Hispanopedia Wiki
Articulo de referencia

artefacto de resonancia magnética

Un artefacto de resonancia magnética (RM) es un artefacto visual (una anomalía que se observa durante la representación visual) en las imágenes de resonancia magnética . Es una ...

Hispanopedia WikiContenido en espanolLectura gratuita

Un artefacto de resonancia magnética (RM) es un artefacto visual (una anomalía que se observa durante la representación visual) en las imágenes de resonancia magnética . Es una característica que aparece en una imagen pero que no está presente en el objeto original. [ 1 ] Durante una RM pueden aparecer muchos artefactos diferentes, algunos afectando la calidad del diagnóstico, mientras que otros pueden confundirse con patología. Los artefactos se pueden clasificar como relacionados con el paciente, dependientes del procesamiento de la señal y relacionados con el hardware. [ 1 ]

artefactos de movimiento

Fig. 1. Artefacto de movimiento (estudio coronal T1 de las vértebras cervicales). [ 1 ]

Un artefacto de movimiento es uno de los artefactos más comunes en la resonancia magnética. [ 2 ] El movimiento puede causar imágenes fantasma o ruido difuso en la imagen en la dirección de codificación de fase. La razón por la que afecta principalmente al muestreo de datos en la dirección de codificación de fase es la diferencia significativa en el tiempo de adquisición en las direcciones de codificación de frecuencia y de fase. [ 1 ] El muestreo de codificación de frecuencia en todas las filas de la matriz (128, 256 o 512) se realiza durante un solo eco (milisegundos). El muestreo de codificación de fase tarda varios segundos, o incluso minutos, debido a la recopilación de todas las líneas del espacio k para permitir el análisis de Fourier . Los movimientos fisiológicos principales tienen una duración de milisegundos a segundos y, por lo tanto, son demasiado lentos para afectar al muestreo de codificación de frecuencia, pero tienen un efecto pronunciado en la dirección de codificación de fase. Los movimientos periódicos, como el movimiento cardíaco y la pulsación de los vasos sanguíneos o del LCR, causan imágenes fantasma, mientras que el movimiento no periódico causa ruido difuso en la imagen (Fig. 1). La intensidad de la imagen fantasma aumenta con la amplitud del movimiento y la intensidad de la señal del tejido en movimiento. Se pueden utilizar varios métodos para reducir los artefactos de movimiento, incluyendo la inmovilización del paciente, la sincronización cardíaca y respiratoria, la supresión de la señal del tejido que causa el artefacto, la elección de la dimensión más corta de la matriz como dirección de codificación de fase, métodos de ordenación de vistas o reordenación de fase, e intercambio de las direcciones de codificación de fase y frecuencia para mover el artefacto fuera del campo de interés. [ 1 ]

Fluir

Figura 2. Pérdida de señal relacionada con el flujo en las arterias carótida y basilar (estudio axial T2 del cerebro). [ 1 ]

El flujo puede manifestarse como una señal intravascular alterada (aumento del flujo o pérdida de señal relacionada con el flujo), o como artefactos relacionados con el flujo (imágenes fantasma o desalineación espacial). El aumento del flujo, también conocido como efecto de entrada, es causado por protones completamente magnetizados que ingresan al corte de imagen mientras que los protones estacionarios no han recuperado completamente su magnetización. [ 1 ] Los protones completamente magnetizados producen una señal alta en comparación con el resto del entorno. El flujo de alta velocidad hace que los protones que ingresan a la imagen sean eliminados de ella para cuando se administra el pulso de 180 grados. El efecto es que estos protones no contribuyen al eco y se registran como un vacío de señal o pérdida de señal relacionada con el flujo (Fig. 2). [ 1 ] La desalineación espacial se manifiesta como un desplazamiento de una señal intravascular debido a la codificación de posición de un vóxel en la dirección de fase que precede a la codificación de frecuencia por el tiempo TE/2. La intensidad del artefacto depende de la intensidad de la señal del vaso y es menos evidente con un TE aumentado. [ 1 ]

artefactos de metal

Fig. 3. Artefactos relacionados con metales. [ 1 ]
Fig. 4. Artefactos relacionados con metales. [ 1 ]

Los artefactos metálicos se producen en las interfaces de tejidos con diferentes susceptibilidades magnéticas, lo que provoca que los campos magnéticos locales distorsionen el campo magnético externo. Esta distorsión cambia la frecuencia de precesión en el tejido, lo que conduce a una desalineación espacial de la información. El grado de distorsión depende del tipo de metal ( el acero inoxidable tiene un mayor efecto distorsionador que la aleación de titanio), el tipo de interfaz (el efecto es más notorio en las interfaces tejido blando-metal), la secuencia de pulsos y los parámetros de imagen. Los artefactos metálicos son causados ​​por ferromagnetos externos como el maquillaje que contiene cobalto, ferromagnetos internos como clips quirúrgicos, implantes espinales y otros dispositivos ortopédicos, y en algunos casos, objetos metálicos ingeridos por personas con pica . [ 3 ] La manifestación de estos artefactos es variable, incluyendo la pérdida total de la señal, la señal alta periférica y la distorsión de la imagen (Figs. 3 y 4). [ 1 ] Se puede intentar reducir estos artefactos orientando el eje longitudinal de un implante o dispositivo paralelo al eje longitudinal del campo magnético externo, lo cual es posible con imágenes de extremidades móviles y un imán abierto. Otros métodos empleados incluyen la selección de la dirección de codificación de frecuencia adecuada, dado que los artefactos metálicos son más pronunciados en esta dirección; el uso de tamaños de vóxel más pequeños; secuencias de imágenes rápidas; un mayor ancho de banda de lectura; y evitar la obtención de imágenes mediante eco de gradiente cuando hay presencia de metal. Una técnica denominada MARS (secuencia de reducción de artefactos metálicos) aplica un gradiente adicional, junto con el gradiente de selección de corte, al mismo tiempo que se aplica el gradiente de codificación de frecuencia.

Artefactos dependientes del procesamiento de señales

Las formas en que los datos se muestrean, procesan y representan en la matriz de la imagen manifiestan estos artefactos. [ 1 ]

artefacto de desplazamiento químico

Fig. 5. Artefacto de desplazamiento químico: franjas brillantes y oscuras alrededor de los riñones en una imagen axial de eco de gradiente en fase opuesta. [ 1 ]

El artefacto de desplazamiento químico se produce en la interfaz grasa/agua en la dirección de codificación de frecuencia (Fig. 5). Estos artefactos surgen debido a la diferencia en la resonancia de los protones como resultado de su entorno micromagnético. Los protones de la grasa resuenan a una frecuencia ligeramente menor que los del agua. Los imanes de alta intensidad de campo son particularmente susceptibles a este artefacto. [ 1 ] La determinación del artefacto se puede realizar intercambiando los gradientes de codificación de fase y frecuencia y examinando el desplazamiento resultante del tejido adiposo.

Volumen parcial

Los artefactos de volumen parcial surgen del tamaño del vóxel sobre el cual se promedia la señal. Los objetos más pequeños que las dimensiones del vóxel pierden su identidad, y se produce una pérdida de detalle y resolución espacial. La reducción de estos artefactos se logra utilizando un tamaño de píxel más pequeño y/o un grosor de corte menor. [ 1 ]

Envolvente

Fig. 6. Artefactos envolventes. [ 1 ]
Fig. 7. Artefactos envolventes. [ 1 ]

Un artefacto de envoltura, también conocido como artefacto de aliasing , es el resultado de una mala asignación de la anatomía que se encuentra fuera del campo de visión pero dentro del volumen de corte. [ 4 ] El campo de visión seleccionado es más pequeño que el tamaño del objeto de la imagen. La anatomía generalmente se desplaza al lado opuesto de la imagen (Figs. 6 y 7). Puede ser causado por gradientes no lineales o por submuestreo de las frecuencias contenidas en la señal de retorno. [ 1 ] La frecuencia de muestreo debe ser el doble de la frecuencia máxima que ocurre en el objeto ( límite de muestreo de Nyquist ). De lo contrario, la transformada de Fourier asignará valores muy bajos a las señales de frecuencia mayores que el límite de Nyquist. Estas frecuencias luego "envolverán" al lado opuesto de la imagen, enmascarando como señales de baja frecuencia. En la dirección de codificación de frecuencia, se puede aplicar un filtro a la señal adquirida para eliminar las frecuencias mayores que la frecuencia de Nyquist . En la dirección de codificación de fase, los artefactos se pueden reducir aumentando el número de pasos de codificación de fase (aumentando el tiempo de imagen). Para la corrección, se puede elegir un campo de visión más amplio. [ 1 ]

