CN108366753A - 用于评估具有指定对比度机制的结构空间频率的选择性采样 - Google Patents

Abstract

在此披露的实施例提供了一种用于以低至几十微米的分辨率采集MR数据的方法，该方法应用于精细组织纹理的变化可以用作疾病发作和进展的标志物的病变的体内诊断和监测。骨疾病、肿瘤、神经系统疾病以及涉及纤维化生长和/或破坏的疾病都是靶标病变。此外，该技术可以用于需要精细标度形态的非常高分辨率表征的任何生物或物理系统中。该方法提供了对k空间中的选定值的快速采集，其中在一个限定的组织体积内在数量级为微秒的时间标度上进行单个k值的多个连续采集；以及以使SNR最大化的这样一种方式进行的多个测量值的随后组合。采集体积减小且仅沿着选定方向采集k空间中的选定值使得体内分辨率比用当前MRI技术可获得的分辨率高得多。

Description

用于评估具有指定对比度机制的结构空间频率的选择性采样

相关申请的引用

本申请依赖于以下申请的优先权：于2015年10月7日提交的标题为“SELECTIVESAMPLING MAGNETIC RESONANCE-BASED METHOD FOR ASSESSING STRUCTURAL SPATIALFREQUENCIES[用于评估结构空间频率的基于选择性采样磁共振的方法]”的临时申请序列号62/238,121，和于2016年9月1日提交的标题为“SELECTIVE SAMPLING FOR ASSESSINGSTRUCTURAL SPATIAL FREQUENCIES WITH SPECIFIC CONTRAST MECHANISMS[用于评估具有特定对比度机制的结构空间频率的选择性采样]”的临时申请序列号62/382,695。本申请另外依赖于以下申请的优先权：于2016年5月27日提交的申请序列号15/167,828，其是于2015年8月31日提交的申请序列号14/840,327(现在为美国专利号9366738)的部分继续申请。申请14/840,327依赖于以下申请的优先权：于2014年9月1日提交的标题为“SELECTIVESAMPLING MAGNETIC RESONANCE-BASED METHOD FOR ASSESSING STRUCTURAL SPATIALFREQUENCIES[用于评估结构空间频率的基于选择性采样磁共振的方法]”的美国临时申请序列号62/044,321、于2014年10月15日提交的具有相同标题的序列号62/064,206、以及于2015年1月25日提交的标题为“MICRO-TEXTURE CHARACTERIZATION BY MRI[通过MRI进行的微纹理表征]”的序列号62/107,465，这些申请的披露内容通过引用结合在此。申请15/167,828另外依赖于以下申请的优先权：于2016年3月2日提交的标题为“METHOD FOR ASSESSINGSTRUCTURAL SPATIAL FREQUENCIES USING HYBRID SAMPLING WITH LOW OR INCREASEDGRADIENT FOR ENHANCEMENT OF VERY LOW NOISE SELECTIVE SAMPLING WITH NOGRADIENT[使用低或增加梯度的混合采样用于增强无梯度的极低噪声选择性采样来评估结构空间频率的方法]”的美国临时申请序列号62/302,577。所援引的申请均具有与本申请共同的受让人，并且其披露内容通过引用结合在此。

背景技术

发明领域

在此要求保护的方法涉及对用于病变评估和疾病诊断的生物系统中的以及工业和工程研究中的材料和结构评价中的精细纹理的诊断评估的领域。更确切地，本发明采用一种用于在MRI机器梯度关闭并且k值在具有低梯度的狭窄相关邻域中的情况下重复测量与生物组织纹理的空间组织相关的k值的方法。这允许在数量级为毫秒的一个时间标度上评估组织纹理，由此患者运动的问题变得可忽略。该方法使得能够对组织中的疾病和治疗诱导的纹理(textural)变化进行体内评估，以用于诊断和监测。该技术的代表性目标是：1)用于评估由骨疾病引起的小梁构筑的变化，从而允许评估骨健康状态和骨折风险，2)评价软组织疾病例如，例如肝、肺和心脏疾病中的纤维化发展，以及3)神经系统疾病例如不同形式的痴呆中的或如在例如创伤性脑损伤(TBI)和慢性创伤性脑病(CTE)中的脑损伤和下游神经病变的情况中的精细结构的变化，或者用于表征和监测异常神经病状例如自闭症和精神分裂症。其他病变应用包括对例如在肿瘤周围的血管网络中的或与CVD(脑血管疾病)的发展相关联的血管变化，以及响应于肿瘤生长的乳腺导管变化的评估。本发明还具有出于一系列工业目的的对精细结构评估的应用以及需要测量精细结构/纹理的其他用途，这些工业目的例如测量制造业中或地质学中的材料特性以表征不同类型的岩石。

相关领域说明

尽管组织中的精细纹理变化长期以来被认为是各种各样的疾病中的最早的标志物，但是精细纹理的稳健的临床评估仍然难以捉摸，主要困难由在数据采集所需的时间内由受试者运动引起的模糊造成。

早期且准确的诊断是成功管理疾病的关键。尽管临床成像提供了关于病变的许多信息，但由于疾病发作和进展或由于治疗而发生的许多组织变化处在一个极为精细的标度上，通常低至几十微米。多年来，精细组织纹理的变化已经被包括放射学家和病理学家的诊断医生认定为大范围的疾病的最早预兆，但是精细纹理的体内评估和测量仍然在当前成像技术的能力之外。例如，阻塞性肺疾病的鉴别诊断依赖于肺实质的一种纹理呈现，但早期疾病的计算机断层扫描(CT)测量的稳健性有限。由于在磁共振(MR)成像扫描期间由患者运动造成的图像模糊，老化骨中的骨折风险的决定因素骨小梁微构筑也仍然是难以捉摸的。MR成像的后处理分析有时用于尝试区分结构例如肿瘤和白质中的表面纹理。(DRABYCZ,S.等人；“Image texture characterization using the discrete orthogonal S-transform[使用离散正交S变换的图像纹理表征]”；Journal of Digital Imaging[数字成像杂志]，第22卷，第6期，2009。KHIDER,M.等人；“Classification of trabecular bone texturefrom MRI and CT scan images by multi-resolution analysis[根据通过多分辨率分析的MRI和CT扫描图像的骨小梁纹理的分类]”；29th Annual International Conference ofthe IEEE Engineering in Medicine and Biology Society,EMBS[第29届IEEE国际生物医学工程学术年会]2007。)但是实际上后处理分析是有限的，因为它不处理妨碍纹理信息的高分辨率采集的根本问题，即受试者运动。(MACLAREN,J.等人；“Measurement andcorrection of microscopic head motion during magnetic resonance imaging ofthe brain[脑磁共振成像期间微观头部运动的测量和校正]”，PLOS/ONE，2012年11月7日。MACLARAN,J.等人；“Prospective motion correction in brain imaging:a review[脑成像中的前瞻性运动校正：综述]；Magnetic Resonance in Medicine[医学磁共振]，第69卷，2013。)

影响MR成像的主要运动源是心脏搏动运动、呼吸诱导的运动和颤搐。前两种是准循环的，通常对这两种的解决方法是在运动的最慢相位处进行门控。然而，即使使用门控，在采集之间存在足以在用于纹理测量的感兴趣的高k值下引起空间相位相干性的损失的变化。这个问题由于运动可能不是完美循环并且通常来源于组合来源的事实而加剧。颤搐是快速的，诱发随机位移，并且因此当测量纹理时不可能在感兴趣的高k值下保持相干性。

虽然正电子发射断层扫描(PET)提供有价值的诊断信息，但是它不能有约5mm以下的分辨率并且依赖用于成像的放射性示踪剂以及用于定位的x线束的使用，引起剂量问题，尤其是在需要重复扫描的情况下。(BERRINGTON DE GONZALEZ,A.等人；“Projected cancerrisks from Computed Tomographic scans performed in the United States in2007”；JAMA Internal Medicine[2007年在美国执行的来自计算机断层扫描的预计癌症风险]，JAMA Internal Medicine[美国医学会杂志内科学]，第169卷，第22期，2009年12月。)此外，PET成像极为昂贵，需要一个位于附近的回旋加速器。理论上CT分辨率低至0.7mm是可能的，但是CT分辨率在高辐射剂量下获得并且在几分钟的扫描时间内易于因患者运动而降低。来自相关联的辐射剂量的不可忽略的风险使得CT对于纵向成像是有问题的并且限制可用的分辨率。与严重的剂量问题一起，数字X线分辨率是有限的，因为所获得的2维图像是一种穿过呈现给光束的组织的整个厚度的吸收的复合图像。用于为在此要求保护的方法的靶标的疾病的当前临床诊断在获得足够的体内分辨率或准确度方面充满了困难。在一些情况下，当前不存在决定性诊断。在其他病变中，特别是在乳腺和肝脏中，诊断依赖于活检，它具有不可忽略的发病甚至死亡的风险，并且易于出现高读数和采样误差。(WELLER,C；“Cancerdetection with MRI as effective as PET-CT scan but with zero radiation risks[与PET-CT扫描一样有效但具有零辐射风险的使用MRI的癌症检测]”；Medical Daily[医学日报]，2014年2月18日。)

骨健康状态因老化、骨癌(作为癌症治疗的一种副作用)、糖尿病、类风湿性关节炎而受损害，并且受营养不足以及其他原因的影响。骨疾病仅在美国每年就影响超过一千万人，对他们的生活质量造成不利影响并且减少预期寿命。为了评估骨健康状态，当前的诊断标准是骨矿物质密度(BMD)，如通过双能X线吸收法(DEXA)投影技术测量的。这种模态产生了集成来自皮质骨和骨小梁两者的衰减的一种面积骨密度，类似于标准x线的成像机制，但是仅提供关于骨内小梁构筑的有限信息，骨内小梁构筑是与骨强度联系最紧密的标志物。(KANIS,J.AND GLUER,C.；“An update on the diagnosis and assessment ofosteoporosis with densitometry[利用密度测定法对骨质疏松症的诊断和评估的更新]”；Osteoporosis International[国际骨质疏松杂志]，第11卷，第3期，2000。LEGRAND,E.等人；“Trabecular bone microarchitecture,bone mineral density,and vertebralfractures in male osteoporosis[男性骨质疏松症中的骨小梁微构筑、骨矿物质密度和椎骨骨折]”；JBMR[骨和矿物质研究杂志]，第15卷，第1期，2000。)BMD与骨折风险仅不严谨地相关联。后处理技术，TBS(骨小梁评分)试图使DEXA图像中的像素灰度级变化相关联，以产生关于骨微构筑的信息。比较研究确定髋部处的BMD仍然是一个较好的骨折预测因子。但是，TBS没有产生小梁构筑的一个详细评估。(BOUSSON,V.等人；“Trabecular Bone Score(TBS):available knowledge,clinical relevance,and future prospects[骨小梁评分(TBS)：现有知识、临床相关性以及未来前景]”；Osteoporosis International[国际骨质疏松杂志]，第23卷，2012。DEL RIO等人；“Is bone microarchitecture status of thespine assessed by TBS related to femoral neck fracture？A Spanish case-controlstudy[由TBS评估的脊柱的骨微构筑状态是否与股骨颈骨折相关？一项西班牙病例对照研究]”：Osteoporosis International[国际骨质疏松杂志]，第24卷，2013。)TBS是一种相对较新的技术，并且仍在评价中。

测量骨微构筑，确切地是测量小梁间距和小梁单元厚度，需要数量级为十分之几毫米的分辨率。MRI、超声成像、CT和微CT都已适用于这个问题。在MRI中，尽管容易获得骨与骨髓之间的高对比度，但是在采集一张具有足够分辨率以表征小梁网络的图像所需的长时间内，患者运动限制了分辨率。小梁网络的纹理大小越精细，运动造成的模糊就越大。通过仅观察骨骼四肢、远离心脏源和呼吸运动源来减轻患者运动的影响的一种尝试已经通过使用MRI和微CT来进行了尝试。然而，四肢中的骨微构筑与中心部位中骨微构筑之间的相关性是未知的。此外，仍然需要一个大的数据矩阵，因此需要长的采集时间，来获得足够的图像信息以确定小梁间距和单元厚度。这种长的采集时间导致不同水平的运动诱导的模糊，这取决于患者顺应性-甚至在测量四肢时，颤搐仍然是一个严重的问题。一种提出的基于MR的技术，精细SA(JAMES,T.,CHASE,D.；“Magnetic field gradient structurecharacteristic assessment using one dimensional (1D)spatial-frequencydistribution analysis[使用一维(1D)空间频率分布分析的磁场梯度结构特征评估]”；美国专利号7,932,720 7；2011年4月26日)尝试通过获得随后被组合以减少噪声的连续的、精细采样的、一维的、频率编码的采集的一个小得多的数据矩阵来克服患者运动的问题。在这种情况下的成像减少到一个维度，从而减少所采集的数据矩阵的大小，并且因此减少采集时间。然而，因为梯度编码的回波信噪比(SNR)非常低，因此需要噪声平均。尽管通过这种方法相对于2维成像和3维成像获得了一些分辨率优势，在若干个响应时间(TR)内采集许多重复的空间编码的回波用于信号平均的需要导致了数量级为数分钟的一个采集时间-太长以致不能提供运动免除性。因此，通过该技术可获得的分辨率改进受到限制。

所需要的是能够评估中央骨骼中的骨的小梁间距和小梁单元厚度的一种准确、稳健、非侵入性的体内测量，因为小梁间距和小梁单元厚度是用于评估骨健康状态和预测骨折风险的关键标志物。到目前为止，没有临床技术能够提供这种能力。

纤维化疾病响应于各种各样的生物侵害和内脏器官的损伤而发生，胶原纤维的发展是身体的愈合反应。一种纤维化疾病越严重，患病器官中纤维的密度越高。纤维化病变发生在大量疾病中，从肺纤维化和肝纤维化到心脏纤维化和囊性纤维化、胰腺纤维化、肌肉萎缩、膀胱疾病和心脏病以及骨髓纤维化，在骨髓纤维化中纤维化结构代替骨髓。纤维化发展伴随在若干癌症，例如乳腺癌中。在前列腺癌中见到一种不同的病变发展，其中该疾病破坏健康的有组织的纤维组织。在所有情况下，因为胶原纤维沿着基础组织结构形成，组织中突出的纹理间距响应于疾病进展而变化。在肝脏疾病中，纹理波长发生变化，因为肝脏中的健康组织纹理被源自器官中小叶性结构的胶原“装饰”的更长波长的纹理所替代。在其他器官/疾病中，纹理变化反映了健康组织随着指示纤维化干预的纹理发展的扰乱状态。

为了跨越大多数纤维化病变中的疾病进展的范围，对来自纤维化发展的纹理变化的评价需要在十分之几毫米的标度上的分辨率。最普遍的此类病变之一肝脏疾病，代表了评估纤维化结构的困难。当前，用于病变评估的金标准是组织活检-具有不可忽略的发病和死亡风险(为了活检后数小时至过夜的观察患者需要暂住在医院)的一个具有高度侵入性且常常疼痛的过程，并且是易于出现采样误差和大的读数变化的过程。(REGEV,A.；“Sampling error and intraobserver variation in liver biopsy in patients withchronic HCV infection[在罹患慢性HCV感染的患者中肝活检的采样误差和观察者内差异]”；American Journal of Gastroenterology[美国胃肠病学杂志]；97,2002.BEDOSSA,P.等人；“Sampling variability of liver fibrosis in chronic hepatitis C[慢性丙型肝炎中肝纤维化的采样变异性]”；Hepatology[肝脏病学]，第38卷，第6期，2004。VANTHIEL,D.等人；“Liver biopsy:Its safety and complications as seen at a livertransplant center[肝活检：其在肝移植中心处所见的安全性和并发症]”；Transplantation[移植]，1993年5月。)超声，常用于在肝脏疾病中评估组织损伤的另一种模态，只能在疾病的后期提供充分的评估-它被用于诊断肝硬化。基于磁共振的弹性成像(MRE)，已经开发用于评估肝脏疾病有一段时间，不能进行早期评估-在显著的纤维化侵入(晚期疾病)之前读数误差太大。此外，这种技术需要昂贵的另外的硬件、熟练的技术人员的存在并且花费多达20分钟的总设置和扫描时间，使得它是一个成本非常高的过程。MR成像直接成像纤维化纹理的能力受到在采集数据所需的时间内的患者运动和纤维与周围组织之间对比度的缺乏两者的影响。在一个单次屏气期间的均匀采集受到心脏搏动运动和对屏气的不顺应性的严重影响，这导致许多器官例如肝和肺的显著运动。并且SNR足够低以至于通过结合从连续回波获得的重新配准的MR-强度曲线进行的运动校正是非常成问题的。类似地，使用MRI对早期疾病中的心脏纤维化的量的评估受测量时间内心脏搏动的严重妨碍。因为运动与高斯噪声不同，是一种非线性效应，它不能平均消除-必须有充分的信号水平以允许在对电子降噪进行平均之前再配准。需要能够评估从发作到晚期病变的纤维化发展的整个范围内的纹理变化的一种更敏感(更高SNR)的非侵入性技术，以能够诊断和监测治疗反应。

大量神经系统疾病的发作和进展与重复的精细神经元和血管结构/纹理的变化相关联。然而，在脑中评估此类变化的能力只有在死后才可用。当前，阿尔茨海默病(AD)的决定性诊断是通过脑组织的死后组织学。AD和其他形式的痴呆例如路易体痴呆、运动疾病例如肌萎缩性侧索硬化(ALS)、帕金森病、创伤性脑损伤(TBI)促成的病状例如慢性创伤性脑病(CTE)，以及由其他病变或创伤引起的那些，或涉及对脑结构损伤的病状例如多发性硬化(MS)、脑血管疾病(CVD)和其他神经系统疾病通常仅在晚期通过行为变化和记忆变化可诊断，排除了早期干预的能力。此另外，例如癫痫和孤独症的病状与精细神经元结构的异常变化相关联，这些异常变化如果是临床可诊断的，将允许用于测试治疗反应的靶向选择。

不同的体内诊断技术可用于AD和其他痴呆，但是它们都不是决定性的。这些技术的范围从易于出现大的评估误差的书面诊断测试到评估淀粉样蛋白斑密度或葡萄糖代谢(FDG PET)的PET成像。如前所述，PET成像极为昂贵，不能提供高分辨率，并且依赖于放射性同位素和定位x线束的使用，由于剂量问题使得纵向使用的批准复杂化。另外，淀粉样蛋白成像和FDG PET均未显示提供AD的决定性指示。(MOGHBEL,M.等人“Amyloid Beta imagingwith PET in Alzheimer’s disease:is it feasible with current radiotracers andtechnologies？[在阿尔茨海默病中使用PET的淀粉样蛋白β成像：使用当前的放射性示踪剂和技术是否可行？]”；Eur.J.Nucl.Med.Mol.Imaging[欧洲核医学与分子影像学杂志]。)

使用CSF生物标志物用于痴呆诊断是疼痛且具有高度侵入性的，并且不能通过脑中的解剖位置来区分信号水平，这对成像生物标志物是可能的。因为不同形式的痴呆被发现具有贯穿脑的不同的空间/时间进展，这是使用液体活检的严重缺点。与不同形式的痴呆相关联的另一种疾病是CVD(脑血管疾病)，CVD由于流过堵塞的通向脑组织的血管的血液减少而诱到认知障碍。这里需要能够高分辨率评估病变诱导的微血管里的变化的手段。

由于许多形式的痴呆包括AD中的萎缩症引起的组织收缩使用MRI中纵向采集的数据的仔细配准是可测量的，但是疾病到这种收缩是可测量的时候是行进性的。疾病的早期在死后组织学分析中通过皮质神经元的柱状排序的退化来指示，这些柱的正常间距在大多数皮质区域中为100微米左右。(CHANCE,S.等人；“Microanatomical correlates ofcognitive ability and decline:normal ageing,MCI,and Alzheimer’s disease[认知能力和衰退的微观解剖学相互关系：正常衰老、MCI和阿尔茨海默病]”；Cerebral Cortex[大脑皮质]，2011年8月。E.DI ROSA等人；“Axon bundle spacing in the anteriorcingulate cortex of the human brain[人类脑的前扣带皮质中的轴突束间距]”；Journal of Clinical Neuroscience[临床神经科学杂志]，15,2008。)这种纹理大小以及皮质极薄的事实使得采集速度至关重要，因为即使微小的患者运动将会使数据收集变得不可能。在体内评估数量级为几十微米的纹理变化是极成问题的，但如果可能的话，能够在神经元疾病诊断和监测中靶向一系列精细纹理变化，并且将在治疗发展中起重要作用。

要求保护的方法的另一种可能的神经系统应用是在体内确定大脑皮质的不同调控区域的边界或包括这些调控区域的不同的布罗德曼(Brodmann)区域。这种能力将极大地辅助脑功能研究中的数据解释，例如使用例如FMRI(功能磁共振成像)执行的那些研究。

上面列出的三类疾病，骨疾病、纤维化疾病和神经系统疾病不是一个详尽的列表。其中发生病变诱导的精细结构变化的其他疾病状态，例如一个肿瘤周围的脉管系统的促血管生长或响应于乳腺肿瘤发展的脉管系统和乳腺导管的纤维化发展和变化，也是其中有能力解析精细组织纹理将能够早期检测疾病并监测治疗反应的病变。

测量精细纹理变化的能力将对疾病诊断具有极大的价值。不依赖于使用电离辐射或放射性示踪剂的非侵入性技术为早期诊断和用于监测疾病进展和治疗反应的重复测量留出最大余地。提供可调谐的组织对比度的磁共振成像(MRI)正是这样一种非侵入性技术，没有辐射剂量问题。然而，为了克服由于患者运动引起的信号退化的问题，必须在先前不可能的一个时间标度上获取数据。

发明内容

通过采用增强被测量的多相生物样本中的组分类型之间的对比度的对比度的机制来完成用于选择性采样以使用磁共振(MR)评估组织纹理的方法。然后采用多个时变射频信号和施加的梯度来选择性地激发感兴趣的体积(VOI)。施加一个编码梯度脉冲以诱导相位卷绕来产生用于指定k值和取向的一种空间编码，该指定k值基于VOI内的纹理确定。启动时变系列的采集梯度以产生通过k值编码的3D k空间的时变轨迹，所得k值集合是产生VOI图像所需的子集。同时记录用k值集合编码的NMR RF信号的多个连续样本。然后对所记录的NMR信号样本进行后处理以产生由轨迹确定的k值集合中的k值的信号对比k值的数据集合，以表征VOI中的组织。

