CN101506842A

CN101506842A - 灌注成像的方法

Info

Publication number: CN101506842A
Application number: CN200780026870.4A
Authority: CN
Inventors: 托芬·塔克斯特; 雷内特·格鲁纳
Original assignee: UNIFOB Universitetsforskning Bergen (Bergen Univ Res Foundation)
Current assignee: UNIFOB Universitetsforskning Bergen (Bergen Univ Res Foundation)
Priority date: 2006-05-15
Filing date: 2007-05-15
Publication date: 2009-08-12
Anticipated expiration: 2027-05-15
Also published as: EP2038841B1; GB0609610D0; WO2007132242A1; EP2038841A1; CN101506842B; US20090297008A1; JP2009537201A; US8280128B2; ES2431140T3

Abstract

本发明涉及一种灌注成像的方法，以及后置成像数据操作的方法和其程序。

Description

灌注成像的方法

技术领域

背景技术

灌注成像可用于检测身体内的物理结构与组织功能和活性。它对研究具有例如由于中风，肿瘤，梗塞等，引起的脑，心脏或肝脏损伤病人特别有用。灌注成像技术的实例包括磁共振成像(MRI，Magnetic Resonance Imaging)、医疗的超声波检查法(sonography)、正电子成像术(PET，Positron emissiontomography)与计算机断层扫描(CT，Computed Tomography)。

一般说来磁共振成像灌注技术，将一种造影剂药剂(例如，一种比如由amersham与schering注册为

或

的钆内络合物)给予到病人的血管系统里，然后于一段时间覆盖造影剂药剂的穿过感兴趣的区域的组织的传输，从感兴趣的区域收集图像，。例如，在MRI中，使用快速图像获取序列，例如自旋回波、梯度回讯(GRASS或FLASH)、回波平面(EPI，echoplanar)、RARE、混合、半激励等等。用于灌注成像的这样的序列和MR造影剂的药剂给予为本领域所熟知(例如参看＂Biomedical Magnetic ResonanceImaging＂，Wehrli等主编，VCH，1988)。

在临床实践中，通常检查灌注图像系列，然后定性地评定该结果。

然而在许多情况下，要求定量的结果，例如区域血液流、区域血容量、区域平均传输时间、区域到达时间、区域表面渗透性以及区域到达峰值时间的绝对度量(例如参看：Rempp等，Radiology 193：637-641(1994)以及vonken等，MRM41：343-350(1999))。

药物动力学(pharmacokinetic)模型用来提取血浆流、血浆容量、平均传输时间、血管外的细胞外液容量、表面渗透性以及到达峰值时间或例如毛细管传送常数的少数生理学的灌注参数的体元(voxel)特定值，K_trans。包括对照和对照泄漏的再循环。

对于MR多通道灌注成像来说，迄今为止提出的最普通的药物动力学模型是约翰逊和威尔逊的绝热近似模型(aaJW，the adiabatic approximationmodel of Johnson and Wilson)[Henderson等，JMRI，Vol.12：991-1003(2000)]。然而，在aaJW模型中多个参数的存在使得其相对不稳定以及高灵敏度，以致在底层数据中的拙劣的信噪比。

观察的每个体元的跟踪器灌注信号是一未知体元特定的动脉输入函数以及一未知体元特定组织残留函数(或脉冲响应函数)的卷积。

组织残留函数描述在时间t于组织区域仍然存在的造影剂的分数，因此是一依赖于该组织的生理参数的函数，例如血容量以及平均传输时间。动脉输入函数描述造影剂如何传递到组织体元，并且同样地给出一器官中的血管结构的印象。

通过药物动力学模型，未知的体元特定组织残留函数被假定具有一种已知的参数式，但是具有未知参数值。跟踪器到达的时间延迟以及跟踪器的到达峰值时间只被指定为体元特定的动脉输入函数因子。所有的剩余灌注参数被指定为流标定(scale)的体元特定组织残留函数因子。

所有已知的使用多通道药物动力学模型得到灌注参数的方法存在难题。例如：未知的体元特定的动脉输入函数可能被单个已知的动脉输入函数替代。该值通常通过血管中的体元的手动或自动识别而得到。这个血管可能是远离该所感兴趣的组织。此外，忽视了从使用的血管到感兴趣的组织的所有动脉输入函数的延迟与偏差。这些模型简化可能导致估计的灌注参数中大的误差。理想地，体元特定的动脉输入函数应该用于避免延迟与偏差。另外，高流速、移动与浸润导致当在相同病人连续的检查中标定时主要血管的动脉输入函数大的可变性。

发明内容

我们现在已经吃惊地发现，通过结合该体元特定的aaJW模型与盲反卷积方法，增强灌注成像是可行的，特别是在磁共振成像领域。使用本发明的方法，也提供显著地更多的动脉输入函数与组织残留函数的临床的情报值。

本发明方法也提供高质量的血浆流、血浆容量、平均传输时间、抽取分数、表面渗透性、血管外的细胞外液容量与到达峰值时间的生理学参数的图像。这些参数的图像给出直接的生理参数的定量估算，也就是说，获得的结果是生理学上精确的。这样高质量的图像在以前没有生成过，也没有已知的单个方法允许推导所有这些参数的值。而且，本发明方法不显著地受实验噪声影响。

估算的体元特定的动脉输入函数表示当迭代地经过该成像区域时在造影药剂的偏差与延迟中该间隔的变化。得到组织残留函数，而并不降低使用仅一人工识别的动脉输入函数而引入的延迟与偏差效果。因此，所有的血管参数的估算模式变得线性、简单而且噪声鲁棒。

因此从一方面考虑，该发明提供一种处理灌注成像数据的方法，包括使用盲反卷积算法与约翰逊与威尔逊的绝热近似模型(aaJW)。优选地，数据在一个又一个体元的基础上处理，也就是说，使用一种体元特定的盲反卷积算法与一种体元特定的aaJW模型。优选地，要处理的数据在一系列时间值[t]记录。最佳选地，一种体元特定的盲反卷积算法与体元特定的aaJW模型被应用于在一系列时间值[t]记录的灌注成像数据。

本发明进一步的方面是灌注成像的方法，包括通过使用一盲反卷积算法与aaJW模型，在一系列时间值[t]，根据对象的感兴趣的区域的体元，生成所述感兴趣的区域的图像。。

本发明进一步的方面是灌注成像的图像处理方法，包括一盲反卷积算法与aaJW模型的使用，以及一图像的生成。优选地，图像在一个又一个体元的基础上处理，也就是说，使用一体元特定的盲反卷积算法与一体元特定的aaJW模型。优选地，要处理的灌注成像包括在一系列时间值[t]记录的一系列数据点。