Artefactos de Gibbs

Fig. 8. Artefacto de Gibbs (estudio sagital T1 del cerebro). [ 1 ]

Los artefactos de Gibbs o artefactos de anillo de Gibbs , también conocidos como artefactos de truncamiento, son causados ​​por el submuestreo de altas frecuencias espaciales en los límites abruptos de la imagen. [ 5 ] [ 6 ] La falta de componentes de alta frecuencia apropiados conduce a una oscilación en una transición abrupta conocida como artefacto de anillo. Aparece como múltiples bandas paralelas, espaciadas regularmente, de señal brillante y oscura alternadas que se desvanecen lentamente con la distancia (Fig. 8). Los artefactos de anillo son más prominentes en tamaños de matriz digital más pequeños. [ 1 ] Los métodos empleados para corregir el artefacto de Gibbs incluyen el filtrado de los datos del espacio k antes de la transformada de Fourier, el aumento del tamaño de la matriz para un campo de visión dado, la reconstrucción de Gegenbauer y el enfoque bayesiano. [ 1 ]

Este es un tema amplio y en constante expansión. Solo se reconocen unos pocos artefactos comunes. [ 1 ]

Cuadratura de radiofrecuencia (RF)

El fallo del circuito de detección de RF se debe a un funcionamiento incorrecto del canal del detector. Los datos transformados de Fourier muestran un punto brillante en el centro de la imagen. Si un canal del detector tiene una ganancia mayor que el otro, se producirá un efecto fantasma en la imagen. Esto se debe a un fallo de hardware y debe ser solucionado por un técnico de servicio. [ 1 ]

inhomogeneidad del campo magnético externo (B0)

Fig. 9. Inhomogeneidad de B0: distorsión de intensidad a través de un estudio axial T1 de las vértebras lumbares. [ 1 ]

La inhomogeneidad de B0 provoca una mala correspondencia de los tejidos. Un campo magnético externo no homogéneo causa distorsiones espaciales, de intensidad o ambas. La distorsión de intensidad se produce cuando el campo en una ubicación es mayor o menor que en el resto del objeto analizado (Fig. 9). La distorsión espacial resulta de gradientes de campo de largo alcance, que permanecen constantes en el campo no homogéneo. [ 1 ]

artefactos de campo de gradiente

Los gradientes de campo magnético se utilizan para codificar espacialmente la ubicación de las señales de protones excitados dentro del volumen que se está visualizando. El gradiente de selección de corte define el volumen (corte). Los gradientes de codificación de fase y frecuencia proporcionan la información en las otras dos dimensiones. Cualquier desviación en el gradiente se representaría como una distorsión. [ 1 ] A medida que aumenta la distancia desde el centro del gradiente aplicado, se produce una pérdida de intensidad del campo en la periferia. Se produce una compresión anatómica, especialmente pronunciada en las imágenes coronales y sagitales. [ 1 ] Cuando el gradiente de codificación de fase es diferente, el ancho o la altura del vóxel también lo es, lo que produce una distorsión. Las proporciones anatómicas se comprimen a lo largo de uno u otro eje. Se deben obtener píxeles (y vóxeles) cuadrados. [ 1 ] Idealmente, el gradiente de fase debería asignarse a la dimensión más pequeña del objeto y el gradiente de frecuencia a la dimensión más grande. En la práctica, esto no siempre es posible debido a la necesidad de desplazar los artefactos de movimiento. [ 1 ] Esto puede corregirse reduciendo el campo de visión, disminuyendo la intensidad del campo de gradiente o reduciendo el ancho de banda de frecuencia de la señal de radio. Si no se logra la corrección, la causa podría ser una bobina de gradiente dañada o una corriente anormal que la atraviesa. [ 1 ]

RF (B1) inhomogeneidad

La variación en la intensidad a lo largo de la imagen puede deberse a la falla de la bobina de RF , un campo B1 no uniforme, una sensibilidad no uniforme de la bobina receptora (espacios entre los cables en la bobina, distribución desigual de los cables) o la presencia de material no ferromagnético en el objeto de la imagen. [ 1 ]

Al utilizar una secuencia FLASH , las variaciones del ángulo de inclinación debidas a la inhomogeneidad de B1 pueden afectar el contraste de la imagen. De manera similar, los pulsos de recuperación de inversión y otros métodos dependientes de T1 sufrirán errores en la intensidad de la señal y, en general, una menor ponderación de T1. [ 7 ] Esto se debe a ángulos de giro imperfectos en todo el corte, pero particularmente alrededor de los bordes del cuerpo, lo que resulta en una recuperación de magnetización imperfecta.

Teoría del ángulo de inclinación de RF frente a la realidad

El cuerpo humano está lleno de protones y, durante la obtención de imágenes, el campo B0 alinea estos protones individuales a una magnetización neta en la dirección del campo magnético. Un pulso de RF aplicado perpendicularmente al campo magnético principal invierte los espines a un ángulo deseado. Este ángulo de inversión es proporcional a la amplitud del campo B1. [ 8 ] Un ángulo de inversión preciso es crucial porque las señales de RM medidas dependen del ángulo de inversión de los protones. Sin embargo, esta teoría supone que el campo B1 es homogéneo y, por lo tanto, todos los espines en un corte se invierten en la misma medida.

En realidad, distintas áreas de una sección transversal experimentan distintos campos de radiofrecuencia, lo que da lugar a diferentes ángulos de giro. Esto se debe, en parte, a que la longitud de onda de RF es inversamente proporcional a B0. Por lo tanto, la longitud de onda de RF disminuye cuando B0 aumenta. Con campos B0 de 1,5 T, las longitudes de onda de RF son largas en comparación con el tamaño del cuerpo. [ 9 ] Sin embargo, a medida que aumenta el campo magnético principal, estas longitudes de onda se vuelven iguales o menores que las regiones del cuerpo que se están analizando, lo que provoca una falta de homogeneidad en el ángulo de giro. En las imágenes del cerebro de un paciente sano, se puede observar visualmente la falta de homogeneidad de los campos a 3 T y 7 T. [ 10 ]

Cabe mencionar que esta no es la única causa de la inhomogeneidad de B1. También podría deberse al diseño del pulso de RF, a la inhomogeneidad del campo B0 o incluso al movimiento del paciente. [ 11 ]

Brillo asimétrico

Se observa una disminución uniforme de la intensidad de la señal a lo largo del eje de codificación de frecuencia. La atenuación de la señal se debe a filtros demasiado estrechos en la banda de señal. Por consiguiente, parte de la señal generada por la sección analizada se rechaza de forma inapropiada. Un artefacto similar puede ser causado por la falta de uniformidad en el grosor de la sección. [ 1 ]

Ruido de radiofrecuencia

Los pulsos de RF y las frecuencias de precesión de los equipos de resonancia magnética ocupan el mismo ancho de banda de frecuencia que fuentes comunes como la televisión, la radio, las luces fluorescentes y las computadoras. Las señales de RF parásitas pueden causar diversos artefactos. El ruido de banda estrecha se proyecta perpendicularmente a la dirección de codificación de frecuencia. El ruido de banda ancha interrumpe la imagen en un área mucho mayor. Una planificación adecuada del sitio, una instalación correcta y el blindaje de RF ( jaula de Faraday ) eliminan la interferencia de RF parásita. [ 1 ]

Artefactos de línea cero y estrella

Una señal lineal brillante en un patrón discontinuo que disminuye en intensidad a lo largo de la pantalla y puede aparecer como una línea o un patrón de estrella, dependiendo de la posición del paciente en el "espacio de fase-frecuencia". [ 1 ] Los artefactos de línea cero y estrella se deben al ruido del sistema o a cualquier causa de contaminación por radiofrecuencia dentro de la sala (jaula de Faraday). Si este patrón persiste, verifique las fuentes de ruido del sistema, como electrónica defectuosa o ruido en la línea de corriente alterna , conexiones sueltas a las bobinas de superficie o cualquier fuente de contaminación por radiofrecuencia. Si se encuentra un patrón de estrella, el fabricante debe reajustar el software del sistema para que la imagen se mueva del punto cero. [ 1 ]

artefactos de cremallera

Aunque menos frecuentes, las cremalleras son bandas que atraviesan el centro de la imagen debido a una jaula de Faraday imperfecta, con contaminación de radiofrecuencia dentro de la jaula, pero originada fuera de ella. [ 12 ] El eco estimulado por decaimiento de inducción libre residual también causa cremalleras. [ 1 ]

Artefacto de punto de rebote

Fig. 10. Artefacto de bobina de superficie: señal alta en la pared torácica anterior adyacente a la bobina de superficie. [ 1 ]

La ausencia de señal en tejidos con un valor T1 específico es consecuencia de la reconstrucción sensible a la magnitud en la imagen de recuperación de inversión. Cuando el T1 elegido es igual al 69 % del valor T1 de un tejido específico, se produce un artefacto de punto de rebote. [ 1 ] Utilice técnicas de recuperación de inversión con reconstrucción sensible a la fase.