附图说明

当结合附图考虑时，在此披露的实施例的特征和优点将可以通过参考以下详细描述而得到更好的理解，在附图中：

图1是示出随着输入SNR变化用于平均以实现输出SNR≥20dB所需的数据样本的数量的一个模拟；

图2是示出随着k空间中的位置变化用于平均以实现SNR≥20db所需的数据样本的数量的一个模拟；

图3是用于要求保护的方法的脉冲序列的一种示例性时序图，示出了对一个单一TR的计时；

图4是图3的示例性时序图的一个特写；

图5是要求保护的方法的一种时序图的一个实例，该时序图被设计成采集一组选定的k值的多个测量值，其中在每个k值下采集不同数量的样本以抵消在增加k值时的能量密度的降低；

图6是示出由要求保护的方法提供的用于采集单一TR内的一个目标k值的许多重复样本的能力使得能够进行稳健的信号平均以提高SNR的一个模拟；

图7是示出尝试使用常规频率编码的回波方法采集用于平均的90个样本的结果的一个模拟，其中由于每个回波的长记录时间，在每个TR中仅可能采集一个特定k值的少量重复样本；

图8是要求保护的方法的被设计成在单一TR内的多个重聚焦回波上提供数据采集的一种示例性时序图；以及，

图9和10是用于采集的感兴趣体积(VOI)的两种可能形状的一种描绘；

图11是用于要求保护的混合方法的脉冲序列的一种示例性时序图，示出了对一个单一TR的计时；

图12是扩展规模的该方法的混合元件的一个详细视图；

图13是图12的非常低SNR采集模式部分的一个进一步详细视图；

图14是图12的低SNR采集部分的一个进一步详细视图；

图15是图12的高SNR采集部分的一个进一步详细视图；

图16是用于要求保护的混合方法的脉冲序列的一种示例性时序图，示出了在单个回波中的数据采集；

图17是图16的非常低SNR、低SNR和高SNR采集部分的一个进一步详细视图；

图18是用于低SNR采集的脉冲序列的一种示例时序图；

图19是图18的低SNR采集模式的一个进一步详细视图；

图20是用于高SNR采集的脉冲序列的一种示例时序图；

图21是图20的高SNR采集模式的一个进一步详细视图；

图22A和22B是健康骨结构和骨质疏松骨结构的图形表示；

图23是肝脏纤维化组织的图形表示；

图24是实现第一扩散对比度的脉冲序列的一种示例时序图；

图25是实现第二扩散对比度的脉冲序列的一种时序图；

图26是扩散在纤维化组织中的VOI的图形表示；

图27是大脑中的皮质微柱的图形表示；

图28是大脑中VOI放置的图形表示；

图29A-29C是三个组织学图像的表示，示出了伴随AD进展的渐进病变；以及，

图30是VOI在大脑皮质中的放置和k值梯度的施加的示例性表示。

发明详述

提供了在此所使用的以下术语的定义：

180⁰反相脉冲反转一个组织区域中的自旋以允许MR信号重聚焦的RF脉冲。

180⁰脉冲使反向平行于B₀的净磁场矢量翻转的一种RF脉冲

90⁰脉冲使净磁场矢量翻转到相对于B₀的横向平面中的一种RF脉冲

3T 3特斯拉

A/D 模数转换器

AD 阿耳茨海默病

ADC 在扩散加权成像中测量的平均系数

绝热脉冲激发 绝热脉冲是一类幅度和频率调制的RF脉冲，它们对6个不均匀性和频率偏移效应相对不敏感。

AWGN 加性白高斯噪声加性高斯白噪声(AWGN)是在信息理论中使用来模拟自然界中发生的许多随机过程的效应的一种基本噪声模型。

活检 活检是从身体提取以便更接近地检查的组织的一个样本。

C/N 对比噪声，基于结构单元之间的信号差异而不是基于整体信号水平的图像质量的一种量度

CAWGN 复值的加性高斯白噪声

CBF 脑血流量

化学位移 由于贡献于一种MR信号的核的不同分子环境引起的MR共振频率的小变化。

CJD 克-雅病

破碎梯度 在180⁰RF重聚焦切片选择脉冲的任一侧上施加的用于减少由脉冲中的缺陷产生的寄生信号的梯度。

CSF 脑脊髓液

DEXA 双能X线吸收法是一种使用两种不同能量的x线束测量骨矿物质密度的手段。

DSC 动态敏感对比

DTI 扩散张量成像

DWI 扩散加权成像

回波 RF脉冲序列，其中90°激发脉冲之后是一个180°重聚焦脉冲，以消除回波处的场不均匀性和化学位移效应。

频率编码 MRI中空间位置的频率编码是通过使用由机器梯度线圈诱导的补充磁场来完成的

高斯噪声 高斯噪声是具有等于正态分布的概率密度函数(PDF)的概率密度函数的统计噪声，该正态分布也被称为高斯分布。

梯度脉冲 改变k值编码的机器磁场梯度产生的脉冲

梯度组 围绕MR扫描器的孔的线圈组，该线圈组主要用于空间编码信号或者在选定的方向上设置特定的相位卷绕

GRE 梯度召回回波

交错采集 在单一TR内连续激发的、来自多个VOI的信号采集

等色线(Isochromat) 以相同频率共振的自旋的微观组。

k空间 MR成像的2D或3D傅里叶变换。

k值系数 反映一系列中每个指定的k值的相对权重的傅里叶级数或变换的系数。

k空间 MR图像的2D或3D傅里叶变换。

k值 反映一个纹理场中结构单元的间距的k空间中的一个点。

k值选择脉冲 用于沿着采样方向选择一个指定k值编码的梯度脉冲

k空间值库 在组织特定区域中采集的用于组织表征的k空间系数的净收集

机器梯度 通过在MR扫描器中使用梯度线圈组可实现的磁场梯度

MRE 磁共振弹性成像-使用声学剪切波测量软组织的硬度并使用MRI成像它们的传播的一种成像技术。

MRI 磁共振成像

MS 多发性硬化

噪声本底 在信号理论中，噪声本底是由测量系统内所有噪声源和不需要的信号的总合产生的信号的测量值

NMR 核磁共振

PET 正电子发射断层扫描是一种功能成像技术，该技术使用正电子发射放射性示踪剂在身体中产生功能过程的三维图像。

相位相干性(空间的) 当提及一个或多个k值的一个共同VOI内的多个测量时指示样本相对于测量坐标系具有相同的位置

相位编码 相位编码用于向一个横向磁化矢量赋予一个指定的相位角。指定的相位角取决于相位编码梯度内的横向磁化矢量的位置、梯度的幅度和梯度施加的持续时间。

相位卷绕 横向磁化的相位沿着相位编码样本的螺旋进动

螺距 参考螺钉的螺距，沿着k值编码的方向的相位卷绕的紧密度

曲线 信号强度的一种一维图

RF 射频电磁信号

半晶体纹理 沿着一个或多个方向表现出整齐间距的纹理

切片(厚片) 可互换地用于指示非零厚度的平面截面

切片选择性重聚焦 通过一个切片选择性梯度和一个RF脉冲的组合的自旋的重聚焦，该组合使得RF脉冲的带宽沿着梯度方向选择一个厚度，并且RF脉冲使净磁化矢量翻转远离它的平衡位置。只有在与RF脉冲相同的频率下处理的那些自旋将受到影响。

SE 自旋回波

SNR 信噪比

扰流梯度 参见破碎梯度

T2 定义为由原子或分子水平下的自然相互作用引起的横向磁化的衰减的一个时间常数。

T2* 在任何实际的NMR实验中，横向磁化衰减比通过自然原子和分子机制预测的快得多；这种速率表示为T2^*(“T2-星号”)。T2^*可以被认为是“观察到的”或“有效的”T2，而第一T2可以被认为是被成像的组织的“自然的”或“真实的”T2。T2^*总是小于或等于T2。

TBS 骨小梁评分是在DEXA信号中寻找与用于评估骨健康状态的骨微构筑相关的纹理模式的一种技术

TbTh 用于骨测量的小梁厚度。

TbSp 用于骨测量的小梁间距。

TbN 用于骨测量的小梁数量。

TE 自旋回波序列有两个参数：回波时间(TE)是90°RF脉冲与MR信号采样之间的时间，对应于回波的最大值。在时间TE/2处施加180°RF脉冲。重复时间是两个激发脉冲之间的时间(两个90°RF脉冲之间的时间)。

纹理频率 在一种纹理中每单位长度的纹理波长重复样本数

纹理波长 在一种纹理中结构单元之间的特征间距

TR 自旋回波序列有两个参数：回波时间(TE)是90°RF脉冲与MR信号采样之间的时间，对应于回波的最大值。在时间TE/2处施加180°RF脉冲。重复时间是两个激发脉冲之间的时间(两个90°RF脉冲之间的时间)。矢量组合梯度由梯度线圈组的任何矢量组合产生的一种磁梯度

VOI 感兴趣的体积

窗口函数 在信号处理中，窗口函数(也称为变迹函数或渐变函数)是在一些选择的间距之外为零值的一种数学函数

X线衍射 X线衍射是用于鉴定晶体的原子和分子结构的一种工具

在此披露的实施例提供了一种基于MR的技术，该技术能够进行精细生物纹理的体内、非侵入性、高分辨率的测量和评估，从而实现监测响应于一系列病变中的疾病发作和进展的纹理形成和/或变化。该相同方法可以应用于其他生物和物理系统中的精细纹理表征。它使得精细纹理的基于MR的分辨率能够达到以前在体内成像中不可达到的大小标度。虽然在此相对于用于检查组织的生物系统描述，方法同样适用于一系列工业目的中的精细结构的评估以及需要测量精细结构/纹理的其他用途，这些工业目的例如测量制造业或地质学中的材料特性以表征不同类型的岩石。

在此要求保护的方法通过足够快地采集必要的数据以使得受试者运动的影响即限制MRI分辨率的因素变得可忽略，来实现精细纹理的体内分辨率的这种显著改进。这种快速采集通过在一个TR内-的单个位置、取向处以及在一个时间处的一个k值或一组选定的k值下-递增地采集数据来实现。在施加用于选择感兴趣的k值的编码梯度之后，在关闭梯度的情况下采集数据，允许用于随后平均以减少电子噪声的编码k值的多次采集重复样本，从而在可以发生运动模糊之前实现对单个k值的稳健测量。为了对组织内存在的更大的一组选定的k值建立测量，或者针对组织内的纹理间距的一个连续谱的发展建立测量，采集TR可以根据需要重复多次，根据需要改变编码以跨越所需的实空间和k空间的所希望程度。由于在没有运动影响的情况下平均重复样本的能力，从每个TR输出的一个或多个k值的组现在都是高SNR，并且因为感兴趣的测量是纹理间距并不是图像的发展，TR之间缺乏相位相干性不是关注点。

在最简单的形式中，在此要求保护的方法包括从一个内部体积内采集MR信号以包含一个感兴趣的指定组织区域，例如一个病灶、一个器官、一个器官中的一个位置、骨的一个指定区域或用于采样的一个患病器官中的多个区域。此内部体积可以通过多种方法中的一种来激发，这些方法包括但不限于：相交的切片选择性重聚焦、组合适当梯度使用相控阵列发射的选择性激发、用于扰乱来自该感兴趣区域之外组织的信号的绝热脉冲激发、外部体积抑制序列以及选择性地激发内部体积中的自旋的其他方法，包括物理地分离感兴趣的组织等等。

在限定一个感兴趣体积(VOI)之后，关闭梯度，并且采集以一个指定k值为中心的多个信号样本，该指定k值的扩展由接收器BW和采样长度限定。此测量仅在VOI内的指定方向上重复，而不是如生成一个图像所需要的那样试图映射所有k空间。在单一TR期间在采集块内采集一个特定k值的一个或多个样本，并且k值随后进行递增或递减，从而给予相同TR期间的如所希望的其他k值的另外的多个样本。此方法允许在毫秒的时间段内对每个感兴趣的k值进行多次采样，提供对受试者运动的免除性。然后可以在另外的TR中重复该过程，对k值采集之间的运动的要求仅是VOI保持在感兴趣的组织区域内。可以在不需要以一种空间相干方式采集空间频率的幅度谱的情况下，完成空间频率的幅度频谱的建立。因为感兴趣的量是存在于样本体积中的各种k值(纹理间距)的相对强度，只要采集体积保持在组织的一个代表性样本内，块之间的任何运动都不会损害测量。在其中运动足够大幅度使得内部激发的体积可以在建立包含在组织中的k值的频谱的过程中移动到其他组织体积中的情况下，相当稳健的实时引导检查和采集算法的使用可以用于内部选择性激发的体积的总体重新定位并且用于去除未能保持在适当组织中的数据组。

重新定位VOI以允许在一个器官或解剖结构内或分布在一个器官或解剖结构上的多个位置处的纹理采样允许通过该器官确定病变变化。参考定位图像，所采集的数据可以在空间上进行映射。通过在下一个TR之前恢复信号的时间期间激发另外的体积，可以在连续的TR中移动VOI或者在单一TR内进行交错采集。要求是在新组织中激发连续的不与先前切片选择重叠的VOI。病变的空间变化可以通过这种方法来确定。如果测量被纵向重复，这也可以用于通过一个器官监测病变的时间进展。

调整脉冲序列至样本体积中的预缠绕相位将感兴趣的最高k值定位在信号最强的回波峰处，提供最佳SNR测量。

在研究中的体积内沿不同角度的多个方向以及沿不同的路径(直线或曲线)的k值的采样可以产生关于纹理，尤其是在指定方向上具有半有序结构例如神经元微柱的纹理的重要信息。与柱状间距相关联的k值的测量对于采样路径的对准极为敏感，因为垂直的任一侧上采样方向的轻微变化都显示出该k值的信号的一个快速下降。在信号最大值的任一侧上摇动采集路径可以产生对病变诱导的随机性的测量，该随机性由峰的宽度指示。

在用于数据采集的梯度关闭的情况下，当已知研究中的结构的化学组成时，将带宽调谐到特定化学物质可以增强结构信息。

在此要求保护的方法可以与靶向血流的时间依赖性对比方案结合使用。这些对比技术中的一些是血氧水平依赖(BOLD)成像、动脉自旋标记(ASL)成像和动态敏感对比(DSC)成像。由于这些方法使用不同的技术突出脉管系统，可以测量与许多病变(包括CVD(脑血管疾病))和肿瘤生长相关联的脉管系统的纹理的变化。

在此要求保护的方法也可以与其他基于MR的测量技术(包括DWI和DTI)组合使用，以提供关于扩散技术的参数选择以及与它们与组织健康状态的测量的相关性的前端信息。

在使用数量级为毫秒的总时间上采集一个块的情况下，单个k值的快速重复测量将患者和机器运动诱导的模糊减少到一个可忽略的水平，实现对先前在体内不可接近的精细纹理的稳健评估。(出于比较，标准MR成像采集时间在要求患者保持完全静止的持续时间上要长得多。)通过在块内的每个k值处的单独的样本的组合，显著地改进所测量的每个k值的SNR；现在可以在不考虑受试者运动的情况下完成这种平均，受试者运动由于块中的单独的样本的快速顺序采集而被消除。

SNR的这种显著改进是可能的，因为在此要求保护的方法重点在于仅采集感兴趣的k值用于确定细纹理病变特征，而不是在于采集图像形成所需的大量整个空间编码回波。显著减少的数据矩阵使得在目标k值下的重复样本数量增加，并且因此显著改进SNR。

在一系列纹理间距内的能量密度与纹理波长成正比，或与k值成反比-即k值越高，相关联的信号强度越低。通过使用在此要求保护的方法实现的快速采集能够在T₂和T₂ ^*效应已经减少信号幅度之前调整在一个指定k值处的采集重复的数量以采集首先具有低信号的k值。以此方式，用于噪声消除平均的(或者在将每个重复的SNR与来自随后的TR的k值的测量值组合之前进行空间相位校正的)每个重复的SNR都将高于该阈值。在不同k值下的采集周期之间存在运动并没有关系，只要每个采集位于感兴趣的组织体积(VOI)内。因为要求保护的方法仅靶向病变诱导的组织纹理变化的评估，在数据采集的一整个周期内不需要如成像所需那样相位相干。

对于一个减小的体积(VOI)中的单个k值采样，若干个益处由在梯度关闭之后采集数据产生。通过适当的脉冲排序，可以设计回波记录窗口，使得记录从感兴趣的最高k值开始，因为信号水平在回波峰值处最高。这能够进行当前用体内MR成像无法实现的对精细结构的记录。

另外，T2^*随着梯度关闭变得更长，因此通过更长的采集时间可能改进SNR。这允许采集增加的样本数N。

线圈组合也通过针对每个k值具有更高的SNR而被简化，因此提供了总体SNR的显著改进。这是特别有益的，因为MRI的趋势是朝向由许多小元件线圈组成的线圈阵列。因为在此要求保护的方法中的靶向的采集体积小，不需要对整个样本体积上的相位进行校正。仅需要针对每个线圈的一个相位和增益值来组合多个元件通道。这些可以使用最大比值合并(MRC)方法或者其他多信号组合方法来组合，该MRC方法对具有最高SNR线圈进行最大加权。(给定线圈阵列的元件的相位和增益可以由一个体模(phantom)一次确定并施加至患者数据。)

一个标准MRI扫描中的信号采集和数据采样是通过施加与回波同时发生并且与这些回波按序排列的梯度序列采集多个回波的复值样本来完成。成像依赖于编码维度之一的频率，因为这允许用每个相位编码而不是单个点来采集k空间中的一条线。对于3维成像，k空间中的两个维度通常依赖于相位编码来生成k空间的目标填充，其中第三个维度为频率编码的。成像中的相位编码采集通常需要在每个相位编码方向上采集256个左右的k值，因此是一个相对较慢的过程。临床MRI扫描产生一个图像花费10-15分钟左右。图像构造的目的是采集足够的k空间覆盖以填充2维或3维傅立叶级数中的所有系数，这就是为什么标准MR分辨率受到受试者运动限制。

在此要求保护的方法与标准MR数据采集形成直接对比，其中标准MR数据的焦点在于图像生成。图像形成受到在采集所需的大数据矩阵所需的长时间内由受试者运动导致的模糊的困扰。因为在此要求保护的方法的目标是纹理而不是图像，对受试者运动的唯一要求是，在采集数据的过程中采样体积保持在类似组织特性的一个区域内。与结构相位相干的要求相比，这是一个不那么严格且容易实现的目标，因为可允许的运动的标度于是足够大并且具有一个时间顺序，以通过实时运动评估和校正技术可以很容易地可校正。在此要求保护的方法的采集速度使得在大多数情况下，根本不需要实时运动校正。虽然其他方法重点在于图像的后处理以尝试提取纹理测量值，在此要求保护的方法消除了对图像生成的需要，而是焦点在于直接测量纹理从而实现更灵敏和稳健的测量。

通常，k空间采样被认为与在存在一个梯度组下对回波采样同义。在在此要求保护的方法中，k空间填充的方法是仅采集在目标病变中的纹理评估所需的k值组，其中数据在梯度被关闭之后采集。此方法能够如此快速地采集用于平均降噪的单个k值重复样本使得受试者运动不使数据退化。

连同由单独采样k值产生的SNR的巨大改进，在单一TR中采集一组选定的k值的许多重复样本的情况下，在梯度关闭之后的采集允许SNR的进一步显著改进，并且因此增加测量稳健性。这在以下讨论中进行解释。

MR回波采样提供相对于一个时间依赖性回波的时间的指定样本。回波包含同时(对于频率编码轴)和之前(对于相位编码轴)施加的梯度，但是也含有与样本的不同化学物质相关联的等色线，以及与自旋-自旋相互作用相关联的包络(T2和T2^*)。

常规的频率编码自旋采集对样本强加一个时变梯度，该梯度有效地沿着预定的路径在k空间中行进。对于直线采样，该路径沿着一条直线。

频率编码在一个给定时间点处在一个指定k值处仅产生一次测量，所采集的回波样本表示对应于指定k空间位置处的傅立叶系数的一个值。下一个回波样本表示在一个不同k空间位置处的值，下一个k值依赖于同时施加的梯度的斜率。只要在相应的k值处存在足够的信号，这种方法就工作良好。然而，在感兴趣的信号接近或甚至低于噪声本底的情况下，通常将会需要另外的样本和随后的后处理。

在一个频率编码梯度读出中降低噪声本底的一种方法是降低梯度强度并减少接收机带宽。降低接收机带宽将会真正地降低噪声水平，并改进较低的信号水平检测(与项k_BTB成正比，其中k_B对应于玻尔兹曼常数，T对应于开尔文温度，并且B是以Hz为单位的接收机带宽)。然而，此举是以较大的化学位移伪影为代价的。

化学位移伪影由于与生物样本内不同化学物质相关联的不同等色线而出现。在一个频率编码的k空间读出中，以一个稍高频率共振的那些化学物质将看起来从它们在图像空间中的实际位置朝向增加频率的方向移位。如果空间频率编码梯度较浅，表观位移可能相当大。

这样，为了使化学位移伪影最小化，通常使梯度斜率尽可能陡峭，以将表观位移最小化到一个窄范围内(即，在图像域中的1个或2个像素内)。然而，这因此需要一个较大的接收机带宽以适应较大的频率范围。这进而在与接收带宽成正比的一个水平下增加总体噪声本底。

结论是频率读出通常迫使在梯度强度、噪声水平和化学位移伪影之间进行权衡。

用于在信号采集中降噪的一种常见技术是通过对一个信号重复采样并且随后组合该多个测量值。对于线性噪声源例如高斯噪声，此技术通过消除信号上的随机噪声来改进SNR，消除效应随着样本数N增加。

通过这种消除技术进行的降噪适用于静态受试者。然而，运动诱导的模糊是一种非线性效应，因此单独的测量已移动通过大的空间相位角(相对于研究中的纹理/结构波长)的信号组合不会产生一个改进的SNR。校正运动的一种相当标准的技术是查看实空间中的MR强度数据，并且彼此重新配准连续的迹线/图像以使重叠最大化。假定，与白噪声的减少一样，这些重新配准的信号的线性组合将使得由运动引起的模糊的减少。然而，这只有在每个单独采集的SNR足够高时才有效。重新配准低SNR样本导致估计位置的一个高方差。阈值理论定义当原始信号低于某一噪声阈值时，将重新配准的信号与非线性模糊组合仅增加信号误差。

因为运动诱导的纹理相位移动随着k增加-即随着感兴趣结构的大小减小运动的不利后果变得更加尖锐，由受试者运动引入的非线性在更高的k值处增加。这意味着要组合的多个样本需要来自在一个足够短的时间跨度内采集的相同采集序列，以确保样本之间存在可忽略的运动。

