层间距离对ct图像的影响_CT与MR中的层厚&层间隔一样吗?

本文探讨了CT螺旋扫描中的层厚与层间隔概念,指出层间隔可等于、小于或大于层厚,并讨论了它们对图像质量和后处理的影响。在MRI 2D扫描中,层间隔通常大于层厚以减少拖尾效应,而MRI通过多方位成像弥补这一不足。此外,优化Sequence Loop设计能减少层间干扰。
摘要由CSDN通过智能技术生成

层厚与层间隔,这是一个十分简单而又不简单的问题。

我们这里只讨论 CT 螺旋扫描方式,与 MRI 2D 采集方式

(一)CT 中的层厚与层间隔

CT 中的螺旋扫描重建的图像的层厚就是指出来的图像的层厚,不同的机器(比如 GE 与 Philips)不同的条件(比如选择不同的探测器准直)所配给供用户所选择的层厚范围不同。比如 GE 与 Philips 同是 64×0.625mm 的探测器,GE 一般扫描时可选重建层厚为 0.625mm, 1.25mm, 2.5mm, 3.75mm, 5mm 等;而 Philips 一般可选的层厚有 0.9mm, 1mm, 1.5mm, 3mm, 4mm, 5mm 等。那么就提出了第一个问题:为什么 GE 与 Philips 相同的探测器组合但不同的系统却配给了不同的层厚选择?可选择的层厚是怎么来的?与什么有关?

对于层厚的理解十分简单,就是出来的断层的层的厚度,通常用 Slice thickness表示,比如 5mm,关于这个其实也是有说道的。即这 5mm 范围内的组织的 CT 值(或线性衰减系数值)是取平均值、最大值、还是最小值呢?亦或进行 VR 显示?即我们常规的出图模式 mode: Average, MIP, MinIP, VR。一般我们扫描出来的图像都是取 Average,而特殊应用场合可以选取其他方式。

层厚的理解很简单,下面再来说说 CT 中的层间隔,或层间距,一般用 Slice interval 或 Slice increment 来表示,比如 5mm。在 CT 中,层间隔表示相邻两层中心之间的距离,示意图如下:

b6855326f8e51a2fd604b60142943a8a.png

在这里的示意是层厚=5mm,层间隔=5mm,那么说明 Slice1 的层中心与 Slice2 的层中心之间的距离是 5mm,即层间隔等于层厚。若将第一层的起始位置记为 0 位置,那么第一层的结束位置就是 +5 位置;第二层的起始位置为 +5 位置,结束位置为 +10 位置。那么也就是 Slice1 与 Slice2 之间既没有空隙,也没有重叠。在 CT 中,其实层间隔既可以等于层厚,也可以小于或大于层厚。如下图所示:

c82e96034093a8eb784a5710d4bb0174.png

这样的厚层且层间隔与层厚相等时的数据是我们扫描常规的设置,但有时需要薄层数据进行后处理,比如 MPR, CPR, VR 等。那么就需要选择较薄的层厚(比如 1mm, 0.9mm, 0.625mm 等)与较小的层间隔(比如0.5mm, 0.45mm)。当层间隔小于层厚时,数据有重叠,定义重叠比例/重叠因子等于重叠部分与层厚的比。但是当层间隔大于层厚时,相邻层之间是有空隙的,这样是不可取的,因为这样会漏数据漏信息。如层厚=1mm,层间隔=0.5mm,那么重叠比例为 50%;层厚=1mm,层间隔=0.7mm,那么重叠比例为 30%。一般建议三维后处理的薄层数据的层厚小于或等于 1mm, 重叠比例为 30%~50%,这样进行后处理时所产生的阶梯状伪影会减轻许多。在 CT 机上层间隔的最小增量一般是 0.1mm,即层间隔可以是 0.1mm, 0.2mm, 0.3mm, …,1mm, 2mm, …,10mm, …。当然,层间隔越小,相同范围所得到的图像数目越多。那么就提出了第二个问题:CT 中层间隔为什么可以是这些如此小的值?是如何操作的?我们知道,CT 扫描得到的原始数据是一个容积数据,这个层间隔、层厚与它的探测器的 z 轴方向最小单元尺寸是什么关系?与飞焦点技术又有什么关系?