Artefactos de bobina de superficie

Cerca de la bobina de superficie, las señales son muy fuertes, lo que resulta en una señal de imagen muy intensa (Fig. 10). [ 1 ] Más lejos de la bobina, la intensidad de la señal disminuye rápidamente debido a la atenuación, con una pérdida de brillo de la imagen y un sombreado significativo en la uniformidad. La sensibilidad de la bobina de superficie intensifica los problemas relacionados con la atenuación y el desajuste de RF.

Interferencia entre cortes

Fig. 11. Interferencia entre cortes (estudio axial T1 de las vértebras lumbares). [ 1 ]

La energía de radiofrecuencia no uniforme recibida por cortes adyacentes durante una adquisición multicorte se debe a la excitación cruzada de cortes adyacentes con pérdida de contraste en las imágenes reconstruidas (Fig. 11). Para superar estos artefactos de interferencia, es necesario incluir la adquisición de dos conjuntos independientes de imágenes multicorte con espacios, y posteriormente reordenarlas durante la visualización del conjunto completo de imágenes. [ 1 ]

Corrección de artefactos

Corrección de movimiento

Compuertas

La sincronización, también conocida como activación, es una técnica que adquiere datos de resonancia magnética en un estado de bajo movimiento. Un ejemplo de esto sería adquirir un corte de resonancia magnética solo cuando la capacidad pulmonar es baja (es decir, entre respiraciones profundas). La sincronización es una solución muy simple que puede tener un gran impacto. Es ideal para mitigar los artefactos respiratorios y cardíacos. Esto se debe a que estos tipos de movimiento son repetitivos, por lo que podemos aprovechar las adquisiciones de activación en un "estado de bajo movimiento". La sincronización se utiliza para imágenes de cine, angiorresonancia magnética, tomografías computarizadas de tórax con respiración libre, imágenes de flujo de LCR y más. [ 13 ]

Para sincronizar correctamente, el sistema necesita conocer el movimiento cardíaco y el patrón respiratorio del paciente. Esto se suele hacer utilizando un oxímetro de pulso o un sensor de ECG para leer la señal cardíaca y/o un fuelle para leer la señal respiratoria. Una gran desventaja de la sincronización es el "tiempo muerto", definido como el tiempo perdido debido a la espera de que pase un estado de alta actividad. Por ejemplo, no queremos adquirir una imagen de resonancia magnética mientras alguien está inhalando, ya que esto sería un estado de alta actividad. Por lo tanto, tenemos muchos periodos de tiempo en los que esperamos a que pase un estado de alta actividad. Esto es aún más evidente cuando consideramos la sincronización respiratoria y cardíaca conjuntamente. Los periodos de tiempo en los que los movimientos respiratorio y cardíaco son bajos son muy infrecuentes, lo que genera altos tiempos muertos. Sin embargo, la ventaja es que las imágenes adquiridas con sincronización cardíaca y respiratoria presentan una mejora significativa en la calidad de la imagen. [ 13 ]

Tono piloto

El método de tono piloto consiste en activar una frecuencia de radiofrecuencia (RF) constante para detectar el movimiento del paciente. Más específicamente, la máquina de resonancia magnética (RM) detectará la señal del tono piloto al adquirir una imagen. La intensidad de la señal del tono piloto en cada TR será proporcional a los patrones de respiración/movimiento del paciente. Es decir, los movimientos del paciente provocarán una modulación de amplitud del tono de RF constante recibido. Una gran ventaja del tono piloto es que no requiere contacto con el paciente. Extraer una señal respiratoria mediante un tono piloto es sencillo en teoría: basta con colocar una señal de frecuencia constante cerca del orificio de la RM, adquirir una imagen y realizar una transformada rápida de Fourier (FFT) en la dirección de lectura para extraer el tono piloto. Entre las consideraciones técnicas se incluye la elección de la frecuencia de RF. El tono piloto debe ser detectable por la máquina de RM, pero debe elegirse cuidadosamente para que no interfiera con la imagen de RM. El tono piloto aparece como una cremallera (para una adquisición cartesiana). [ 14 ]

La ubicación de esa línea viene determinada por la frecuencia del tono de radiofrecuencia. Por este motivo, las adquisiciones de tono piloto suelen tener campos de visión ligeramente amplios para dejar espacio al tono piloto. Una vez adquirida la imagen, la señal del tono piloto se puede extraer aplicando la transformada rápida de Fourier (FFT) en la dirección de lectura y representando gráficamente la amplitud de la señal resultante. El tono piloto aparecerá como una línea (de amplitud variable) al aplicar la FFT en la dirección de lectura. El método del tono piloto también se puede utilizar de forma prospectiva para adquirir imágenes cardíacas. [ 15 ]

El método del tono piloto es excelente para detectar artefactos de movimiento respiratorio. Esto se debe a la gran y distintiva modulación que producen los patrones respiratorios humanos. Las señales cardíacas son mucho más sutiles y difíciles de detectar con un tono piloto. Las técnicas retrospectivas que utilizan el tono piloto permiten aumentar el nivel de detalle y reducir el desenfoque en imágenes radiales de respiración libre. [ 14 ]

DOMADOR

La Estimación y Reducción de Movimiento Dirigida (TAMER) es un método de corrección de movimiento retrospectivo desarrollado por Melissa Haskell, Stephen Cauley y Lawrence Wald. El método se presentó por primera vez en su artículo « Estimación y Reducción de Movimiento Dirigida (TAMER): Mitigación de Movimiento Basada en la Consistencia para MRI mediante Optimización Conjunta de Modelo Reducido» , publicado en la revista IEEE Transactions on Medical Imaging . [ 16 ] El método corrige los artefactos relacionados con el movimiento mediante la adquisición de una estimación conjunta de la imagen deseada libre de movimiento y la trayectoria de movimiento asociada, minimizando el error de consistencia de datos de un modelo directo SENSE que incluye el movimiento del sujeto como cuerpo rígido. [ 16 ]

Preliminares

El método TAMER utiliza el modelo directo SENSE (descrito a continuación) que ha sido modificado para incluir los efectos del movimiento en una secuencia de imágenes multicorte 2D. Nota: el siguiente modelo SENSE modificado se describe en detalle en la tesis doctoral de Melissa Haskell, Corrección retrospectiva del movimiento para imágenes de resonancia magnética. [ 17 ]

Supongamos que tenemosdo{\displaystyle C}bobinas. Dejaincógnita{\displaystyle x}ser unnortenortesh×1{\displaystyle nN_{sh}\times 1}vector columna de valores de vóxeles de imagen dondenorte{\displaystyle n}es el número de muestras del espacio k adquiridas por disparo y seas{\displaystyle s}ser elnortenorteshdo×1{\displaystyle nN_{sh}C\times 1}datos de señal dedo{\displaystyle C}bobinas. Dejamiθ frijol nortenorteshdo×nortenortesh{\displaystyle E_{\theta }{\text{ sea un }}nN_{sh}C\times nN_{sh}}matriz de codificación para una matriz dadaMETRO×1{\displaystyle M\times 1}vector de trayectoria de movimiento del paciente,θ{\displaystyle \theta }.miθ{\displaystyle E_{\theta }}está compuesto denortesh{\displaystyle N_{sh}}muchosnortedo×nortenortesh{\displaystyle nC\times nN_{sh}}submatricesmiθi=UiFdoTincógnitay,iTz,iRi{\displaystyle E_{\theta _{i}}=U_{i}FCT_{xy,i}T_{z,i}R_{i}}(matrices de codificación para cada disparo)i{\displaystyle i}).