克莱姆-拉奥下限(Cramér-Rao Lower Bound)提供了对加性高斯白噪声(AWGN)中的估计值的剩余方差(即SNR相对于样本数量)的下限所需的样本数量的理解。对于AWGN中的低源SNR，需要大量的样本进行平均以获得一个可用的SNR。主要的假设是可以进行多次采集，然后进行平均以实现更高的SNR。(H.；“Mathematical Methods ofStatistics[数学统计方法]”；Princeton University Press[普林斯顿大学出版社]，1946.RAO,C.R.，“Information and the accuracy attainable in the estimation ofstatistical parameters[在统计参数的估计中可获得的信息和准确度]”；Bulletin ofthe Calcutta Mathematical Society[加尔各答数学学会通讯]37,1945。)

参考附图，图1中的图将迹线102中所示的输出SNR与迹线104中所示的所需样本数量进行比较，证实对于高输入SNR，单个样本足以产生一个低噪声测量。对于较低的SNR，需要多个样本来“平均”噪声贡献。组合样本的能力明确地假设在多个样本采集过程期间感兴趣的基础信号相对恒定(即，改变的唯一组分是噪声)。

图2中的图是使用信号模型的一个模拟(迹线202)，提供了一个输入SNR(迹线204)，示出随着k空间中的位置变化产生20dB的SNR需要的k值的样本数量(迹线206)，考虑的是一个3mV rms的输入噪声水平。因为频谱能量密度通常与k^-1成正比，为了保持足够的SNR，在较高空间频率(较高k值)下需要较大数量的输入样本。在k＝2个周期/mm(λ＝500μm)下，模拟的噪声水平调整为～10dB SNR。

如以上所指出的，对于在数据采集的时间跨度上不发生目标组织的移位或变形的纯静态样本，这种类型的平均是可能的。然而，对于体内应用，即使患者是顺应性的，也会发生自然运动。随着感兴趣的纹理间距减小，运动的不利后果变得更加尖锐。更确切一些，这种类型的平均是基于以下假设：基础信号在整个采集中是相同的，并且只有零均值、复值、加性的高斯白噪声(CAWGN)改变。如果信号本身改变，结果将不仅是噪声的平均，而且是基础信号的N个不同型式的平均，这实际上不会改进SNR。

使用低SNR样本来估计和校正运动将导致估计位置的一个高方差。这进而在“校正”采集中产生一个大的方差，并且当这些采集被平均时不产生SNR的预期增加。这意味着多个样本需要来自相同的采集序列，其中样本之间的运动极小。这通过在此要求保护的方法来实现。

随着结构波长越短，问题变得越尖锐。认为两种采集目前无噪声，其中一个已经移位了量d。对于一个给定的k值，试图平均它们产生：

Y(2πk):＝S(2πk)[1+e^-j2πkd]/2 (0.1)

其中S(2πk)为复值信号，并且Y(2πk)表示两次采集的平均值。

这可以表示为：

Y(2πk):＝S(2πk)e^-jπkdcos(πkd) (0.2)

这示出了由于位移d导致的幅度衰减和相位移动。将幅度衰减限制为本底值a，其中0＜a＜1，将d限制为：

这示出了对于一个给定的幅度误差，可允许的位移随着k值的增加而减小。这是因为，感兴趣的纹理间距越小，在数据采集的过程中可容忍的运动越少。

为了处理这个问题，在此要求保护的方法中采取了一种替代方法，该方法是免除频率编码读出并且对指定k空间点进行采样，每次在单个空间位置和取向处的感兴趣的每个k值下采集一个或多个测量值。

在标准MR实践中的一个给定采集内，存在回波的被采集的M个样本。代替在每个k值下采集一个样本，N≤M的这些样本可以用于估计在指定k值下的(复值的)基础信号值。一个采集内的多个样本可以进行组合，与跨越采集相比具有更小的运动问题，因为它们在时间上更接近。

如果整个回波用于测量一个k值，可以调整接收带宽以便通过基础NMR频谱中最高丰度的共振峰，并衰减高于它们的频率。

取一个直线MRS频谱(无结构相位编码)，将会产生主要由以下项组成的一个频谱：对应于H₂O的峰(具有δ＝4.7ppm的化学位移)，以及对应于出现在脂肪中碳-氢键(例如CH3、CH2、CH＝CH等)的峰，每个碳-氢键具有在从0.9-5.7ppm范围内的一个不同的化学位移，其中最高丰度的共振来自在δ＝1.3ppm处出现的脂族链中的CH2。

假设使用3T机器，因为氢的磁旋比为γ＝42.576MHz/T，化学位移值在166Hz(对于CH2)至600.3Hz(对于H2O)的范围内。只要使用超过600.3Hz的一个(单侧的)接收机带宽，H2O峰将通过。假设基带采样，这意味着采样率>1.2kHz(注意，如果使用复基带采样，理论上这可以减少约1/2。)。这里的重点是，这种方法可以使用一个窄带宽，并且采样速率在800μs左右。从而减少了信号上的噪声，并且k值采集数据的多个重复样本以毫秒为单位进行采集，从而使采集的数据不受患者运动的影响。为了比较，在约30ms的TE和500ms-2000ms左右的TR下进行单次成像采集。为了采集信号平均所需的重复样本可能需要几分钟-其中呼吸、心脏和颤搐运动通过运动诱导的模糊限制分辨率的一个时间范围。要求保护的方法能够采集具有非常低的信号水平的k空间区域中的值，这些非常低的信号水平例如针对较高的k值(较短的纹理波长)-迄今仍然难以捉摸的精细纹理范围-将会存在。

为了最大化信号，选择非零的丰度频率。一般来说，这不对应于仅对所采集的所有样本的平均。相反，它类似于一个匹配滤波器，该滤波器被“调谐”到感兴趣的频率，从而对应于感兴趣的指定化学物质。

作为附注，可以提取完整的NMR频谱(没有任何相位编码梯度：只是体积选择)以获得基础信号强度(和相关联的频率)的一个基线，该基线进而将被空间调制，从而通过对研究中的结构单元中期望的化学物质的知识提供对纹理波长的理解。

可以通过采集回波的N个样本，然后采取傅里叶变换来提取感兴趣的等色线。因为回波是在没有梯度的情况下进行的，在感兴趣的等色线处的所得信号的强度将对应于感兴趣的(复值的)k值系数。

考虑到目标是提取纹理波长的相对幅度，所需的信息只是相对于纹理波长测量的幅度。然而，为了提取足够的信号强度并将其与基础噪声本底区分开，必须保留复数相量值直到结束。

噪声本底、信号强度(在其中存在化学物质的丰度的指定等色线处)、所需样本的数量和最大容许误差之间的关系可以近似为

其中σ²表示噪声方差，|A|²表示感兴趣的一个或多个等色线的平方幅度，并且0＜ε＜1表示估计值的可允许误差。进一步假设噪声主要来源于生物样本，这可以进一步近似为：

其中NF_有效为接收器的有效噪声指数，k_B为玻尔兹曼常数，T为生物样本的开尔文温度，并且B为接收器带宽。在这种情况下，N可以用作为了创建合理的估计需要在一个给定采集中采集的样本数量的一个指导。

如果所需的样本数量超过了一次采集中可用的数量，在采集之间的空间再配准之前，可能需要来自单次采集的测量值的组合以使信号最大化。需要两个或更多个采集组之间的合理估计和位移校正。来自单一TR块的在单个k值下的测量值的组合现在可以用于提高SNR，使得连续TR之间的再配准具有一个更大的成功机会。

虽然在一个回波或整个TR中采集的整个样本组可以被分配用于k空间中的一个系数的估计，如果可以使用少于回波样本的最大数目的数目来估计可接受的值，则它开辟了能够在一个指定回波或TR内的k空间中采集多于一个的系数的可能性。

图3示出了用于使用在此要求保护的数据采集的脉冲序列的一个示例性时序图。采用迹线302中包括的RF脉冲来激发如在典型的MR成像中所研究的组织的选定体积。第一RF脉冲304与以迹线306表示的第一磁场梯度上的梯度脉冲308同时发射。这激发了组织的一个单个切片或厚片，该切片或厚片的定位取决于该第一梯度的取向和幅度以及包含在该RF脉冲中的频率。负梯度脉冲(脉冲310)使该激发在切片或厚片的限定厚度内重新定向。

为第一RF脉冲304幅度的两倍的第二RF脉冲312与以迹线314表示的第二梯度上的梯度脉冲316同时发射，激发自旋的一个切片选择性重聚焦，此第二组织切片与第一组织切片相交。(由于此第二RF脉冲312使净磁矢量翻转至反平行于B₀，此举导致自旋反相和随后的重聚焦，从而在180度RF脉冲之后的一个时间处产生一个信号回波，该时间等于位于90°RF与180°RF脉冲之间的时间。)在梯度脉冲316的开始处的初始较高值梯度脉冲318是破碎梯度或“扰流”梯度，该梯度被设计成在整个组织体积上诱导一个大的相位卷绕。在脉冲316的后端处的一个类似梯度脉冲322解绕该相位卷绕，该脉冲316在180度RF反相脉冲之后出现。以此方式，在180度RF脉冲之前不存在的任何激发，例如来自180°脉冲自身中的缺陷的激发将不具有这种预编码，所以不会被第二破碎梯度重聚焦，因此不会对信号有影响。总之，第二RF脉冲与施加的第二梯度组合在由第一切片和由第二梯度设置的第二切片的相交所限定的一个区域中提供信号的切片选择性重聚焦。

在迹线314上的一个编码梯度脉冲326沿着梯度脉冲326的方向设置一个初始相位卷绕，由此设置k值编码。一般来说，k值编码可以通过机器梯度的矢量组合在任何方向上取向，但为了便于可视化，表示为在第二梯度上。

与由迹线330表示的第三梯度上的梯度脉冲332组合施加的重聚焦第三RF脉冲328限定第三相交切片选择性重聚焦，从而限定VOI。梯度脉冲332再次采用破碎梯度。

负预相位梯度脉冲326缠绕相位，使得在第二180°RF脉冲之后的信号回波处，信号采集以高k值开始，然后该高k值可以随后递减(或者递增或改变取向)以进行进一步采集，如下所述。由于信号中的能量密度通常与k^-1成正比，此方法确保在T₂效应引起大量总体信号减少之前首先采集具有较低SNR的k值。

在所有梯度关闭的情况下，打开一个接收门333以接收RF信号，该RF信号在图3中被示为迹线336上的脉冲334。迹线336中的RF信号是仅示出存在于接收门窗口中的信号的一种表示，而不示出窗口外的RF信号的实际细节。采样如由迹线338表示的那样发生，从在迹线324上看到的初始k值340a开始。注意，在附图的标度上，采样速率足够高使得模数转换器(A/D)的各个触发在迹线338中合并在一起。(下面描述的图4中的扩展时间标度示出了单个A/D触发。)

在其中对应的系数足够大使得它们可以使用一个回波的一个小样本子组来良好地估计的k空间的区域中，完成另一个k值的采集，该另一个k值通过施加在迹线314上示出的一个梯度脉冲342a以在记录回波的时间期间选择新一个的k值来获得。在一个合适的稳定时间之后，可以收集回声的另一个样本组(现在来自新的k值系数)。可以重复此过程，在一个TR内在一组选定的k值中的每个下采集多个样本。在初始k值340a处提取多个样本。然后施加一个k值选择梯度脉冲342a，并且对所得的k值340b进行采样。(尽管在图中被示为在第二梯度上的一个负脉冲，使k值递减，实际上，可以通过梯度的任何矢量组合设计此脉冲和随后的k值梯度脉冲以选择任何k值或取向。)类似地，k值选择梯度脉冲342b选择由A/D采样的第三k值340c。每个梯度脉冲改变相位卷绕，从而选择一个新的k值。施加一个k值选择梯度脉冲(342c-342f)接着进行对所得的k值系数多次采样，这两个步骤按照需要重复多次。虽然自始至终数据被采集，在所有梯度都关闭时采集感兴趣的样本。用于切片和k值选择的梯度取向可以与机器梯度一致，该机器梯度被配准为与B₀场一致或正交。可替代地，可以使用作为所有三个机器梯度轴的一个矢量组合的梯度来选择采集方向和k值编码。

在希望测量一个低SNR k值的情况下，可以设置预缠绕编码的梯度脉冲，使得待测量的第一k值是希望的低SNR k值。可替代地，预缠绕梯度脉冲可以设置为零，使得测量的第一k值为k0。为了确定系统接收器对特定VOI的敏感性、确定等色线(例如，水相对于脂质)的相对分布而不考虑VOI中的纹理，或为了建立用于在一个VOI中测量的其他k值的归一化或用于与来自其他VOI的k值进行比较的一个参考值，可以希望一个k0的测量。此外，用于汇集针对一个VOI的一组指定的k值的一种策略可以包括测量第一组多个TR中的低SNR k值(通常为较高的k值)，并且然后在保持在相同VOI中的同时测量其他TR中的k0和其他较高的SNRk值。

如图3中图解性地示出，信号在自旋回波时达到一个最大值。还图解性地示出了信号在一个k值的多个RF测量的采集期间一直是变化的，并且在k值的连续的测量块之间更是如此。低SNR k值的测量的时间与最高回波信号的对准提高了k值测量的SNR，或者，较高SNRk值与较低回波信号的对准允许在回波期间汇集另外的有用k值采集。

图4示出了在7.25与8.00毫秒之间的RF采样窗口338的初始部分期间图3的脉冲序列的特写。在所有梯度关闭的情况下快速连续地提取的相同k值的多个样本提供了用于信号平均以在低SNR时减少AWGN的输入。在采样窗口338的第一块344a中，提取第一k值340a的多个样本346a。在施加k值选择梯度脉冲342a期间，提取转换样本348a。当k值选择梯度被关闭时，在第二k值340b处提取多个样本346b。然后，k值选择梯度脉冲342b的施加与相关联的转换样本348b一起发生，并且在梯度被关闭之后随后采集第三k值340c的样本346c。由于用于在每个给定k值处采集数据的非常短的时间窗口，基础信号受到运动的影响最小。因为数据在梯度关闭的情况下采集，所以没有化学位移的问题，并且有效T₂ ^*更长，提高了信号值。

在k值选择梯度脉冲倾斜上升、保持稳定、并且然后倾斜下降到零时采集的回波的采样值将必然受到施加的梯度的影响。这些转换样本可以提供其他有趣的信息，但是不在考虑k值系数的直接测量中使用；仅在当前没有活动的梯度时记录的那些样本用于此测量。

可以在每个k值处采集一致数量的样本，或者可以采用一个替代序列，其中，随着k值减小，信号幅度因此增加，采集到更少的样本。在图5中示出了设计用于这种类型的采集的一个脉冲序列。在所有的梯度关闭的情况下快速连续地采集在采集中靶向的每个k值的多个样本。这些重复样本提供了用于低SNR信号中的信号平均的输入。与图3和图4中所示的脉冲序列一样，由于对一个给定k值采集数据的非常短的时间窗口，基础信号受到运动的影响最小。

图5中概述的样本窗口344a-344g的部分内的样本对应于针对一个给定k值340a-340g采集的样本数量，给定k值340a-340g中的每个由k值选择梯度的解绕脉冲342a-342f诱导。可以基于期望的SNR、组织对比度、对比噪声、病变、纹理大小和/或纹理带宽来选择与一个给定k值相关联的样本的数量N_k。对于图5中的实例，可以看出，对于逐渐更小的k值(更大的纹理特征)提取减小数量的样本。这是因为，如先前所讨论的，对于一阶信号，幅度随着k值减小而增加-能量密度通常与k^-1成正比。由于这个相同的原因，在此方案中首先采集较大的k值，当T2效应最小时，在采集中稍后记录了较长波长、较高信号强度、k值。

重聚焦回波和/或一个新的TR可以用于建立一个k空间样本的库。可以通过施加多个重聚焦梯度和/或RF脉冲来有利于在一个TR内的多个k值的采集，以增加另外的k值可以在一个TR内被采样的时间。这些后来的回波可能将用于采集选定的组中较低k值的系数，因为在值连续体中这些较低k值的能量密度通常较高，所以T₂衰减对整体信号的影响将不会如较高的k值那样严重地影响它们。在这种方式中，可以在更少的TR上完成所需的k空间填充的较大部分，从而允许更快速的数据采集，最小化重新定位VOI的需要。

图8示出了在此要求保护的方法的基本序列的扩展，使用自旋回波重聚焦扩展TR的记录时间。一个重聚焦RF脉冲802与一个相关联的梯度脉冲804的施加产生了切片选择性重聚焦。在一个适当的稳定时间之后，由接收门808打开第二采样窗口806。施加多个k值选择梯度脉冲810以递增选定的k值，并且在关闭每个连续梯度脉冲之后，在采样窗口中采集选定的k值的多个样本。具有相关联的梯度脉冲814的第二切片选择性重聚焦RF脉冲812再次反转自旋，在施加多个k值选择梯度脉冲820中的每一个之后，在由接收门818打开的第三采样窗口816中采集数据。如附图所示，可以在每次重聚焦时采样增加数量的k值。可以重复重聚焦，直到由于T2和其他效应导致的信号水平减小使得另外的信号采集无效。另一种通过激发多个信号回波来延长记录时间的方法是使用一个或一系列梯度召回回波(GRE)。GRE与SE的不同在于它们不能重聚焦静态不均匀性的效应，所以T2^*效应限制重复样本的数量。

除了可用的组织对比度之外，与特定病变相关联的k值将是确定信号平均所需的样本数量N_k的一部分。在肝纤维化中，相关纹理的波长在400微米的范围内，即，一个2.5个周期/mm的k值。这类似于在许多其他疾病例如心脏纤维化中的纤维化发展中所见的纹理间距。骨小梁中单元的间距变化很大，但是感兴趣的最小间距是小梁单元的宽度，该宽度为大约80微米，从而设置了一个12.5个周期/mm的最大k值。在神经病变中，许多感兴趣的纹理非常精细，在50微米的标度上，相当于20个周期/mm的k值。

每种病变将指定确切需要什么作为定量数据，即，需要监测k值连续体的哪部分，以及用什么样分辨率和灵敏度。在一些病变中，短(长)波长特征在损害长(短)波长特征的情况下增加(例如肝纤维化)。在其他病变中，短波长特征的幅度减小和扩宽指示疾病进展-例如，有序形成的皮质神经元微柱(大约80微米间距)的退化与进行性痴呆。在骨中，随着年龄的增加，首先最高的k值特征在结构频谱中消失。接着主要结构峰值随着进行性骨质疏松而缓慢朝向较低的k值移动，此移动的速度随着小梁单元变薄到它们断裂的程度的百分比的增加而加速。

可获得的信号水平在某种程度上取决于解剖学。例如，尽管所需的分辨率在脑中最高，但是皮质与头部表面的接近确保使用表面线圈将为皮质结构提供显著的信号增强。在肝脏中需要较低的分辨率，因为感兴趣的结构的数量级为几百微米而不是几十微米。但是，器官是较深的(离线圈更远)，减少了测量的信号。使用用于脊柱数据采集的内置(in-table)线圈产生适度的信号水平和良好的稳定性。此外，骨是一种高对比度靶标，所以SNR要求不是那么严格。由于所有这些原因，平均所需的重复样本的精确数量不仅取决于目标的k值范围。

图6示出了证明由要求保护的方法提供的用于采集单一TR内的一个目标k值的许多重复样本的能力使得能够进行稳健的信号平均以提高SNR的一个模拟。假设受试者位移速率为30μm/s(已在实践中在几个扫描的过程中临床测量的)并且采样速率＝33.3kHz(ΔT样本＝30μs)，可以足够快地提取用于平均的90个重复样本，使得甚至达到20个周期/mm的一个k值(纹理波长＝50μm)时，采集保持为不受运动效应的影响。

图7示出了，出于比较，使用一个空间编码回波的常规采集方法，甚至假设一个相对快速的梯度重聚焦序列，该梯度重聚焦序列将提供一个约67Hz(ΔT样本＝15毫秒)的采样速率，在90个重复样本所需的时间内的受试者运动将严重退化信号以及通过信号平均来改进SNR的任何能力。这种情况实际上由于以下事实变得更糟：使用常规的空间编码回波来采集90个重复样本将需要几个TR，使得采集时间显著更长，并且使得信号退化由于运动变得更为严重。除了非常低的k值，由于多个样本组合产生的潜在SNR增益已经被运动的效应抵消。

通过采集足够大的选择范围的k值，在一个或多个维度上构造结构曲线成为可能。如以上所讨论的，在单一TR或多个TR内的重聚焦回波可以用于建立一个k空间样本的库。如果在时间上分离的TR中采集不同的k值，使得在它们之间发生位移，则可能在不同的k值之间未维持相位相干。如果我们的主要兴趣是在特定k值处的信号的相对强度，这不是问题。如果需要从此值库创建一条曲线或一个图像，必需的后处理将使用在此要求保护的方法在每个TR内获得的高SNR测量值作为一种输入。然后这些测量值可以为对构造曲线所需的回波或TR之间的任何再配准提供稳健的输入。例如，可以用具有一个低k值的至少一个测量值来完成在第一TR中对一组选定的k值的选择和测量。在随后的TR中，选择同一组的k值将允许两个TR之间的数据的再配准，因为即使发生了显著的运动，低k值相位移动的相位变化将小于较高k值纹理的相位变化，并且可以在两个TR之间是相关联的。基本上，k值越高，由于受试者运动导致的相位移动越大。从具有大差异的k值的连续编码中采集信号能够通过仔细比较每个的表观相位移动更好地估计相位移动。

这非常类似于x线衍射，其中获得的仅幅度信息(无相位)提出了对基于此仅幅度信息确定对应结构曲线的一个最佳估计值的挑战。存在解决问题的算法，成功的机会取决于所获得的k值系数的范围、每个平均系数的SNR以及包含在k值的名义上单值采集中的值的宽度。由于不受受试者运动的影响，使用要求保护的方法大大增加了在此尝试中成功的机会。

由k值数据重构造一个曲线的能力在某种程度上取决于每个单一k值采集的频谱宽度。在该能力受到VOI(感兴趣的体积)大小和形状的影响的同时，它也受k值和病变的影响，因为组织的退化通常倾向于导致组织内更多的纹理随机性。

VOI的选择-形状、尺寸、取向和在器官/解剖结构内的定位影响测量的数据及该数据的解读。可以选择VOI形状以最大化所采集的数据的有用性。可以在一个VOI内在不同方向上以及在不同纹理波长(k值)下采集数据，实现纹理各向异性的评估。纹理可以在单一TR内交错地或在连续的TR中在多个VOI中采样，以评估分布在器官上的病变变化。可以在一个TR内使用用于VOI的标准交错方法，以通过对矢量组合梯度施加另外的编码脉冲以及针对交错的VOI中的k值的相关联的k值选择梯度脉冲来提供另外的数据。如先前所述，具有相关联的切片选择梯度的另外的激发RF脉冲可以通过用梯度组激发感兴趣的体积而在相同TR内重复，在每次重复中具有来自最初在TR中施加的第一梯度脉冲308的至少第一梯度，该至少第一梯度具有替代性取向，以限定新组织中用于激发的另外的VOI，该另外的VOI不与TR中的任何先前的VOI(在第一重复中的第四梯度、第五梯度和第六梯度以及在随后重复中的后续递增梯度)重叠。这种反应可以被映射，或提取和平均这几个测量值，无论是否适用于目标病变。这类似于组织活检的多重定位。然而，在组织活检的情况下，由于该技术的高度侵入性质，重复样本的数量有限。在一个指定k值下采样的结构振荡的最小数量指定了在采样方向上的最小VOI尺寸-与目标k值反向变化所需的长度。

