《快速磁共振成像》以快速磁共振成像为主线展开,讨论快速磁共振成像的基本原理和方法,内容包括磁共振成像的基本原理、快速成像脉冲序列、并行磁共振成像、压缩感知磁共振成像、基于深度学习的快速磁共振图像重建,以及快速磁共振成像技术在动态心脏成像中的应用。《快速磁共振成像》内容紧跟国内外发展前沿,并融入作者在该领域的*新研究成果。
更多科学出版社服务,请扫码获取。
目录
序
前言
第1章 磁共振成像的基本原理 1
1.1 引言 1
1.1.1 磁共振成像的历史 1
1.1.2 磁共振成像的特点 2
1.2 核磁共振原理 4
1.2.1 原子核的自旋磁矩动 4
1.2.2 核磁共振的宏观描述 9
1.2.3 弛豫过程 12
1.2.4 磁共振信号的检测和自由感应衰减信号 18
1.3 磁共振图像的形成 21
1.3.1 断层图像的几个基本概念 21
1.3.2 傅里叶变换成像 23
1.4 磁共振成像脉冲序列 29
1.4.1 饱和恢复脉冲序列 29
1.4.2 自旋回波脉冲序列 31
1.4.3 反转恢复脉冲序列 37
1.4.4 梯度回波脉冲序列 40
1.5 K空间 42
1.5.1 K空间的概念 42
1.5.2 K空间数据的写入 43
1.5.3 K空间数据和图像的关系 44
1.6 本章小结 47
参考文献 47
第2章 快速成像脉冲序列 50
2.1 快速自旋回波序列 50
2.1.1 标准快速自旋回波序列 51
2.1.2 单次激发快速自旋回波序列 53
2.1.3 三维容积扫描快速自旋回波序列 53
2.2 快速梯度回波脉冲序列 54
2.2.1 快速梯度回波脉冲序列概述 54
2.2.2 扰相梯度回波序列 58
2.2.3 稳态自动梯度回波序列 60
2.2.4 超快速梯度回波序列 65
2.3 回面成像 65
2.3.1 回面成像的基本原理 66
2.3.2 回面成像序列 68
2.3.3 梯度和自旋回波序列 73
2.4 一些其他加快磁共振成像速度的技术 74
2.4.1 非笛卡儿采集 74
2.4.2 部分傅里叶成像技术 77
2.4.3 k-t技术 80
2.4.4 螺旋桨技术 83
2.4.5 长方形扫描矩阵 84
2.5 本章小结 84
参考文献 85
第3章 并行磁共振成像 89
3.1 并行磁共振成像概述 89
3.1.1 多通道线圈采集技术 89
3.1.2 并行磁共振成像的发展历史 90
3.1.3 并行磁共振成像的基本概念 91
3.2 基于图像域的并行成像重建方法 93
3.2.1 笛卡儿采样模式下的SENSE方法 93
3.2.2 任意K空间采样模式下的SENSE方法 95
3.2.3 SENSE的信噪比损失 98
3.2.4 三维容积SENSE 98
3.2.5 线圈空间敏感度的估计 99
3.3 基于K空间域的并行成像重建方法 101
3.3.1 SMASH 102
3.3.2 GRAPPA 106
3.3.3 非笛卡儿GRAPPA 108
3.3.4 三维容积GRAPPA 111
3.3.5 2D CAIPIRINHA 112
3.3.6 SPIRiT 113
3.3.7 基于K空间域子空间约束的并行成像重建方法 115
3.4 同时多层面成像 120
3.4.1 基于SENSE的同时多层面成像 120
3.4.2 多层面CAIPIRINHA 121
3.4.3 基于GRAPPA的同时多层面成像 123
3.5 本章小结 124
参考文献 124
第4章 压缩感知磁共振成像 129
4.1 压缩感知理论概述 129
4.1.1 压缩感知理论提出的背景 129
4.1.2 信号的稀疏表示 131
4.1.3 感知矩阵 133
4.1.4 信号的重构算法 134