Por cada disparoi{\displaystyle i}, tenemos la submatrizmiθi=UiFdoTincógnitay,iTz,iRi{\displaystyle E_{\theta _{i}}=U_{i}FCT_{xy,i}T_{z,i}R_{i}}que es la matriz de codificación para esa toma en particular i{\displaystyle i}dónde:

Ui{\displaystyle U_{i}}es elnortedo×nortenorteshdo{\displaystyle nC\times nN_{sh}C}operador de submuestreo

F{\displaystyle F}es el operador de codificación de Fourier

Tincógnitay,i{\displaystyle T_{xy,i}}es el operador de traducción in situ

Tz,i{\displaystyle Tz,i}es el operador de traslación a través del plano

Ri{\displaystyle R_{i}}es el operador de rotación

Modelo de movimiento hacia adelante SENSE:s=miincógnita{\displaystyle s=Ex}

Modelo SENSE extendido para describir una secuencia de imágenes multi-toma 2D:s=miθincógnita dónde miθ=(miθ1miθ2...miθnortesh) y miθi=UiFdoTincógnitay,iTz,iRi para disparo i=1,2,...,nortesh{\displaystyle s=E_{\theta }x{\text{ donde }}E_{\theta }={\begin{pmatrix}E_{\theta _{1}}\\E_{\theta _{2}}\\.\\.\\.\\E_{\theta _{Nsh}}\end{pmatrix}}{\text{ y }}E_{\theta _{i}}=U_{i}FCT_{xy,i}T_{z,i}R_{i}{\text{ para disparo }}i=1,2,...,N_{sh}}

El modelo de movimiento de cuerpo rígido hacia adelante es no lineal y el proceso de resolver las estimaciones tanto de la trayectoria del movimiento como del volumen de la imagen es computacionalmente desafiante y requiere mucho tiempo. En un esfuerzo por acelerar y simplificar los cálculos, el método TAMER separa el vector de valores de vóxeles de la imagen,incógnita{\displaystyle x}, en un vector de valores de vóxel objetivo,incógnitat{\displaystyle x_{t}}y un vector de vóxeles fijos,incógnitaF{\displaystyle x_{f}}. Dada cualquier elección de vóxeles objetivo y vóxeles fijos, tenemos lo siguiente:

incógnita=(incógnitatincógnitaF){\displaystyle x={\binom {x_{t}}{x_{f}}}}

s=st+sF=miθ(t)incógnitat+miθ(F)incógnitaF{\displaystyle s=s_{t}+s_{f}=E_{\theta }(t)x_{t}+E_{\theta }(f)x_{f}}st=s−miθ(F)incógnitaF=miθ(t)incógnitat{\displaystyle s_{t}=s-E_{\theta }(f)x_{f}=E_{\theta }(t)x_{t}}

Nota: La longitud deincógnitat{\displaystyle x_{t}}solo constituye alrededor del 5% de la longitud total deincógnita{\displaystyle x}.

Ahora la optimización se puede reducir a ajustar la contribución de la señal de los vóxeles objetivo a los valores correctos de los vóxeles objetivo.incógnitat{\displaystyle x_{t}}y el movimiento correcto,θ{\displaystyle \theta }.

Algoritmo TAMER

El algoritmo TAMER consta de 3 etapas principales: Inicialización, Inicio rápido de la búsqueda de parámetros de movimiento y Búsqueda del modelo reducido de optimización conjunta.

Inicialización: La primera etapa del algoritmo TAMER adquiere la reconstrucción inicial del volumen completo de la imagen,incógnita0{\displaystyle x_{0}}, asumiendo que todos los parámetros de movimiento son cero. Se puede resolver paraincógnita0{\displaystyle x_{0}}minimizando el error cuadrático mínimo del modelo directo SENSE sin movimiento, es decir, resolviendo el sistema.(mi0Hmi0)incógnita0=mi0Hs{\displaystyle (E_{0}^{H}E_{0})x_{0}=E_{0}^{H}s}dóndemi0=UFdo{\displaystyle E_{0}=UFC}ymi0H{\displaystyle E_{0}^{H}}es la transpuesta conjugada de mi0{\displaystyle E_{0}}. [ 16 ] Hemos discutido la noción de separar el modelo de sentido ens=st+sF=miθ(t)incógnitat+miθ(F)incógnitaF{\displaystyle s=s_{t}+s_{f}=E_{\theta }(t)x_{t}+E_{\theta }(f)x_{f}}Sin embargo, aún no hemos analizado cómo se seleccionan los vóxeles objetivo. Los vóxeles fuertemente acoplados entre sí indican movimiento. En una adquisición cartesiana sin movimiento, cada vóxel estaría acoplado únicamente consigo mismo, por lo que nuestro objetivo es, esencialmente, desacoplar estos vóxeles. Como se describe en el artículo « Estimación y reducción del movimiento dirigido (TAMER): mitigación del movimiento basada en la consistencia para resonancia magnética mediante una optimización conjunta de modelo reducido» , publicado en la revista IEEE Transactions on Medical Imaging, el algoritmo TAMER converge más rápidamente al seleccionar vóxeles objetivo altamente acoplados. [ 16 ] Los vóxeles objetivo pueden determinarse completamente mediante los parámetros de la secuencia y las sensibilidades de la bobina. [ 16 ]

Proceso de selección del vóxel objetivo:

  1. Agrupe las bobinas según las propiedades de los artefactos. Primero se calcula el error del modelo suponiendo que no hay movimiento. Luego se calcula la correlación del modelo en todos los canales. TAMER se aplica a los grupos de bobinas con los artefactos de correlación más grandes para obtener la estimación del movimiento y la imagen. [ 17 ]
  2. Los vóxeles objetivo iniciales se seleccionan eligiendo primero un vóxel raíz (generalmente el centro de la imagen). Una vez elegido el vóxel raíz, se determina la correlación entre este y todos los demás vóxeles obteniendo el vector columna de la matriz de correlación.miHmi{\displaystyle E^{H}E}correspondiente al vóxel raíz. La magnitud de las entradas en este vector columna representa la fuerza de interacción entre el vóxel raíz y todos los demás vóxeles. [ 16 ] El vóxel raíz, junto con los vóxeles que tienen la interacción más fuerte con el vóxel raíz, se eligen como vóxeles objetivo iniciales.

Nota: En cada iteración del proceso TAMER, los vóxeles objetivo se seleccionan desplazando los vóxeles objetivo de la iteración anterior perpendicularmente a la dirección de codificación de fase en una cantidad preestablecida.

Inicio rápido de la búsqueda de parámetros de movimiento:

Ahora, la estimación inicial del movimiento del paciente se determina evaluando la métrica de consistencia de datos en un rango de valores para cada uno de losMETRO{\displaystyle M}Se seleccionan los parámetros de movimiento y el mejor valor para cada parámetro para construir la estimación inicial. [ 17 ]

Búsqueda de modelo reducido con optimización conjunta:

Ahora tenemos los vóxeles objetivo iniciales, la estimación del movimiento y las agrupaciones de bobinas. A continuación, se ejecuta el siguiente procedimiento.

Dejarθ(i){\displaystyle \theta ^{(i)}}ser la estimación de la trayectoria de movimiento para elith{\displaystyle i^{th}}paso de búsqueda. Dejeimetroaincógnita{\displaystyle i_{max}}sea ​​el número máximo de iteraciones.