为了在靶向一系列k值时确保结构的足够的采样，采样方向上的VOI尺寸可以针对目标范围中的所有k值保持恒定，结果是采样的结构振荡的数量将随k变化。这是一个简单的解决方案，需要通过最低k值(最长波长结构)设定采样尺寸。使用这种方法，VOI的采样尺寸大于该范围中的最高k值所需的尺寸，因此在组织内提供比其他可能更少的定位。

可替代地，可以使用针对指定的目标k值进行调整的改变的VOI，在连续的TR中采集在广泛不同的k值下的数据。或者，可以选择VOI的尺寸，使得VOI内不同方向上的采集将被调整为在特指定纹理频率(k值)范围内采样。

类似地，VOI可以保持恒定，并且用于编码脉冲和k选择脉冲的矢量组合梯度可以针对不同TR变化以用于评估特征尺寸。

在一些情况下，希望在空间域中紧密地定位，以扩宽k空间中的定位。通过限定一个非立方体采集体积，可能的是在一个TR内沿着VOI内的不同(正交或其他)方向的从不同k值采集数据。图10中的椭圆形横截面VOI 902是一种这样的可能性。在一个TR内沿着任何径向方向以及沿着形状的轴的采集都是可能的。

另外，可以使用在此要求保护的方法的灵活性在一个线性或弯曲轨迹中采样k空间。例如，可以沿着径向线或沿着弧或螺旋采样纹理，以沿着不同的空间方向提取纹理大小的信息。这些方法可以用于确定纹理的各向异性或对半晶体的结构(例如皮质神经元柱)中的配准的敏感性，或更快速地在一个器官中的组织的目标范围内建立一个k值库。

在一个TR(即，一个90度激发)期间，可以通过改变对于编码脉冲和k选择脉冲施加的矢量组合梯度来在多个方向上施加k值编码。VOI的精确形式和采样方向可以用于产生很多纹理信息。例如，皮质神经元纤维束的组织是半晶体的，因为健康组织中的束形成柱。因为这一点，垂直于束的纹理间距的测量对于取向非常敏感。当取向与柱精确正交时，期望有一个非常清晰的信号最大值，当取向在远离该最大值的任一旋转方向上变化时，信号快速下降。测量间距和组织完整性(病变的一种标志物)的一种方法将是“摇动”围绕该最大值的采集轴以寻找信号强度中的共振。通过寻找信号最大值来寻找“纹理共振”的这种方法可以应用于任何组织区域中。当病变降低组织完整性时，此峰的清晰度将降低，并且信号最大值将降低。

类似地，可以通过在一个指定方向或多个方向上改变采样的组织的长度以及随后改变采集长度来评估某些纹理中的间距的随机性。该长度的选定值可以在多个TR上变化以测试测量系数对此参数的敏感性。

VOI可以通过多种方法选择性地激发，作为例子，例如相交切片选择性重聚焦、结合适当梯度使用相控阵列发射的选择性激发、用于扰乱来自该感兴趣区域之外组织的信号的绝热脉冲激发。不同方法的参数选择可以在考虑SNR优化的情况下完成。例如，VOI通过切片选择性激发和两个另外的相互正交的切片选择性重聚焦脉冲产生，如通过图9中的VOI904所示。通过仔细的RF脉冲设计，可以设计VOI的形状，使得边缘平滑并且更接近一个窗口函数，如图10所示。这些窗口函数在不对空间频率产生不利影响的情况下提供体积选择。回想一下，在傅里叶理论中，每个谱线被窗口函数的一种傅立叶变换的卷积拖尾。期望最小化基础频谱的拖尾，因为它减小了能量频谱密度并且不利地影响SNR。

重要的是，如先前所讨论的，VOI可以在研究的器官或解剖结构内从一个地方移动到另一个地方，以测量纹理/病变的变化。这种反应可以被映射，或对于目标病变适当时提取和平均这几个测量值。这类似于组织活检的多重定位。然而，在组织活检的情况下，由于该技术的高度侵入性质，重复样本的数量有限。

不同的疾病和病状以不同的方式影响组织。通常，病变进展必然伴有：1)k空间的指定区域中能量密度的损失，和/或2)纹理能量密度从k空间的一部分到另一部分的移动，这两种效应都伴随3)纹理k值的连续体中现有峰的宽度的变化。使用小梁结构作为一个实例-随着骨健康状态的降低，小梁单元的平均间距变宽(针对较低k值的纹理移动)并且变得更无定形(k空间中更宽的峰)，同时平行地结构单元变薄(向频谱的一个不同部分中的更高的k值移动)。其他组织/器官受到在组织纹理中具有它们自己的单独的标志的疾病的影响。

使用在此要求保护的方法，探测k空间以揭示纹理，其方式使得消除由受试者运动模糊导致的信号分辨率的损失。代替测量产生图像所需的k值的大连续体，这里的焦点是对每个TR选定的几个k值的采集，每个k值的重复样本足以产生高SNR。每个单个采集是以单个k值为中心。虽然空间编码对于第一阶是一种单个空间频率正弦编码，存在具有扩宽k值测量的空间频率选择性的效应的多个因素。影响k值测量的宽度或带宽的一个显著因素是采样的组织区域的长度。一个较长的采样长度包括沿着采样方向的更多纹理波长，这具有使k值测量的带宽变窄的效应。(这在实空间测量与k空间测量的范围之间呈相反关系。)因此，要求保护的方法的一个方面是通过适当选择由VOI维度确定或由采集维度确定的采样长度来设置k值测量的带宽的能力。使用此方法，可以根据适合于被评估的组织的希望的k空间分辨率来设置测量的带宽。(需要针对良好的纹理分辨率的高k值和针对敏感监测病变诱导的变化的k空间中的高分辨率。)对于高度有序的结构，可以选择分布在纹理波长的预期范围内的一组窄带宽测量，而在一个更随机排序的结构中，例如在肝病中纤维化纹理的发展中，可以选择使用单个或几个宽带k值测量来监测纤维化纹理的发展。

需要测量存在于一个组织中不同纹理k值的相对强度和沿研究中的纹理内存在的纹理k值的连续体的峰的宽度。这样，数据采集可以被设计成探测k空间的一个或多个指定区域，其中参数选择将能够测量由基础组织产生的峰的相对宽度，而不是由实验参数产生的峰的相对宽度。必须要识别两个分量的相互作用，并且设计实验以产生病变诱导的组织变化的最佳测量。

期望通过接近在运动模糊数据之前时采集指定k值处的信号幅度的多个测量值，在最短时间内重复测量以允许最佳测量间相关性进行平均，来获得良好的纹理测量值。在3D k空间中的一个点处采集许多重复测量值的替代方案是采集具有梯度开启的数据，使得k值在整个采集过程中连续变化，k空间的范围由梯度的高度及其脉冲宽度确定。除了改变k矢量的幅度之外，其在数据采集过程中的方向也可以改变。在曲线轨迹中跨采集结果的方向和幅度的组合通过k空间变化。如果这个偏差足够小以致k值在一定程度上保持相关联，则它们可以比被简单地平均而言更有效地组合以增加SNR。因此，采集梯度可以用于有意改变k矢量的方向和幅度，以便平滑信号散斑(其在数据采集过程中表现为时变信号，这是由单个自旋信号的变化相位和幅度的干扰引起)。选择在采集中选定的k值方向和幅度的选择的变化来提供足够的组合测量值以获得k空间的邻域内的代表功率的估计值。

改变k值以减少散斑可以在单个或多个回波内完成。对于k空间中的一个球体(由研究中的k值的幅度来限定)，k值可以通过保持k常数的幅度但在球体的表面扫描矢量而改变，或者相同的角取向可以保持，并且k的幅度变化，或者两者可以同时变化。

为了减少散斑效应，这些变化通常与k幅度或方向的偏差足够小，使得在研究中的具体组织的测量值之间存在有意义的相关性。

除非测量的组织是高度结晶的纹理，否则空间频率的主要组分将在所有这些测量中相同(它们之间相关联)。但是，微晶或无定形结构的正常衍射图像具有很多散斑。因此，通过对k空间的相同区域中的多个点进行采样，它们可以按各种方式进行组合，选择以提供最佳平滑来减少散斑图像。结果是从将波动平均中获得更好和更稳健的测量。

可以采用多种方法来“抖动”k值以在k空间中减少散斑或调整宽度。第一种方法采用恒定的k幅度，并通过在采集过程中保持梯度和使用相关信息组合测量来消除散斑，从而扫描一系列角度。可替代地，k空间中的相同方向可以保持不变，但是通过在采集期间保持梯度开启并且使用预期的相关性组合测量来改变幅度。作为另一种替代方案，幅度和方向可以同时变化或在一个采集系列中变化，基本上同时进行另外两个替代方案以既降低噪声又提供指定K值附近的“小”区域中的结构中的代表性k值的更好的评估(即，以减少散斑)。

为了将不同k值幅度下的测量组合起来，对于降噪平均，从梯度饱和(wind-up)起，存在从一个半径(幅度)到下一个的相移。重新定相可以在平均之前完成。

组合无定形结构中的不同幅度测量值比组合不同的角度测量值更为人熟知。现在除了通过快速采样来减少热噪声的方案之外，由于散斑引起的波动(虽然实际信号混淆了对空间频率的良好评估)可以减少。

因此采用动态k空间采集。采集模式是基于不同k空间位置处信号的信噪比(SNR)动态选择的。基于k空间中的预期SNR值来动态调整在信号采集期间施加的梯度，采集后接收带宽和所使用的估计算法，以优化采集时间和后处理SNR。在高SNR的区域，给定k值处的单个样本可能是一个足够的估算器。这需要相对较宽的接收带宽来适应随着k快速变化(由于大的梯度)，接收链中相对快速的信号变化。

在中到低SNR的区域中，梯度幅度减小，使得随后的样本(虽然不是在相同的k值下提取)相关联，进而这又可用于改进对该k值范围内的基础信号值的估计值。

由于在曲线空间中的选定窗口，可能会在k空间中引入相关性。为了能够组合来自ADC的连续样本以改进SNR，将通过适当选择曲线空间中的窗口，增加连续样本之间的相关性，更短的窗口驱动k空间中的连续值之间的更大相关距离以及更长的窗口导致样本间相关性更低。在曲线空间中通过开窗诱导k空间中相邻点的相关性是一个数学工具，在很多情况下，该工具可以帮助在低SNR环境下测量基础纹理。基本上，窗口模糊数据，使得k值功率谱通过k空间被抹掉，从而顺序测量可以更容易地被平均/组合以增加SNR。

在非常高的SNR环境中，使用尽可能大的窗口，因为期望测量跨越k空间范围的实际纹理功率分布。在测量无定形纹理时，实际(曲线)空间中的采样区域越长，测量越精确。通过开窗来减少采样区域以诱导k空间中的相关性实际上掩盖了指定的期望测量点。

然而，在促进测量的同时，通过开窗诱导相关性确实或多或少地模糊由作为测量目标的基本纹理诱导的k空间中的基础相对功率密度分布。随着k空间中的样本间的间距(由模数转换器速度和梯度高度确定)减小，相关性将会增加，这可以用于采集后处理以形成更好的估计值。另外，这些区域的接收带宽可以减少，这进一步减少了噪声本底。

在SNR非常低的区域，可以提取指定k值处的测量信号水平的多次采集，并且采集期间采用零(和/或非零)梯度。然后可以最佳地组合多次采集以提供对指定k值的估计值。

示例性混合脉冲序列在图11中示出。该具体序列是具有重聚焦回波(RARE)类型序列的快速采集的实例，其中三个不同级别的梯度被用于采集，如通过跨越三个分离的回波所示。所示出的用于选择k的期望的VOI和初始相位卷绕的脉冲序列如图3所述，并且与在图11中一致地编号。尽管在在此披露的各种实例中采用了这种用于建立VOI的示例性脉冲序列，但是通过多种方法(包括，作为一个实例，施加具有相应时变梯度的时变RF脉冲)中的任何一种来确定VOI。类似地，在采用脉冲序列来确定VOI的期间或之后，可以施加编码梯度脉冲来选择初始k值。数据记录开始于采集|k|>>0的区域中的值，因为信号在那里最小并且应该首先采集。第二回波样本与|k|>0相关，但其信号水平仍然相对较小，并且需要多个测量的组合以提供稳健的SNR。最终回波样本将在|k|～0(其中相应的信号最大)附近的|k|相关联的值采样。注意，这仅仅是如何使用此混合方法(在一次采集中使用零和非零梯度两者)的一个实例。不同量的k值饱和(windup)(如由梯度高度和脉冲持续时间确定)可以在一个回波中采集，而不是在多个回波中采集，如随后所述。还可以在一个回波内采集不同k值饱和的多个组合。另外，虽然重聚焦在附图中被披露为采用RF脉冲，但也可以采用梯度重聚焦。

脉冲序列/信号采集的放大比例的细节在图12中示出。在该序列中，来自具有梯度脉冲332的RF脉冲328的第一回波使用类似于先前关于图3所描述的脉冲序列，并且采集具有梯度＝0的多个样本并且利用k值选择梯度脉冲1100a、1100b和1100c来递增k值。这样可以对k空间中给定位置的多个值进行采样，然后将这些值进行最佳组合。这适用于k空间的值非常小并且因此具有非常低的SNR的区域。这通常发生在其中|k|大的区域。

具有梯度脉冲1104的来自RF脉冲1102的第二回波用充当时间依赖性相位编码的小的非零梯度1106来采集。小梯度可被定义为在k空间中诱导样本的梯度，其将足够紧密地分隔开，使得样本高度相关。然后这些样本可以由估算器进行后处理，该估计器利用高的样本间相关性来改进所得SNR。定量地，示例性的“小”梯度可能高达编码梯度脉冲的幅度的20％。如图所示，获得在k空间中的相对小的邻域中的多个值的样本Δk。可以选择Δk的间距，使得由于VOI的窗口，相邻样本之间具有高相关性。在估计算法中利用相关性来生成k空间中邻域上的信号水平的最佳估计值。这适用于具有低SNR的k空间的区域，但是由于窗口函数诱导的相关性，其值在跨越小邻域中的k空间缓慢变化。

具有梯度脉冲1110的来自RF脉冲1108的第三回波用相对更大的时间依赖性相位编码梯度1112采集。在此采用的更高梯度在k空间中产生连续测量，其在研究的k空间的邻域中具有更低的相关度。在这种情况下，更低的样本间相关性可用于SNR改进。可以采用更高的梯度来采样开始具有高SNR的值(例如将在更低纹理频率(低k值)区域中所看到)的k空间位置。如图所示，在整个脉冲上产生跨越k空间的相对较宽间距的样本，这些样本远远在由窗口函数施加的样本间相关性之外。这适用于快速采集在信号水平相对较高并能够实现高SNR记录的k空间中的值。在这种情况下，k空间中给定点处的单个样本提供足够高的信号。然而，在这样的更高SNR区域中，可以采用更高的梯度，并且可以快速记录数据样本的选定的突发。这些突发中的每一个将在突发内具有实质性的样本间相关性，并且可以允许计算类似于上面讨论的针对更低梯度采集所描述的结果。这可以被看作沿着具有更高梯度的K空间线转换，同时在紧密间距的k值处采样数据块以保持相关性。

非零梯度采集允许扫描k空间中的曲线路径。通过明智地选择时间增量Δt，梯度幅度G、w(X)和采集的样本的总数N，可以将“高”相关性的邻域调整为M<N。这进而将允许通过针对每个输出估计使用M个样本的子集来估计k空间内的多个不同值。可以用非零梯度采集来自VOI限定的组织区域内的纹理数据，从而能够确定k空间中邻域内的k值的局部功率密度分布。采集过程中采用放出的梯度脉冲采样的k空间的范围由梯度高度和梯度脉冲宽度(脉冲持续时间)确定。k空间中的信号样本之间的间距由梯度高度和采样率(受模数转换器的最大速度限制)确定。然后k空间中连续样本之间的相关性由样本之间的间距、受试者运动、物理空间中用于包含采集的窗口、和基本纹理确定。

用于选择采集参数的一种有用的方法是参照待组合的一组值中所需的相关程度。重复结构(纹理)的波长被定义为与该纹理相关的k值的倒数，λ_纹理＝1/k_纹理。为了能够组合一组数值[测量值]以产生SNR的改进，基础纹理信号不得相对于彼此以λ_纹理的显著百分比相移。在示例性实施例中，跨越待组合的样本组的相移应不大于2π的80％。

MR成像中的分辨率受图像采集期间受试者运动的限制。对于不配合的患者，此限制可能非常严重。除了患者运动/顺应性之外，在与本发明相当的示例性技术的MR成像中可实现的分辨率取决于若干因素，例如组织对比度、器官、线圈类型、与线圈的接近度。就面积而言，低于约5mm的结构的稳健成像是有问题的，并且低于约1mm的任何情况都超出了常规临床成像领域。这是一个明显的缺点，因为许多组织纹理在约5mm下至10μm的范围内会随病理发展而发展和变化，因此测量这些纹理可以提供许多诊断信息，这些组织变化最通常是疾病的首要预兆。这种从约5mm下至10μm的纹理波长范围是用目前披露的方法所靶向的。

为了测量组织纹理，可以解析的实际空间中的波长范围(即与具体病理学有关的纹理的波长范围)在若干毫米下至若干微米的范围内。这是由于患者运动导致成像不可及(模糊)的范围。当k被定义为1/波长时，在示例性实施例中采用约0.2mm^-1至100mm^-1的k值范围以定义感兴趣的纹理。这包含感兴趣的k空间的区域，并且定义编码梯度脉冲的梯度高度和持续时间以诱导相位卷绕以产生针对指定k值和取向连同施加来测量最初选定的k值附近的邻域的非零梯度的空间编码。在此用于样本采集和后处理的实施例的方法可全部在k空间中进行。实际空间中唯一的定位是VOI的定位。对实际空间中一点附近的足够的邻域进行采样以测量纹理，即以确定在实际空间中的选定点周围的k空间中的邻域内的功率分布。

所需的确切范围因目标病理而异。例如：

骨微构筑中的骨质疏松症发展。作为实例，从健康的到骨质疏松的骨支架的平均小梁间距(TbSp)的变化波长范围为约0.3mm到3mm；k值的等效范围是0.34mm-1至3.4mm-1。在纤维化肝脏疾病监测中，肝脏组织纹理从健康的胶原突出的血管到血管的间距变成患病状态(其中小叶到小叶间距变成显著的组织纹理)的变化。血管到血管的范围为0.4mm到1.5mm，转化为k值从0.67mm^-1到2.5mm^-1，而小叶到小叶间距约为1mm到4mm，转化为k值从0.25mm^-1到1mm^-1。肿瘤部位周围的血管生成的脉管系统发展通常从以下来改变：约100μm的健康血管纹理间距；k＝10mm^-1。由于其混乱的性质，血管生成脉管系统的间距范围很广，从约10μm到1mm，或1mm^-1到100mm^-1。与皮质神经元间距有关的痴呆相关变化的诊断评估涉及测量高k值，健康结构为约100μm间距或k＝10mm^-1。该值的约10％-20％的变化(随着结构的随机性增加)标志着疾病。

因此，可以选择采集参数，使得(1)梯度高度/持续时间产生跨越k空间的邻域的一系列k编码，期望在其上检查存在于目标组织纹理中的功率密度，(2)待组合的样本必须在时间上足够接近，以避免由于在一批待组合的样本的采集时间内的受试者运动造成的明显模糊，以及(3)运动的可容许的量取决于正在研究的k空间的邻域(即波长)。

从具有非零梯度的目标VOI内采集纹理数据使得能够确定k空间中初始k值的邻域内的k值的局部功率密度变化。在每个梯度脉冲处采样的k空间的范围由梯度高度和脉冲宽度确定。k空间中样本之间的间距由梯度高度和采样率确定。

选择这些参数：(1)以允许采集足够的数据，用来在相对于待测量纹理的受试者运动模糊数据之前组合以显著改进SNR，(2)以确保来自待组合的采集中的k值的块之间有足够的相关性，从而保持SNR≥0.5dB，以及(3)以设置k空间的范围，在该范围内期望在纹理中存在k值的功率密度。

用于SNR改进的要重新组合的顺序信号样本块可以是不重叠的、或者通过选定数量的点重叠、或者是用来组合例如测量1-4、2-5、3-6等的滑动块，如随后将要描述的那样。另外，每个块中的样本数量可以跨越采集的k空间范围而在块之间变化，待组合的样本数量的这种变化由对足够相关性的要求来确定，以保持SNR足以提供一个稳健的测量。近似噪声水平可以通过业界熟知的若干种方法(包括在没有信号输入的情况下测量噪声)独立地确定。

在一个回波、TR或扫描内采集具有不同幅度梯度的数据可以通过选择连续梯度高度来实现，以能够达到在k空间的各个目标区域处的组合信号的最佳SNR。为了能够组合来自ADC的连续样本以改进SNR，可以通过适当选择曲线空间中的窗口，增加连续样本之间的相关性，更短的窗口驱动k空间中的连续值之间的更大相关距离以及更长的窗口导致样本间相关性更低。所选定的窗口宽度由对k空间中许多样本之间的相关性的要求(其确定了更短的窗口)以及对在实际空间中对足够范围的纹理进行采样以提供稳健的测量(特别是在测量高度无定形纹理时)的需要二者来限定。

以块为单位在k空间中采集的信号的采集后组合，待组合的样本的数量由待组合的单个信号之间的相关性足以实现SNR≥0dB的要求确定(相关性水平是由受试者运动、梯度高度、采样率、窗口形状以及基本纹理确定)。

为了平滑信号散斑(其将在数据采集期间表现为时变信号)，可以采用非零梯度采集的应用来在数据采集期间有意改变k矢量在范围上的方向和幅度，这是由单个自旋信号的变化的相位和幅度的干扰引起的。选择在数据采集期间所选定的k值方向和幅度变化以提供足够的组合测量来获得k空间的邻域内的代表性功率的估计，其中SNR为0dB，其中邻域在邻域质心的3D取向和幅度的20％内。

