CN117192456A - 一种用于检测脂肪含量的磁共振模型及其构建方法、验证方法和应用 - Google Patents
一种用于检测脂肪含量的磁共振模型及其构建方法、验证方法和应用 Download PDFInfo
- Publication number
- CN117192456A CN117192456A CN202311033657.3A CN202311033657A CN117192456A CN 117192456 A CN117192456 A CN 117192456A CN 202311033657 A CN202311033657 A CN 202311033657A CN 117192456 A CN117192456 A CN 117192456A
- Authority
- CN
- China
- Prior art keywords
- magnetic resonance
- fat
- fat content
- model
- vitro
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000010276 construction Methods 0.000 title abstract description 8
- 238000012795 verification Methods 0.000 title abstract description 7
- 235000019625 fat content Nutrition 0.000 claims abstract description 80
- 230000001133 acceleration Effects 0.000 claims abstract description 64
- 238000000338 in vitro Methods 0.000 claims abstract description 61
- 210000004185 liver Anatomy 0.000 claims abstract description 40
- 238000001514 detection method Methods 0.000 claims abstract description 22
- 238000004945 emulsification Methods 0.000 claims abstract description 16
- 210000000496 pancreas Anatomy 0.000 claims abstract description 15
- 239000000725 suspension Substances 0.000 claims description 28
- 235000019483 Peanut oil Nutrition 0.000 claims description 18
- 239000000312 peanut oil Substances 0.000 claims description 18
- 229920001817 Agar Polymers 0.000 claims description 13
- 239000008272 agar Substances 0.000 claims description 13
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 13
- 230000035945 sensitivity Effects 0.000 claims description 10
- 229910052688 Gadolinium Inorganic materials 0.000 claims description 9
- 238000013473 artificial intelligence Methods 0.000 claims description 9
- UIWYJDYFSGRHKR-UHFFFAOYSA-N gadolinium atom Chemical compound [Gd] UIWYJDYFSGRHKR-UHFFFAOYSA-N 0.000 claims description 9
- 239000003755 preservative agent Substances 0.000 claims description 9
- 230000002335 preservative effect Effects 0.000 claims description 9
- 239000003381 stabilizer Substances 0.000 claims description 9
- 239000004094 surface-active agent Substances 0.000 claims description 9
- 239000003795 chemical substances by application Substances 0.000 claims description 8
- 238000002595 magnetic resonance imaging Methods 0.000 claims description 8
- 239000000843 powder Substances 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000005284 excitation Effects 0.000 claims description 6
- 238000002360 preparation method Methods 0.000 claims description 4
- 230000001954 sterilising effect Effects 0.000 claims description 4
- 238000002156 mixing Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 210000003240 portal vein Anatomy 0.000 claims description 3
- 238000001879 gelation Methods 0.000 claims description 2