4.2 压缩感知磁共振成像的基本概念 135
4.2.1 非相干K空间欠采样轨迹的设计 135
4.2.2 磁共振图像的稀疏表示和非线图像重建 137
4.3 压缩感知并行磁共振成像 161
4.3.1 自(预)校准压缩感知并行磁共振成像 161
4.3.2 免校准压缩感知并行磁共振成像 162
4.4 压缩感知动态磁共振成像 164
4.4.1 基于稀疏变换的动态磁共振成像 164
4.4.2 基于时-空字典学习的动态磁共振成像 169
4.4.3 基于低秩和稀疏结合的动态磁共振成像 170
4.5 本章小结 173
参考文献 174
第5章 基于深度学习的磁共振成像 179
5.1 深度学习概述 179
5.1.1 卷积神经网络和深度学习 180
5.1.2 常用深度学习方法 185
5.2 基于有监督深度学习的快速磁共振成像 186
5.2.1 基于数据驱动的有监督学习快速磁共振成像 186
5.2.2 基于模型驱动的有监督深度学习快速磁共振成像 197
5.3 基于无监督深度学习的快速磁共振成像 210
5.3.1 基于变分自编码网络的快速磁共振成像 212
5.3.2 基于去噪自编码网络的快速磁共振成像 215
5.3.3 基于PixelCNN的快速磁共振成像 220
5.3.4 基于流模型可逆生成网络先验学习的快速磁共振成像 222
5.3.5 不同无监督先验学习方法的实验比较 224
5.4 基于自监督深度学习的快速磁共振成像 228
5.4.1 基于深度图像先验的磁共振图像重建 228
5.4.2 伪影移除正则化网络 229
5.4.3 鲁棒的K空间插值人工神经网络 229
5.5 本章小结 230
参考文献 230
第6章 快速心脏磁共振成像 236
6.1 门控技术 236
6.1.1 心电门控 237
6.1.2 外周脉冲门控 240
6.2 心脏动态电影磁共振成像 241
6.2.1 闭气心脏动态电影磁共振成像 241
6.2.2 心脏电影磁共振成像面临的挑战 243
6.3 心肌灌注磁共振成像 244
6.3.1 首过心肌灌注的原理 244
6.3.2 首过心肌灌注扫描脉冲序列 245
6.3.3 首过心肌灌注磁共振成像面临的挑战 247
6.4 快速心脏磁共振成像加速技术 247
6.4.1 基于压缩感知的心脏磁共振成像加速技术 248
6.4.2 基于深度学习的心脏磁共振成像加速技术 262
6.5 本章小结 265
参考文献 266
附录1 国内外快速磁共振成像主要研究单位 268
附录2 部分深度学习快速磁共振成像方法开源代码及图像数据集网址 269
彩图
前言
磁共振成像(MRI)利用核磁共振原行人体成像,可以地获得组织和器官的解剖结构、生理功能、代谢信息以及病变信息等,是当今医学诊断和医学研究中重要的成像方法之一。然而,磁共振成像是一种频谱成像方法,通过顺序采集一维磁共振信号填充高维K空间,数据采集需花费较长时间,这成为制约磁共振成像应用范围和使用效率的重要原因。快速磁共振成像是指一系列用以缩短扫描时间的方。在快速成像技术出现之前,一组磁共振图像的获取往往需要10~20分钟。如此长的扫描时间不仅会给患者带来不适,而且由呼吸、心搏、胃肠蠕动以及某些自主运动所造成的伪影,使得图像质量严重退化。扫描时间的缩短,不仅在提高MRI系统的工作效率、消除或减弱运动伪影的影响方面具有重要意义,更重要的是有利于加强人类对机体动态过程的认识、拓宽成像领域。磁共振动态成像、心脏成像、灌注成像、扩散成像和功能成像等都是快速成像的产物。快速成像技术的应用,使得三维磁共振成像成为一种实用的成像方法。自磁共振成像出现以来,人们一直在探索快速成像的方。