对施加非零梯度而产生的集合邻域中的k的变化的校正可以通过采用针对指定的一组k个测量值的规定的k个编码来完成。另外，可以通过选择时间段来诱导在一个时间段内从所选定的VOI内采集的一组k个测量值内的相关性，使得生物运动足够小以致由患者运动诱导的数据中的相移小于对应于目标纹理k值范围的波长的50％。可替代地，可以选择窗口函数，使得单个测量与所设置的估计值之间存在足够的相关性，以实现期望的SNR。

在甚至在进一步扩展的比例下的非常低的SNR采集模式的细节在图13中示出。在该序列的该部分中，k值在初始值1114a、由k值选择梯度脉冲1100a诱导的第二值1114b、由k值选择梯度脉冲1100b诱导的第三值1114c和由k值选择梯度脉冲1100c诱导的第四值1114d(在区域1116中，其中样品门打开从而产生样品1118)处恒定。这是先前描述的脉冲序列，其中在相同k值处的信号的多次重复被快速采样，然后将所有这些重复信号组合为一个估计值。

在进一步扩展规模下的低SNR采集的细节在图14中示出。在该序列的该部分中，注意到k值确实如轨迹段1120所示那样改变，尽管缓慢，这是由于当样本门打开时，在记录区域1122期间存在非零时间依赖性相位编码梯度1106。然而，跨越k空间的样本1124的范围是相对紧凑的邻域，其中这些值由于窗口函数而高度相关。

在进一步扩展规模下的高SNR采集的细节在图15中示出。在该序列的这部分中，由于在区域1128中打开样本门期间存在非零时间依赖性相位编码梯度1112，因此k值再次如轨迹段1126所示那样变化。跨越K空间的样本1130的范围仍然是相对紧凑的邻域，但是在由窗口函数施加的样本间相关性之外。

具有非零梯度的低SNR和高SNR采集模式不同于标准频率编码的MRI序列，因为所施加的梯度不用于建立位置，即频率编码，而是作为时间依赖性的相位编码以快速采集跨越相对更宽的k空间的邻域的多个单个样本。

如前所述，梯度采集可以在一个回波中而不是在多个回波中采集，如图16所示。再次，所示出的用于选择k的期望的VOI和初始相位卷绕的脉冲序列如图3所述，并且与在图16中一致地编号。

如图16并在图17中以更大的比例所示，k值在初始值1614a、由k值选择梯度脉冲1600a诱导的第二值1614b和由k值选择梯度脉冲1600b诱导的第三值1614c处恒定。注意，k值是递减的，与在图12的实例中递增相反。这也是先前描述的脉冲序列，其中在相同的K值处的信号的多次重复被快速采样1622a、1622b和1622c，然后所有这些被组合成一个估计值。

在该序列的第二部分中，在相同的回波内，k值确实如轨迹段1620所示那样改变，尽管缓慢，这是由于采样期间存在非零时间依赖性相位编码梯度1606。然而，跨越k空间的样本1624的范围是一个相对紧密的邻域，其值之间高度相关。

在该序列的第三部分中，仍然再次在相同的回波内进行高SNR采集。由于在样本门打开期间存在非零时间依赖性相位编码梯度1608，因此k值再次如轨迹段1626所示那样变化。跨越k空间的1628的范围仍然是一个相对紧凑的邻域，但在由窗口函数施加的样本间相关性之外。

如图18(并在图19中以更大的比例)所示，其中用于选择k的期望的VOI和初始相位卷绕的所示脉冲序列如图3中所述并且与在图18中一致地编号，施加充当时间依赖性相位编码的低非零幅度gradienvast 1802，并且如先前所述，对于具有高度相关性的缓慢时变k值(在轨迹段1808中看到)，从初始k值1806提取数据样本1804。可以选择初始相位卷绕以提供具有对应于低SNR区域的幅度的初始k值。

类似地，如图20(并且在图21中以更大比例)所示，用于选择期望的VOI和初始相位卷积以设置k值区域的脉冲序列被示出，并且如图3中所述并与在图20中一致地编号。施加充当时间依赖性的相位编码的更高的非零梯度2002，并从初始k值2006提取数据样本2004，以获得更快速的时变k值，见于轨迹段2008。可以选择初始相位卷绕以提供具有对应于更高的SNR区域的幅度的初始k值。可以采用编码梯度326来饱和到目标纹理中的最低或最高k值，并且在必要方向上施加非零幅度梯度脉冲(增大或减小k)以达到k空间中的另一个极限来限定纹理。

采集的样本可能在窗口函数施加的样本间相关性之外。然而，k值的信号水平相对较大并且具有较高的SNR。另外，如先前所述，子集2010a、2010b、2010c和2010d中的样本的快速采集作为示例，可以按子集内的样本可以保持充分相关联并且可以在具有预定或预期纹理的结构中提供期望数据的方式来完成。可以进行组合，然而很多顺序值足够相关联以经由组合(平均，一种组合的简单形式)产生SNR的改进。然后，将组合数据点的集合用于表征整个采集中的功率分布，以更好地测量VOI内的基础纹理。

如前所述，基于第二次90-180-180激发(TR)中的低相位改变来改述分开的低和高k值。通过再配准连续采集信号的连续k值样本的智能组合，SNR在梯度开启(gradient ON)采集时最大化。数据是在k空间范围上采集的，其中波长足够长，因此可以通过再配准轻松校正受试者运动，即在这个k范围内测量中诱导的相移远小于纹理波长。低k值信号在交替重聚焦序列或顺序激发(TR)中采样，其中从感兴趣的更高k值范围采集信号。TE长波长测量用于确定测量中的运动诱导的相移。然后在再配准之前将相移施加于更高的k数据。

空间窗口暗示多个的相关性。

如果g(x)对应于1D(实值的)信号，则K空间中的对应函数由傅里叶变换给出如下：

其经常表示为傅立叶对：

开窗是将g(x)的范围限制为紧凑支集的有限区域的过程，但是这样做是为了最小化由截断导致的不连续性(人为)引起的频谱假象。

尽管窗口函数中使用了指定形状，但窗口的宽度与其频谱之间存在相反关系。这是由于傅立叶关系

使两个函数相乘具有卷积它们各自的频谱的效果，即

卷积可以被认为是频谱的线性滤波，就好像频谱是输入信号一样

术语像G(2πk)频谱的低通滤波器(其趋向于使信号平滑)一样起作用：α的值越大，低通滤波器越窄。这会在F(2πk)的相邻的值之间产生显著的相关性。

观察过滤输入的噪声样本的估算器已经过充分研究并且可用于生成最佳估计值；维纳滤波器、卡尔曼滤波器等。

可以采用动态采集模式，其中：

X对应于图像空间中的3D矢量，

g(x)对应于给定3D空间位置处的图像的值，

K对应于3D矢量，

G(K)对应于图像g的k空间中的值。

为了最初简单起见，忽略该信号的时间依赖性，其进而取决于T1、T2、T2^*连同由于不同等色线(体内不同化学物质)等引起的信号贡献。在下文中，这些的作用都被考虑在内。

基本原则依赖于：

通常，G(K)的SNR在|k|＝0时最高，然后随着|k|的增加而减小。

SNR减小的速率通常表示为SNR∝|k|^-α，其中α在1-3的范围内。

采样率与梯度的幅度组合将设定给定VOI的k空间中的样本间距(Δk)密度。

随着梯度幅度减小，样本密度增加(即，Δk减小)。

取决于图像空间中窗口的大小，存在暗示的相应的相关性。

对于一般情况下，空间坐标与K空间之间的简化MRI关系由以下给出：

其中

r表示以米(m)为单位的实值三维空间坐标。

I(r)表示是空间坐标r的非负实数函数的图像。

k表示以周期/米(m^-1)为单位的实值三维k空间坐标。

S(k)表示I(r)的傅立叶变换，并且通常是k的复值函数。

并且积分遍及整个三维空间平面。

换言之，S(k)表示图像函数I(r)的三维k空间中的对应值。

k空间坐标进而又是时间的函数，并具有一般形式

其中

是具有值42.576MHz/T的质子旋磁比

g(t)是时间的实值三维函数，代表以T/m为单位的梯度强度。该函数是作为脉冲序列的一部分的设计输入，其目的是以某种期望的方式操纵质子自旋。方程(7)中的积分表示对于给定值t的k(t)的值被计算为梯度函数的所有先前历史的积分。尽管在技术上是正确的，但将其表达为以下通常更方便：

现在t₀代表一个方便的起始时间，k(t₀)是t₀时的相应k值，并且积分的下限从t₀开始。

为了使得对时间的依赖性更加明确，方程(6)可以表示为

S(t)表示在与g(t)中编码的梯度序列结合进行的MRI回波实验期间可能获得的复值基带信号。

在不损失普遍性的情况下，k、g和r可以分解为笛卡尔分量，如以下：

并表示(9)为

通常，k(t)表示作为时间函数的K空间内的曲线路径。

最初，为了便于解释初始概念，通过假设k(t)＝[k_x(t)0 0]^T，评估被限制在一个维度上。然后方程(11)简化为

其中

并且方程(8)简化为

限定

其偶尔表达为

简明地指出R(k)和ρ(x)是傅立叶变换对。通过比较(12)到(15)，可以看出，S(t)仅仅是跨越由以下表示的各种傅里叶系数的时间依赖性进展

S(t)＝R(k(t)) (17)

其中时间值t与相应的K空间坐标之间的映射由方程(14)给出。

通常将接收信号建模。在实际的MRI机器中，通过天线接收的期望信号和噪声的组合。然后对该信号进行滤波、放大、下变频、采样、和量化。

具体细节依赖于机器，但可以开发一个简单的模型来表示机器的输出，如下：

设想Y(t)表示感兴趣的信号和噪声信号的组合，如：

Y(t)＝S(t)+W(t) (18)

其中

S(t)在方程(17)中给出，并且

W(t)是复值零均值，具有方差σ_w ²的加性白高斯噪声，即E{W(t)}＝0和E{W(t)W^*(t+τ)}＝σ_w ²δ(τ)。

然后对接收到的信号Y(t)进行均匀采样

Y_n＝Y(t)|_t＝n·Δt＝R(k(t))|_t＝n·Δt+W(t)|_t＝n·Δt (19)

其可以更简单地表达为

Y_n＝R(k_n)+W_n (20)

其中序列k_n由以下给出：

k₀＝k(t)|_t＝0

限定

则(21)可以简单地表示为

k₀＝k(t)|_t＝0

k_n+1＝k_n+Δk_n+1 (23)

换言之，则序列k_n由梯度函数的样本之间的积分所确定的一系列增量限定。

可以采用方程(20)、(22)和(23)来描述在此披露的不同梯度条件下的信号。通过一些梯度活动预先收集已经“预先阶段化”的回波的样本，但是现在梯度不再保持为零，如上面关于图12、14和15所述，可以分析如下。

然后由方程(20)给出信号，如

Y_n＝R(k_n)+W_n (24)

并且k_n由方程(21)给出，如

k₀＝k(t)|_t＝0

因为测量是在非零梯度范围内发生的，所以积分项不再是零，这暗示该序列k_n不再是恒定的，并且进而该序列R(k_n)又不再是恒定的。

由于没有对I(r)的基础结构作出假设，因此不能暗示R(k_n)的值之间有任何具体的结构或关系。当想要在非常低的SNR环境中估计有用的信号时，这使我们处于明显的劣势。

可以通过在图像域中施加乘法窗口函数来对R(k_n)的值施加结构。这是通过利用两个傅立叶变换身份来实现的：

一个域中的乘法对应于互逆域(reciprocal domain)中的卷积。

定义以下傅立叶对：

然后，一个域中的乘积对应于互逆域(reciprocal domain)中的卷积：

一个域中的缩放对应于互逆域(reciprocal domain)中的逆缩放。

如果则

窗口函数通常用于将图像空间限制为感兴趣的有限的紧凑区域，同时将由于窗口本身而导致的对相应图像频谱的不利影响最小化。本领域技术人员将认识到，已经开发了各种各样的窗口函数，其中的每一个都具有它们自己的具体的一组特征。

为了便于说明，考虑最基本的窗口函数：

相应的傅立叶变换由以下给出

其经常表示为傅里叶对

使用方程(28)，稍微广义版本(slightly generalized version))和它的傅立叶对是

使用方程(27)，窗口曲线和傅立叶对是

使用方程(24)作为参考，采样的MRI信号可以表示为

Y_n＝N(k_n)+W_n (34)

其中使用(33)可以扩展为

其中卷积积分已被特别扩展。

k_n处提取的卷积积分的值不再仅仅是R(k_n)的一个点的函数。对于每个点k_n，卷积积分计算以k_n为中心的R(k)的值的加权和。在k空间中的邻域的范围与参数X成反比：X的更小的值会增加k空间中邻域的宽度。

对于在此的实施例，感兴趣的值域的范围对应于k空间值k₀,k₁,k₂,…k_N-1的集合。限定

其进而是时间间距Δt和函数g(τ)的函数。

例如，做一个简化的假设，g(τ)＝G，其中G是正常数，则k_n只是对一部分k空间的一个均匀采样，并且由以下给出

k_n＝k₀+nGΔt (37)

然后，k_最小和k_最大由以下给出

虽然可以选择k空间的简单采样，但并不是特别需要。事实上，其中非均匀和/或甚至非单调采样策略的应用可能有用的。

理想情况下，选择参数X(和窗口函数)使得k_n的整个邻域的所得加权总和“足够宽”，以使得N(k_n)≈C，其中C是一个复值常数，但不是很宽从而失去显著的频谱分辨率。

为了在此披露的实施例的目的，可以基于期望窗口的选择来确定“小的”非零梯度。从方程(10)

假设曲线的标称中心点已经转移到以点x₀为中心。这导致

其表明k空间中的每个点在与偏移x₀成比例的复杂空间中旋转。

可以假设梯度是一个正常数，那么，通过方程(39)

k_n＝k₀+nGΔt (43)

代入(42)产生

其中初始相位偏移θ₀和相位增量Δθ由以下给出

θ₀:＝-2πk₀x₀

Δθ:＝-2πGΔtx₀ (45)

如果由于施加适当指定的窗口函数R(k_n)≈C而在邻域内存在复常数的情况下，则在组合并产生最终估计值之前，采集后估算器首先将偏移相位增量e^jnΔθ乘以的每个采集的样本。

可以从更低k值(其中SNR更高)处的窗口曲线获取的一系列k空间样本获得Δθ的估计值。

如前所述，通过开窗作为一个参数可能会诱导相关性。曲线ρ(x)乘以实值窗口函数ζ(x)对应于傅立叶关系对K空间的卷积

Z(k)被视为线性滤波器的脉冲响应，其被施加于k空间中的复值信号R(k)以产生复值的输出信号N(k)。

输出信号R_NN(κ₁,κ₂)的自相关函数可以表示为输入信号R_RR(κ₁,κ₂)的自相关函数，并且脉冲响应Z(k)为

方程(47)是不方便的，因为基础信号R_RR(κ₁,κ₂)的自相关函数通常是未知的。一个简化的假设是使得R(k)为白噪声、广义静止过程，并将自相关表示为

R_RR(κ₁,κ₂)＝σ_R ²δ(κ₁-κ₂) (48)

根据这个假设，将(47)简化为

R_NN(κ₁,κ₂)＝σ_R ²R_ZZ(κ₂-κ₁) (49)

其中R_ZZ(κ)是脉冲响应Z(k)的自相关函数，并且由以下给出

k与时间的映射如下映射。

k_n＝k₀+nGΔt (51)

归一化相关性

测量基础样本点相关联的程度。在低SNR范围下，期望所有样本都具有高度相关性，并且因此建立一个下限：

方程(50)和(53)提供窗口函数脉冲响应Z(k)、梯度强度G、样本间距Δt、样本数量N和相关下限η_最小之间的限定关系。

例如，假设窗口函数被定义为

其中Π(x)是下面定义的标准所谓的矩形函数，并且X是一个常数。

脉冲函数Z(k)由以下傅立叶变换给出

相应的归一化相关性函数η(κ)由以下给出

η(κ)＝sinc(Xκ) (57)

限制相关性下限为η_最小＝0.95然后是(53)，该条件引起

η_最小≤sinc(X·N·G·Δt) (58)

这可以使用以下泰勒级数的前两项来近似

其可以反向并施加于(58)以产生

其中现在明确地表达了梯度强度G、样本间距Δt和样本数量N的乘积的上限。

通常样本间距Δt和样本数量N由其他考虑因素确定。考虑到这些，则最大梯度水平由以下给出

对于在这种情况下的非零梯度数据采集，只要梯度G低于计算的上限，则采集的样本将具有定义的相关性水平。这个条件为了在此的目的被定义为“小梯度”水平。

采样超过此限制将导致更低的样品相关性，并且因此具有更少的潜在采集后SNR增益。“更高”的梯度可以被定义为在这种条件下操作。梯度确定受多个参数影响，包括(1)选择影响脉冲响应中的“主瓣”形状(以及某种程度上，宽度)的窗口函数(例如矩形、图基(Tukey)、汉明(Hamming)等)，(2)选择窗口范围(曲线域的范围越大，脉冲响应中的“主瓣”越窄)，(3)可能产生自相关函数的脉冲响应，(4)确定k空间中的有效宽度(在这个宽度内样品必须被包含在内)的期望的相关性水平，以及(5)采样率*样本数量*确定实际采样邻域大小的梯度大小(注意，只要该数字由元素(4)中包含的数字限定，则梯度仍处于“较低梯度水平”范围)。

示例性实施例保持纹理波长与VOI采集轴的长度的恒定比率。当目标k值变化时，VOI采集轴的长度变化，使得对应纹理波长与采集长度的比率保持恒定。这里的目的是保持采样的纹理“单元”的数量不变。以这种方式，在k空间中的指定点处观察到的差异扩宽Δk预计将来自除实际空间中的采样长度之外的源，例如RF脉冲的有限宽度或梯度脉冲的边缘。

基于MR的诊断技术可以组合。设计用于观察非常精细的组织结构的某些基于MR的技术提供的数据可能难以在某些病理学中解释，因为它们仅提供对基础结构的间接测量。扩散加权成像和磁共振弹性成像(MRE)是两种这样的技术。这个临时文件的方法是一个直接的措施，并且因此在许多情况下将提供更好的精细纹理的测量，并且在一些情况下提供补充数据以增加诊断能力。组合采集技术可以提供纹理的更稳健的测量，并且因此可以提供病理学的更稳健的测量。

所披露的实施例可以与磁共振弹性成像(MRE)组合使用。当前，MRE的主要应用是诊断肝脏疾病以确定治疗反应、进展、活检需求等。虽然目标病理是纤维化发展，但该技术通过测量组织硬度来对此间接测量。在许多情况下，难以将纤维化发展与其他硬度诱导条件(如门静脉高压和炎症)区分开来。此外，通常由肝脏受损导致的肝脏铁超负荷将导致低信号，因此导致诱导机械波的可视化不足。

在此披露的方法可以提供肝脏中纤维化发展的直接测量，并且因此将提供关于疾病进展或对于纤维化肝脏疾病的各种触发情况下的治疗的反应的另外数据。它在目标解剖结构内提供局部测量，用于校准其他间接测量，如MRE、DTI、DWI等。

所披露的实施例可以与肿瘤中的扩散加权成像组合使用或者替代它们。以高准确度检测肿瘤边缘的能力将有助于精确的手术切除。可以沿着通过寻找血管生成脉管系统区域的边缘的肿瘤区域的方向使用在此披露的方法在VOI中采集数据。

测量肿瘤内部以测量治疗反应的能力将有助于靶向干预。作为后者的一个实例，黑素瘤肿瘤的免疫疗法治疗诱导了由于T细胞浸润导致的肿瘤肿胀，这在结构MR扫描上看起来与恶性肿瘤生长相似。因此，很难决定是否继续治疗。观察肿瘤内脉管系统状态的能力将能够判断生长是癌变还是由于免疫系统反应。在此披露的方法还将提供当前使用的DTI测量的局部校准，其通常难以解释。

所披露的实施例可以用作肿瘤学中的骨退化措施。熟知的是放疗和/或化疗通常会损害骨健康。由癌症治疗引起的骨骼变化的测量值将有助于调整治疗并确定是否需要干预以保护骨健康。

当前，作为乳腺癌手术和治疗的后续，患者通常被放入MR扫描仪中以对乳房组织进行成像。胸骨位于这类检查的视野范围内，这使得可以轻松应用此方法的短附加事件来测量小梁骨的变化，从而获得骨健康的测量。

作为在此披露的肿瘤学方法的潜在用途的另外实例，所披露的实施例可用于测量和量化响应于肿瘤形成和发展的乳腺导管生长的增生发展，或用于测量和量化肿瘤周围的脉管系统的血管生成生长至阶段发展、类型和治疗反应。乳房手术后的进行中的治疗通常涉及减少雌激素水平，进一步损害骨健康，并且因此，参考MR扫描进行骨骼监测是常见的；使用在此披露的方法将能够通过直接测量小梁骨结构来对骨健康进行稳健且详细的评估。

所披露的实施例也与大数据和机器学习方案互补。所披露的方法也补充了使用大量医学数据集合之间的比较以更多地了解疾病的趋势、增加个体患者和特定疾病的预测能力、以及注意各种群体的趋势。使用此文件与大数据/机器学习结合的方法的益处包括：

代替在此披露的方法的输出的20个实例而在未知病理的群体上进行比较，例如可以评估k值分布对比股骨中的骨折，或者可以测量皮质神经元束中的变化的k值，并且将其与在阿尔茨海默病的简易精神状态检查或其他AD评估方面的表现、或肝脏疾病在巨大人群中的其他推论相比的肝脏中的局部k值相关联；

在大量人群中使用机器学习能够确定病理学中的指定生物标志物；

在例如由所披露的实施例的方法提供的高SNR测量输入的情况下，在大数据中进行有用的相关的能力变得远远更好；

例如，这种机器学习可以指示疾病是否由在患病组织中的指定k值的出现而限定。

在伴随着疾病发展的宏观病理之前，病理变化在受影响组织的细胞水平附近发生。例如，在骨疾病中，骨折通常是进行中的小梁单元逐渐变薄的下游效应。在软组织疾病，例如肝脏疾病中，纤维化结构在受影响的器官中长时间发展，最终导致肝硬化。而在神经学中，大脑中的组织纹理(在白质和灰质两者中)都会响应疾病发作和进展而发生变化。测量疾病早期阶段变化的能力(影响精细组织纹理的能力)将使得早期阶段诊断成为可能，从而使得早期治疗、靶向试验纳入的受试者以及治疗反应的灵敏监测成为可能。

在此介绍的方法通过其提供伴随疾病发作和早期发展的组织纹理中的病理变化的临床稳健测量，实现了组织纹理的这种直接和敏感测量，提供了所需的诊断能力。

所披露的方法的最有价值的特征之一是它可以与MRI中应用的大多数对比度方法结合使用。由于该方法导致与图像相反的纹理测量，所以它只需要在组织纹理元素之间具有对比度。这种对比度可以以许多方式产生，选择用于优化指定病理学中的组织对比度。由于其对受试者运动的相对免疫性，组织纹理测量产生高空间分辨率。由于在此先前披露的方法的采集时间短，所以可以按各种顺序穿插图像采集来采集数据。