Mientrasi<imetroaincógnita y ∇(i)>Δϵmetroaincógnita{\displaystyle i<i_{max}{\text{ and }}\nabla ^{(i)}>\Delta \epsilon _{max}}Repita lo siguiente:

  1. Resuelve parast(i)→st(i)=s−miθ(i)(F)incógnitaF=miθ(i)(t)incógnitat{\displaystyle s_{t}^{\left(i\right)}\,\to s_{t}^{\left(i\right)}\,=\,s\,-\,E_{\theta ^{\left(i\right)}}\left(f\right)x_{f}=\,E_{\theta ^{\left(i\right)}}\left(t\right)x_{t}}
  2. Resuelve paraincógnitat(i)→miθ(i)H(t)miθ(i)(t)incógnitat(i)=miθ(i)H(t)incógnitaF{\displaystyle x_{t}^{\left(i\right)}\,\to E_{\theta ^{\left(i\right)}}^{H}\left(t\right)E_{\theta ^{\left(i\right)}}\left(t\right)\,x_{t}^{\left(i\right)}=\,E_{\theta ^{\left(i\right)}}^{H}\left(t\right)x_{f}}
  3. Colocarϵ(i)=||s−miθ(i)incógnita(i)||{\displaystyle \epsilon ^{(i)}=||s-E_{\theta ^{(i)}}x^{(i)}||}
  4. Colocarθ(i+1)=θ(i)+∇(i)→∇(i)=ϵ(i)−||s−mi(θ(i)+dθ(i))incógnita(i)||2{\displaystyle \,\theta ^{\left(i+1\right)}\,=\,\theta ^{\left(i\right)}\,+\,\nabla ^{\left(i\right)}\,\to \,\,\nabla ^{\left(i\right)}\,=\epsilon ^{(i)}-||s-E_{\left(\theta ^{\left(i\right)}\,+\,d\theta ^{\left(i\right)}\right)\,}x^{\left(i\right)}||_{2}}
  5. Colocari=i+1{\displaystyle i=i+1}

DOMADOR: Ventajas y desventajas

Ventajas:

  • TAMER corrige retrospectivamente el movimiento, por lo que no es necesario modificar el procedimiento del examen de resonancia magnética.
  • TAMER no altera el procedimiento de adquisición, por lo que puede integrarse fácilmente en las resonancias magnéticas clínicas actuales.  
  • TAMER reduce significativamente el cálculo del modelo de optimización conjunta utilizado para estimar los parámetros de movimiento y los vóxeles de la imagen.

Desventajas:

  • Las implementaciones actuales de TAMER tienen tiempos de cálculo generales muy prolongados.
  • TAMER requiere datos multicanal ya que los parámetros de movimiento necesitan grados de libertad adicionales que se proporcionan mediante la adquisición multicanal. [ 16 ]
  • El algoritmo TAMER parte de la base de que los perfiles de las bobinas son estáticos y no cambian con el movimiento del paciente. Esta suposición sería problemática en caso de movimientos más amplios.

Enfoques de redes neuronales

En los últimos años, las redes neuronales han generado un gran interés al superar a los métodos tradicionales [ 18 ] en problemas de larga data en muchos campos. El aprendizaje automático , y por extensión las redes neuronales, se han utilizado en muchas facetas de la resonancia magnética [ 19 ] , por ejemplo, acelerando la reconstrucción de imágenes o mejorando la calidad de la reconstrucción cuando se trabaja con una falta de datos. [ 20 ] [ 21 ] Las redes neuronales también se han utilizado en la corrección de artefactos de movimiento gracias a su capacidad para aprender información visual a partir de datos, [ 18 ] así como para inferir representaciones subyacentes y latentes en los datos. [ 22 ]

NOMBRE

La técnica de corrección de movimiento retrospectiva basada en redes neuronales convolucionales (NAMER) [ 23 ] es una técnica que utiliza redes neuronales convolucionales (CNN), una clase de redes neuronales diseñadas para procesar y aprender de información visual como imágenes. Este trabajo es una continuación del artículo TAMER titulado " Estimación y reducción de movimiento retrospectiva basada en redes neuronales convolucionales (NAMER): corrección de movimiento retrospectiva guiada por redes neuronales convolucionales mediante un modelo de movimiento separable" [ 23 ] . Al igual que TAMER, este artículo busca corregir los artefactos relacionados con el movimiento estimando una imagen deseada libre de movimiento y optimizando los parámetros de un modelo SENSE directo que describe la relación entre los datos brutos del espacio k y el espacio de la imagen, teniendo en cuenta el movimiento rígido.

Configuración

Se utiliza un modelo SENSE directo para inducir artefactos de movimiento sintéticos en los datos brutos del espacio k , lo que nos permite acceder tanto a los datos con artefactos de movimiento como a la imagen de referencia sin ellos. Esto es importante para la técnica NAMER, ya que utiliza una red neuronal convolucional (CNN) para priorizar la estimación de la imagen y guiar la estimación de los parámetros del modelo. Las redes neuronales convolucionales aprovechan los núcleos de convolución para analizar imágenes visuales. En este caso, se utiliza una red de 27 capas con múltiples capas de convolución, normalización por lotes y activaciones ReLU . Utiliza un optimizador ADAM estándar. [ 24 ]

Estimación de imágenes

La CNN intenta aprender los artefactos de la imagen a partir de los datos de entrada corrompidos por el movimiento.incógnita{\displaystyle x}. La estimación para estos artefactos, denominada comodonortenorte(incógnita){\textstyle CNN(x)}Luego, se restan de los datos de entrada corrompidos por el movimiento.incógnita{\displaystyle x}para producir la mejor estimación para la imagen sin movimiento: [ 23 ]incógnitadonortenorte=incógnita−donortenorte(incógnita){\displaystyle x_{CNN}=x-CNN(x)}Esto tiene dos propósitos: Primero, permite que la CNN realice retropropagación y actualice los pesos de su modelo utilizando una función de pérdida de error cuadrático medio que compara la diferencia entreincógnitadonortenorte{\textstyle x_{CNN}}y la imagen de referencia conocida sin movimiento. [ 23 ] En segundo lugar, nos da una buena estimación de la imagen sin movimiento que nos da un punto de partida para la optimización de los parámetros del modelo.

Optimización de parámetros del modelo SENSE

El uso de una CNN nos permite, de manera efectiva, omitir la segunda etapa de TAMER al saltarnos la búsqueda conjunta de parámetros. Esto significa que podemos centrarnos únicamente en la estimación de los parámetros de movimiento.θ{\textstyle \theta }. Porqueθ{\textstyle \theta }En realidad es un vector de múltiples parámetros independientes, podemos paralelizar nuestra optimización estimando cada parámetro por separado. [ 23 ]

Optimización del procedimiento de optimización

Antes, utilizamos lo siguiente para optimizar ambas imágenes.incógnita{\displaystyle x}y parámetrosθ{\textstyle \theta }de inmediato. Ahora, podemos optimizar únicamente elθ{\textstyle \theta }valores:

θ^=argramometroinorteθ‖s−miθincógnitadonortenorte‖2{\displaystyle {\hat {\theta }}=argmin_{\theta }\Vert s-E_{\theta }x_{CNN}\Vert _{2}}

Además, si se realizó una adquisición de múltiples disparos, podemos estimar los parámetros.θnorte{\textstyle \theta _{n}}para cada uno denorte{\displaystyle n}tomas por separado, e incluso ir más allá estimando los parámetrosθnorte,l{\textstyle \theta _{n,l}}para cada líneal{\displaystyle l}en cada tomanorte{\displaystyle n}: [ 23 ]

θ^norte,l=argramometroinorteθnorte,l‖snorte,l−miθnorte,lincógnitadonortenorte‖2{\displaystyle {\hat {\theta }}_{n,l}=argmin_{\theta _{n,l}}\Vert s_{n,l}-E_{\theta _{n,l}}x_{CNN}\Vert _{2}}

Esto nos permite reducir drásticamente el tiempo de cálculo, de unos 50 minutos con TAMER [ 16 ] a tan solo 7 minutos con NAMER. [ 23 ]

Reconstrucción

Los nuevos parámetros del modelo se utilizan luego en un problema de optimización estándar de mínimos cuadrados para reconstruir una imagen que minimice la distancia entre los datos del espacio k y el resultado de aplicar el modelo SENSE directo.miθ^{\displaystyle E_{\hat {\theta }}}bajo nuestra nueva estimación de parámetrosθ^{\textstyle {\hat {\theta }}}a nuestra mejor estimación para la imagen sin movimiento: [ 23 ][incógnita^]=argramominincógnita‖s−miθ^incógnita‖2{\displaystyle [{\hat {x}}]=arg\min _{x}\Vert s-E_{\hat {\theta }}x\Vert _{2}}Este proceso se repite hasta alcanzar el número deseado de pasos de tiempo, o hasta que el cambio en la imagen reconstruida sea suficientemente bajo. La técnica NAMER ha demostrado ser muy eficaz para corregir artefactos de movimiento rígido y converge mucho más rápido que otros métodos, incluido TAMER. [ 23 ] Esto ilustra el poder del aprendizaje profundo para mejorar los resultados en una gran variedad de campos.

redes generativas antagónicas

Otras técnicas más avanzadas aprovechan las redes generativas antagónicas (GAN), cuyo objetivo es aprender la representación latente subyacente de los datos para sintetizar nuevos ejemplos indistinguibles de los datos reales. En este caso, dos redes neuronales, una Red Generadora y una Red Discriminadora, se modelan como agentes que compiten en un juego . El objetivo de la Red Generadora es producir imágenes sintéticas lo más parecidas posible a las imágenes de la distribución real, mientras que el objetivo de la Red Discriminadora es distinguir las imágenes sintéticas generadas de la distribución real de datos. Específicamente para la corrección de artefactos de movimiento en resonancia magnética, la Red Generadora recibe una imagen con artefactos de movimiento y produce una imagen sin ellos. La Red Discriminadora diferencia entonces entre la imagen sintetizada y los datos de referencia . Diversos estudios [ 25 ] [ 26 ] han demostrado que las GAN funcionan muy bien en la corrección de artefactos de movimiento.