- 238000004659 sterilization and disinfection Methods 0.000 claims description 2
- 238000003759 clinical diagnosis Methods 0.000 abstract description 3
- 206010006322 Breath holding Diseases 0.000 abstract description 2
- 238000012937 correction Methods 0.000 abstract description 2
- 235000019197 fats Nutrition 0.000 description 100
- 238000005259 measurement Methods 0.000 description 13
- 210000001015 abdomen Anatomy 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 9
- 210000003205 muscle Anatomy 0.000 description 7
- 210000001519 tissue Anatomy 0.000 description 7
- 238000009826 distribution Methods 0.000 description 6
- 239000012154 double-distilled water Substances 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 6
- 230000001804 emulsifying effect Effects 0.000 description 5
- 239000000243 solution Substances 0.000 description 5
- 210000000577 adipose tissue Anatomy 0.000 description 4
- 238000004904 shortening Methods 0.000 description 4
- WSFSSNUMVMOOMR-UHFFFAOYSA-N Formaldehyde Chemical compound O=C WSFSSNUMVMOOMR-UHFFFAOYSA-N 0.000 description 3
- 230000003187 abdominal effect Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000004060 metabolic process Effects 0.000 description 3
- 210000000056 organ Anatomy 0.000 description 3
- DBMJMQXJHONAFJ-UHFFFAOYSA-M Sodium laurylsulphate Chemical compound [Na+].CCCCCCCCCCCCOS([O-])(=O)=O DBMJMQXJHONAFJ-UHFFFAOYSA-M 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000839 emulsion Substances 0.000 description 2
- IPCSVZSSVZVIGE-UHFFFAOYSA-N hexadecanoic acid Chemical compound CCCCCCCCCCCCCCCC(O)=O IPCSVZSSVZVIGE-UHFFFAOYSA-N 0.000 description 2
- VKOBVWXKNCXXDE-UHFFFAOYSA-N icosanoic acid Chemical compound CCCCCCCCCCCCCCCCCCCC(O)=O VKOBVWXKNCXXDE-UHFFFAOYSA-N 0.000 description 2
- 238000010874 in vitro model Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000002844 melting Methods 0.000 description 2
- 230000008018 melting Effects 0.000 description 2
- WSFSSNUMVMOOMR-NJFSPNSNSA-N methanone Chemical group O=[14CH2] WSFSSNUMVMOOMR-NJFSPNSNSA-N 0.000 description 2
- 238000013441 quality evaluation Methods 0.000 description 2
- WXMKPNITSTVMEF-UHFFFAOYSA-M sodium benzoate Chemical compound [Na+].[O-]C(=O)C1=CC=CC=C1 WXMKPNITSTVMEF-UHFFFAOYSA-M 0.000 description 2
- 239000004299 sodium benzoate Substances 0.000 description 2
- 235000010234 sodium benzoate Nutrition 0.000 description 2
- 230000007863 steatosis Effects 0.000 description 2
- 231100000240 steatosis hepatitis Toxicity 0.000 description 2
