用于优化活体 $^{31}$P 磁共振成像重建与后处理流水线的工具箱
摘要
背景：X 核成像（如 31P MRI）由于磁旋比和组织浓度低于 1H MRI，存在信噪比（SNR）低的问题。提高 SNR 需要高场强、高级线圈、优化序列和复杂的重建方法。优化的流水线对于最大化 X 核成像的 SNR 至关重要。目的：开发一个用于快速 31P MR 成像的重建与处理方法工具箱，并评估两种数据类型的最佳流水线：31P-GRE 和类 bSSFP 的 MRF 成像。方法：该工具箱包括线圈合并（自适应和 whitened-SVD）、k 空间滤波、重建（带 FFT 和 NUFFT 的 Kaiser-Bessel 重网格化）以及去噪（压缩感知和 MP-PCA）。31P MR 数据集是在 7T 下使用螺旋编码、双调鸟笼线圈和 32 通道相控阵采集的。GRE 参数：读出 18.62ms，翻转角 59deg，TR 5400ms，TE 0.3ms。MRF 使用类 bSSFP 方案：读出 9.12ms，TR 19.8ms，TE 0.3ms。结果：对于 GRE 数据，自适应线圈合并结合 Kaiser-Bessel 重网格化（AC-KB）实现了最高的平均 SNR：38（体模）和 3.4（活体），优于其他方法。对于 MRF 数据，whitened-SVD 结合 Kaiser-Bessel 重网格化产生了 18 的 SNR，超过了 AC-KB 的 16。MP-PCA 对 GRE 数据去噪有效；压缩感知适合 MRF 数据。结论：我们展示了一个用于优化快速 31P MR 成像流水线的工具箱。最佳方法取决于采集方式和数据。Kaiser-Bessel 重网格化优于 NUFFT。自适应线圈合并和 MP-PCA 去噪适用于 GRE 数据；whitened-SVD 和压缩感知在 MRF 数据中表现更优。仔细选择处理方法至关重要，因为传统的 1H MRI 技术可能不够。该工具箱促进了对其他 X 核数据集的未来研究。
引用
@article{arxiv.2409.16221,
title = {A Toolbox for Optimization of Reconstruction and Post-processing Pipelines in In Vivo $^{31}$P MR Imaging},
author = {Pontus Pandurevic and Mark Stephan Widmaier and Zhiwei Huang and Lijing Xin},
journal= {arXiv preprint arXiv:2409.16221},
year = {2024}
}
备注
20 pages, 9 figures