例如，在骨中(其实际上没有来自小梁骨元件本身的信号)，标准的T1脉冲序列(其产生来自脂肪的高信号)提供骨与骨髓之间所需的高对比度。因此，当应用T1对比度时，采用在此方法的纹理测量可以在骨中产生高度灵敏度。T2对比度可用于突出流体以确定骨病变是否为裂解性或硬化性，因为可能在钙化骨周围残留少量脂肪以提供信号。T2加权成像具有许多应用，包括腹部病变成像、脑中铁沉积成像和心脏成像，因此与在此先前披露的方法结合使用能够突出显示这些器官/病理中的组织纹理。

随着时间的推移，MRI造影剂的生成日益复杂。除了外源性造影剂(如钆)，以及标准T1、T2、T2*，质子密度反差，脂肪抑制，反转恢复序列作为实例。许多新的对比技术(通常依赖于功能对比度)已经被开发出来以突出涉及病理学的不同组织。MR血管造影(一种可视化脉管系统和血流的方法)利用流动血液中的MR信号饱和度或诱导的相位对比度来评估血管密度和渗透性。BOLD(血氧水平依赖)对比度使用血液中的代谢变化来对活跃的大脑区域进行成像。扩散加权(DWI(扩散加权成像)和DTI(扩散张量成像)两者)用于评估疾病范围增加的病理，提供反映目标组织显微状态的信号。ASL(动脉自旋标记)通过大脑追踪磁性标记血液(内源性对比度)的扩散以评估病理学。灌注成像用于评估毛细血管中的血液微循环，这是功能性反应的另一种测量。在这两种对比度方案中，随着血流的时间过程，评估肿瘤附近脉管系统的状态，因为这是胶质瘤诊断的关键特征。存在于肿瘤内的血管数量比正常脑组织中的数量更高，并且它们倾向于具有更大的体积。高等级肿瘤还倾向于具有更高的血容量，并且细胞外基质大分子的退化和重塑导致血脑屏障完整性的损失，这被视为造影剂渗漏。这些措施可以捕获肿瘤血管生成的程度，这是肿瘤分级和预后的重要生物学标志物，特别是在胶质瘤中。在此披露的方法在信号对比度的峰值附近的应用将提供对血管的密度和大小的直接测量，从而提供对精细尺度脉管系统纹理的直接测量作为稳健地测量肿瘤内或其附近的血管生成的程度的相关数据。以这种方式组合起来，可以制定用于分期神经病理学(如中风和肿瘤)的病理性脉管系统发展的稳健测量。

作为一个实例，扩散加权以其最简单的形式DWI使用水分子的随机布朗运动，以在MR成像中产生对比度。病理学(组织学)与扩散之间的相关性很复杂，但一般而言，密集的细胞组织表现出更低的扩散系数。大分子、纤维和膜等障碍物也会影响组织中的水扩散。水分子扩散模式因此可以揭示关于组织状态的微观细节。通过测量穿过组织区域的水扩散速率差异，可以产生反映局部病理的扩散速度图。扩散加权法在肿瘤表征、脉管系统分型、诊断/监测脑缺血等病理中特别有用。脑内缺血性梗塞、脓肿和某些肿瘤导致高度限制性扩散；囊肿和水肿对扩散的限制不大。

扩散成像提出了数据解释的若干问题，其中最突出的是：1)长扩散梯度增加了回波时间TE，减少了SNR；2)所需的高扩散梯度导致扫描器中金属表面的涡流，这引起信号失真；3)低信号幅度需要使用相对大体素，一侧为2.5mm的量级，因此分辨率低；4)通过设计，序列对运动高度敏感，因此数据记录必须非常快；因此，通过平均来自多个采集的信号来提高SNR的能力是有限的。另外，由于至少需要六个不同的方向来确定分数各向异性(FA)，所以运动灵敏度可能导致整个采集过程中的数据解释困难。5)扩散加权信号的解释并不直截了当。测量的扩散系数可能来自许多来源，因为控制组织中(特别是在大脑中)水扩散过程的确切机制尚不清楚。从关于自由扩散的障碍和限制的测量推断出的是基于关于潜在组织病理学的某些假设。这可以有多种形式，涉及细胞膜、细胞器、细胞间距、轴突密度、胶质密度、髓磷脂状态等。6)每个DWI体素代表平均值，标准体素大小在一侧上处于2至2.5mm的量级。为了解释体素内的平均扩散系数(ADC)的变化，做出某些假设，例如组织均匀性和结构类型引起扩散变化。

在此披露的方法需要在单个VOI内或在一个TR内的多个交错VOI内采集。在不使用空间编码梯度的情况下采集数据以形成图像。这显著缩短了采集时间，并组合k空间中的狭窄目标采集，使得足够快地采集必要数据以提供对受试者运动的免疫性。尽管可以在研究中的解剖结构上绘制单个体积采集的多个测量值，但每个测量值都可以在单个体积内快速采集。这种单个体积技术可确保高SNR，因为在设定运动效果之前，有时间重复测量每个目标k值。采集数据的重复次数和k值的数量/范围受限于保持采集足够快以提供必要的运动免疫力的要求。

标准DWI的高运动灵敏度(事实上它是一种间接或推断的措施)以及其低SNR使其不像临床设置中希望的那样是稳健测量。当使用扩散对比度时，在此披露的用于数据采集的方法的使用可以缓解运动问题，因为虽然回波时间仍然很长，但是数据采集足够快以至于信号的运动模糊被最小化。此外，依赖于例如T1或T2加权的对比度，在扫描期间可以通过所披露的方法采集另外的数据。标准DWI图像、通过在此披露的方法的扩散加权采集以及通过使用对比度的那些方法采集的数据都可以被输入到机器学习算法中，以确定测量之间的相关性并且将所有三种测量与病理数据和结果相关联。虽然与结果数据的相关性需要花费时间，但它将提供对在此所披露方法的能力的最佳评估。

由于回声时间长且对患者运动敏感，大多数扩散加权是使用快速回声平面成像脉冲序列完成的，以提供相对较快的数据采集。然而，化学位移伪影通过单次EPI突出显示(大约10个像素的位移)。

此外，由于通过脂肪的水分运动并不多，导致可以隐藏病灶的明亮的信号，脂肪抑制通常被用作DWI数据采集的一部分。

在随后更详细描述的在此披露的方法的一个实施例中，在180°梯度的任一侧使用破碎梯度以消除在180°脉冲期间产生的噪声信号的聚焦。用扩散加权梯度代替这些破碎梯度，允许采集扩散加权信号连同随后的受限k值信号二者。如此，扩散加权将是VOI中的一种测量。

在高度取向的组织(例如神经和白质束)中的DTI(扩散张量成像)，扩散优先沿一个方向发生，与跨越轨迹取向的扩散相比，远远更倾向于沿神经/轴突束的扩散。组织中的方向性或各向异性的程度是病理学的指标，因为许多神经病症会降低神经结构的排序，例如皮质神经元的微柱排列，或者通过形成脑中白质束的轴突的脱髓鞘导致排序退化。在各向异性扩散中，扩散常数的值随方向而变化。由于这种各向异性是病理学进展的测量值，因此可以使用多方向的扩散常数的测量来产生由组织结构产生的“分数各向异性”，并因此提供病理学进展的测量值。在实践中，至少有六个非共线梯度用于测量分数各向异性，导致对称的9x 9矩阵，即“扩散张量”，其特征值产生3个正交方向上的主要扩散轴。

除了使用扩散的各向异性来诊断和监测大脑中的病理学之外，映射在大脑中的扩散张量可以用于描绘白质束的路径。这就是所谓的纤维束成像。在此披露的方法的可能应用是使用标准T1或T2对比度、或使用在此披露的方法结合扩散加权来测量受多发性硬化症(MS)影响的白质束中的纹理，以确定具有DTI采集的机器学习的相关输入的测量的各向异性。

在此披露的方法提供了使用可应用于被检查的具体组织纹理的对比度来获得组织纹理的能力。使用任何一种先前描述的机制来应用对比度，该机制增强被测量的多相生物样品中的组分组织类型之间的对比度。如随后更详细描述的，对比度机制及其应用可发生在NMR诱导脉冲序列内的各个位置处。使用例如关于图3和图8描述的脉冲序列，采用多个时变射频信号和所施加的梯度选择性地激发感兴趣体积(VOI)。施加一个编码梯度脉冲(还如先前关于图3和图8所描述)以诱导相位卷绕来产生用于指定k值和取向的一种空间编码，该指定k值基于VOI内组织的预期纹理确定。启动时变系列采集梯度以产生通过k值编码的3D k空间的时变轨迹，如先前关于例如图8、11、16或18所述，其中k值集合是产生VOI图像所需的子集。同时记录用指定k值编码的NMR RF信号的多个连续样本。然后对所记录的NMR信号样本进行后处理以产生由轨迹确定的集合中的k值的信号对比k值的数据集合。

用于在此方法的应用的第一组织是骨。尽管对生活质量的影响是巨大的，但对于骨折可能性的敏感性评估还没有准确并且非侵入性的方法。当前的黄金标准测量DEXA(依赖X射线吸收)测量骨的面积密度。预测骨折的骨强度的主要确定因素是小梁微构筑，其是当前尚未在体内获得的测量。在此披露的方法实现了这种测量。

由于若干种因素(包括疾病、癌症治疗、饮食失调和衰老/生活方式)，骨退化发生。随着骨中的骨小梁结构的侵蚀，三种主要的形态测量数据(骨小梁单元厚度TbTh、小梁细胞重复间距TbSp和骨小梁数量TbN(这是一个多余的数字，可以从TbSp和TbTh确定))不同。TbTh随骨退化而不断减少。最终，随着小梁单元或支柱断裂，TbSp的局部值存在不连续。随着时间的推移，骨各向异性地退化，各向异性在很大程度上受到承载应力的影响。随着骨疾病的进展，TbSp沿着主要承重方向增加的速度比它沿着此方向的垂直方向增加更快，这两种测量之间的差异是骨退化的标志物。除了骨形态测量学的发展中的各向异性之外，由于小梁支柱变薄至它们断裂的点，小梁间距TbSp的测量值的可变性增加，导致TbSp测量值的不连续性。

由于测量所需的空间分辨率，骨健康的最确定的测量值是小梁单元的厚度，其当前不可能直接在体内测量。

在此披露的方法使得该测量能够降至几十微米(因为该方法提供了测量变薄小梁中的TbTh所需的分辨率)，接近然后可以测量TbSp中的突然不连续性的范围，以评估进一步的退化。由于骨小梁单元破裂，当骨小梁薄到断裂点，用来增加TbSp的突然偏移应该在信号分布对比k值中可见。另外，TbSp的各向异性的程度可以用作骨折可能性的相关性测量。可以使用在此披露的方法通过将VOI定位在目标骨区域内来采集数据，采集单一TR内或跨越多个TR内的数据，以在由TbTh和TbSp跨越的k值的相关范围内进行采集。在一个TR内快速采集的数据可以被平均以改进SNR，唯一的要求是数据是从相似的骨组织采集的。

必要的对比度是在骨与骨髓之间。T1加权提供骨髓中的高信号，骨提供可忽略的MR信号。可替代地，可以使用导致T1对比度增强的IR序列。已经使用扩散加权来完成一些工作以对骨成像，这在是一种在使用在此披露的方法时可能的对比机制。

在健康骨中，TbSp和TbTh在幅度上比它们在患病骨中更接近。这可以通过比较健康骨的图像(图22A)与具有高度骨质疏松骨的图像(图22B)，在图22A和22B中看出。这种关系的确切形式有所不同，例如，这两种形态参数在病理学中在脊柱中的差异比在髋中高。这两种形态参数的测量差异越来越大，这为疾病发展提供了标志物。

由于这两种测量的分离越来越明显，测量骨质疏松骨中的TbSp和TbTh涉及在k空间的两个空间分离区域采集信号数据。在健康骨中，如果使用梯度来选择k空间中的区域，则有可能在一些骨骼区域中，定义涵盖信号对比k值的分布中的TbTh和TbSp两者的区域。随着骨病的进展，TbSp的测量值的变化变得更宽，同时TbTh的百分比变化也变得更宽；另外，随着疾病进展，TbSp变大(更宽的间距)，并且TbTh变窄。因此，这些分布中的每一个的中心随病变的增加而逐渐分离。使用梯度开启或梯度关闭采集、通过梯度高度或VOI窗口、或两者的组合扩展，可以确定这些分布的一般形状。可以实时使用这些扩展的分布来确定k空间的区域以在连续的TR中更精细地采样。

根据需要，可以使用每个TR内的多个交错VOI来采集数据。该方法允许确定骨区域内指定k值处信号的可变性。采集自不同VOI的数据可以被映射，值/颜色/图标值/颜色/图标被分配到分布中的信号或峰值k值，或分配到分别与TbTh的峰位置和TbSp的峰位置相关的k值之间的差值。在示例性应用中，由时变梯度建立的具体k值和k值集合可以涵盖从0.01mm至5mm的TbSp和TbTh的范围。

在此披露的方法可以应用在用例如常规的T1、T2或质子密度对比度或流动或扩散对比度MR成像来鉴定的骨病变的位置内部和周围，以评估该区域中的小梁骨的状态。这里感兴趣的是确定病变类型；是指示糜烂型肿瘤的病变，或者是骨折周围的炎症/退化骨的区域中的病变。一些病变是危险且糜烂型的肿瘤，一些病变是良性的。通过在此披露的方法在病变区域中的多个VOI中采集数据将能够确定小梁结构是否在附近退化，以及退化在空间上和时间上如何进展。通过将病变的MR成像输入机器学习算法并将它们与TbTh、TbSp、TbN、各向异性和测量可变性的骨小梁数据相关联，可以得到进一步的生物标志物。通过这种新颖的方法，MR成像的诊断内容可以得到改进，因为图像上病变的外观可以与特定的骨病理程度相关联。

T2对比度可以与在此披露的方法结合使用以突出肿瘤性骨病变中的流体，以将其分类为裂解性的或硬化性的。在这种病理学中，可能在钙化骨周围残留少量脂肪/骨髓以提供信号。在肿瘤性骨病变中，通常存在流体混合物，并且在各种炎症状态下存在骨髓混合物。为了从硬骨外部产生信号，可以使用质子密度。可替代地，扩散加权将基于水分子在流体浸润的骨髓相中的扩散而返回信号。

使用在此披露的方法来采集骨中的信号对比k值数据，应用上文披露的各种方法，产生用于评估骨健康的若干生物标志物。测量骨中不同位置处的多个VOI中的TbSp、TbTh和TbN，并且具有纹理编码梯度的不同取向，得到关于形态测量参数的幅度和变化的信息、它们相对于骨的承载轴的方向的变化、以及局部和整个更大的骨区域的测量的可变性。例如，虽然在局部晚期疾病中一个取向上TbTh的测量将清楚地反映病理学，但通过组合所采集的数据的总和，可以得到更敏感的骨健康标志物。

然而，相关数据是特征/生物标志物开发或提取所必需的。骨折可能性的最高含量预测值是骨折历史。骨活检也非常敏感的，但由于它是一种高度侵袭性的生物标志物，所以这种手术很少见。虽然DEXA是当前骨健康的黄金标准，但它测量骨面积密度，并且对小梁构筑不敏感；因此，它至多是骨折可能性的普通预测。但是，对于足够大的样本，此测量标准可以为诊断定义提供增加的相关性。总之，DEXA数据和患者骨折历史提供高水平的学习框架，用于与通过在此披露的方法得到的整个输出数据进行关联，从而能够根据在此披露的方法定义敏感的诊断工具。

机器学习算法不是通过个体比较从采集的数据中推导出生物标志物以寻找特征提取，而是将提供多次测量之间最好的相关性数据。

此外，除了TbTh、各向异性数据和TbSp测量及其方差之间的相关性之外，来自受试者的骨折数据也将使用机器学习算法来与这些测量值相关联，从而开发骨折可能性的标志物。通过将信号输入机器学习算法并将其与例如来自相同患者的骨折发生数据、DEXA测量或骨活检报告数据相关联，可从信号对比k值数据直接得到生物标志物。

受到纤维化侵袭的肝组织或其他组织提供了使用在此披露的方法的第二个实例。尽管肝脏疾病的潜在原因复杂且多变，但该病的突出特征是肝脏内纤维化沉积的发展。疾病的发作和进展主要表现为蛋白质沉积(主要是胶原纤维)在肝脏结构上的不断增加的积聚。虽然纤维化发展可以在短期内促进愈合，但如果不治疗该疾病，愈合反应本身就成为一个问题，蛋白质物质的过量会阻碍器官的正常运作。在肝脏疾病的情况下，这个过程(不加控制)会导致肝硬化，并伴随癌症和/或肝功能衰竭。出于这个原因，在一系列管理选项可用时，尽早诊断肝脏疾病是最佳选择。使用在此披露的方法评估对肝组织的疾病诱导的病理变化将提供低成本、非侵入性、快速附加至常规MR检查(其将被要求检查肝脏健康)。虽然这里关注肝纤维化，但在此披露的方法的病理学和应用与一系列以纤维化侵入为特征的疾病类似。这些疾病的部分列表：心脏纤维化、囊性纤维化、特发性肺纤维化、胰腺炎、肾脏疾病。另外，病理学，如前列腺疾病，会因响应疾病进展而失去蛋白质沉积。虽然机制是相反的，但诊断和监测所需的组织纹理评估是相同的。

虽然活检是当前肝脏疾病诊断的黄金标准，但器官内的采样误差、显著的读取误差和不可忽略的发病率、以及甚至死亡率，使得这不是一个最佳诊断。为了充分统计，鉴于肝脏内纤维化发展的高空间可变性，将需要许多样品；然而，由于活检技术的高度侵入性，只能采集少量样品。

虽然所需要的是对纤维化进展的准确评估，但除了病理学之外，当前无法直接测量。等到肝脏疾病通过肝功能检查、超声波或MR成像可诊断时，它已经到非常晚期了。我们需要的是一种诊断方法，可以在早期阶段(当疾病仍然可逆时)追踪疾病的发展。应用在此披露的方法在测量纤维化结构时提供直接并且非侵入性的测量，实现多样本、纵向监测疾病的发作、进展和对治疗的反应。

在肝脏中，与其他纤维化疾病一样，胶原蛋白在器官内以特定模式积聚，“装饰”基础结构元素。肝组织由以下组成：多个相邻的单位、或“小叶”(其结构由中心静脉描绘)和门静脉(在其周围形成六边形图像)(见下图)。因此，在健康的肝脏(没有纤维化发展＝F0阶段)中，将出现在组织纹理特征尺寸的信号分布中的突出尺寸由这些元件之间的间距(大约0.5mm至0.7mm的范围)产生。随着疾病发作，纤维化发展从门脉三联管开始、然后进展、最终形成连接门脉三联管至中央静脉的桥(阶段F1至F3)。这些桥扩大并聚结，形成纤维化沉积包围的再生组织岛。在这个过程中，组织纹理中的血管到血管结构间距逐渐被小叶到小叶间距所取代(阶段F3到F4)。因此，疾病进展的明确标志物是纹理波长从更短波长到更长波长(k值减少)的分布变化，该变化从约0.5mm到约2mm，并且通常更长。随着胶原响应正在发生的疾病积累在小叶表面，并且甚至小叶内肝细胞变得被装饰，小叶本身成为主要纹理特征，并且小叶间重复分隔k空间中的功率分布中的突出重复宽度。这种变化在疾病进展过程中逐渐发生，将纹理波长(反k值)的功率密度从健康范围转移出到大约2-3mm特征尺寸。参与这种纹理波长转换的突出纹理特征在组织学研究中是熟知的。

为了在早期阶段诊断肝脏疾病，可以使用在此披露的方法追踪信号，信号为k值的函数(从预期健康肝脏到指示疾病发作和进展的更长波长(更低k值))。在沿疾病进展和对治疗反应的弧的具体时间点的这种测量可以通过以下来做到：在期望范围的纹理波长上采集单个k值处的连续样本，或可替代地，在数据采集期间可以施加梯度以跨越k空间中的期望范围。也可以使这两种采集方法的混合。

使用内源性或外源性对比可以实现装饰各种肝脏结构的胶原蛋白与基础组织之间的对比：由于纤维化结构中的大的水含量，在标准T1成像中来自纤维化的信号是黑暗的，并且在T2成像中可以是明亮的。使用Gd造影剂缩短了T1，使得在T1加权时，纤维化对比背景组织显示出明亮。更高的对比度促进更加稳健的测量。然而，尽管这些对比度机制提供了纤维化和基础组织之间的对比度，但是标准MR成像不能够有足够的分辨率来辨别各种肝脏结构上的纤维化发展模式，这是早期疾病的特征。即使在使用屏气成像或呼吸触发时，患者运动也会模糊图像。使用标准的MR成像，肝脏疾病只能在肝脏可能受到不可逆转损伤的更晚期进行评估。虽然晚期疾病是可诊断的，但治疗理由和反应监测需要的是早期诊断。

除了常规的T1和T2对比度外，在有或没有造影剂的情况下，不同基于MR成像的技术已被用于评估肝纤维化。MRE(磁共振弹性成像)、扩散加权成像(DWI)和MR灌注成像可以产生一些关于肝脏疾病的信息，尽管它们在疾病的早期阶段都不能进行稳健的诊断。它们的一个主要困难是它们依赖用于纤维化发展的替代标志物。MRE依赖于硬度测量，灌注成像测量血液灌注参数，DWI(扩散加权成像)测量肝脏组织中水的ADC(表观扩散系数)。除了纤维化发展之外，这些参数均响应许多因素而变化，例如炎症、门静脉高压、脂肪变性、水肿、铁超负荷、和肝灌注改变。当前，没有直接的方法来测量早期疾病的纤维化发展。通过使用标准的MR对比度方法提供在与测量纤维化发展相关的k值处实现稳健的分辨率的能力，在此披露的方法能够评估早期肝脏疾病中的疾病状态。