- 238000003756 stirring Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- ACOGNPJCAUNYKJ-ORFYIMQMSA-N (2s,3s)-2-[4-[(1r)-1-amino-2-hydroxyethyl]triazol-1-yl]-1-[4-[4-[4-[(2s,3s)-2-[4-[(1r)-1-amino-2-hydroxyethyl]triazol-1-yl]-3-methylpentanoyl]piperazin-1-yl]-6-[2-[2-(2-prop-2-ynoxyethoxy)ethoxy]ethylamino]-1,3,5-triazin-2-yl]piperazin-1-yl]-3-methylpenta Chemical compound Cl.N1([C@@H]([C@@H](C)CC)C(=O)N2CCN(CC2)C=2N=C(NCCOCCOCCOCC#C)N=C(N=2)N2CCN(CC2)C(=O)[C@H]([C@@H](C)CC)N2N=NC(=C2)[C@@H](N)CO)C=C([C@@H](N)CO)N=N1 ACOGNPJCAUNYKJ-ORFYIMQMSA-N 0.000 description 1
- OYHQOLUKZRVURQ-NTGFUMLPSA-N (9Z,12Z)-9,10,12,13-tetratritiooctadeca-9,12-dienoic acid Chemical compound C(CCCCCCC\C(=C(/C\C(=C(/CCCCC)\[3H])\[3H])\[3H])\[3H])(=O)O OYHQOLUKZRVURQ-NTGFUMLPSA-N 0.000 description 1
- WRIDQFICGBMAFQ-UHFFFAOYSA-N (E)-8-Octadecenoic acid Natural products CCCCCCCCCC=CCCCCCCC(O)=O WRIDQFICGBMAFQ-UHFFFAOYSA-N 0.000 description 1
- LQJBNNIYVWPHFW-UHFFFAOYSA-N 20:1omega9c fatty acid Natural products CCCCCCCCCCC=CCCCCCCCC(O)=O LQJBNNIYVWPHFW-UHFFFAOYSA-N 0.000 description 1
- QSBYPNXLFMSGKH-UHFFFAOYSA-N 9-Heptadecensaeure Natural products CCCCCCCC=CCCCCCCCC(O)=O QSBYPNXLFMSGKH-UHFFFAOYSA-N 0.000 description 1
- 241000894006 Bacteria Species 0.000 description 1
- 206010016654 Fibrosis Diseases 0.000 description 1
- 208000031226 Hyperlipidaemia Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 208000008589 Obesity Diseases 0.000 description 1
- ZQPPMHVWECSIRJ-UHFFFAOYSA-N Oleic acid Natural products CCCCCCCCC=CCCCCCCCC(O)=O ZQPPMHVWECSIRJ-UHFFFAOYSA-N 0.000 description 1
- 239000005642 Oleic acid Substances 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 235000021314 Palmitic acid Nutrition 0.000 description 1
- 229930040373 Paraformaldehyde Natural products 0.000 description 1
- 235000021355 Stearic acid Nutrition 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 239000007864 aqueous solution Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000090 biomarker Substances 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 230000007882 cirrhosis Effects 0.000 description 1
- 208000019425 cirrhosis of liver Diseases 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000002597 diffusion-weighted imaging Methods 0.000 description 1
- 230000002124 endocrine Effects 0.000 description 1
- 230000037149 energy metabolism Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000499 gel Substances 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 230000002440 hepatic effect Effects 0.000 description 1
- 201000001421 hyperglycemia Diseases 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- QXJSBBXBKPUZAA-UHFFFAOYSA-N isooleic acid Natural products CCCCCCCC=CCCCCCCCCC(O)=O QXJSBBXBKPUZAA-UHFFFAOYSA-N 0.000 description 1
- 210000000629 knee joint Anatomy 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- WQEPLUUGTLDZJY-UHFFFAOYSA-N n-Pentadecanoic acid Natural products CCCCCCCCCCCCCCC(O)=O WQEPLUUGTLDZJY-UHFFFAOYSA-N 0.000 description 1
- 208000008338 non-alcoholic fatty liver disease Diseases 0.000 description 1