在本发明的一优选实施例中，在生成下列参数的值时使用盲反卷积算法与aaJW模型：体元特定的动脉输入函数C_p[t]与体元特定的组织残留函数r[t]。

在本发明的一优选实施例中，也确定下列体元特定的生理参数中的至少一个：血浆流、血浆容量、平均传输时间、抽取分数、表面渗透性、血管外的细胞外液容量与到达峰值时间。

在本发明的一优选实施例中，至少一个或全部的以上参数的图像被单独生成。

在本发明的一优选实施例中，迭代地使用盲反卷积方法，特别优选地，迭代地使用盲反卷积方法以获得体元特定的动脉输入函数C_p[t]的值与标定的体元特定的组织残留函数u[t]。

在本发明的一优选实施例中，迭代循环包括4或更多次的迭代，更优选地6或更多次的迭代。

在本发明的一优选实施例中，使用aaJW从标定的体元特定的组织残留函数u[t]生成体元特定的组织残留函数r[t]。

在本发明的一优选实施例中，体元特定的动脉输入函数C_p[t]的初始估算量是观察的体元特定的跟踪器浓度c[t]。

在本发明的一优选实施例中，体元特定的动脉输入函数C_p[t]的初始估算量是第一个经过动脉输入函数。

在本发明的一优选实施例中，标定的体元特定的组织残留函数u[t]的初始估算量是1。

在本发明的一优选实施例中，灌注成像方法是磁共振成像(MRI，MagneticResonance Imaging)、医疗的超声波检查法(sonography)、正电子成像术(PET，Positron emission tomography)与计算机断层扫描(CT，ComputedTomography)，最佳选地，磁共振成像(MRI)。

在本发明的一优选实施例中，盲反卷积方法是露西-理查森反卷积方法或landweber方法与维纳过滤(Wiener filtering)的结合，最佳选地是露西-理查森反卷积方法。

在本发明的一优选实施例中，缓慢的水交换规则的模型被合并到aaJW模型。

在本发明的一优选实施例中，生成平均的细胞内停留时间的体元特定的值。

本发明的进一步的方面是一在本发明的方法中使用的装置，该装置具有部件来接收在一系列时间值(t)的一组用于感兴趣的区域的体元的灌注成像信号值作为输入，并且具有部件来生成参数，优选地来自其的药物动力(pharmokinetic)参数，包括使用一盲反卷积算法与约翰逊与威尔逊的绝热近似模型(aaJW)。

本发明的进一步的方面是一计算机软件产品，承载有指令，该指令在用于本发明的数据处理装置上执行时使得该装置配置为接收在一系列时间值(t)的一组用于感兴趣的区域的体元的灌注成像信号值作为输入，以及具有部件来生成参数值，优选地来自其的药物动力参数，包括使用一盲反卷积算法与约翰逊与威尔逊的绝热近似模型(aaJW)。

在本发明的又一进一步的方面中，提供一处理灌注成像数据以便生成前向射血分数的方法，包括使用药物动力一致模型与一盲反卷积算法，优选地，生成左心室前向射血分数。

具体实施方式

该aaJW两隔(compartment)模型既考虑了毛细管传输时间又考虑了血管内跟踪器器到组织增强的贡献。在此模型中，跟踪器分布的空间被分成两个圆筒，跟踪器在它们之间交换。

内圆筒是血浆空间。造影剂浓度随时间与沿着此圆筒的距离而变化。外筒是血管外的细胞外间隙，假定为一良好混合的隔间。此圆筒中的造影剂的浓度仅随时间而变化。造影剂可能在该两隔间之间流动，然而，这两个在血浆与血管外的细胞外间隙之间、用于造影交换的速率常量不需要相同。

假定测量响应为线性，而且血浆流在测量周期保持不变，则在组织的容量里的跟踪器的浓度为：

C[t]＝F·r[t]＊C_p[t] (1)

其中符号*是一维的卷积运算符，F是血浆流而t＝1，2，...，T是离散时间采样。c[t]是组织跟踪器浓度，C_p[t]是动脉血浆的跟踪器浓度，而r[t]是组织残留函数。

用于aaJW模型的组织残留函数(脉冲响应函数)是：

r[t]＝1 1≤t<T_C

r [t] = E \cdot e^{\frac{- k_{2}}{v_{c}} t}

t≥T_C (2)

其中T_c是平均毛细管传输时间而k₂是从血管外的细胞外间隙到血管内的空间的跟踪器的通路的速率常数，v_e是每组织(泄漏空间)的单位容量的血管外的细胞外的容量而E是抽取分数。使用中央容量定理，v_p＝F·T_c，其中v_p是每组织的单位容量的血浆容量。

若干考虑平均传输时间的假定可以应用到aaJW模型。平均毛细管传输时间T_c，可能小于信号的采样时间s[t]，那么aaJW模型简化为：

r[t]＝1 t＝1

r [t] = E \cdot e^{\frac{- k_{2}}{v_{c}} t}

t>1 (3)

T_c＝Δs，其中Δs是以s表示的采样间隔。再次使用中央容量定理，在此情形中v_p＝F·Δs。然而，全部关于组织变化的T_c的信息丢失了。

同时忽略血管内的血浆容量(即T_c＝0)，

r [t] = e^{\frac{- k_{2}}{v_{c}} t}

t≥1 (4)

然而，所有关于v_p和T_c的信息丢失了。必须援引关于该灌注模式(有限流、有限扩散)的进一步假设以估算血浆流或表面渗透性。

在本发明的一优选实施例中，毛细管传送常数，K_trans＝F·E，假设与k₂相同，对于t≥T_c的aaJW模型的残留函数变为：

r[t]＝1 1≤t<T_C

r [t] = E \cdot e^{- \frac{k_{trans}}{v_{c}} t}

t≥T_C (5)

抽取分数，E，是跟踪器的分数，在单个跟踪器传输通过毛细管床期间单向地从血浆扩散到环绕组织里。它通过以下公式与F和该表面渗透性PS有关：

E＝1-e^-PS/F (6)

对体元一个一个地估算所有这些函数和参数。引入体元特定的注释，等式(1)可以写为：

c^{i, j} [t] = c_{p}^{i, j} [t] * F^{i, j} \cdot r^{i, j} [t] = c_{p}^{i, j} [t] * u^{i, j} [t] - - - (7)

其中i＝1，2，...，I而j＝1，2，...，J。I和J是分别在x和y方向上体元的数目。以下通过迭代的和盲反卷积过程，使用此等式(7)的形式分别得到两个因子c^i，j _p[t]和u^i，j[t]。这样，对每个体元(i，j)，得到动脉血浆的跟踪器浓度函数，c^i，j _p[t]，和相应的标定的组织残留函数，u^i，j[t]。