使其具有新颖性的在此披露的方法的特征之一是其可以与大多数对比度机制结合使用。该方法的一个应用是将其与扩散加权结合使用，使用扩散加权对比度(参见下图23)，但是仅在早期疾病中的纤维化沉积的k值范围内而不是在标准的DWI中采集的整个图像中采集信号。通过使用用于信号采集的在此披露的方法，与用扩散加权MR成像可能实现的相比，用远远更精细的空间分辨率采集数据。被测量的纹理在实际纤维团块之间的纤维装饰结构的尺度上，而不是由部分体积成像所影响的平均测量值。纤维化沉积减少了水的扩散系数，在纤维化区域中更低的ADC(表观扩散系数)使得信号比周围组织明亮。通过结合在此披露的方法使用扩散加权，获得的结构信号将测量高度局部化的水扩散。因此，随着小叶单位从没有描绘边界变换为六边形边界的胶原蛋白装饰，并且然后填充整个小叶，边界处的水扩散将会受到阻碍，从而增加扩散加权信号强度。随着病理学的增加，然后通过使用扩散对比度可以获得纹理标志。定位扩散加权梯度的两种方法在图24和25中示出。所示出的用于选择k的期望的VOI和初始相位卷绕的脉冲序列如图3所述，并且与在图24和25中一致地编号。图24示出了扩散加权梯度2402、2404的定位，在第二180°切片选择脉冲的任一侧上，而在图25中示出了扩散加权梯度2502、2504位于第一180°切片选择脉冲之前并位于第二180°切片选择脉冲之后，以便为相同的TE提供比当将该对放置在最后180°切片选择脉冲的任一侧时可用的更多的扩散时间。

还可以使用在此披露的方法结合对比度(例如T1或T2加权)，在有或没有外源性试剂(例如Gd)的情况下评估纤维化纹理发展。通过使用实际空间和k空间两者的局部采样，在此披露的方法使得能够在必要的k值处快速采集信号，使得能够对肝脏中指定位置处的病理组织纹理进行稳健评估，来提供存在于该位置的纹理频率的测量值，免受限制当前MR成像方法的受试者运动诱发的模糊。使用在此披露的方法，呼吸运动的问题通过采集必要数据的速度而避免。为了对肝脏内的病理学可变性进行采样，VOI 2602a-2602d可以定位在肝脏中的各个位置，如图26所表示，在一个TR内使用交错采集，或者在分开的多个TR中进行测量。通过使用在此披露的方法，在指定k值或k值范围内的整个数据采集中，在每个限定的VOI内保持纹理相干性，以便通过信号平均来实现SNR最大化。如果需要，可以在相同位置处的随后TR中进行重复采样，以获得该位置处纤维化侵入程度的平均测量值，用于评估疾病进展阶段。

虽然这里已经详细地描述了对肝脏疾病的应用，但是通过在此披露的方法能够评估其他纤维化疾病。纤维化发展是肺部疾病(例如囊性纤维化、特发性肺纤维化)、心肌纤维化、肌肉纤维化、胰腺纤维化和肾脏疾病的特点。另外，如前所述，一些疾病如前列腺疾病会诱导蛋白质沉积的减少。

许多神经疾病和病症具有血管组分，其可以用作疾病发作和进展的标志物，允许诊断和治疗追踪(其提供了在此披露的方法的第三示例性实施)。敏感地评估微血管变化的能力将能够监测许多疾病的病理学进展，这些疾病在病理学大大发展之前通常不会被诊断出来。

血管生成(从预先存在的微血管形成新血管)对于肿瘤生长和转移是必需的。与健康组织中存在的血管的有序形成相比，病理性血管生成倾向于形成混乱的弯曲血管，充满了封闭的死端结构(参见图23)。血管直径和壁厚在血管生成微血管中是高度可变的，并且到处具有明显的血管渗透性。

例如，肿瘤侵袭性与新生血管密度密切相关联，因为需要血管生成来为肿瘤提供氧气和营养物质。评估肿瘤部位处的血管生成发展量以及表征血管形态的能力将能够评估肿瘤侵袭性。通过确定肿瘤内部和周围的血管生成脉管系统的范围，可能确定手术切除的必要边界。同样，随着血管恢复更为规范的状态，治疗反应部分通过脉管系统的测量可追踪。血管生成脉管系统发展的程度可以在一定程度上使用血清标志物或活检进行评估。但活检是高度侵入性的，并且容易出现采样误差和读取可变性。

作为第二实例，若干种形式的痴呆(最著名的是阿尔茨海默病(AD))现在被认为具有伴随致病性血管发展的大血管组分。还发现其他形式的痴呆(例如亨廷顿舞蹈病(HD)、帕金森病(PD)和额颞痴呆)也有损于脉管系统。在一些情况下，痴呆的突出原因似乎是大脑中的致病脉管系统，例如CVD。

慢性炎症是可导致神经血管结构异常，表现出渗透性和出血的另一个重要因素。一些微脉管系统发病机制与血脑屏障的渗透性有关。多发性硬化症(一种具有与炎症和轴索脱髓鞘相关的病理的脑部障碍)表现为微血管破坏。由于身体试图治愈损伤，中风和由此产生的局部缺血导致血管发生发展，从而改变毛细血管网络。由于血管生成具有增加的血管分布，涉及神经血管系统内的结构和功能改变二者，所以这种密度增加以及血管间距的高度可变性是一种有前途的生物标志物，其可用于表征脑中风后脑缺血状况。对于所有这些病症(肿瘤发展、缺血性中风和痴呆脑病理学)，需要一种评估脑组织微脉管系统的手段，可以既用于确定病理学进展，又用于评估治疗反应。

当前，MRI评估微脉管系统的健康状况最常使用灌注成像。灌注是通过微血管经由血液传输的组织的灌溉。由于血管状态改变血流动力学，所以这种测量可用于评估血管健康。对于灌注MR成像，使用内源性或外源性对比度。外源性对比度最常用的是使用基于Gd的造影剂来提供。通过称为ASL(动脉自旋标记)的技术获得内源性对比度，其中流入大脑区域的血液被磁性标记。在这两种情况下，随着对比度进入和退出成像平面，经由快速成像技术制作顺序图像。动态成像(例如灌注成像)的一个关键特征是可以经由将成像平面中不使用造影剂/血液标签获得的图像与当成像平面中对比度最大时获得的图像相减来获得差异对比度。

当使用造影剂进行这种测量时，静脉内注射一针药剂，并在造影剂通过微循环时采集连续的图像。(与不使用造影剂时观察到的情况相反，当使用造影剂时使用T2加权导致暗血，T1加权导致亮血。)为了能够在造影剂离开成像组织区域之前实现快速数据采集以允许多图像追踪流量，通常使用称为EPI(回波平面成像)的快速MRI采集序列的变体来采集图像。为了表征血管的状态，测量各种与流量有关的量：通过体素的(MTT)平均通过时间、到达峰值信号的时间、CBF(脑血流量)和CBV(脑血容量)。这些量(随血管状况而变化)均可经由灌注成像测量。除了在血液中存在造影剂的剂量时获得的图像的连续采集，或者当使用ASL时磁标记的血液在成像平面中流动之外，当血液和周围组织之间的对比度最小时，在剂量或标记的自旋(通过微脉管系统)通过之后采集至少一个图像。然后从早期图像中减去该图像以允许校准来自微脉管系统的绝对信号水平。通过采集多幅图像进行时间跟踪，可以对受损血管区域进行流量表征和确定。

与健康血管相比，血管生成血管更密集，血管直径和间距更加多样化。血管厚度和间距的高度空间变化是血管生成脉管系统的特点之一，并且因此随着血管密度的增加，其作为血管生成相关病理学的标志物。然而，灌注成像中的图像分辨率不足以确定详细的血管形态。流动对比度突出了由致病性流动参数引起的局部平均信号变化，提供了血管形态测量学的间接评估。然而，在此披露的方法可用于直接测量血管密度和血管间距可变性，以提供血管生成的血管发展的直接、稳健的评估。使用在此披露的方法来采集披露组织纹理的信号对比k值数据能够得到血管的形态特征的稳健的分辨率。这种采集可以在一个TR中完成，足够快以至于可以将序列注射到多图像采集灌注系列中。为了提供最佳分辨率，这种形态测量学采集将在峰值对比度附近完成，既可以采集一个TR的数据，也可以采集多个TR的数据，这些TR通过灌注图像采集在不同时间点顺序采集或散布。

通过在此披露的方法获得脉管系统的差异测量值，获得具有和不具有对比度的信号对比k值数据，提供了从脉管系统产生的纹理信号的起源的验证。尽可能使这两个测量值在时间上接近，允许在两个数据采集之间的最佳空间和相位相关值，以精确地突出来自血管的信号。

当使用ASL对比度时，保持两次采集之间的时间短的最佳方式是：1)通过在此披露的方法在具有质子密度对比度的指定成像平面中采集数据；2)紧接着第一次采集之后，在第二平面中、在血流的上游、靠近成像平面处旋转标记；3)通过在此披露的方法在成像平面中采集自旋标记的数据，标记和第二次采集在第一次采集之后在时间上尽可能接近。信号对比k值数据可以使用梯度开启或梯度关闭采集或两者的组合来采集，以提供跨k空间期望跨度的信号测量。

由于被测量的形态参数预计会显著变化，因此需要跨越一系列k值采集信号，以确定血管的基本结构标志。信号对比k值分布的宽度以及峰值位于k空间的位置是感兴趣的关键特征。峰值评估平均血管密度，并且宽度评估血管间距的可变性；两种标志物用于血管生成表征。采集可以在采集过程中使用梯度开启或梯度关闭来完成。在VOI的采集轴方向上适当的开窗将允许在k值的目标扩展上进行采样，确切的窗口函数确定k值范围内的相关程度。另外，混合采集是可能的，其中一个TR内的数据采集的一些部分的梯度处于打开状态，并且部分采集的梯度处于关闭状态。这里的目的是在采集一系列k值的同时，确保足够的重复，例如一组高度相关的k值，以通过平均来允许SNR最大化，同时确保足够快速的采集以提供对物体运动的免疫性。

可替代地，在此披露的方法不是通过在此披露的方法在时间上散布数据采集到标准灌注成像中，而是可以与任何血液对比度方法结合使用以直接测量显示致病性流量参数的区域中的血管形态。该测量中的血管间距和可变性二者都是已知的血管生成标志物，血管间距随着病理程度变得更随机。相比之下，可以使用结构对比度，例如T2或T1加权，其分别产生亮血或暗血。另外，黑血和亮血流量对比度都可以通过各种标准方法实现，包括动脉自旋标记。根据需要，可以在尽可能多的组织区域中使用尽可能多的采集方向来进行这种血管的结构测量。预计血管生成脉管系统将表现出高度的各向异性，因此在采集之间改变采集轴的取向提供了另一种病理学标志物。通过机器学习可以将来自灌注成像的流量数据与来自在此披露的方法的应用的结构血管数据相关联。

为了追踪与缺血性中风相关的血管生成或肿瘤附近的血管生成，可以在病变附近通过在此披露的方法进行采集以评估血管结构。为了实现这一点，限定这些病变的位置的成像扫描的实时响应将被用于通过在此披露的方法靶向随后的血管结构测量的位置。可以完成使用多个VOI/位置和多个采集取向的采集，以与出现在成像序列上的各种病变相关联。

为了研究与脑疾病(例如痴呆)相关的血管病理学，VOI可以位于与痴呆相关的一个或多个皮质区域附近的脉管系统中。数据可以在一个TR中的一个或多个VOI中采集。另外，在能够并行成像的扫描仪中，可以定义多个VOI并同时记录数据以对脑脉管系统的扩展区域进行采样。例如，在其中多个皮质区域似乎被损伤的痴呆中，可以将VOI放置在供给这些不同区域的脉管系统中，并同时记录数据。

诊断开发的常用途径是从输出数据向生物标志物鉴定的特征提取。虽然特征提取可能会定义一个特定的生物标志物，但通常在诊断开发中需要扩展的临床工作(年数，美元)来强化生物标志物与病理学的相关联。这种对个体检测-得到的生物标志物与结果的统计相关性的依赖性进一步受到小规模的初始测试人群的阻碍。

医疗数据分析正在迅速改变。最近开发的分析技术能够高效地确定采集的数据的全部信息内容(使用新诊断方法)。与之前的“看着键盘打字(hunt andpeck)”方法相比，当前的模式识别和机器学习技术可以实现与其他诊断内容的快速关联。通过这种方式，特征提取和生物标志物开发可以通过机器学习而不是通过人类观察数据来完成。实际上，不是从整个信号对比k值数据集合中分离出一个特征(生物标志物)与其他患者数据相关联，以产生强烈的病理学相关性。如此，关注在此披露的方法的采集结束使得在输入至用于本工作中使用的机器学习算法达到最高可能的SNR。

计算机程序现在擅长确定单个图像中的模式，连同可以将数据与其他病史/诊断信息进行高度有效的关联。当从这里披露的方法的应用输出的数据全部被提供时，提供最高的信息内容。与通过前端特征提取来减少信息内容相比，从每个VOI采集的信号对比k值的整个分布将被输入到机器学习算法，其中具有由当前标准测量取得的相关诊断数据。例如，相关数据可以是肝脏疾病分期(F0-F5)，该肝脏疾病分期来源于：来源于组织学图像的医生报告、当前用于肝脏疾病的黄金标准测量、肝功能测试(肝脏血清)、和体检。

可替代地，相关数据可以是单独地来自任何这些测试的输出。如果有足够数量的病例，可以在疾病分期中定义更精细的分级，例如，可能使用这种方法定义每个分期之间(F0和F1、F0和F2之间、以及F0和F3之间)的步骤。另外，结果(进展到更高级的病理学或治疗诱导的愈合)可以提供用于机器学习算法的相关数据，以与来自在此披露的方法的应用的纹理评估相关联。

通过在此披露的方法获得的评估阶段可以映射到患病肝脏的标准MRI形态图像的顶部。(为了更容易查看，图标可以代替分期数量。)这将有助于将疾病可变性通过器官可视化。另外，这些分期值可以通过机器学习与通过MRE、标准DWI或灌注在相同患者上获得的成像输出相关联，例如用来追踪可能的相关性。

采用在此方法的病理学评估的最后一个实例是脑组织。由于器官对干预的敏感性，脑病理学通常难以诊断和治疗。此外，认知和行为的变化可能会在很长的时间跨度内发生，使得潜在的病理学可能多年来不受控制。在AD中存在很长的症状前期，其中在分子和组织水平上具有潜在的进行中的病理学发展，最终导致神经元损伤。虽然有若干个已经在大型临床试验中进行过测试，但对于AD或其他形式的痴呆的新疗法尚未获得批准。随着人口老龄化，患病人群的数量不断增加，情况非常糟糕。若干项这些临床药物试验的阴性结果突出了在病理学发展早期靶向受试者的必要性。然而，这需要能够在症状前阶段靶向受试者的诊断。鉴定这些受试者的测试仍然还不明确。

研究表明，在痴呆发作和进展中灰质比白质更早受到影响。发现最早发生退化的皮质结构是海马体和内嗅皮质(导致记忆损失和定向障碍的病理学)。最近的研究将图像处理应用于3个T1加权的脑部MR成像，其表明海马体图像的纹理特征和MMSE(简易精神状态检查)评分之间存在统计学显著的对应关系。由于分辨率不足，纹理不能用MR成像直接测量，但图像分析测量将指定纹理分级与海马体中葡萄糖摄取减少和随后海马体收缩(AD的标志物)相关联，此外还与MMSE分数减少相关联。除了作为图像处理的结果之外，这些纹理特征是不可辨别的，并且它们的来源是未知的。研究表明，这些纹理变化先于认知衰退，并伴随症状发作。因此，海马体是用于应用此处披露的用于病理学评估的纹理测量的方法的良好目标。

由于海马体和内嗅皮质内痴呆的确切病因是未知的，在此披露的方法将用于收集足够完整的数据集合以提供器官(海马体或内嗅皮质)内的组织纹理的详细评估。将测量纹理波长含量和可变性、连同取向和位置依赖性。使用多种对比度方法(当纹理的起源未知时)，在至少3个(正交)方向上跨越一系列k值的信号采集是良好地表征纹理的必要条件。通过限定VOI尺寸来采集器官数据，以使得能够将VOI拟合进完全位于不同位置处的器官中，这使得可以确定纹理的空间变化。通过采集对应于几十微米至约1-2mm波长的k空间范围内的信号数据，确保大量的纹理信号有助于测量的信息内容。在此披露的方法可以与任何对比度机制结合使用，例如反转恢复、T1权重的增强形式或扩散加权。

通过在此披露的方法采集的纹理数据提供的新生物标志物对AD病理学程度的评估的预测价值可以通过与来自同一患者的一系列诊断信息的相关性来限定。主要相关标志物将从患者结果中得出，即AD或其他痴呆的明确诊断，因为这具有最高的诊断信息含量，尽管确切诊断在我们正在评估的病理学的很下游。另外的相关性将从海马体收缩的患者的MRI成像数据中得出，这是晚期AD(连同其他形式的痴呆)的经证实的、并且持续的标志物。如果可能的话，这种相关性将随疾病进展而纵向进行。再次，海马体中的组织纹理的变化预计会明显早于认知衰退，和经由MRI的可测量的体积变化。第三个相关标志物是FDG-PET，因为葡萄糖代谢的下降预计在疾病进展中相对较早地发生。作为第四个相关的生物标志物，MMSE(简易精神状态检查)提供了关于认知功能和衰退的纵向数据。AD的遗传偏好提供了与通过在此披露的方法采集的纹理测量值具有相关性的另外标志物。虽然之前的标志物提供了下游相关值(在结果侧)，但遗传标志物在任何病理学发展之前存在。这种不同组的生物标志物与通过在此披露的方法采集的数据在广泛范围的患者中在海马体和内嗅皮质中的相关性将使得能够使用在此披露的方法来明确定义诊断内容，用于AD病理学的早期阶段预测。

当前的机器学习算法能够对非指定特征进行病理学水平分类，正如将通过在此披露的方法从MR数据采集中获得的那样。因此，上面披露的相关数据来源将被输入到机器学习算法中以突出与纹理特征和疾病的相关性。

虽然研究已经表明海马体可能是AD进展的最早受影响的皮质结构，但由于与MR感测线圈的距离，其在大脑内的深度导致更低的SNR。新皮质内的纹理为评估痴呆和其他脑病理提供了一个目标，由于其靠近颅骨，提供了更高的SNR。在健康大脑中，在新皮质中发现了非常有序的神经元构筑。神经元以约50微米宽和80微米间距的束形式形成，每束中约80至100个有髓神经元聚集在一起。这是在新皮质组织学中可见的微柱组织。在组织学研究发现的大脑特定区域会在AD进展早期受到影响，这种柱状排序在前驱阶段失去了相干性。这些变化发生在总体脑萎缩之前，这是AD进展的常用标志物，使其成为早期诊断的更好靶标。此外，微柱变薄和指定脑区域的相干性损失的时间进展反映了阿尔茨海默病(AD)中混乱病理学的局部选择性进展。因此，使用在此披露的方法在空间上追踪脑中空间皮质微柱中的变化使得能够对痴呆进行分型，因为每种形式的痴呆都遵循通过脑的指定空间进展。

这些在健康大脑中的微柱的结构可以在图27中看到，组织学图像染色揭示髓磷脂2702(保护神经元的涂层)。图29A-29C是一系列三种组织学图像，其被染色以揭示束中的锥体神经元细胞。图29A是健康大脑中的神经元排序，并且图29B和29C示出了AD进展的进行性病理(柱状间距缩小并且有序结构变得越来越随机)。

这些皮质区域中微柱的间距和排序的变化是疾病的早期预兆。虽然这一领域的研究处于早期阶段，与其他病理学一样，基本组织变化必须早于症状。问题是当前还没有技术能够达到评估柱状纹理中这些早期阶段变化所需的分辨率。在此披露的方法能够进行这种测量。

有若干种方法可以用来实现在此披露的方法以测量新皮质微柱的间距和排序的变化。对于这种测量来反映早期阶段的变化，它将被应用于新皮质的区域，这些区域似乎影响AD发作中最早的行为，例如颞叶皮质。由于这些区域位于大脑外侧的新皮质，因此它们将在脑线圈中产生强大的SNR。图28是示出了VOI 2802a、2802b、2802c和2802d在新皮质2804中的可能定位的表示。

由于形成微柱束的神经元的轴突组分被包裹在髓磷脂(一种脂肪物质)中，T1对比度可以用于相对于背景组织突出轴突束，并且因此在评估这些结构时是对比度的良好选择。

测量柱状间距的困难源于这些结构的半结晶性。在健康的新皮质中，它们在垂直(平行于柱)方向上高度有序。因此，因为VOI的采集轴必须拦截这些柱中的若干个来进行测量，所以对比神经元束与背景组织的差异信号对采集轴的取向非常敏感。为了测量柱状间距，VOI的采集轴垂直于柱的长度对齐。微小的未对准会减少对比度，因为测量需要精确的取向。为了实现适当的对准，在大约一度或两度的增量角度上摇动采集梯度角将在适当的对准处显示信号共振，即，连续地重复时变的梯度序列，以产生通过3D k空间的轨迹，其中所得k值集合定位在指定k值周围以定位共振。(皮质的轻微曲率预计会为信号幅度对比角度的这种共振提供有限的宽度。)在示例性实施例中采用通过3D k空间的轨迹和在最初编码的指定k值的10度内取向的所得k值集合。由于柱状结构失去了与病理学进展的相干性，因此该共振的宽度预计会扩大，并且当结构变得高度随机时最终消失，如图29C中的组织学图像所示。

使用在此披露的方法，信号的采集可以处于(名义上)单个k值处，或者在一群k值(在t之前定义)，该测量是在k空间上采集信号的有限范围。

由于健康人脑中微柱的间距约为80微米，所以从约70微米至110微米的采样将涵盖共振。在示例性实施例中，这通过将VOI放置在皮质内并且提供对应于40微米至200微米的空间波长的k值范围内的空间编码来实现。

用在此披露的方法在皮质中进行测量涉及这些基本步骤：1)选择对比度机制以突出结构。2)确定待采集信号的单个k值或k值的跨度。3)k值采集的时序，确定每个k值或k值的扩展处有多少次重复。4)选择VOI的大小和新皮质组织中采集轴的一个或多个取向。5)VOI位于皮质高度的中心，使采集轴平行于VOI中点处的顶部和底部表面对齐，尽可能接近。6)然后通过梯度开启或梯度关闭来采集信号对比k值数据以测量微柱间距；在涵盖文献中指出的微柱的平均间距(大约80μm)的一大系列k值内的测量将确保覆盖宽度分布。当采集梯度垂直于柱方向时，应发生信号强度最大值。6)然后将采集梯度以小角度增量摇动以寻找信号共振(信号共振对比角度偏差的清晰度反映了微柱的排序)。清晰的共振表示有序的结构。作为角度偏差的函数的宽共振表明柱状退化已将随机性引入微柱排序。7)将梯度与最大信号返回对齐以扫描k值的范围来寻找纹理波长共振，即，信号的峰值对比k值分布(来自纹理分布)。这种共振也可以用来确定微柱排序。信号对比k值曲线中的清晰度峰值(高q值)表示有序结构，曲线的宽度表示有序度的损失程度。定位信号对比采集角度中以及信号对比k值分布中的共振可以作为一个交互过程来完成。