- 231100000252 nontoxic Toxicity 0.000 description 1
- 230000003000 nontoxic effect Effects 0.000 description 1
- 235000020824 obesity Nutrition 0.000 description 1
- QIQXTHQIDYTFRH-UHFFFAOYSA-N octadecanoic acid Chemical compound CCCCCCCCCCCCCCCCCC(O)=O QIQXTHQIDYTFRH-UHFFFAOYSA-N 0.000 description 1
- OQCDKBAXFALNLD-UHFFFAOYSA-N octadecanoic acid Natural products CCCCCCCC(C)CCCCCCCCC(O)=O OQCDKBAXFALNLD-UHFFFAOYSA-N 0.000 description 1
- 239000003921 oil Substances 0.000 description 1
- 235000019198 oils Nutrition 0.000 description 1
- ZQPPMHVWECSIRJ-KTKRTIGZSA-N oleic acid Chemical compound CCCCCCCC\C=C/CCCCCCCC(O)=O ZQPPMHVWECSIRJ-KTKRTIGZSA-N 0.000 description 1
- 229920002866 paraformaldehyde Polymers 0.000 description 1
- 239000004033 plastic Substances 0.000 description 1
- 239000004417 polycarbonate Substances 0.000 description 1
- 229920000515 polycarbonate Polymers 0.000 description 1
- 239000002861 polymer material Substances 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 150000004671 saturated fatty acids Chemical class 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000008117 stearic acid Substances 0.000 description 1
- 238000007920 subcutaneous administration Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 235000021122 unsaturated fatty acids Nutrition 0.000 description 1
- 150000004670 unsaturated fatty acids Chemical class 0.000 description 1
- 210000004291 uterus Anatomy 0.000 description 1
- 230000009278 visceral effect Effects 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Landscapes
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开一种用于检测脂肪含量的磁共振模型及其构建方法、验证方法和应用,通过超声波乳化的方式,在特定乳化参数下得到不同含量的体外脂肪校正模型,对不同脂肪含量磁共振体外脂肪模型进行检测,应用不同的压缩感知加速因子压缩感知磁共振扫描,得到了最佳的检测参数,利用此参数对患者肝脏或胰腺脂肪含量进行扫描检测时,可以提高图像质量和缩短时间,减少患者的屏气时间,提高检查成功率,以便应用于临床诊断。
Description
技术领域
本发明属于脂肪含量检测技术领域,尤其涉及一种用于检测脂肪含量的磁共振模型及其构建方法、验证方法和应用。
背景技术
脂肪组织在皮下、内脏和椎体等部位广泛分布,不仅是人体能量代谢储存的重要场所,也是重要的内分泌和免疫器官。脂肪代谢异常与许多疾病的发生相关,如肥胖、高脂血症、高血压、高血糖、非酒精性脂肪性肝病和肝硬化等,研究表明脂肪的分布及含量与脂肪代谢方面的疾病息息相关。然而,目前的脂肪测量方法主要是从侧面刻画,例如身高、体重、腰围、身体质量指数(BMI)等手段,既不能准确反应人体脂肪分布的信息,也不能准确描述不同脂肪组织的代谢。虽然组织病理学检查是评估脂肪变性程度的金标准,但因其有创性检查和存在观察者之间的差异及可重复性等限制,限制其临床应用。因此,需要更为精准的检测技术进一步了解人体的脂肪分布和脂肪含量,从而指导临床的诊断和治疗。
磁共振成像(Magnetic resonance imaging,MRI)不仅能对全身脂肪的分布进行可视化和测量脂肪含量,还可以通过各种功能成像手段反应特殊脂肪组织的代谢活性。目前,磁共振成像可测量脂肪含量的技术有磁共振波谱、磁共振脂肪抑制技术、水脂分离技术和磁共振质子密度脂肪分数(Proton Density Fat Fraction,PDFF或FF)等。其中,PDFF已被欧洲肝脏研究协会认定为脂肪变性诊断的非侵入性参考标准,并成为一种新的生物标志物。然而,磁共振技术在不同厂商、场强以及重建方法方面存在差异,因此需要对磁共振体外脂肪模型的校准和参数调整,以真实反应体内脂肪分布及含量。此外,PDFF受呼吸的影响易产生伪影,因此在避免运动伪影的同时,合理缩短MRI-PDFF的扫描时间显得必要。