由于c^i，j _p[t]从感兴趣的体元的组织跟踪器浓度函数得出，因此c^i，j _p[t]中包括了由通过血管树进入感兴趣的体元的跟踪器药剂的通路所引起的所有延迟和偏差。这与从完全不同的解剖位置使用非体元特定的C_p[t]相反。

c^i，j _p[t]＝1，2，...，T的积分Ω^i，j，其经过完全位于任何动脉内部的任何体元，对于在第一通过模型里的体元必定相同，也就是说，

Ω = Ω^{i, j} = Σ_{t = 1}^{T} c_{p}^{i, j} [t],

i＝1，2，...，I，j＝1，2，...，J。它遵循等式(7)，其中为了以绝对方式计算F^i，j和其它血管的容量灌注参数，Ω必须是已知的。相反，在反卷积之后可总是以绝对值给出与时间有关的参数，平均传输时间，T_c ^i，j，和到达峰值时间，τ^i，j，，而不需要已知Ω。在本发明的一优选实施例中，积分Ω可以通过绘制动脉内部的感兴趣掩膜的区域而手动地得到，例如另一大血管或左边心室内部。通过使用预先药剂注射可以得到较好的估算。可替换地，积分Ω可以自动地得到，例如，从应用的跟踪器剂量、使用人口统计的体重和身体容量来估算。

在本发明的一个实施例中，c^i，j _p[t]可以通过设置Ω＝Ω^i，j＝1，i＝1，2，...，I，j＝1，2，...，J，关于经过感兴趣的体元的总跟踪器数量而完全自动地标定(scale)。此有限的标定限制F^i，j、v_p ^i，j与v_e ^i，j的估算为相对而不是绝对值。

因为c^i，j _p[t]和F^i，j·_r ^i，j[t]是分别地得到，所以药物动力学参数的估算变得简单。在r^i，j[t]中不存在延迟，延迟存在于c^i，j _p[t]中。因此，体元的到达峰值时间τ^i，j仅仅是从所有体元的共同的固定出发点到c^i，j _p[t]的最大点的时间。

在本发明的一个实施例中，在相同时间所有体元的c^i，j _p[t]的时间发展可以任何传统的方式显示(例如通过视频)。这样允许可视地评定跟踪器的延迟和偏差的区域差别。

参数T_c ^i，j、F^i，j与K_trans ^i，j可以通过log(F^i，j.r^i，j[t])的最小均方配合过程过程而同时得到。对数函数，log，将F^i，j.r^i，j[t]的最后的因子从预期衰减指数函数转化为一线性的函数。此过程过程由下列优选实例而例示，对于T_c以后的传输时间，等式(5)的相关部分的对数给出为：

log(r^i,j[t])＝-k_ep ^i，jt+log(E) (8)

其中Kep^1，j等于k₂ ^1，j/v_e ^1，j。

K_trans ^i，j通过F^i，j·E估算。如果K_trans ^i，j＝k₂ ^i，j，那么血管外的细胞外液容量分数，v_e ^i，j也可以估算。

在本发明的方法中，通过识别c^i，j _p[t]的第一通过部分可以得到改善的估算。可以用一简单搜索过程来得到c^i，j _p[t]的第一通过最大值点后的c^i，j _p[t]的第一本地最小值。该本地最小值作为c^i，j _p[t]的第一通过段的时间上限。然后，v_p ^i，j仅仅是从起始时间点到本地最小时间点的c^i，j _p[t]的时间积分。

此过程的一优选实施例示例如下，基于MR记录的结构，可以选择估算第一个通过脉冲的持续时间(例如，25个时间采样)。然后得到这些(25-Δ)采样中的对于该体元的特定c^i，j _p[t]的绝对最大值，Δ通常是在2-8的范围。这是在采样时间t_max。接下来，得到范围(t_max，25)中对于该体元的特定c^i，j _p[t]的绝对最小值。这是在采样时间t_min。作为该体元中第一个通过脉冲的结尾得到该最小值。然后，血浆容量仅仅是c^i，j _p[t]的时间积分，其中从t＝1到t＝t_min。

最后，中央容量定理可用于估算T_c ^i，j，其中T_c ^i，j＝v_p ^i，j/F^i，j。

一旦所有这些参数中任意一个的值已经确定，可以通过任何本领域已知的标准方法生成它的参数的图像(或＂映射＂)。该单个参数的图像可以例如，通过本发明的装置，分别地和自动地生成。因为本方法明显地不受实验噪声影响并且允许这些参数的精确检测，所以生成的图像具有以前现有技术生成所没有的高质量。

在本发明的实施例中可以将慢的水交换规则包含在aaJW模型中(T.Yankeelev等，ISMTM会议，西雅图，2006，Incorporating the effects oftranscytolemmal water exchange in the reference region model for DCE-MRIanalysis)。在该实施例中有可能额外生成平均细胞内的停留时间的体元特定值以及其参数的图像。此扩展同时改善该体元特定值的准确度以及对于其它参数的参数的映射，特别是当感兴趣的区域是为肿瘤时。

在本发明的方法中用盲反卷积方法来分离动脉输入函数，c^i，j _p[t]，和相应的每个体元的标定的组织残留函数，u^i，j[t]。本发明的优选盲反卷积方法包括露西-理查森反卷积方法或Landweber方法与维纳过滤(Wiener filtering)的结合。在最佳选实施例中应用露西-理查森反卷积方法。

将露西-理查森反卷积方法应用到灌注成像，特别是MR灌注成像时与其它的反卷积方法相比有几个优点。它满足正性图像约束、能量守恒并自动支持。重要地，动脉输入函数和组织残留函数两者固有的正性约束显著地减少求解空间并且因此使得该方法噪声鲁棒。

Lucy-Robertson反卷积算法作用在对于具有附加的泊松分布噪声的图像的空间域中。它是u^i，j[t]和c^i，j _p[t]的期望最大化(expectation maximization，EM)算法，给定为：

u^{s + 1} [t] = {[\frac{c [t]}{u^{s} [t] * {c^{s}}_{p} [t]}] * c_{p}^{s} [- t]} u^{s} [t] - - - (9)

{c_{p}}^{s + 1} [t] = {[\frac{c [t]}{u^{s + 1} [t] * {c^{s}}_{p} [t]}] * u^{s + 1} [- t]} c_{p}^{s} [t] - - - (10)

其中s是迭代数。指数(i，j)，表示体元，已经被抑制。由于它是EM算法，所以当单独使用时保证收敛到最佳值。给定输入函数，该最佳值是最大后验概率或可能性。

通过动脉输入函数的初始估算值来确定其到全局最佳值的距离。该算法在一迭代循环中可以使用两次。最佳值通常将是本地的。首先，估算流标定的组织残留函数。其次，使用此新的估算得到具有相同算法的动脉输入函数的新的估算。为了开始该迭代，在第一个40-100个时间帧将u⁰[t]的初值设置为常数而在后面的帧中设置为零。u⁰[t]的积分设置为1.0。对于动脉输入函数，对于所有的t，C_p ⁰[t]＝c_t[t]。

卷积的两个因子的迭代非参数估算完成以后，可以估算流标定的残留函数的血管的参数。然而，还可能正好在每个标定的残留函数的迭代的更新以后估算这些参数。更新的标定的残留函数的参数的估算。可能通过增强的噪声鲁棒，此算法比非参数算法更多地减少对数似然函数。