数据可以在皮质的其他位置或原始VOI附近采集，其可以在一个TR或多个TR内进行。用于表征皮质微柱的最佳VOI尺寸由以下确定：1)需要将VOI完全拟合到高度为2-3mm的皮质内，2)需要沿着编码轴对足够的纹理重复进行采样，以准确评估纹理波长，和3)信号要求。另外，VOI沿着柱方向的高度越小，决定了对准的灵敏度。

沿着编码轴采样的重复次数越少，通过在此披露的方法采集的信号的k空间扩宽越大。可以通过关闭梯度来采集数据，依靠选择窗口宽度来确定对信号有贡献的k值范围。保持k空间中的扩展足够小，确保信号输出中的相关性。

神经元柱间距的变化表明病理进展/衰老；这可以通过纵向监测信号幅度的峰值对比K值分布来确定。

随着结构退化，定向共振变得更宽和更扩散，扩展在更大跨度的采集角度内。而且，随着结构退化，信号峰值对比k值分布变得更宽和更扩散，扩展在更大跨度的k值(波长)内。最终，在任何一种情况下，随着微柱排序逐渐退化(痴呆程度不断增加的标志物)都不会出现峰值。此外，随着疾病进展的微柱宽度的变化将反映在列间距中，这是病理学的另一标志物。

这种疾病标志物的变化是柱状排序的各向异性的程度。随着柱状排序随病理进展而退化，柱状纹理的各向异性程度也减小，并且整个皮质组织纹理变得更加各向同性。各向异性的程度可以使用在此披露的方法使用T1或其他对比度来测量，其中VOI 3002如上定位，位于两个皮质表面3004之间的中间，如图30所示，并且将其中采集轴垂直于皮质表面(平行于微柱)的信号对比k值分布与其中采集轴与皮质表面3004相切地对齐(垂直于微柱)所获得的信号对比k值分布进行比较，如图30所示。

在包括中风和脑肿瘤在内的脑病理学中越来越多的使用扩散加权。扩散加权成像(DWI)提供了通过施加梯度(在目标位置对信号首先进行相移然后进行重新定向)，在细胞水平上的间接结构测量。

静止的水分子被第二梯度重新定向，但是在两个梯度之间移动的水分子不是这样，因此不产生信号。该技术的难点在于，通过设计，它对运动非常敏感。由于需要长的扩散梯度，导致回波时间晚，因此SNR也低。当使用扩散对比度时，使用在此披露的方法进行数据采集可以弥补运动问题，因为虽然回波时间仍然很长，但是数据采集足够快以致由于运动引起的信号损失和模糊被最小化。在此披露的方法可以与扩散加权对比度一起使用以评估微柱的间距和序列/随机性。这种测量可以通过平行于皮质表面(垂直于微柱)，然后垂直于皮质表面(平行于微柱方向)施加的扩散梯度进行。这两项测量能够评估各向异性，这将在健康大脑中最高，病理学然后随着柱退化而诱导各向同性增加。

使用扩散加权，参照图30：如果微柱仍然完好，则施加如梯度1 3006所指示的梯度将产生低信号。类似地，如果微柱仍然完好，则施加如通过梯度2 3008所指示的梯度将产生高扩散信号。

随着微柱退化，两个不同梯度的信号相互接近，期望扩散加权信号随着微柱高度退化而整体增加。

对这一措施的改进是通过在多个方向上施加扩散梯度来进行数据采集和发展扩散张量(类似于扩散张量成像(DTI))，但同时数据采集通过在此披露的方法进行。扩散张量的发展需要使用至少6个非共线方向的不扩散梯度取向来产生足够的数据以产生张量，其特征值确定了皮质中分数各向异性(FA)的水平，反映了微柱的排序。随着柱状组织退化，FA值应该改变，向更多的各向同性组织移动，FA值为1表示最高各向异性，0值表示基本扩散的最大各向同性，从而揭示柱状纹理的排序。

与结合在此披露的方法使用的其他类型的对比度机制一样，当它们仍然被充分要求以限定明确的纹理波长标志和预先测量以确定信号对比k值的分布时，目标k值通过来自文献和来自测量的微柱的k空间中的近似位置的知识的组合来选择。实现此目的的一种方法是在保持梯度开启时在数据采集期间在k空间上提供足够的扩展，以实现一个或多个随后采集的更精细的采样，尽管也可以使用梯度关闭采集进行该测量。

在皮质中，发现水的平均扩散率(MD)随着痴呆的增加而减少。使用在此披露的方法，可以通过如上所述测量微柱的间距、排序和各向异性来确定这是否是由于微柱混乱造成的。使用在此披露的方法获得的信号对比k值数据可以被输入到机器学习算法中，其中具有来自认知评估测试(例如MMSE检查、下游神经病理学结果以及血清和成像数据)的相关数据。

除了阿尔茨海默病痴呆之外，微柱结构中的变化或形态异常与帕金森氏病、路易体痴呆、肌萎缩侧索硬化症、自闭症(孤独症频谱系障碍反映更宽、因此更紧密排列的微柱)和精神分裂症(对于这种情况，柱随年龄的正常细化似乎并未出现，导致间距更宽的微柱)、诵读困难和ADHD一起发生。因此，在此披露的方法可用于评估任何这些病症中的病理学程度。通过皮质萎缩分割、MMSE、医生对观察数据病理程度的评估等可以获得机器学习相关性，以确定测量数据与病理之间的关联。

另外，在此披露的方法可以与静止的对比度机制一起使用以突出显示组织纹理变化和流量对比度，以突出显示在MR成像上显示的病变附近的脉管系统变化，其可以指示中风或肿瘤相关病理学。

研究表明，在痴呆发作和进展中灰质比白质更早受到影响。发现最早发生退化的皮质结构是海马体和内嗅皮质(导致记忆损失和定向障碍的病理学)。最近的研究将图像处理应用于T1加权的脑部MR成像，其表明海马体图像的纹理特征和MMSE(简易精神状态检查)评分之间存在统计学显著的对应关系。由于分辨率不足，纹理不能用MR成像直接测量，但图像分析测量将指定纹理分级与海马体中葡萄糖摄取减少和随后海马体收缩(AD的标志物)相关联，此外还与MMSE分数减少相关联。除了作为图像处理的结果之外，这些纹理特征是不可辨别的，并且它们的来源是未知的。研究表明，这些纹理变化先于认知衰退，并伴随症状发作。因此，海马体是用于应用此处披露的用于病理学评估的纹理测量的方法的良好目标。

由于海马体和内嗅皮质内痴呆的确切病因是未知的，在此披露的方法将用于收集足够完整的数据集合以提供器官(海马体或内嗅皮质)内的组织纹理的详细评估。将测量纹理波长含量和可变性、连同取向和位置依赖性。使用多种对比度方法(当纹理的起源未知时)，在至少3个(正交)方向上跨越一系列k值的信号采集是良好地表征纹理的必要条件。通过限定VOI尺寸来采集器官数据，以使得能够将VOI拟合进完全位于不同位置处的器官中，这使得可以确定纹理的空间变化。通过采集对应于十微米至约1-2mm的波长的k空间范围内的信号数据,确保大量的纹理信号有助于测量的信息内容。在此披露的方法可以与任何对比度机制结合使用，例如反转恢复、T1权重的增强形式或扩散加权。

通过在此披露的方法采集的纹理数据提供的新生物标志物对AD病理学程度的评估的预测价值可以通过与来自同一患者的一系列诊断信息的相关性来限定。主要相关标志物将从患者结果中得出，即AD或其他痴呆的明确诊断，因为这具有最高的诊断信息含量，尽管确切诊断在我们正在评估的病理学的很下游。另外的相关性将从海马体收缩的患者的MRI成像数据中得出，这是晚期AD(连同其他形式的痴呆)的经证实的、并且持续的标志物。如果可能的话，这种相关性将随疾病进展而纵向进行。再次，海马体中的组织纹理的变化预计会明显早于认知衰退，和经由MRI的可测量的体积变化。第三个相关标志物是FDG-PET，因为葡萄糖代谢的下降预计在疾病进展中相对较早地发生。作为第四个相关的生物标志物，MMSE(简易精神状态检查)提供了关于认知功能和衰退的纵向数据。AD的遗传偏好提供了与通过在此披露的方法采集的纹理测量值具有相关性的另外标志物。虽然之前的标志物提供了下游相关值(在结果侧)，但遗传标志物在任何病理学发展之前存在。这种不同组的生物标志物与通过在此披露的方法采集的数据在广泛范围的患者中在海马体和内嗅皮质中的相关性将使得能够使用在此披露的方法来明确定义诊断内容，用于AD病理学的早期阶段预测。

当前的机器学习算法能够对非指定特征进行病理学水平分类，正如将通过在此披露的方法从MR数据采集中获得的那样。因此，上面披露的相关数据来源将被输入到机器学习算法中以突出与纹理特征和疾病的相关性。

如专利法规所要求的现已对本发明的不同实施例进行了详细说明，本领域技术人员将认识到在此披露的具体实施例的改变和替代。这类改变是处于如以下权利要求所述的本发明的范围和意图内。

Claims (37)

1.一种用于选择性采样以使用磁共振(MR)评估纹理的方法，该方法包括：

在存在针对第一切片选择所选的第一梯度的情况下发射第一RF脉冲；

在施加针对在由该第一切片和一个第二切片的相交限定的一个区域中的切片选择性重聚焦所选的第二梯度的情况下发射第二RF脉冲；

用一个选定的梯度脉冲编码一个指定k值；

在第三梯度被激活的情况下发射第三RF脉冲，所述第三梯度适于切片选择性重聚焦，限定了由该第一切片和该第二切片的该相交以及第三切片选择所限定的一个区域，从而限定一个感兴趣的体积(VOI)；

关闭所有梯度；

记录用该指定k值编码的一种RF信号的多个样本；

施加非零幅度梯度作为时间依赖性相位编码，同时记录由该非零幅度梯度的高度和脉冲宽度限定的k值的邻域中的连续k值的样本；

后处理在时间跨度内记录的连续k值的组合，同时施加非零幅度梯度，其中k值保持相关联，并且全部记录在单一TR中。

2.如权利要求1所述的方法，其中该编码步骤包括：

施加一个编码梯度脉冲以诱导相位卷绕来产生针对指定k值和取向的一种空间编码，该指定k值基于VOI内的纹理确定。

3.如权利要求2所述的方法，进一步包括：

在记录用该指定k值编码的RF信号的多个样本之后，在一个选定矢量组合梯度上发出k值选择脉冲以确定第二k值；

关闭该矢量组合梯度；以及，

在该TR中记录在该第二k值下的该RF信号的多个样本。

4.如权利要求3所述的方法，进一步包括：

在一个选定的矢量组合梯度上对预先确定的多个脉冲施加另外的k值选择脉冲，每个k值选择脉冲确定出下一个k值；

在每个脉冲之后关闭该矢量组合梯度；以及，

在该TR中记录在由每个k值选择脉冲确定的该下一个k值下的该RF信号的多个样本。

5.如权利要求1所述的方法，进一步包括：

在施加非零幅度梯度之前发射重聚焦RF脉冲。

6.如权利要求2所述的方法，进一步包括：

施加更高的幅度梯度作为时间依赖性的相位编码，同时记录在跨越k空间的相对较宽间距的指定k值的邻域中的第二组连续k值的样本，这些样本在窗口函数施加的样本间相关性之外，并且全部记录在单一TR中。

7.如权利要求6所述的方法，进一步包括：

在施加更大幅度梯度之前发射第二重聚焦RF脉冲。

8.如权利要求1所述的方法，其中该非零幅度梯度包括在k空间中诱导样本的梯度，这些样本将足够紧密地间距开，使得这些样本高度相关。

9.如权利要求2所述的方法，其中该指定k值在0.2mm^-1至100mm^-1的范围内，并且由该非零幅度梯度诱导的k值的邻域是该范围的子集。

10.如权利要求6所述的方法，其中该更高幅度梯度包括在邻域之外的k空间中诱导样本的梯度，在该邻域中基础值高度相关。

11.如权利要求10所述的方法，其中该指定k值在0.2mm^-1至100mm^-1的范围内，并且由该非零幅度梯度诱导的k值的邻域是该范围的子集，其中样本间相关性在该范围内具有块。

12.如权利要求1所述的方法，其中该非零幅度梯度基于窗口函数来确定并且被定义为

13.如权利要求1所述的方法，其中，在限定该VOI的同时，通过选择加窗口函数来诱导由该非零幅度梯度产生的跨越k空间范围的相关性。

14.如权利要求1所述的方法，其中对通过该非零幅度梯度产生的集合邻域中的k的变化的校正是由具有规定的k个编码的一组k个测量值诱导。

15.一种用于选择性采样以使用磁共振(MR)评估纹理的方法，该方法包括：

发射RF脉冲和相关梯度以限定感兴趣的体积(VOI)；

施加一个编码梯度脉冲以诱导相位卷绕来产生针对指定k值和取向的空间编码，该指定k值和取向是基于VOI内的纹理确定，作为具有低SNR的k值范围中的初始值；

施加非零幅度梯度作为时间依赖性的相位编码，同时记录由非零幅度梯度的高度和脉冲宽度限定的指定k值附近的邻域中的连续k值的样本；以及，

后处理连续k值，在时间跨度内记录同时施加梯度，其中这些k值保持相关联，提供高SNR的样本数量。

16.一种用于选择性采样以使用磁共振(MR)评估纹理的方法，该方法包括：

发射RF脉冲和相关梯度以限定感兴趣的体积(VOI)；

施加一个编码梯度脉冲以诱导相位卷绕来产生针对指定k值和取向的空间编码，该指定k值和取向是基于VOI内的纹理确定，作为具有高SNR的k值范围中的初始值；

施加非零幅度梯度作为时间依赖性的相位编码，同时记录在相对较宽间距的指定k值的邻域中的一组连续k值的一系列样本，这些样本在窗口函数施加的样本间相关性之外。

17.如权利要求16所述的方法，其中记录一组连续k值的样本包括在k值的重叠块中采样。

18.如权利要求17所述的方法，其中在块中的连序k值以足够相关联的方式组合，以经由组合产生SNR的改进，并且进一步包括：

将其中k值保持相关联的块中的连续k值作为组合数据点进行后处理，提供高SNR的样本的数量；以及，

使用组合的数据点表征在一系列记录样本内的功率分布以测量VOI内的基础纹理。

19.如权利要求15所述的方法，其中该指定k值在0.2mm^-1至100mm^-1的范围内，并且该k值的邻域是该范围的子集。

20.如权利要求16所述的方法，其中该指定k值在0.2mm^-1至100mm^-1的范围内，并且该k值的邻域是该范围的子集。

21.一种用于选择性采样以使用磁共振(MR)评估组织纹理的方法，该方法包括：

应用对比度机制，该机制增强被测量的多相生物样品中的组分组织类型之间的对比度；

采用多个时变射频信号和施加的梯度来选择性地激发感兴趣的体积(VOI)；

施加一个编码梯度脉冲以诱导相位卷绕来产生针对指定k值和取向的一种空间编码，该指定k值基于VOI内的纹理确定；

启动时变系列的梯度以产生通过k值编码的3D k空间的时变轨迹，所得k值集合是产生VOI图像所需的子集；

同时记录用k值集合编码的NMR RF信号的多个连续样本；

对所记录的NMR信号样本进行后处理以产生由轨迹确定的k值集合中的k值的信号对比k值的数据集合，以表征VOI中的组织的纹理特征。

22.如权利要求21所述的用于选择性采样以使用MR评估组织纹理的方法，其中该选择性激发VOI的步骤包括：

在存在针对第一切片选择所选的第一梯度的情况下发射第一RF脉冲；

在施加针对在由该第一切片和一个第二切片的相交限定的一个区域中的切片选择性重聚焦所选的第二梯度的情况下发射第二RF脉冲；

施加编码梯度脉冲；

在第三梯度被激活的情况下发射第三RF脉冲，所述第三梯度适于切片选择性重聚焦，限定了由该第一切片和该第二切片的该相交以及第三切片选择所限定的一个区域，从而限定该VOI。

23.如权利要求21所述的用于选择性采样以使用MR评估组织纹理的方法，其中组分组织类型是纤维化组织，并且其中应用对比度机制的步骤进一步包括从外源性或内源性对比度机制选择对比度机制，以提供纤维化结构和周围组织之间的对比度，该对比度机制包括T1、T2或T2*，IR加权或功能对比度，如扩散或流量对比度，BOLD(血氧水平依赖)，ASL(动脉自旋标记)和扩散加权对比度。

24.如权利要求23所述的用于选择性采样以使用MR评估组织纹理的方法，其中应用对比度机制包括：

在具有针对一个第一切片选择所选的第一梯度的情况下发射第一RF脉冲和在施加针对在由该第一切片和一个第二切片的相交限定的一个区域中的切片选择性重聚焦所选的第二梯度的情况下发射第二RF脉冲之后，在选择性地激发VOI的步骤期间施加第一扩散梯度；其中完成VOI的激发包括在第三梯度被激活的情况下发射第三RF脉冲，所述第三梯度适于切片选择性重聚焦，限定了由该第一切片和该第二切片的该相交以及第三切片选择所限定的一个区域，从而限定一个感兴趣的体积(VOI)；和，

施加第二扩散梯度，所述第一和第二扩散梯度建立对比度；以及，

所述施加编码梯度脉冲的步骤进一步包括基于纤维化纹理设置指定k值。

25.如权利要求23所述的用于选择性采样以使用MR评估组织纹理的方法，其中选择性激发VOI包括：

使用一个TR内的交错采集或分离的多个TR中的测量来定位在肝脏中的各个位置的VOI，以对肝脏内的病理可变性进行采样；

其中在通过针对指定k值或k值范围的k值编码的3D k空间限定轨迹来记录NMR RF信号的多个连续样本的步骤期间，在每个限定的VOI内保持纹理空间相干性以通过信号平均实现SNR最大化。

26.如权利要求21所述的用于选择性采样以使用MR评估组织纹理的方法，其中该组分类型是骨并且该应用对比度机制的步骤进一步包括从质子密度加权、T1对比度、扩散加权中选择对比度机制以突出骨髓内扩散；在骨内的病变中使用T2对比度以突出流体将骨病变分类为裂解性或硬化性，或使用其他对比度机制来突出小梁骨微构筑。

27.如权利要求26所述的用于选择性采样以使用MR评估组织纹理的方法，其中由时变梯度建立的指定k值和k值集合涵盖高达5mm的一系列TbSp和TbTh。

28.如权利要求21所述的用于选择性采样以使用MR评估组织纹理的方法，其中组分类型是脉管系统，并且其中应用对比度机制的步骤进一步包括从外源性或内源性对比度中选择对比度机制，其中对比度机制包括ASL(动脉自旋标记)，Gd对比度，T1、T2、T2*和质子密度对比度，BOLD(血氧水平依赖)对比度。

29.如权利要求28所述的用于选择性采样以使用MR评估组织纹理的方法，该方法进一步包括：

进行灌注成像以提供对血管健康/病理的评估；以及，

限定用于选择性激发的VOI，其中灌注成像序列已经突出了可能的血管病理学。

30.如权利要求21所述的方法，用于如权利要求1所述的选择性采样以使用MR评估组织纹理，其中组分组织类型是脑组织中的有序神经元构筑，其中应用对比度机制进一步包括从T1加权、T2IR、T2*、反转恢复或扩散加权选择一种对比度机制。

31.如权利要求21所述的方法，用于如权利要求1所述的选择性采样以使用MR评估组织纹理，其中组分类型是脑组织中有序的神经元构筑，其中该VOI被放置在皮质内并且该空间编码处于k值范围内对应于40微米至200微米的空间波长，并且该VOI进一步与该皮质的表面相切对齐。

32.如权利要求30所述的用于选择性采样以使用MR评估组织纹理的方法，该方法进一步包括连续重复时变系列梯度以产生通过3D k空间的轨迹，其中所得k值集合在该指定k值附近取向以定位共振。

33.如权利要求32所述的用于选择性采样以使用MR评估组织纹理的方法，其中所得k值集合在该指定k值的10度内取向。

34.如权利要求30所述的用于选择性采样以使用MR评估组织纹理的方法，其中该VOI以该皮质高度为中心，使采集轴平行于在该VOI中点的顶部和底部表面对齐；并且进一步包括：

以梯度开启或关闭采集信号数据，跨越以微柱的预期间距为中心的一系列k值以测量柱的间距。

35.如权利要求34所述的用于选择性采样以使用MR评估组织纹理的方法，该方法进一步包括以角度增量摇动采集梯度以确定信号共振。

36.如权利要求30所述的用于选择性采样以使用MR评估组织纹理的方法，其中选择性地激发VOI限定了VOI尺寸，以使得能够将该VOI拟合进完全位于不同位置处的大脑中，从而能够确定这些纹理特征的空间可变性，并且采集梯度提供了在k空间范围内的信号数据，该k空间范围对应于具有在多达三个正交方向上的波长上设置的一系列k值的十微米至约1-2mm的波长，并且进一步包括：

从包括海马体收缩的MRI成像数据、FDG-PET、MMSE(简易精神状态检查)和AD的遗传偏好的选定集合获得生物标志物；

输入由轨迹确定的k值集合中的k值的信号对比k值的数据集合，以将VOI中的组织的纹理特征和获得的生物标志物表征为机器学习算法；以及，

接收来自机器学习算法的与纹理特征和疾病相关的输出。

37.一种用于选择性采样以使用磁共振(MR)评估大脑组织纹理的方法，该方法包括：

从T1加权、T2IR、T2*、反转恢复或扩散加权选择一种对比度机制；

应用该对比度机制；

采用多个时变射频信号和施加的梯度来选择性地激发原始感兴趣的体积(VOI)，使得该VOI位于大脑的皮质高度的中心，将该指定k值的轴平行于在该VOI中点的表面的皮质对齐；

施加一个编码梯度脉冲以诱导相位卷绕来产生针对指定k值和取向的一种空间编码，该指定k值以组织微柱的预期间距为中心以测量该微柱的间距；

启动时变系列的采集梯度以产生通过k值编码的3D k空间的时变轨迹，所得k值集合是产生VOI图像所需的子集；

同时记录用k值集合编码的NMR RF信号的多个连续样本以采集跨越一系列k值的信号；

摇动采集梯度是以角度增量进行来确定信号共振，其中信号共振的清晰度反映微柱的排序；

选择一个采集角度；

重复时变系列的采集梯度，以通过针对一系列k值的k值编码的3D k空间产生时变轨迹，扫描该系列k值以确定信号峰值对比k值分布；以及，

在一个TR或多个TR内，采用多个时变射频信号和施加的梯度选择性地激发另外的VOI，这些另外的VOI位于皮质中的其他位置处或原始VOI附近。