压缩感知通过增加压缩感知加速因子的倍数,从而获得缩短时间的优点,目前,该技术已经广泛应用在膝关节、子宫、腰椎等人体部位,期望通过减少采集时间,减轻患者的不适。其中,由于腹部呼吸伪影较重,导致腹部组织器官图像对比度较差,进而影响临床医生诊断的正确性。人工智能压缩感知(Artificial Intelligent Compressed Sense,AI-CS)证明在缩短采集时间和保证图像质量方面具有价值。该方法基于深度学习,利用卷积神经网络和生成式对抗网络学习图像结构和内容信息,并生成用于欠采样图像重建的先验信息,通过减少采样点数量来减少采集时间。最后,利用三维重建方法恢复K空间欠采样数据,保证图像质量。然而,人工智能压缩感知重建方法在不同压缩感知加速因子下对测量磁共振模型脂肪含量的准确性、模型图像质量的提升和肝脏脂肪含量的准确性及加速后的肝脏图像质量有待研究。临床通常应用T2WI横断位、T2WI冠状位、同/反相位梯度回波成像和弥散加权成像等序列扫描腹部肝脏,上述序列均可用人工智能压缩感知的重建方法,减少扫描时间和提升图像质量。应用磁共振扫描人体其他部位,包括但不限于上述序列可应用人工智能压缩感知的重建方法。
发明内容
为了提高磁共振检测脂肪含量的图像质量和缩短检测时间,本发明提供一种用于检测脂肪含量的磁共振模型及其构建方法、验证方法和应用,通过制备磁共振体外脂肪模型,将磁共振与人工智能压缩感知的结合,针对不同脂肪分数都能得到一个最佳的检测图像,应用于肝脏脂肪含量测定时,可以提高磁共振成像的速度,改变图像质量,为临床诊断和治疗提供更多可能性。
为解决上述技术问题,本发明提出的技术方案如下:
本发明第一方面提供一种用于检测脂肪含量的磁共振模型,包括不同脂肪含量的磁共振体外脂肪模型和磁共振检测参数,所述磁共振检测参数是使用3D mDxion Quant序列采集脂肪含量信息,矩阵为(160~216)x(140~216)x(77~81),重复时间为5.6~8.8ms,回波时间为0.97~1.46ms,激励次数为1~3,层厚为3~6mm,压缩感知加速因子为2~6。
作为一种可选的实施方式,在本发明提供的磁共振模型中,所述不同脂肪含量的磁共振体外脂肪模型包括脂肪含量为0~100%的磁共振体外脂肪模型。
作为一种可选的实施方式,在本发明提供的磁共振模型中,所述磁共振体外脂肪模型为乳化悬浊液经凝胶化形成,所述乳化悬浊液包括花生油、琼脂、表面活性剂、防腐剂、钆剂和稳定剂。
作为一种可选的实施方式,在本发明提供的磁共振模型中,所述压缩感知加速因子为5。
基于相同的技术构思,本发明第二方面提供一种用于检测脂肪含量的磁共振模型的构建方法,包括以下步骤:
S1、制备包括不同脂肪含量的磁共振体外脂肪模型:取花生油、琼脂粉、表面活性剂、防腐剂、钆剂和稳定剂混合均匀后得到悬浊液,分别制备花生油质量分数为0~100%的悬浊液。
S2、将步骤S1得到的悬浊液经乳化处理得到乳化悬浊液,将乳化悬浊液置于模具中在低温下静置,得到脂肪含量为0~100%的磁共振体外脂肪模型。
S3、将步骤S2中得到的不同脂肪含量的磁共振体外脂肪模型应用磁共振成像在飞利浦3D mDxion Quant序列中检测,首先固定一组参数,在2-6范围内改变压缩感知加速因子,测定不同压缩感知加速因子下的磁共振体外脂肪模型的脂肪分数,然后改变参数改变压缩感知加速因子继续检测,根据检测结果选择符合的参数;所述参数包括体素、矩阵、重复时间、回波时间、接收带宽、激励次数、层数和层间距。
作为一种可选的实施方式,在本发明提供的构建方法中,步骤S1中,悬浊液的制备方法是先将琼脂粉溶于水中,经高压灭菌后冷却至70℃取出,添加表面活性剂、防腐剂、稳定剂和钆剂后搅拌溶解,然后根据所需脂肪比例加入花生油,经乳化处理得到乳化悬浊液。
本发明中的花生油为食用花生油,所述食用花生油包含不饱和脂肪酸80%以上,其中含油酸41.2%,亚油酸37.6%,还含有软脂酸,硬脂酸和花生酸等饱和脂肪酸19.9%,能够模拟人体内部脂肪含量,也便于提取油的浓度,以便最大程度减少误差,提高磁共振体外脂肪模型的模拟真实性。琼脂是一种可降解的高分子材料、无毒、可降解,所述磁共振体外脂肪模型具有安全性和环保性。
表面活性剂用于所述花生油的乳化,具体可以为十二烷基硫酸钠,所述表面活性剂的质量分数为2%。
所述防腐剂用于防止磁共振体外脂肪模型的细菌滋生和腐败,提高所述磁共振体外脂肪模型的使用期限和便于保存,所述防腐剂具体可以为苯甲酸钠,所述防腐剂在磁共振体外脂肪模型的质量分数可以为0.03%。
所述钆剂能够用于调节磁共振T1弛豫时间。本实施例通过添加相同浓度的使得所述磁共振体外脂肪模型调节T1弛豫时间,所述钆剂的加入量为3mmol/ml。
所述稳定剂可以为甲醛,通过甲醛稳定溶剂内部的分子,从而提高水和花生油的连接紧密程度,提高所述磁共振体外脂肪模型乳化的稳定性,所述稳定剂在所述磁共振体外脂肪模型的质量分数可以为0.01%(10%的多聚甲醛水溶液)。
溶液中还包括双蒸水,作为所述磁共振体外脂肪模型的介质形成稳定的乳化结构,双蒸水在磁共振体外脂肪模型中的质量分数可以为70%-90%。
作为一种可选的实施方式,在本发明提供的构建方法中,步骤S2中,利用超声波破碎机对悬浊液进行乳化,所述乳化模式为超声波间断模式,乳化参数包括标称频率为19~20kHz,间隔脉冲为5s,持续脉冲5s,乳化时间15min。
作为一种可选的实施方式,在本发明提供的构建方法中,步骤S3中,通过人工智能压缩感知重建方法得到磁共振图像。
基于相同的技术构思,本发明第三方面提供用于检测脂肪含量的磁共振模型的验证方法,所述验证方法为在不同压缩感知加速因子下,采用敏感度编码技术临床参数(Sense)检测的脂肪含量与构建的磁共振模型检测的脂肪含量进行统计学分析,两者间的差异不超过2%即认定用于检测脂肪含量的磁共振模型构建成功。
基于相同的技术构思,本发明第四方面提供上述磁共振模型在检测脂肪含量中的应用,所述脂肪含量为肝脏和胰腺脂肪含量,肝脏脂肪含量检测时,经磁共振扫描得到相应的图像,在图像上进行勾画,取门静脉左支或右支平面的肝右叶的前段、后段和肝左叶内侧端的脂肪含量的平均值作为最终的脂肪含量;胰腺脂肪含量检测时,经磁共振扫描得到相应的图像,在图像上进行勾画,取胰头,胰体,胰尾脂肪含量的平均值作为最终的脂肪含量。应用人工智能压缩感知技术在不同压缩感知加速因子下,测量肝脏、胰腺图像中的噪声水平,常用的图像评估指标包括信噪比(Signal-to-Noise Ratio,SNR)和对比噪声比(Contrast-to-Noise Ratio,CNR),信噪比通常用于评估图像的质量和清晰度,对比噪声用于衡量图像中目标结构与其周围背景之间的对比度与图像噪声的关系,一般用下述公式进行图像质量评估的定量分析,SNR=SI/SD,CNR=(SI-SI)/SD,SI表示感兴趣区的平均值,SD表示背景噪声的标准差,背景噪声为同一层面图像背景的四个角,分别为左上角、左下角、右上角、右下角,并取四个点平均值作为最终的取值。