外迭代循环可能包括4或更多的迭代，优选地6或更多迭代。例如在4和100之间，优选地在4和10之间，更加优选地在6和10之间，且最优选地在6和8之间。

这两个内循环的优选迭代数是1，然而，可能在1和10之间。

虽然本发明的方法可以在单通道和多通道数据上使用，但是优选地在多通道数据上使用。借助于多通道，意味着通过感兴趣组织的造影剂的2个或更多通路，例如在2个和10个通路之间。

本发明的方法可以被用于处理灌注成像数据以生成包括药物动力一致模型和盲反卷积算法的使用的前向射血分数。其在下面进行说明。

在本发明的一实施例中，左心室的跟踪器浓度函数可以模拟为多通道动脉输入函数和对于单个良好混合隔间的左边室脉冲响应的卷积。当脉冲频率已知时，可以通过用于前向射血分数评定的单一划分(monocompartmental)指数模型插入此脉冲响应。这等于说等式(4)(药物动力一致模型)的药物动力学模型，在用于前向射血分数的估算的单一划分指数模型的室内部是有效的。

由此可见在左边室内部，双盲反卷积模式导致多通道左边室输入函数和左边室指数脉冲响应函数的估算。唯一必需的改变是用单个常数1/τ等式(4)代替合成常数-k₂/v_e，给定为

r [t] = E \cdot e^{\frac{k}{τ}},

t≥1 (11)

其中t是采样数。如果脉冲间隔是Δt而采样间隔是Δs，则射血分数，ef，变为

ef = 1 - e^{- \frac{Δt}{τ_{1}}} - - - (12)

其中τ₁＝τ·Δs。

可以对于左边心房完成相应的模型，其也可以认为是单个较好地混合的隔间。由于周围的静脉排出，右心房和右心室可能不被良好混合。

以上描述的或在本领域已知的任何盲反卷积方法可以被用于结合药物动力一致模型来确定射血分数。射血分数的参数的图像也可以如同在这里描述的或通过任何本领域已知的方法来生成。

为了本发明方法的性能，在这里在算法中使用的参数的值仅仅需要根据成像设备和图像序列、以及可选地根据造影剂的特征设置，。因此可以预加载适当的参数设置到用于执行参数的灌注图像生成的计算机程序，以便操作者仅仅需要向计算机指定使用的造影剂的特性。实际上机器厂商提供的程序可以包含一查找表，以便自动选择计算所需要的适当的参数值。因此，可以容易地生成本发明的方法提供的参数的高质量单个的参数的图像。

本发明方法中可应用的灌注成像技术应用的实例包括磁共振成像(MRI，Magnetic Resonance Imaging)、医疗的超声波检查法(sonography)、正电子成像术(PET，Positron emission tomography)与计算机断层扫描(CT，ComputedTomography)。特别优选使用MRI。

如果应用MRI，则优选使用基于自旋回波(T₁或T₂成像)或梯度回波(T₂*成像)信号生成的回波平面序列。

本发明方法可以结合所有的目前本领域已知的传统方法以改善观察数据的质量。例如，可以通过填充零(亦称为sinc内插法和填零)来改进分辨率。填充零仅仅包括在傅里叶变换之前将零附加到原始数据。填充零的应用避免在动脉输入函数和组织残留函数之间的卷积的卷绕影响的产生，否则其发生在傅里叶域。

通过以咖马(gamma)函数逼近所观察的序列最后的部分，外延所观察的时序数据集以接近零，MR图像中的边缘假缺陷可以最小化。零填充和咖马函数的使用二者都是公知的方法，但是与这里描述的方法结合具有特殊价值。

本发明的方法可以应用到二维和三维空间记录。三维数据集可以随着作为第三维的时间分解成二维的数据集(＂片＂)。在一优选实施例中，在估算期间各个位置之间没有交互作用，即，对每个＂片＂以及每个体元的计算与其它片或其它的体元无关。

本领域技术人员可意识到，所需的采样率以及时间采样的数目取决于一系列因素。例如，成像方法以及使用的造影剂的特性、可以管理(administered)造影剂的隔离“药剂”的等级、以及感兴趣的组织的血管的性质都有影响。已知的例如尼奎斯特-香农采样定理的采样定理，可以被应用以保证适当的采样率。因此，根据目前本领域已经可用的知识，本领域技术人员基于感兴趣的区域可以选择以适当的采样率得到的适当的时间采样数，以及使用的灌注成像方法，而不需不应有的负担。

通常，可以优选地应用每0.1到5s一时间采样的采样率，更加优选地每1到3s一时间采样的采样率，更加优选地每1.5到3s一时间采样的采样率。通常，根据可用设备的成像与处理能力，采样率越高，估算结果越好。

获得采样的数目可以在100与1000之间，更加优选地在100与500之间，例如，150，200，300等等。通常，给定采样率，血管的特性越慢，需要的采样越多。例如，对于具有慢的血管肿瘤特性的组织，对于具有钆内络合物造影剂的MRI成像，以每s1.5的采样率的300采样典型地给出极好的结果。对于在类似的环境下具有中等快速血管的特性的组织，可以应用1.5s采样率，和150-200采样。这些特性可用作其它的灌注成像技术需要的参数的参考。本领域技术人员将能够容易地选择必要的参数，而不需不应有的负担。

在本发明的一实施例中，对预先施行造影剂的对象执行本发明的方法，优选地以药剂的形式。本领域技术人员将能基于应用的灌注成像的方法选择适当的已知造影剂。

例如分布到细胞外液中的Gd DTPA、Gd DTPA-BMA与Gd HPD03A的传统造影剂，可在本发明方法中使用以允许估算除以上提到的其它生理参数之外的表面渗透性与细胞外的血管外液容量。这样的造影剂很好地记录在例如Schering、Amersham、Nycomed、等等MR造影剂厂商的专利公开中。

由于血池造影剂不经过毛细管壁，所以血池造影剂，即，保持在维管结构之内的那些造影剂，将不允许表面渗透性或细胞外的血管外液容量的估算，。然而，所有如上所述的其它生理参数可以使用血池造影剂(例如来自Schering的Vasovist)估算。

供实现本发明使用的计算机软件产品可以提供为例如盘，磁带或其它的存储器件的物理载体的形式，或可以提供为从远程位置传输的信号，例如经过网络例如因特网。

现在将参考下列实例与伴随附图描述本发明，其中：

图1：来自灌注记录的解剖学图像，a)在左后部具有原位癌的左侧乳房的轴向截面；b)在左心室墙具有旧的梗塞的心脏的轴向截面；c)左侧的正常肾的冠状面。

图2：乳房的管内的原位癌线性的标定。横坐标：0-1。纵座标：0-276s。a)在来自肿瘤的48体元中观察的踪迹浓度的平均值；b)相同体元的踪迹浓度的估算；c)相同体元的动脉输入函数估算；d)相同体元的组织残留函数。