RF (B1) Corrección de inhomogeneidad

Objetos externos

La inhomogeneidad de B1 debida a la interferencia constructiva o destructiva de la permitividad del tejido corporal puede mitigarse mediante el uso de objetos externos con constantes dieléctricas altas y baja conductividad. [ 27 ] Estos objetos, denominados almohadilla de radiofrecuencia/dieléctrica, pueden colocarse sobre o cerca del plano de imagen para mejorar la homogeneidad de B1. La combinación de una constante dieléctrica alta y una baja conductividad permite que la almohadilla altere la fase de las ondas estacionarias de RF y se ha demostrado que reduce la pérdida de señal debida a la inhomogeneidad de B1. Se ha demostrado que este método de corrección tiene el mayor efecto en secuencias que sufren artefactos de inhomogeneidad de B1, pero no tiene efecto en aquellas con inhomogeneidad de B0. En un estudio, la almohadilla dieléctrica mejoró la calidad de la imagen para secuencias ponderadas en T2 basadas en eco de espín turbo, pero no para secuencias ponderadas en T2 basadas en eco de gradiente. [ 27 ]

Correcciones mitigadas de bobina

La falta de homogeneidad de B1 se ha mitigado con éxito ajustando el tipo y la configuración de las bobinas.

Reducir el número de bobinas

Un método es tan simple como usar la misma bobina de transmisión y recepción para mejorar la homogeneidad. [ 28 ] Este método aprovecha el equilibrio entre la dependencia de B1 y la dependencia de la sensibilidad de la bobina en las secuencias FLASH y permite al usuario seleccionar un ángulo de giro optimizado que reducirá la dependencia de B1. Al usar la misma bobina para transmitir y recibir, la sensibilidad de la bobina receptora puede compensar algunas de las no uniformidades en la bobina transmisora, reduciendo la inhomogeneidad de RF general. Para estudios anatómicos que utilizan la secuencia FLASH que se puede realizar con una sola bobina de transmisión y recepción, este método puede usarse para reducir los artefactos de inhomogeneidad de B1. Sin embargo, el método no sería adecuado para exámenes con estrictas limitaciones de tiempo, ya que el usuario primero necesita realizar la optimización del ángulo de giro.

Excitación de la bobina

Modificar la distribución del campo dentro de las bobinas de RF creará un campo más homogéneo. Esto se puede lograr cambiando la forma en que se acciona y excita la bobina de RF. Un método utiliza una excitación de RF de cuatro puertos que aplica diferentes desfases en cada puerto. [ 29 ] Al implementar un accionamiento de cuatro puertos, el requerimiento de potencia se reduce en un factor de 2, la relación señal/ruido (SNR) aumenta en un factor de √2 y se mejora la homogeneidad general de B1.

Bobina espiral

Cambiar la forma de las bobinas puede utilizarse para reducir los artefactos de inhomogeneidad B1. Se ha demostrado que el uso de bobinas espirales en lugar de bobinas estándar a campos magnéticos más altos elimina los efectos de las ondas estacionarias en muestras de mayor tamaño. [ 30 ] Este método puede ser eficaz al obtener imágenes de muestras grandes a 4T o superior; sin embargo, se requiere el equipo adecuado para implementar esta corrección. A diferencia del posprocesamiento o las modulaciones de secuencia, cambiar la forma de la bobina no es factible en todos los escáneres.

Excitación paralela con bobinas

Otro método para corregir la inhomogeneidad de B1 consiste en emplear la infraestructura de un sistema paralelo para generar múltiples pulsos de RF con ángulos de giro menores que, en conjunto, pueden producir el mismo ángulo de giro que el creado con una sola bobina transmisora. [ 31 ] Este método utiliza las múltiples bobinas transmisoras de los sistemas de imagen paralela para reducir y mitigar mejor la deposición de potencia de RF mediante el uso de pulsos de RF más cortos. Una ventaja de la excitación paralela con bobinas es la posibilidad de reducir el tiempo de exploración combinando los múltiples pulsos cortos de RF con las capacidades de imagen paralela. En general, cuando este método se utiliza con la selección adecuada de pulsos de RF y se optimiza para una baja deposición de potencia, los artefactos de la inhomogeneidad de B1 pueden reducirse considerablemente.

Modulación de potencia activa

La modulación activa de la potencia de transmisión de RF para cada posición de corte compensa la inhomogeneidad de B1. [ 32 ] Este método se centra en la inhomogeneidad a lo largo de la dirección axial, o eje z, ya que es la más dominante en términos de mala homogeneidad y la menos dependiente de la muestra.

Antes de la corrección de la inhomogeneidad, es necesaria la medición del perfil B1 a lo largo del eje z de la bobina para su calibración. Una vez calibrados, los datos B1 pueden utilizarse para la modulación activa de la potencia de transmisión. Para una secuencia de pulsos específica, los valores de cada posición de corte se predeterminan y los valores de escala de potencia del transmisor de RF apropiados se leen de una tabla de consulta. Luego, mientras se ejecuta la secuencia, un contador de corte en tiempo real varía la atenuación de la potencia de transmisión de RF. [ 32 ]

Este método resulta ventajoso para reducir los artefactos en la fuente, especialmente cuando el ángulo de giro preciso es fundamental, y para aumentar la relación señal-ruido. Si bien esta técnica solo puede utilizarse para compensar la variación de B1 a lo largo del eje z en imágenes adquiridas axialmente, sigue siendo significativa, ya que la inhomogeneidad de B1 es más pronunciada a lo largo de este eje.

Pulsos adiabáticos insensibles a B1

Una forma de lograr una inversión de espín perfecta a pesar de la inhomogeneidad de B1 es mediante el uso de pulsos adiabáticos . Este método de corrección funciona eliminando la fuente del problema y aplicando pulsos que no generen errores en el ángulo de giro. Las secuencias específicas que emplean pulsos adiabáticos para una mayor uniformidad del ángulo de giro incluyen un pulso de eco de espín selectivo de corte, pulsos de RF de inversión adiabática de 180 grados y pulsos de reenfoque de 180 grados. [ 33 ] [ 34 ] [ 35 ]

Procesamiento posterior de imágenes

Las técnicas de posprocesamiento corrigen la inhomogeneidad de intensidad (IIH) del mismo tejido en un dominio de imagen. Este método aplica un filtro a los datos, generalmente basado en un mapa de IIH preadquirido del campo B1. Si se conoce un mapa de la IIH en el dominio de la imagen, esta se puede corregir dividiendo la imagen preadquirida. [ 36 ] Este modelo popular para describir el efecto de la IIH es:

  • incógnita=αincógnita′+ξ{\displaystyle x=\alpha x'+\xi }[ 36 ]

Dóndeincógnita{\displaystyle x}es la intensidad medida,incógnita′{\displaystyle x'}es la verdadera intensidad,α{\displaystyle \alpha }es el efecto IIH y ξ es el ruido.

Este método presenta la ventaja de poder realizarse sin conexión a internet, es decir, no es necesario que el paciente esté dentro del escáner. Por lo tanto, el tiempo de corrección no representa un problema. Sin embargo, esta técnica no mejora la relación señal-ruido ni el contraste de la imagen, ya que solo utiliza información previamente adquirida. Dado que el campo B1 no era homogéneo al momento de la adquisición de las imágenes, los ángulos de giro y las señales adquiridas posteriormente resultan imprecisos.