在3D mDxion Quant序列分为水像、脂像、脂肪分数像和R2*像,水像(Water-onlyimage)显示组织中的水分信号,主要用于检测水分含量,脂像(Fat-only image)用于检测脂肪含量,脂肪分数像(Fat Fraction image)显示组织中脂肪的含量百分比,主要用于定量测量脂肪含量,R2*像(R2*image)用于评估组织的纵向弛豫时间。肝脏图像质量的评估,通常在水像上,取门静脉左支或右支平面的肝右叶取感兴趣区,包含上下3个层面的平均值,最终3个层面感兴趣区取平均值,并取同一层面的背景噪声。
本发明的压缩感知加速因子不局限应用在肝脏和胰腺的图像质量和脂肪含量测量,还可应用在其他腹腔脏器的鉴别组织结构,区分良恶性肿瘤等方面。
与现有技术相比,本发明的有益效果为:
(1)本发明通过对不同脂肪含量磁共振体外脂肪模型进行检测,应用不同的压缩感知加速因子进行磁共振扫描,脂肪分数不会发生改变,得到了最佳的检测参数,在此参数下对患者肝脏或胰腺脂肪含量进行扫描检测时,应用不同的压缩感知加速因子进行磁共振扫描,脂肪含量不会发生变化,可以提高图像质量和缩短时间,减少患者的屏气时间,提高检查成功率,以便应用于临床诊断。
(2)本发明中通过超声波乳化的方式,在特定乳化参数下可以得到稳定保存的、分布均匀、含量稳定的体外脂肪校正模型。
(3)本发明利用人工智能压缩感知结合磁共振检测,有效的缩短了采集时间,为脂肪含量的检测提供了一个新思路。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为实施例2中不同浓度的磁共振体外脂肪模型中脂肪含量展示图;
图2为实施例2中磁共振体外脂肪模型在不同体素之间检测的图像质量的结果图;
图3为实施例2中不同体素内测量的磁共振体外脂肪模型在应用不同压缩感知加速因子的检测结果,其中A为不同压缩感知加速因子下的对比信噪比结果,B为不同压缩感知加速因子下的信噪比结果;
图4为实施例2中不同体素内测量的磁共振体外脂肪模型在应用不同压缩感知加速因子的脂肪含量结果图;
图5为实施例2中磁共振体外脂肪模型在不同体素之间检测的脂肪含量结果图;
图6为实施例3中磁共振体外脂肪模型在不同压缩感知加速因子下测量脂肪分数的一致性;
图7为实施例4中肝脏在不同压缩感知加速因子下的脂肪分数图;
图8为实施例4中肝脏在不同压缩感知加速因子下的脂肪分数检测结果;
图9为实施例4中肝脏在不同压缩感知加速因子下的图像质量评价的结果,其中A为不同压缩感知加速因子下的信噪比结果,B为不同压缩感知加速因子下的对比信噪比结果;
图10为实施例4中胰腺在不同压缩感知加速因子下的脂肪分数图;
图11为实施例4中胰腺在不同压缩感知加速因子下的脂肪分数检测结果,其中A为不同压缩感知加速因子下的脂肪分数测量的结果,B为人工智能压缩感知技术在不同压缩感知加速因子下脂肪含量测量的结果。
具体实施方式
为了便于理解本发明,下文将结合说明书附图和较佳的实施例对本发明做更全面、细致地描述,但本发明的保护范围并不限于以下具体实施例。
除非另有定义,下文中所使用的所有专业术语与本领域技术人员通常理解含义相同。本文中所使用的专业术语只是为了描述具体实施例的目的,并不是旨在限制本发明的保护范围。
除非另有特别说明,本发明中用到的各种原材料、试剂、仪器和设备等均可通过市场购买得到或者可通过现有方法制备得到。
实施例1
通过超声乳化技术制备磁共振体外脂肪模型。
(1)提供盛有所述乳化悬浊液的模具,模具的材料可以为高熔点塑料,模具的熔点应大于所述琼脂的熔点,并且不与乳化悬浊液中的物质发生化学反应,在本实施例中使用聚碳酸酯材料的50ml离心管。
(2)取琼脂粉末1g溶于50ml双蒸水中,快速均匀的搅拌使得琼脂粉末完全溶解于双蒸水。置于高压蒸汽灭菌锅中20分钟,直至高压蒸汽灭菌锅冷却至70℃取出。
(3)在70℃的琼脂溶液中加入表面活性剂十二烷基硫酸钠1g、防腐剂苯甲酸钠300mg、稳定剂甲醛150μL至完全溶解得到第一溶液。
(4)根据所需脂肪比例,使用移液枪、移液管和洗耳球分别分装0ml、1.5ml、2.5ml、3.75ml、5ml、7.5ml、10ml、15ml、20ml、25ml的花生油于不同的50ml离心管内,然后分别加入第一溶液50ml、48.5ml、47.5ml、46.25ml、45ml、42.5ml、40ml、35ml、30ml、25ml,然后分别加入钆剂1μL,混合后形成悬浊液。
(5)将悬浊液置于振荡机10分钟,使其充分混匀,再将其置于超声波破碎机乳化,其中乳化模式为超声波间断模式,乳化参数包括标称频率为19~20kHz,间隔脉冲为5s,持续脉冲5s,乳化时间15min,得到乳化悬浊液。
(6)将乳化悬浊液静置,静置温度不应低于0℃,避免离心管内的内容物发生变性,静置时间可以为30分钟-1小时,直至形成乳白色的凝胶,在常温下不发生分解。
制备得到花生油的质量分数分别为0%、3%、5%、7.5%、10%、15%、20%、30%、40%、50%的磁共振体外脂肪模型。本实施例中的取值,在理论上存在0%,但经过实际测量双蒸水也存在0.2%-2%的脂肪分数,因此与实际添加花生油的体积分数相比,经磁共振扫描的体外模型之间的差异不超过2%可以认为磁共振体外模型造模成功。
实施例2
利用实施例1制备的磁共振体外脂肪模型模,应用飞利浦磁共振成像(Ingenia3.0ELITION,Philips Healthcare,Best,NL)在3D mDxion Quant序列中测定不同压缩感知加速因子的脂肪分数。
以敏感度编码技术,取Sense(敏感度编码成像)为2是临床常规使用参数作为对照,将制备好的磁共振体外脂肪模型放置在磁共振扫描床上,用米袋固定磁共振体外脂肪模型,磁共振体外脂肪模型上用透明的腹部支架支撑腹部磁共振线圈,腹部磁共振线圈插头插入相应磁共振扫描插座,操作者操控磁共振主机的按钮将扫描床推入磁共振主机,在磁共振机房外主机输入磁共振体外脂肪模型的信息,进行磁共振扫描。
磁共振体外脂肪模型经磁共振扫描之后传至后处理平台,用于绘制所有水像、脂肪图像数据集上的感兴趣区域(ROI),进行图像处理。检测结果如图1所示,其中图1表示的是在Sense为2时不同花生油浓度的磁共振体外脂肪模型的磁共振成像的伪彩图。
磁共振成像通过在不同位置处获取信号强度,并将其组合成三维的体素阵列,从而形成完整的三维图像,简称为体素。在此,探讨了不同体素对图像质量的影响。体素的大小通常由扫描参数决定,选择的扫描层厚度和采集矩阵等。不同体素下的检测参数如表1所示。
表1:不同体素对应的检测参数