图3：在左后部具有原位癌的乳房。a)以ml(窗口0-200ml)每100ml组织与分钟表示的血浆流；b)用ml(窗口0-15ml)每100ml组织表示的血浆容量；c)用ml(窗口0-7ml)每100ml组织表示的血管外的细胞外液容量；d)用ml每ml(窗口0-0.4)表示的抽取分数；e)用s(范围0-5.4s)表示的平均传输时间；f)用秒(范围0-52s)表示的到达峰值时间。

图4：具有旧的梗塞线性标定的心脏。横坐标：0-1。纵座标：0-65.5s。a)在正常心肌的62体元观察的踪迹浓度平均值；b)对相同体元估算的踪迹浓度；c)对相同体元估算的动脉输入函数；d)相同体元的组织残留函数。

图5：具有侧部梗塞的心脏左室。a)用ml(窗口0-400ml)每100ml组织与分钟表示的血浆流；b)用ml(窗口0-12ml)每100ml组织表示的血浆容量；c)用ml(窗口0-8ml)每100ml组织表示的血管外的细胞外液容量；d)用ml每ml(窗口0-0.4)表示的抽取分数；e)用s(范围0-2.08s)表示的平均传输时间；f)用s(窗口0-20s)表示的到达峰值时间。

图6：正常肾皮层线性的标定。横坐标：0-1。纵座标：0-186s。a)在皮层的73体元观察的踪迹浓度平均值；b)对相同体元估算的踪迹浓度；c)对相同体元估算的动脉输入函数；d)相同体元的组织残留函数。

图7：正常肾皮层-注意结果对于髓质与骨盆是无效的，a)用ml(窗口0-400ml)每100ml组织与分钟表示的血浆流；b)用ml(窗口0-25ml)每100ml组织表示的血浆容量；c)毛细管传送常数，F·E，(皮层中用ml(范围0-127ml)每100ml组织表示的小球滤过率(GFR))；d)用ml每ml(窗口0-0.4)表示的抽取分数；e)用s(窗口0-4.0s)表示的平均传输时间；f)用s(窗口7.0-15.0s)表示的到达峰值时间。

实施例

病人检查由地区的伦理委员会批准。通过1.5特斯拉整体单位(Intera，飞利浦)的乳房发射线圈和并行处理(传感)接收体线圈，以一卧姿检查具有左侧胸部的原位肿瘤的管内癌的一妇女(57岁)的胸部。通过一3.0特斯拉整体单位(GE信号刺激，Milwaukee，美国)的8频道表面发射线圈和一并行处理(传感)接收体线圈，以仰卧姿势检查具有旧的心室梗塞的妇女(46岁)的心脏和一志愿者(54岁男子)的肾。记录期间胸部的运动小于一个体元。不需要登记。为了最小化心脏和肾图像的记录错误，以中等的吸气，通过完全屏住呼吸记录预-造影图像序列。以中等的吸气，几次强烈的吸气与呼气以后记录后-造影图像序列。必要时，检查的志愿者在记录期间作几次呼吸并以中等的吸气(inspiration)接着屏息。在整个检查期间以鼻腔导管给氧(3升·分钟^-1)以尽可能减少呼吸。

图像数据传输到一离线计算机用于后处理。过程以C语言实现，包括几个数字处方例程。基于自由XITE包(奥斯陆大学信息学系，挪威)和MATLAB(Mathworks，Natic，MA，美国)的图像处理工具用于图像处理、可视化与评估。为了尽可能减少运动伪迹，成像容量的所有预-造影和后-造影图像合并成单个容量图像时序，并使用最大似然登记算法登记以用于自动平移运动。平面内的双向最大平移为从10到20个体元。给定一现代台式计算机12-24小时的计算时间，强制检测每个图像容量所有可能的的平移。

丢弃发生呼吸时的心脏或肾的图像。使用前面的和以下的容量图像，以线性内插法产生相应的新的没有呼吸的图像。手动地绘制感兴趣的容量区用于登记。

登记之后，在每个时序执行相同的巴特沃恩低通滤波以减少带外噪声。截止频率为-π/2和π/2弧度而相对的截止频率为0∶3弧度。

实例I：记录

乳房：用于磁化对照-增强灌注成像，在胸部的轴面中使用多截面二维的多射回波二重回波T2*-加权(ST1/T2*PERF)并行图像获取序列，对于所有的截面，翻转角α＝40度，TR＝1210ms，TE1＝6.0ms，TE2＝30.0ms。24平行截面的层厚5mm，面内体元大小1.1 x 1.1mm2，相当于一6.05mm3的体元容量。获得矩阵大小为85相位编码梯度和256频率编码梯度，而最终的图像矩阵为256 x 256像素。在行方向相位编码。

为了将MR信号转换为跟踪器含量并除去T1影响，对于二重回波T2*-加权序列不需要预造影图像序列(见下文)。通过强力注射器(ml/s，7.5s)注射Gd-DTPA(Magnevist)药剂(0.1mmol/kg)后，紧接着冲洗30ml盐水，以3.63s采样间隙通过对每个截面的接下来的80个图像监视药剂通路。

心脏：对于弛豫对照-增强灌注成像，在心脏的轴面使用T₁加权倒置恢复梯度回波(SPGR)并行图像获取序列，其中对于所有的断面，TI＝10毫秒，TR＝6:32毫秒，TE＝1:192毫秒。6个平行截面的层厚为8mm，而横断间距17mm，面内体元大小1.25 x 1.25mm²，相当于12.5mm³的体元容量。获得矩阵大小为128 x 128而图像矩阵为256 x 256。视场是320 x 320mm而该相位编码是在行方向。

为能够将MR信号转换为跟踪器含量，记录10个帧的三个短的预造影图像序列，其中每个帧具有翻转α＝10，25，30度。用强力注射器(4ml/s，5s)注射Gadodiamid(Oinniscan)药剂(0.1mmol/kg)后，紧接着冲洗20ml盐水，在1.71s采样间隙对每个截面的紧接着115图像监视药剂通路，并翻转角a＝25度。

肾：用于弛豫(relaxivity)对照-增强灌注成像，在冠状平面中使用T1加权LAVA图像获取序列，其中对于所有的截面，TR＝2:668ms，TE＝1.132ms。LAVA是在两个面内方向上具有感觉因子2的快速低角度浸润恢复梯度回波时序。14个平行截面具有5mm层厚，和1:3672 x 1:3673mm²面内体元大小，相当于一9:35mm³的体元容量。获得矩阵大小为128 x 128而图像矩阵大小为256 x 256。视场是350 x 350mm。在同样截面的两个连续图像帧之间的采样间隙是1.856s。在表面线圈和身体之间使用大的锰硫酸盐衬底以尽可能降低介电效应。

