投影图进行数学反演来重建断面图像。但关于MRI的部分可能没有详细展开,所以需要我补充更多的细节。另外,用户还引用了其他资料,但主要需要关注MRI相关的部分。 MRI,即磁共振成像,其原理与CT不同,主要基于核磁共振现象。首先,我需要回顾MRI的基本步骤:主磁场的作用、射频脉冲激发、梯度磁场定位、信号接收和图像重建。 接下来,图像重建部分需要详细说明。MRI的数据采集是在k空间进行的,而k空间的数据需要通过傅里叶变换转换为图像空间。这里可能需要解释k空间的概念,以及如何通过变换得到最终的图像。 同时,用户提供的引用[2]提到CT使用数学算法反推断面图像,而MRI的重建可能涉及不同的数学方法,比如傅里叶变换、滤波反投影或其他迭代算法。需要确认这些方法是否适用于MRI,或者MRI是否有其独特的重建技术。 另外,还需要注意用户提到的深度学习在图像超分辨率中的应用(引用[1]),虽然MRI重建本身可能不直接涉及超分辨率,但现代技术可能会结合深度学习来改进重建质量,这一点可以作为补充信息。 现在需要组织回答的结构:首先介绍MRI的基本原理,然后详细描述重建技术的步骤,最后可能提到现代方法如深度学习的应用。同时,确保使用正确的LaTeX格式,如$k$-空间,傅里叶变换用$$...$$表示。 需要验证一些关键点是否正确,例如k空间的数据处理是否确实使用傅里叶变换,梯度磁场的作用是否准确。此外,检查是否有混淆CT和MRI的重建方法,确保不将CT的反投影方法错误地应用到MRI上。 最后,生成相关问题,考虑用户可能进一步想了解的方面,如比较CT和MRI重建的异同,或者深度学习在MRI中的应用等。</think>### MRI图像重建技术原理 磁共振成像(MRI)基于**核磁共振(NMR)**原理,通过检测人体组织内氢原子核的电磁信号进行成像。其重建过程可分为以下核心步骤: 1. **主磁场与射频激发** 在强磁场($B_0$)中,氢原子核的自旋磁矩沿磁场方向排列。施加特定频率的射频脉冲后,原子核吸收能量发生共振,偏离原方向[^2]。 2. **梯度磁场定位** 通过三组梯度磁场($G_x, G_y, G_z$)对空间位置编码: - **层面选择梯度**:确定扫描层面(如横断面、矢状面)。 - **频率编码梯度**:沿一个方向编码信号频率差异。 - **相位编码梯度**:沿另一方向记录相位差异。 3. **信号采集与$k$-空间填充** MRI接收线圈采集的原始信号存储于$k$-空间(频域空间),其坐标$(k_x, k_y)$对应梯度磁场的积分。数学上,信号$S(k_x, k_y)$与图像$I(x, y)$的关系为: $$ S(k_x, k_y) = \int \int I(x, y) e^{-i2\pi(k_x x + k_y y)} dx dy $$ 即信号是图像的二维傅里叶变换。 4. **图像重建算法** 通过逆傅里叶变换将$k$-空间数据转换为图像: $$ I(x, y) = \int \int S(k_x, k_y) e^{i2\pi(k_x x + k_y y)} dk_x dk_y $$ 实际中常用快速傅里叶变换(FFT)加速计算。对于部分采样的$k$-空间(如快速扫描技术),需结合压缩感知或深度学习补全数据[^1]。 --- ###
评论 3
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值