体素=1.2 | 体素=1.35 | 体素=1.5 | |
视野/mm2 | 260x260x120 | 260x260x121 | 260x260x122 |
矩阵 | 216x216x80 | 192x192x80 | 172x172x80 |
回波时间/ms | 1.46 | 1.36 | 1.29 |
重复时间/ms | 8.8 | 8.2 | 7.6 |
接收带宽/Hz | 1134.7 | 1276.5 | 1424.5 |
激励次数 | 3 | 3 | 3 |
较小的体素一般表示更高的空间分辨率,可以更详细地观察组织结构和病变,但是,较小的体素可能导致扫描时间延长和数据量增加。
体外脂肪模型在不同体素下的扫描时间的结果如表2所示。
表2:在不同体素下的扫描时间
体素 | 1.2 | 1.35 | 1.5 |
敏感度编码成像=2 | 1:35 | 1:41 | 1:24 |
压缩感知加速因子=2 | 2:11 | 1:47 | 1:30 |
压缩感知加速因子=3 | 1:26 | 1:12 | 1:00 |
压缩感知加速因子=4 | 1:06 | 0:54 | 0:45 |
压缩感知加速因子=5 | 0:53 | 0:43 | 0:36 |
压缩感知加速因子=6 | 0:44 | 0:36 | 0:30 |
总时长 | 7:55 | 6:53 | 5:45 |
其中不同压缩感知加速因子用于检测脂肪分数的含量(Fat fraction,FF)和图像质量评估(Contrast noise ratio,CNR;Signal-to-noise ratio,SNR),应用以下公式进行计算人工智能压缩感知技术与敏感度编码技术的SNR和CNR值。
SNR磁共振体外脂肪模型=SI磁共振体外脂肪模型/SD背景噪声
CNR磁共振体外脂肪模型=(SI磁共振体外脂肪模型-SI水)/SD背景噪声
其中,其中,SNR磁共振体外脂肪模型是指磁共振体外脂肪模型感兴趣区的信噪比,SI磁共振体外脂肪模型是指磁共振体外脂肪模型感兴趣区的平均值,SD背景噪声是指感兴趣区磁共振体外脂肪模型背景噪声的标准差,SI水是指感兴趣区双蒸水的平均值,此处CNR磁共振体外脂肪模型是指磁共振体外脂肪模型的对比信噪比。
不同体素之间图像质量的比较结果如图2所示,评价不同体素之间图像质量存在统计学意义,表明不同的体素对图像质量的评价存在一定的差异,但并不能具体说明哪一个体素会更好。图像质量结果如图3所示,其中图3A为不同体素内测量的磁共振体外脂肪模型的对比信噪比结果,图3B为不同体素时测量的磁共振体外脂肪模型的信噪比结果。例如,当体素为1.2时,与sense为2时相比,压缩感知加速因子为3、4、5、6时,时间分别缩短了9.4%、30.5%、44.2%、53.7%,结合图3可知,压缩感知加速因子为5时,既满足临床缩短时间的需求,又提高图像质量,因此,最佳的压缩感知加速因子为5。
不同体素内磁共振体外脂肪模型在不同压缩感知加速因子与sense为2时的脂肪含量如图4所示,结果表明不同体素内磁共振体外脂肪模型在不同压缩感知加速因子与sense为2时脂肪含量相比较时不具备统计学意义,即不同的压缩感知加速因子并不影响脂肪含量的测量。各体素之间测量磁共振体外脂肪模型的脂肪含量比较结果如图5所示,结果表明各体素之间不影响磁共振体外脂肪模型脂肪含量的测量。
实施例3
对检测参数进行验证。
1个月后,再次将不同浓度脂肪分数的磁共振体外脂肪模型置于纯水装置中使用飞利浦磁共振(Ingenia 3.0ELITION,Philips Healthcare,Best,NL)进行扫描。
检测结果如图6所示,图6表明,测量脂肪分数时,分别比较不同压缩感知加速因子与敏感度编码技术(Sense)测量脂肪分数的一致性,Sense作为临床常规使用作为比较,应用不同压缩感知加速因子2、3、4、5、6测量脂肪分数的一致性,结果显示大部分都落在上下界限内。
实施例4
以敏感度编码技术(Sense为2是临床常规使用参数)作为对照,嘱志愿者仰卧位躺在磁共振扫描床上,双上臂举过头顶,将腹部磁共振线圈覆盖在志愿者腹部,扫描范围以肝门部为中心,上覆盖膈肌顶部,下至肝下缘,腹部磁共振线圈插头插入相应磁共振扫描插座,操作者操控磁共振主机的按钮将扫描床推入磁共振主机,在磁共振机房外主机输入志愿者的基本信息,对肝脏和胰腺进行磁共振扫描。
所述腹部肝脏和胰腺磁共振检测参数是使用3D mDxion Quant序列采集脂肪含量信息,视野为400x350x(231~235),矩阵为160x140x(77~81),重复时间为5.6ms,回波时间为0.97ms,接收带宽为3367.4Hz,激励次数为1,层厚为6mm,层间距为-3mm,压缩感知加速因子为2~6,整体扫描时间为1~3min,扫描参数具体如下表3所示,其中,T2横断位、T2冠状位、同/反相位梯度回波成像和弥散加权成像等是临床腹部肝脏扫描的序列,3D mDixonquant是本申请中用于测量肝脏、胰腺脂肪分数的序列。
表3:腹部肝脏和胰腺磁共振检测参数
肝脏在不同压缩感知加速因子下的脂肪分数图如图7所示,其中a是sense=2,b-f分别是压缩感知加速因子为2、3、4、5、6。脂肪分数结果如图8所示,结果表明不同压缩感知加速因子不影响肝脏脂肪分数的测量。
应用以下公式进行计算人工智能压缩感知技术与敏感度编码技术的SNR和CNR值。
SNR肝脏=SI肝脏/SD背景噪声
SNR竖脊肌=mSI竖脊肌/SD背景噪声
CNR肝脏=(SI肝脏-SI竖脊肌)/SD背景噪声
其中,SNR肝脏是指肝脏的信噪比,SI肝脏是指肝脏感兴趣区的平均值,SD背景噪声是指图像肝脏感兴趣区背景噪声的标准差,SNR竖脊肌是指与肝脏图像同一层面竖脊肌感兴趣区的信噪比,mSI竖脊肌是指与肝脏图像同一层面竖脊肌感兴趣区的平均值,此处的CNR肝脏是指肝脏的对比噪声比。
结果表3所示,与sense为2时相比,压缩感知加速因子为3、4、5、6时,时间分别缩短了25%、43.7%、56.3%、62.5%。图9A、B表示在不同压缩感知加速因子下肝脏图像质量,与sense为2时相比,压缩感知加速因子为5、6时信噪比具有统计学差异,而对比噪声比均无统计学差异,说明在应用压缩感知加速因子的情况下,缩短时间的同时提升图像质量,而对比噪声比无统计学差异则说明在应用不同压缩感知加速因子下,增强图像质量的同时没有改变组织间的对比度,因此,综上所述,在一定范围内使用压缩感知加速因子,可缩短时间,增强图像整体质量。因此,压缩感知加速因子为5时,既满足临床缩短时间的需求,又提高图像质量,因此,最佳的压缩感知加速因子为5。