为能够将MR信号转换为踪迹浓度，记录10个帧的四个短的预-造影图像序列，其中每个翻转角α＝4，8，12，15度。用强力注射器(3ml/s，5s)注射gadobutrol(Gadovist)(0.01mmol/kg)药剂(0.01mmol/kg)后，紧接着冲洗20ml盐水，以1.856s采样间隙通过对每个截面的接下来的112个图像监视药剂通路，而翻转角a＝12度。

实例2：跟踪器含量的估算

为了避免在时间域里组织残留函数的混叠效应，将每个踪迹器时序的最后25个时间采样设置为零。丢弃每个图像序列首先的三个图像以保证稳态信号强度。假定在血液和组织中恒定的弛豫以及对于被检查器官的快速穿过细胞的水交换。对于量化血管的参数不需要钆跟踪器的弛豫值。然而，在同一检查期间对于所有的组织必须假定相同的弛豫。

根据组织弛豫度，计算出踪迹浓度。在B₀＝3.0Telsa，钆跟踪器Gadodiamid(Omniscan)的弛豫值是3.2s^-1mmol^-1。以下给出踪迹浓度

c^{i, j} [t] = κ \cdot (R_{1}^{i, j} [t] - R_{1}^{i, j} [0]) - - - (13)

其中K是在给定静态磁场强度B₀的造影介质的弛豫值。

乳房：二重回波T₂*-加权图像允许弛豫率直接的量化，R₂*[t]＝T₂*^-1[t]，而不需要关于T₁的假定。回波平面的脉冲序列的记录信号，s[t]，给定为：

m＝1，2 (14)

过程等式(14)，从而横向的弛豫度改变是

Δ R_{2}^{*} [t] = \frac{\ln (S_{1} [t] / S_{2} [t]) - \ln (S_{i, prc} / S_{s, prc})}{{TE}_{2} - {TE}_{1}} - - - (15)

其中下标预指出相应的预对照信号。为了清晰，面内体元指数(i，j)已经抑制。

心脏：根据以下等式记录的信号(s)，对每个体元i，j计算弛豫率，R₁[t]＝T₁ ^-1[t]；其中在每个图像t中，i＝1，2，...，256，j＝1，2，...，256；t＝1，2，...，T：

s [t] = s [0] [(1 - 2 e^{- R_{1} \cdot Tf}) + (1 - E) \frac{1 - a^{n - 1}}{1 - a}] - - - (16)

其中a＝Ecosα，E＝e^-R1·TR，α：翻转角而n是第n相编码线，对应于k-间隔的中间。这里，仅仅使用n＝1。为了清晰，面内体元指数(i，j)已经抑制。TI是倒置时间而TR是迭代时间。

s [t] = s [0] \frac{1 - e^{- TR \cdot R_{1} [t]}}{1 - \cos (α) e^{- TR \cdot R_{1} [t]}} - - - (17)

s[0]＝con·ρ·sin(α)是依赖于翻转角的校准常数，其包括接收器增益con和体元的质子密度，ρ。因为归于B₁场不同类和空间变化的接收器灵敏性，所以接收器增益con也是体元特定的。假定体元特定的con和ρ值在跟踪器实验期间是常数。使用估算的体元特定的con值和等式(16)，使用等式(16)的一线性化版本估算每个体元的弛豫率，R₁[t]。(Press等，Numerical Recipesin C)。

肾：根据以下等式记录的信号s[t]，对每个体元i，j计算弛豫率，R₁[t]＝T₁ ^-1[t]；其中在每个图像t中，i＝1，2，...，256，j＝1，2，...，256；t＝1，2，...，T：

s [t] = s [0] \frac{1 - e^{- TR \cdot R_{1} [t]}}{1 - \cos (α) e^{- TR \cdot R_{1} [t]}} - - - (17)

其中α是翻转角而为了清晰，面内体元指数(i，j)已经抑制。s[0]＝con·ρ·sin(α)是依赖于翻转角的校准常数，其包括接收器增益con和体元的质子密度，ρ。因为B₁场不同类和空间变化的接收器灵敏性，所以接收器增益con也是体元特定的。假定体元特定的con和ρ值在跟踪器实验期间是常数。使用Nelser和Mead的多维的下倾简化方法估算这些值。

动脉输入函数：来自仅仅血的体元的动脉输入函数的积分，C_p[t]，通过在成像容量(volume)里绘制大的动脉内部的感兴趣的区域到来估算。高流动速度、移动、浸润和T₂*效果导致当对同一病人连续检查时大血管的动脉输入函数的较大可变性。因此，来自截面的单个动脉输入函数用于同一检查的所有的截面。对于乳房和心脏记录，在肺动脉和左心脏室内部分别绘制掩膜。对于肾记录，在腰部向下主动脉内部绘制掩膜。

实例3：活体内实验

为了给出被检查器官的概观，通过具有造影剂(图1：a，c)或没有造影剂(图1：b)的灌注序列的平均时间值获得解剖学图像。

具有肿瘤的乳房：对于aaJW模型，肿瘤的感兴趣的区域内部的造影剂的观察的时间过程和相应估算的动脉输入函数与组织残留函数的卷积重叠(图2：a，b)。除两曲线的最后部分外，其中造影剂浓度的估算急剧地减少。此减少是由离散的卷积的边界效果引起的。该重叠表示已经得到相当逼真的动脉输入函数和组织残留函数(图2：c，d)。

使用aaJW模型，血浆流和血浆容量(图3：a，b)对于正常的乳房与原位癌(表1；1a，1d)没有不同。相反，对于正常的乳腺组织的传输时间(图3：e)、抽取分数(图3：d)、表面渗透性与血管外的细胞外的间隙(图3：c)明显地低于原位癌(表1；1a，1d)。此结果符合观察渗漏毛细管存在乳房癌。

最后，对于原位癌的到达峰值时间比正常的乳腺组织短(表1；1a，1d，图3：f)。这必定意味着肿瘤细胞对动脉的供给有退化效应。

盲反卷积的一致模型给出比aaJW模型低得多的血浆流和血浆容量估计。然而，在平均传输时间和毛细管传送常数(表1；1a，1b，1d，1e)中可看出最实质性的改变。这些大的差异可能是由存在于一致模型的简化导致的近似误差所引起的。

具有和没有盲反卷积的一致模型的血浆流和传输时间差别在于在相反的方向的大约为2的因子，而血浆容量相似(表1；1b，1c)。这些差别可以用在盲一致模型的组织残留函数中实质的额外差量的去除来很好地解释。在延迟的标准差(S.D.)/平均值比中没有发现大的差别。

比较使用一致模型的正常乳房和原位癌的血管的参数值，在这些值中存在逐渐更大的改变(表1；1c，1f)。这是被预期为癌变得更大并侵入底层的基质组织。

具有梗塞的心脏：同样对于使用aaJW模型的心脏，肿瘤的感兴趣的区域中的造影的观察时间过程也和相应的估算的动脉输入函数的与组织残留函数的卷积重叠(图4：a，b)。此观察表示已经得到相当逼真的动脉输入函数和组织残留函数(图4：c，d)。