另外,当利用薄层数据(比如 1mm/0.5mm)进行 MPR 重组时,再进行某方位叠厚时,可选的层厚比较宽泛,比如 2.2mm, 3.3mm 等都可以进行选择。

(二)MRI 2D 扫描中的层厚与层间隔

关于磁共振中层厚与层间隔的详细讨论请参考如下链接:

[The Basics of MRI 6.5~6.6] 磁共振成像基本原理 6.5~6.6 Slice Selection 选层

在这里仅进行简要地叙述。

我们知道,磁共振的选层是通过射频脉冲的中心频率与带宽联合选层梯度实现的:d26067eb8406acaa98ed73f00e81c097.png

6bb8a1fb088cf47de36091b74f1d0f62.png

其依赖的原理就是拉莫尔方程:282d83be125baca3ecc649d2501f760f.png

而由于要实现纯正的矩形的频率选择,需要很长时间的时域内的 Sinc 函数激发,理论上是 -∞~ +∞ 时刻,显然这是不可能的,因此需要对它进行截断,只取主叶、一个或两个副叶。那么就导致所选择的频率范围不是纯正的矩形,那么也就导致空间上选择的层厚不是完美的矩形,而是具有拖尾效应的类似钟形的包络曲线范围。比如下图(from Handbook of MRI Pulse Sequences,Xiaohong Joe Zhou etc.):

37c2eda754c5700e7c2e7e6ece80ce41.png

52a93542cb9389555569fbf28d156465.png

什么意思呢?也就是它所选择的层厚不是很精准,而且还会干扰、污染想要激发的层的位置之外的质子群。因此,磁共振在进行 2D 多层成像时,层与层之间需要留有一定的空隙,即层间隔。在磁共振成像中,层间隔的表述通常用 (Slice) gap 表示。什么是 gap 呢?在新牛津词典中是如下解释:an unfilled space or interval; a break in continuity,解释的非常好,在磁共振中就是相邻两层之间有空隙,有组织没有被进行成像。而 interval 的解释是:an intervening time or space;increment 的解释是 an increase or addition, especially one of a series on a fixed scale.

在不同的 MRI 机器上,层间隔的表示方法可能略有差异。在飞利浦 MR 中用 slice gap 表示,单位为 mm,比如 5mm/1mm(层厚/层间隔);在 GE MR 中用 slice spacing 表示,单位为 mm,比如 5mm/1mm(层厚/层间隔);在 Siemens MR中用 distance factor 表示,单位为百分比 %,比如 5mm/20%(层厚/层间隔),那么层间隔就是 5mm×20%=1mm.

从上面我们知道了为什么要留有一定的层间隔,如果用 CT 中的层间隔去理解 MR 中的层间隔的话,那么就是在 MR 中 2D 采集的层间隔基本都是大于层厚的。至此,我们已经十分清晰地理解了 CT 与 MR 中的层厚与层间隔。

既然 MR 中 2D 采集图像时,图像之间有信息遗漏,这个可以说是 MR 的一大劣势(或特点),那么怎么办弥补呢?那么就需要 MR 的另一大优势(或特点)来弥补,即 MR 可以实现任意方位成像。我们通过多方位成像来综合显示组织结构,比如冠矢横斜。这样就可以弥补了只使用单一方位成像所带来的组织遗漏的问题。那么 MRI 是如何实现任意方位成像的呢?请参考下面链接:

[The Basics of MRI 8.5] 磁共振成像基本原理 8.5 斜位成像

另外,MRI 也可以进行 3D 采集,这样选层方向就不会有信息遗漏,因为层的方向是通过相伴编码来实现的。在这里我们不过多地讨论 3D 的问题,感兴趣的可以参考下面链接:

[The Basics of MRI 8.4] 磁共振成像基本原理 8.4 3D 容积成像

上面说了两种方法来弥补 MRI 层间隔的信息遗漏的问题。那我就想在一个方位采集时,能不能尽量地使用较小的层间隔,或零间隔甚至负间隔来进行 2D 成像呢?有什么好的办法能够减少层间干扰的效应吗?有!此时我们需要研究序列的循环结构 Sequence Loop,即每一层是怎么采集的。层间污染的问题/不能够精准选层的问题可以通过优化 Sequence Loop 来进一步降低。最简单地就是首先进行分包/分组,比如将需要采集的 24 层分成四次采集,即 1,5,9,13,17,21 为第一组,先进行采集;采集完再采集 2,6,10,14,18,22 第二组;然后再采集第三组 3,7,11,15,19,23;最后第四组 4,8,12,16,20,24。同时在每一组内进行间隔采集/交叉采集 Interleaved,比如将第一组同一 TR 内的激发顺序优化成 1,9,17,5,13,21。做那么多工作的目的就是尽量增加物理上相邻两层(比如第 1 层与第 2 层)之间的间隔时间,让它有更多的时间进行弛豫,让上一层对下一层的影响减少至最低。那么如果设置合理,机器硬件性能也十分强大的话,层间隔完全可以设置得很小,比如 0.2mm,甚至 0mm 也不会有太大影响。在梯度回波中,有的序列 TR 非常短,那么如果采集顺序安排好的话,还可以进行负间隔采集。

关于这个 Sequence Loop 的设计其实还是挺复杂的,尤其是某些特殊序列,比如 IR 序列;还有就是还要结合其他一些影响因素,比如 T2 FLAIR 压水序列,CSF 是具有流动性,那么这里的序列设计就需要更加小心。

来源: CTMR技术园

【版权声明】本平台属公益学习平台,转载系出于传递更多学习信息之目的,且已标明作者和出处,如不希望被传播的老师可与我们联系删除

评论
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