20世纪80~90年代,研究者致力于通过高密度的射频脉冲和高强度、高切换率的梯度磁场实现快速扫描序列来提高成像速度并获得巨大的成功。同时,为了加快动态磁共振成像的速度,人们开发了许多利用空-时冗余的k-t技术。20世纪90年代,随着相控阵线圈技术在磁共振成像中的应用,人们开始研究并行磁共振成像技术(Parallel MRI,pMRI),该技术采用多通道线圈同时欠采样,利用线圈敏感度编码实现磁共振图像的重建。21世纪初,并行磁共振成像技术开始应用到临床并被广泛接受,成为许多应用的必要条件。在信号采集与处理领域,2006年提出的压缩感知(Compressed Sensing,CS)理论为缩短磁共振成像数据采集时间提供了新的思路。2007年,Lustig等对CS理论用于加快磁共振成像速度的可行行了深入分析,开启了CS理论用于快速磁共振成像的探索研究工作,称为CS-MRI。2017年,CS-MRI的临床应用获得了美国食品药品监督管理局(Food and Drug Administration,FDA)的批准年来,受深度学习在计算机视觉和图像处理等领域取得重大突破所启发,国内外学者开始将其用于医学快速成像并取得一些初步的研究成果。深度学习方法为快速磁共振成像的能提升提供了新的契机,提供了一种可能改变该领域的图像重建新范式,成为当前的研究热点。在基于压缩感知和深度学习的快速磁共振成像领域,国内学者取得了许多优秀的研究成果。是在基于深度学习的快速磁共振成像方行了一些开创的工作。但目前国内尚缺少一本系统介绍快速磁共振成像的著作,为一步推动国内快速磁共振成像的发展和更好行同行之间的交流,作者十年给研究生讲授“磁共振成像”的讲稿及在快速磁共振成像领域取得的部分研究成果基础上撰写了本书,全书共6章。第1章简单介绍了核磁共振原理和磁共振成像的一般原理,是后续章节的基础。第2章主要围绕快速自旋回波、快速梯度回波和回面成像三大快速脉冲序列家族展开,分别讨论了它们的脉冲序列组成、加速原理、对比度的形成机制和特点等,并简单介绍一些其他加快磁共振成像的技术。第3章首先简单回顾了并行磁共振成像的发展历史并简述了并行磁共振成像的基本概念;然后对基于图像域的并行成像重建方法、基于K空间域的并行成像重建方法、基于K空间域子空间约束的并行成像重建方法以及同时多层面成行了详细的讨论。第4章首先简单介绍了压缩感知的基本理论;然后分别介绍了压缩感知磁共振成像的一般原理、压缩感知并行磁共振成像和压缩感知动态磁共振成像;同时也详细介绍了作者在基于自适应字典学习和卷积稀疏编码的快速磁共振成像上取得的部分研究成果。第5章首先简单介绍了卷积神经网络和深度学习以及常用深度学习方法;然后介绍了几种典型的基于数据驱动和基于模型驱动的有监督深度学习快速磁共振成像方法;对四种无监督先验学习方行了较详细的讨论和实验比较,展示了作者在增强的去噪自编码网络和基于流模型可逆生成网络的快速磁共振成像方面的部分研究成果;最后概述了三种具有一定代表的自监督深度学习快速磁共振成像方法。第6章以动态磁共振心脏成像为例,讨论了各种快速磁共振成像技术在心脏动态电影成像和心肌灌注成像中的应用。本书承蒙伊利诺伊大学香槟分校梁志培教授、南方医科大学陈武凡教授、上海交通大学骆建华教授、深圳研究院梁栋研究员和王珊珊副研究员、厦门大学屈小波教授等审阅并提出了许多宝贵意见,南方医科大学的康立丽教授对全行了审校,出版社的编辑人员对本书提出了许多好的修改意见。本书在出版过程中得到了国家自然科学基金项目(编号:61661031和61871206)的资助。研究生朱婉情、杨莹、官瑜、郑海玉、邓涛、李赫辰、吕启闻和洪凯等参与了本书的整理工作,在此一并表示衷心感谢!由于作者有限,本书难免存在遗漏之处,恳请广大专家和读者批评指正。
作者
2021年4月