使用aaJW模型，血浆流、血浆容量、抽取分数(图5：a，b，d)，表面渗透性和血管外的细胞外的容量(图5：c)明显地在旧的梗塞区比在正常的心肌小。相反，到达峰值时间显著地在旧的梗塞区比在正常的心肌长(表2；1a，1d，图5：f)。在传输时间上没有差别(图5：e)。所有这些在血管的参数方面的变化与正常心肌和旧的伤痕组织的微脉管特性的差别一致。

aaJW模型与一致模型相比较，平均传输时间明显地短而相应标准偏差更小(表2；1a，1b，1d，1e)。这些大的差别可能由存在于一致模型的简化导致的近似误差所引起。左边室内部的掩膜中的前向射血分数的平均值(450体元)是0:21±0:00。

肾皮层：对于aaJW模型，皮层的感兴趣的区域内部的造影剂的观察的时间过程和相应的动脉输入函数的估算与组织残留函数的卷积重叠(图6：a，b)。再一次，此观察表示已经得到相当逼真的动脉输入函数和组织残留函数(图6：c，d)。

使用aaJW模型，平均的小球滤过率是组织/分钟的56ml/100ml(图6：e)。每个成年健康男子的肾大约重150克而皮层构成肾的大约70％。使用这些值和1.03克/ml的组织密度，总的小球滤过率结果是114ml/min。

短的平均传输时间可由从肾动脉到肾皮层的血液通路所引起动脉输入函数的额外的差量的去除来解释(图7：e)(表3；1a)。小的血浆容量起因于中央容量定理的使用(表3；1a，图7：b)。

由于泄漏项与血管内的血浆分数项受血浆流和动脉输入函数相同程度的影响(等式(1，2))，所以抽取分数(图7d)较少依赖于反卷积或使用的参数估算方法。肾皮层表面渗透性是较大(表3；1a，图7：b)。

实例4：左心脏室研究

使用标准的GE超声扫描器和标准飞利浦超声扫描器检查实施

药剂注射的两志愿者的左心室。使用GE扫描器执行4次扫描，而使用飞利浦扫描器执行1次扫描，并记录数据集。

用于左心室的前向射血分数由记录的数据集计算，使用盲反卷积和药物动力一致模型，而且也使用已知的在收缩和舒张中delineneating心脏内边界的标准方法。使用本发明方法计算前向射血分数，对于所有的记录得到良好的一致。

第一次提出在多通道动态的对照增强灌注成像中对于体元特定的动脉输入函数和组织残留函数的盲反卷积的方法。本发明允许血管的参数的估算变得线性、简单和噪声鲁棒。本发明的方法能得出临床上比那些用已知的方法获得的更加逼真的血管的参数。

研究	血浆流	血浆容量	传输时间	抽取分数
研究	血浆流	血浆容量	传输时间	抽取分数	1a-发明	69±53	4±3	32.0±0.5	0.04±0.06
1b-比较	20±17	4±3	10.0±4.8	-	1a-发明	69±53	4±3	32.0±0.5	0.04±0.06
1b-比较	20±17	4±3	10.0±4.8	-	1c-比较	10±11	3±3	27.8±15.0	-
1d-发明	172±21	5±2	4.4±0.1	0.26±0.03	1c-比较	10±11	3±3	27.8±15.0	-
1d-发明	172±21	5±2	4.4±0.1	0.26±0.03	1e-比较	27±8	5±2	11.6±0.7	-

1f-比较

14±5

5±2

22.7±2.7

-

表1a。乳房的灌注参数。平均值±标准差。用ml/100ml组织/min表示的血浆流。aaJW模型中用ml/100ml组织表示的血浆容量。研究1b：一致模型中正常的乳腺组织的结果。研究1c：通过一致模型和已知的动脉输入函数的正常的乳腺组织的结果。研究1c：通过一致模型和已知的动脉输入函数的正常的乳腺组织的结果。研究1d：aaJW模型中乳腺的管内的原位肿瘤癌的结果。研究1e：一致模型中乳腺的管内的原位肿瘤癌的结果。研究1f：一致模型和已知的动脉输入函数中乳腺的管内的原位肿瘤癌的结果。组1中的标准偏差是指正常乳房的220体元中的可变性，以及乳腺的管内的原位肿瘤癌的48体元中的可变性。在转化为给定每100ml组织单位中使用，在组2，3，4和6中假定的组织密度等于1.03克/ml。在组5中估算血浆流和在组6中估算血浆容量时，毛细管中的血细胞比容＝0.75。

研究	PS性	EEV	FE	到达峰值时间
研究	PS性	EEV	FE	到达峰值时间	1a	6±9	1±2	5±9	22.9±16.0
1b	-	4±6	18±16	31.2±16.3	1a	6±9	1±2	5±9	22.9±16.0
1b	-	4±6	18±16	31.2±16.3	1c	-	4±4	9±10	36.3±16.1
1d	21±7	4±1	18±6	10.8±4.7	1c	-	4±4	9±10	36.3±16.1
1d	21±7	4±1	18±6	10.8±4.7	1e	-	6±5	24±7	21.8±2.8
1f	-	6±2	13±4	27.8±7.1	1e	-	6±5	24±7	21.8±2.8

表1b：乳房的灌注参数-续表。用ml/100ml组织/min表示的表面渗透(PS)性。用ml/100ml组织表示的血管外的细胞外液容量(EEV)。用ml/100ml/min组织表示的FE。用秒表示的到达峰值时间。

研究	血浆流	血浆容量	传输时间	抽取分数
研究	血浆流	血浆容量	传输时间	抽取分数	1a-发明	129±29	4±1	1.8±0.1	0.18±0.11
1b-比较	55±21	3±1	4.0±1.5	-	1a-发明	129±29	4±1	1.8±0.1	0.18±0.11
1b-比较	55±21	3±1	4.0±1.5	-	1c-比较	77±42	3±1	3.3±1.4	-
1d-发明	42±17	1±0	1.7±0.2	0.02±0.03	1c-比较	77±42	3±1	3.3±1.4	-

1e-比较	11±9	1±1	2.8±0.7	-
1e-比较	11±9	1±1	2.8±0.7	-	1f-比较	21±18	1±1	2.2±0.7	-

表2a：心脏的灌注参数。与在表1里同样的单位。研究1a：使用aaJW模型给出的在侧部左室墙里具有梗塞的心脏的一人的正常心肌中结果。研究1b：使用一致模型给出的在侧部左室墙里具有梗塞的心脏的一人的正常心肌中结果。研究1c：使用一致模型和已知的动脉输入函数给出的在侧部左室墙里具有梗塞的一人的心脏的正常心肌中的结果。研究1d：使用aajw模型给出的一人的心脏的侧部左室墙的梗塞心肌中的结果。研究1e：使用一致模型给出的一人的心脏的侧部左室墙的梗塞心肌中的结果。研究1f：使用一致模型和已知的主干输入函数给出的一人的心脏的侧部左室墙的梗塞心肌中的结果。组1中的标准偏差是指正常心肌的62体元中的可变性和具有大的梗塞的心脏的85体元中的可变性。另一个标准偏差表示在病人之间的可变性。在转化为给定每100ml组织单位中使用，在组2，3，4，6和7中假定的组织密度等于1.03克/ml。在组5中估算血浆流和在组6中估算血浆容量时，毛细管中的血细胞比容＝0.75。