Se ha demostrado que los efectos de un sistema de reducción de ruido de imágenes posterior al escaneo basado en IA en escáneres cerebrales son efectivos para mejorar la calidad de la imagen y el análisis morfométrico. Los sistemas de procesamiento de imágenes posterior al escaneo permiten la reducción de ruido manteniendo el contraste. La mejora de la imagen resultante se puede procesar con tiempos de escaneo más cortos para un mayor rendimiento y una detección más temprana posible. [ 37 ] [ 38 ]

Técnicas de mapeo B1 para correcciones de postprocesamiento de imágenes

Para corregir los artefactos de inhomogeneidad de RF mediante correcciones de postprocesamiento, existen varios métodos para mapear el campo B1. A continuación, se describe brevemente algunas técnicas comunes.

Método de doble ángulo

Un método común y robusto que utiliza los resultados de dos imágenes adquiridas con ángulos de giro deα{\displaystyle \alpha }y2α{\displaystyle 2\alpha }[ 39 ] El mapa B1 se construye a partir de la relación entre las intensidades de señal de estas dos imágenes. Este método, si bien es robusto y preciso, requiere un TR prolongado y un tiempo de exploración prolongado; por lo tanto, no es óptimo para obtener imágenes de regiones susceptibles al movimiento.

método de mapa de fases

De forma similar al método de doble ángulo, el método de mapa de fase utiliza dos imágenes; sin embargo, este método se basa en la acumulación de fase para determinar el ángulo de giro real de cada espín. [ 40 ] Después de aplicar una rotación de 180 grados alrededor del eje x seguida de una rotación de 90 grados alrededor del eje y, la fase resultante se utiliza para mapear el campo B1. Al obtener dos imágenes y restar una de la otra, se puede eliminar cualquier fase de la inhomogeneidad de B0 y solo se mapeará la fase acumulada por el campo de RF inhomogéneo. Este método se puede utilizar para mapear volúmenes 3D, pero requiere un tiempo de escaneo prolongado, lo que lo hace inadecuado para algunos requisitos de escaneo.

Modo de adquisición de eco con reenfoque dual (DREAM)

Este método es una técnica de mapeo B1 multicorte. DREAM se puede utilizar para adquirir un mapa B1 2D ​​en 130 ms, lo que lo hace insensible al movimiento y factible para exploraciones que requieren apnea, como la imagen cardíaca. [ 41 ] La corta adquisición también reduce los efectos de los desplazamientos químicos y la susceptibilidad. Además, este método requiere bajas tasas de SAR . Aunque no es tan preciso como el método de doble ángulo, DREAM logra un mapeo B1 fiable durante adquisiciones cortas.