研究	PS性	EEV	FE	到达峰值时间
研究	PS性	EEV	FE	到达峰值时间	1a-发明	28±21	2±1	24±17	9.8±5.1
1b-比较	-	4±2	55±21	7.6±5.3	1a-发明	28±21	2±1	24±17	9.8±5.1
1b-比较	-	4±2	55±21	7.6±5.3	1c-比较	-	6±4	77±42	28.5±9.4
1d-发明	1±2	0±0	1±2	17.1±5.3	1c-比较	-	6±4	77±42	28.5±9.4
1d-发明	1±2	0±0	1±2	17.1±5.3	1e-比较	-	1±1	10±8	13.9±6.1
1f-比较	-	2±1	19±16	18.5±12.4	1e-比较	-	1±1	10±8	13.9±6.1

表2b：心脏的灌注参数-续表。

研究	血浆流	血浆容量	传输时间	抽取分数
研究	血浆流	血浆容量	传输时间	抽取分数	1a-发明	257±65	15±3	3.6±0.2	0.22±0.06
1b-比较	80±20	15±3	11.7±1.7	-	1a-发明	257±65	15±3	3.6±0.2	0.22±0.06
1b-比较	80±20	15±3	11.7±1.7	-	1c-比较	52±13	15±4	17.3±2.3	-

表3a：人的肾皮层的灌注参数。平均值±标准差。与在表1里同样的单位。在皮层掩膜里的73体元。研究1a：使用aaJW模型给出的正常的人的肾皮层结果。研究1b：使用一致模型给出的正常的人的肾皮层结果。研究1c：使用一致模型和已知的动脉输入函数给出的正常的人的肾皮层结果。

研究	PS性	FE(GFR)	到达峰值时间
研究	PS性	FE(GFR)	到达峰值时间	1a-发明	64±22	56±18	9.0±0.7
1b-比较	-	80±20	7.9±0.9	1a-发明	64±22	56±18	9.0±0.7
1b-比较	-	80±20	7.9±0.9	1c-比较	-	52±13	18.6±23.6

表3b：人的肾皮层的灌注参数-续表。用ml/100ml/组织/mjn表示的小球滤过率(GFR)

Claims

1.一种处理灌注成像数据的方法，包括盲反卷积算法和约翰逊与威尔逊的绝热近似模型(aaJW)的使用。

2.一种灌注成像的方法，包括：通过盲反卷积算法和aaJW模型的使用，在一系列时间值[t]，根据对象的感兴趣的区域的体元生成所述感兴趣的区域的图像。

3.一种灌注图像的图像处理方法，包括：盲反卷积算法和约翰逊与威尔逊的绝热近似模型(aaJW)的使用，以及图像的生成。

4.权利要求1至3中任意一项的方法，其中在下列参数值的生成中使用盲反卷积算法和aaJW模型：体元特定的动脉输入函数cp[t]和体元特定的组织残留函数r[t]。

5.权利要求1至4中任意一项的方法，进一步包括下列体元特定的参数中的至少一个的生成：血浆流，血浆容量，平均传输时间，抽取分数，表面渗透性，血管外的细胞外液容量，以及到达峰值时间。

6.根据权利要求5的方法，其中生成血浆流，血浆容量，平均传输时间，抽取分数，表面渗透性，血管外的细胞外液容量，以及到达峰值时间。

7.根据权利要求4或5的方法，其中产生所述参数的任何一个的单独的图像。

8.根据权利要求4或6的方法，其中产生所有的权利要求4或6所述的参数的单独的图像。

9.根据权利要求1至8中任意一项的方法，其中迭代地使用盲反卷积方法。

10.根据权利要求9的方法，其中迭代地使用盲反卷积方法以获得体元特定的动脉输入函数c_p[t]和标定的体元特定的组织残留函数u[t]的值。

11.根据权利要求10的方法，其中迭代循环包括4或更多个的迭代。

12.根据权利要求11的方法，其中迭代循环包括6到10个的迭代。

13.根据权利要求10到12中任何一项的方法，其中使用aaJW来从标定的体元特定的组织残留函数u[t]生成体元特定的组织残留函数r[t]。

14.根据权利要求10到13中任何一项的方法，其中体元特定的动脉输入函数c_p[t]的初始估算是观察的体元特定的踪迹浓度c[t]。

15.根据权利要求10到13中任何一项的方法，其中体元特定的动脉输入函数c_p[t]的初始估算是第一个经过动脉输入函数的积分。

16.根据权利要求10到15中任何一项的方法，其中标定的体元特定的组织残留函数u[t]的积分的初始估算是1。

17.根据权利要求1到16中任何一项的方法，其中的灌注成像方法是磁共振成像(MRI)，医疗的超声波检查法(超声波扫描术)，正电子成像术(PET)以及计算机断层扫描(CT)。

18.根据权利要求17的方法，其中灌注成像方法是磁共振成像(MRI)。

19.根据权利要求1到18中任何一项的方法，其中盲反卷积方法是露西-理查森反卷积方法或Landweber方法和维纳过滤的结合。

20.根据权利要求19的方法，其中盲反卷积方法是露西-理查森反卷积方法。

21.根据权利要求1到20中任何一项的方法，其中结合慢的水交换规则模型到aaJW模型。

22.根据权利要求21的方法，其中生成平均细胞内的停留时间的体元特定值。

23.根据权利要求22的方法，其中产生单独的体元特定的平均细胞内的停留时间的图像。

24.根据权利要求1到23中任意一项的方法，其中灌注成像数据是多通道数据。

25.在根据权利要求1到24中任意一项的方法中使用的数据处理装置，该装置具有部件接受一组在一系列时间值(t)的感兴趣的区域的体元的灌注成像信号值作为输入，以及具有部件从那里生成参数，包括盲反卷积算法和约翰逊与威尔逊的绝热近似模型(aaJW)的使用。

26.一种承载指令的计算机软件产品，当该指令在数据处理装置上执行时用于根据权利要求1到24中任意一项的方法时，使得该装置配置为接受一组在一系列时间值(t)的感兴趣的区域的体元的灌注成像信号值作为输入，以及具有部件从那里生成参数值，包括盲反卷积算法和约翰逊与威尔逊的绝热近似模型(aaJW)的使用。

27.一种处理灌注成像数据以生成前向射血分数的方法，包括药物动力一致模型以及盲反卷积算法的使用。

28.权利要求26的方法，其中生成左心室的前向射血分数。