Referencias

  1. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 Erasmus LJ, Hurter D, Naudé M, Kritzinger HG, Acho S (2004). "Una breve descripción general de los artefactos de la resonancia magnética" . Revista Sudafricana de Radiología . 8 (2): 13. doi : 10.4102/sajr.v8i2.127 . ISSN 2078-6778 . (CC-BY 4.0)
  2. ↑ Zaitsev M, Maclaren J, Herbst M (octubre de 2015). "Artefactos de movimiento en resonancia magnética: un problema complejo con muchas soluciones parciales" . Journal of Magnetic Resonance Imaging . 42 (4): 887–901 . doi : 10.1002/jmri.24850 . PMC 4517972. PMID 25630632 .  
  3. ↑ "Médicos extraen 38 objetos metálicos, incluyendo llaves, monedas, una tarjeta SIM, la hoja de un sacapuntas y un imán al que 'estaban adheridos', del interior del estómago de un hombre | NEWS.am Medicina - Todo sobre salud y medicina" . med.news.am. Consultado el 16 de marzo de 2019 .
  4. ↑ Yeung J. "Aliasing en resonancia magnética | Artículo de referencia de radiología | Radiopaedia.org" . Radiopaedia . Consultado el 26 de mayo de 2019 .
  5. ↑ Bashir U (29 de enero de 2012). "Artefactos de Gibbs y truncamiento | Artículo de referencia de radiología | Radiopaedia.org" . Radiopaedia . Consultado el 26 de mayo de 2019 .
  6. ↑ Ferreira PF, Gatehouse PD, Mohiaddin RH, Firmin DN (mayo de 2013). "Artefactos en la resonancia magnética cardiovascular" . Journal of Cardiovascular Magnetic Resonance . 15 (1) 41. doi : 10.1186/1532-429X-15-41 . PMC 3674921. PMID 23697969 .  
  7. ↑ Kingsley, PB; Ogg, RJ; Reddick, WE; Steen, RG (1998). "Corrección de errores causados ​​por pulsos de inversión imperfectos en la medición de tiempos de relajación T1 mediante imágenes de resonancia magnética" . Magn Reson Imaging . 16 (9): 1049– 1055. doi : 10.1016/s0730-725x(98)00112-x . PMID 9839989 . 
  8. ↑ Nishimura, Dwight (2016). Principios de la resonancia magnética .
  9. ↑ "Efecto dieléctrico" . Preguntas y respuestas en resonancia magnética . Consultado el 5 de mayo de 2021 .
  10. ↑ Dieringer, Matthias A.; Deimling, Michael; Santoro, Davide; Wuerfel, Jens; Madai, Vince I.; Sobesky, Jan; von Knobelsdorff-Brenkenhoff, Florian; Schulz-Menger, Jeanette; Niendorf, Thoralf (2014-03-12). "Mapeo paramétrico rápido del tiempo de relajación longitudinal T1 utilizando imágenes de resonancia magnética de ángulo de giro variable bidimensional a 1,5 tesla, 3 tesla y 7 tesla" . PLOS ONE . 9 (3) e91318. Bibcode : 2014PLoSO...991318D . doi : 10.1371/journal.pone.0091318 . ISSN 1932-6203 . PMC 3951399 . PMID 24621588 .   
  11. ↑ Hou, Zujun (2006). " Una revisión sobre la corrección de la inhomogeneidad de la intensidad de las imágenes de RM" . Revista Internacional de Imágenes Biomédicas . 2006 049515. Bibcode : 2006IJBI.200649515H . doi : 10.1155/ijbi/2006/49515 . ISSN 1687-4188 . PMC 2324029. PMID 23165035 .   
  12. ↑ Bashir U (28 de enero de 2012). "Artefacto de cremallera | Artículo de referencia de radiología | Radiopaedia.org" . Radiopaedia . Recuperado el 26 de mayo de 2019 .
  13. 1 2 Elster AD. "Introducción al control/activación" .
  14. 1 2 Solomon E (2021). "Imágenes radiales de respiración libre mediante un transmisor de radiofrecuencia de tono piloto para la detección del movimiento respiratorio" . Magnetic Resonance in Medicine . 85 (5): 2672– 2685. doi : 10.1002/mrm.28616 . PMC 7902348. PMID 33306216 .  
  15. ↑ Ludwig J (2021). "Corrección de movimiento basada en tono piloto para resonancia magnética cardíaca cine con compensación respiratoria prospectiva" . Magnetic Resonance in Medicine . 85 (5): 2403– 2416. doi : 10.1002/mrm.28580 . PMID 33226699. S2CID 227135421 .  
  16. 1 2 3 4 5 6 7 8 Haskell MW, Cauley SF, Wald LL (mayo de 2018). "Estimación y reducción de movimiento dirigidas (TAMER): mitigación de movimiento basada en la consistencia de datos para resonancia magnética mediante una optimización conjunta de modelo reducido" . IEEE Transactions on Medical Imaging . 37 (5): 1253– 1265. Bibcode : 2018ITMI...37.1253H . doi : 10.1109/TMI.2018.2791482 . PMC 6633918. PMID 29727288 .  
  17. 1 2 3 Haskell, Melissa West (2019-05-13). Corrección retrospectiva del movimiento para imágenes de resonancia magnética (Tesis).
  18. 1 2 Krizhevsky A, Sutskever I, Hinton GE (2017-05-24). "Clasificación de ImageNet con redes neuronales convolucionales profundas" . Communications of the ACM . 60 (6): 84– 90. doi : 10.1145/3065386 . ISSN 0001-0782 . 
  19. ^ Lundervold AS, Lundervold A (mayo de 2019). "Una descripción general del aprendizaje profundo en imágenes médicas centrándose en la resonancia magnética" . Zeitschrift für Medizinische Physik . 29 (2): 102–127 . arXiv : 1811.10052 . doi : 10.1016/j.zemedi.2018.11.002 . PMID 30553609 . 
  20. ↑ Mardani M, Gong E, Cheng JY, Vasanawala SS, Zaharchuk G, Xing L, Pauly JM (enero de 2019). " Redes neuronales adversarias generativas profundas para resonancia magnética de detección compresiva" . IEEE Transactions on Medical Imaging . 38 (1): 167– 179. Bibcode : 2019ITMI...38..167M . doi : 10.1109/TMI.2018.2858752 . PMC 6542360. PMID 30040634 .  
  21. ↑ Lee D, Yoo J, Ye JC (abril de 2017). "Aprendizaje residual profundo para resonancia magnética con detección comprimida". 2017 IEEE 14th International Symposium on Biomedical Imaging (ISBI 2017) . págs. 15–18 . doi : 10.1109/ISBI.2017.7950457 . ISBN  978-1-5090-1172-8. S2CID 5518746 . 
  22. ↑ Creswell A, White T, Dumoulin V, Arulkumaran K, Sengupta B, Bharath AA (22 de octubre de 2020). "Redes generativas adversarias" . Communications of the ACM . 63 (11): 139– 144. arXiv : 1406.2661 . doi : 10.1145/3422622 . ISSN 0001-0782 . 
  23. 1 2 3 4 5 6 7 8 9 Haskell MW, Cauley SF, Bilgic B, Hossbach J, Splitthoff DN, Pfeuffer J, et al. (octubre de 2019). "Estimación y reducción de movimiento acelerado por red (NAMER): corrección retrospectiva de movimiento guiada por red neuronal convolucional utilizando un modelo de movimiento separable" . Magnetic Resonance in Medicine . 82 (4): 1452– 1461. doi : 10.1002/mrm.27771 . PMC 6626557. PMID 31045278 .   
  24. ↑ Kingma, Diederik P. (2015). "Adam: Un método para la optimización estocástica". ICLR . arXiv : 1412.6980 .
  25. ↑ Yuan Z, Jiang M, Wang Y, Wei B, Li Y, Wang P, et al. (2020). "SARA-GAN: Redes generativas adversarias basadas en autoatención y discriminador promedio relativo para la reconstrucción rápida de resonancia magnética por detección comprimida" . Frontiers in Neuroinformatics . 14 611666. doi : 10.3389/fninf.2020.611666 . PMC 7726262. PMID 33324189 .   
  26. ↑ Usman M, Latif S, Asim M, Lee BD, Qadir J (marzo de 2020). "Corrección retrospectiva del movimiento en resonancia magnética multicorte mediante redes generativas adversarias" . Scientific Reports . 10 (1) 4786. arXiv : 1902.07430 . Bibcode : 2020NatSR..10.4786U . doi : 10.1038/ s41598-020-61705-9 . PMC 7075875. PMID 32179823 .  
  27. 1 2 Franklin, KM; Dale, BM; Merkle, EM (2008). "Mejora de los artefactos de inhomogeneidad B1 en el abdomen en imágenes de RM de 3T mediante un cojín de radiofrecuencia" . J Magn Reson Imaging . 27 (6): 1443– 7. doi : 10.1002/jmri.21164 . PMID 18421685. S2CID 12194069 .  
  28. ↑ Wang, D; Heberlein, K; LaConte, S; Hu, X (2004). "Insensibilidad inherente a la inhomogeneidad de RF en imágenes FLASH" . Magn Reson Med . 52 (4): 927–31 . doi : 10.1002/mrm.20217 . hdl : 1853/5123 . PMID 15389953 . 
  29. ↑ Hayes, Cecil E; Edelstein, William A; Schenck, John F; Mueller, Otward M; Eash, Matthew (1985). "Una bobina de radiofrecuencia eficiente y altamente homogénea para imágenes de RMN de cuerpo entero a 1,5 T". Journal of Magnetic Resonance . 63 (3): 622– 628. Bibcode : 1985JMagR..63..622H . doi : 10.1016/0022-2364(85)90257-4 .
  30. ↑ Alsop, DC; Connick, TJ; Mizsei, G. (1998). "Una bobina de volumen espiral para mejorar la homogeneidad del campo de RF a alta intensidad de campo magnético estático". Magnetic Resonance in Medicine . 40 (1): 49– 54. doi : 10.1002/mrm.1910400107 . ISSN 0740-3194 . PMID 9660552 .  
  31. ↑ Zhu, Yudong (2004). "Excitación paralela con una matriz de bobinas transmisoras". Magnetic Resonance in Medicine . 51 (4): 775– 784. doi : 10.1002/mrm.20011 . ISSN 0740-3194 . PMID 15065251 .  
  32. 1 2 Clare, Stuart; Alecci, Marcello; Jezzard, Peter (2001). "Compensación de la inhomogeneidad de B1 mediante modulación activa de la potencia de transmisión". Magnetic Resonance Imaging . 19 (10): 1349– 1352. doi : 10.1016/S0730-725X(01)00467-2 . PMID 11804763 . 
  33. ↑ Robin Bendall, M.; Garwood, Michael; Uǧurbil, Kâmil; Pegg, David T. (1987). "Pulso de reenfoque adiabático que compensa la variabilidad de potencia y los efectos de desintonización". Magnetic Resonance in Medicine . 4 (5): 493– 499. doi : 10.1002/mrm.1910040510 . ISSN 0740-3194 . PMID 3600255 .  
  34. ↑ Silver, MS; Joseph, RI; Hoult, DI (1984). "Generación de pulsos π altamente selectivos". Journal of Magnetic Resonance . 59 (2): 347– 351. doi : 10.1016/0022-2364(84)90181-1 .
  35. ↑ Uǧurbil, Kâmil; Garwood, Michael; Rath, Alan R; Robin Bendall, M (1988). "Pulsos de reenfoque modulados en amplitud y frecuencia/fase que inducen rotaciones de plano incluso en presencia de campos B1 inhomogéneos". Journal of Magnetic Resonance . 78 (3): 472– 497. doi : 10.1016/0022-2364(88)90133-3 .
  36. 1 2 Hou, Zujun (2006). "Una revisión sobre la corrección de la inhomogeneidad de la intensidad de las imágenes de RM" . Revista Internacional de Imágenes Biomédicas . 2006 (1) 049515. Bibcode : 2006IJBI.200649515H . doi : 10.1155/IJBI/2006/49515 . ISSN 1687-4188 . PMC 2324029. PMID 23165035 .   
  37. ↑ "Análisis de casos: resonancia magnética rápida y mejora de imágenes" . Medicvision . Consultado el 26 de diciembre de 2021 .
  38. ↑ Kanemaru, Noriko; Takao, Hidemasa; Amemiya, Shiori; Abe, Osamu (2022). "El efecto de un sistema de eliminación de ruido de procesamiento posterior al escaneo en la calidad de la imagen y el análisis morfométrico" . Journal of Neuroradiology . 49 (2): 205– 212. doi : 10.1016/j.neurad.2021.11.007 . PMID 34863809. S2CID 244907903 .  
  39. ↑ Cunningham, Charles H.; Pauly, John M.; Nayak, Krishna S. (2006). "Método de doble ángulo saturado para mapeo rápido de B 1 +". Magnetic Resonance in Medicine . 55 (6): 1326– 1333. doi : 10.1002/mrm.20896 . ISSN 0740-3194 . PMID 16683260 .  
  40. ↑ Morrell, Glen R. (2008). "Un método sensible a la fase para el mapeo del ángulo de giro". Magnetic Resonance in Medicine . 60 (4): 889– 894. doi : 10.1002/mrm.21729 . ISSN 0740-3194 . PMID 18816809 .  
  41. ↑ Nehrke, Kay; Börnert, Peter (2012). "DREAM: un nuevo enfoque para el mapeo robusto, ultrarrápido y multicorte de B1". Magnetic Resonance in Medicine . 68 (5): 1517– 1526. doi : 10.1002/mrm.24158 . ISSN 0740-3194 . PMID 22252850 .