胰腺在不同压缩感知加速因子下的脂肪分数图如图10所示,其中a是sense=2,b-f分别是压缩感知加速因子为2、3、4、5、6。脂肪分数结果如图11所示,其中ns表示不具备统计学差异,图11A为在不同压缩感知加速因子下,胰腺脂肪分数的测量显示没有统计学差异,即不同压缩感知加速因子对胰腺脂肪的测量结果可没有显著影响;图11B中对胰腺脂肪分数的测量,以sense=2作为比较,应用不同压缩感知加速因子的人工智能重建方法测量胰腺脂肪分数也没有显示统计学差异,即使用人工智能重建方法,不同的压缩感知加速因子下并不影响胰腺脂肪分数的测量。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只限于这些说明。对于本发明所属领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (10)
1.一种用于检测脂肪含量的磁共振模型,其特征在于,包括不同脂肪含量的磁共振体外脂肪模型和磁共振检测参数,所述磁共振检测参数是使用3D mDxion Quant序列采集脂肪含量信息,矩阵为(160~216)x(140~216)x(77~81),重复时间为5.6~8.8ms,回波时间为0.97~1.46ms,激励次数为1~3,层厚为3~6mm,压缩感知加速因子为2~6。
2.根据权利要求1所述的用于检测脂肪含量的磁共振模型,其特征在于,所述不同脂肪含量的磁共振体外脂肪模型包括脂肪含量为0~100%的磁共振体外脂肪模型。
3.根据权利要求1所述的用于检测脂肪含量的磁共振模型,其特征在于,所述磁共振体外脂肪模型为乳化悬浊液经凝胶化形成,所述乳化悬浊液包括花生油、琼脂、表面活性剂、防腐剂、钆剂和稳定剂。
4.根据权利要求1所述的用于检测脂肪含量的磁共振模型,其特征在于,所述压缩感知加速因子为5。
5.根据权利要求1-4任一所述的用于检测脂肪含量的磁共振模型的构建方法,其特征在于,包括以下步骤:
S1、制备包括不同脂肪含量的磁共振体外脂肪模型:取花生油、琼脂粉、表面活性剂、防腐剂、钆剂和稳定剂混合均匀后得到悬浊液,分别制备花生油质量分数为0~100%的悬浊液;
S2、将步骤S1得到的悬浊液经乳化处理得到乳化悬浊液,将乳化悬浊液置于模具中在低温下静置,得到脂肪含量为0~100%的磁共振体外脂肪模型;
S3、将步骤S2中得到的不同脂肪含量的磁共振体外脂肪模型应用磁共振成像在飞利浦3D mDxion Quant序列中检测,首先固定一组参数,在2-6范围内改变压缩感知加速因子,测定不同压缩感知加速因子下的磁共振体外脂肪模型的脂肪分数,然后改变参数改变压缩感知加速因子继续检测,根据检测结果选择符合的参数;所述参数包括体素、矩阵、重复时间、回波时间、接收带宽、激励次数、层数和层间距。
6.根据权利要求5所述的用于检测脂肪含量的磁共振模型的构建方法,其特征在于,步骤S1中,悬浊液的制备方法是先将琼脂粉溶于水中,高压灭菌后冷却至70℃取出,添加表面活性剂、防腐剂、稳定剂和钆剂后搅拌溶解,然后根据所需脂肪比例加入花生油,经乳化处理得到乳化悬浊液。
7.根据权利要求5所述的用于检测脂肪含量的磁共振模型的构建方法,其特征在于,步骤S2中,利用超声波破碎机对悬浊液进行乳化,所述乳化模式为超声波间断模式,乳化参数包括标称频率为19~20kHz,间隔脉冲为5s,持续脉冲5s,乳化时间15min。
8.根据权利要求5所述的用于检测脂肪含量的磁共振模型的构建方法,其特征在于,步骤S3中,通过人工智能压缩感知重建方法得到磁共振图像。
9.根据权利要求1-4任一所述的用于检测脂肪含量的磁共振模型的验证方法,其特征在于,所述验证方法为在不同压缩感知加速因子下,采用敏感度编码技术临床参数检测的脂肪含量与构建的磁共振模型检测的脂肪含量进行统计学分析,两者间的差异不超过2%即认定用于检测脂肪含量的磁共振模型构建成功。
10.根据权利要求1-4任一所述的磁共振模型在检测脂肪含量中的应用,其特征在于,所述脂肪含量为肝脏和胰腺脂肪含量,肝脏脂肪含量检测时,经磁共振扫描得到相应的图像,在图像上进行勾画,取门静脉左支或右支平面的肝右叶前段、后段和肝左叶内侧端的脂肪含量的平均值作为最终的脂肪含量;胰腺脂肪含量检测时,经磁共振扫描得到相应的图像,在图像上进行勾画,取胰头,胰体,胰尾脂肪含量的平均值作为最终的脂肪含量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311033657.3A CN117192456A (zh) | 2023-08-16 | 2023-08-16 | 一种用于检测脂肪含量的磁共振模型及其构建方法、验证方法和应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311033657.3A CN117192456A (zh) | 2023-08-16 | 2023-08-16 | 一种用于检测脂肪含量的磁共振模型及其构建方法、验证方法和应用 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117192456A true CN117192456A (zh) | 2023-12-08 |
Family
ID=88982685
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311033657.3A Pending CN117192456A (zh) | 2023-08-16 | 2023-08-16 | 一种用于检测脂肪含量的磁共振模型及其构建方法、验证方法和应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117192456A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109953739A (zh) * | 2017-12-14 | 2019-07-02 | 北京积水潭医院 | 测量肝脏脂肪含量的方法及装置 |
CN113317314A (zh) * | 2021-07-02 | 2021-08-31 | 苏州乾冠新纺织科技有限公司 | 一种纳米级微胶囊及其制备方法 |
CN114236444A (zh) * | 2021-12-03 | 2022-03-25 | 中国科学院精密测量科学与技术创新研究院 | 一种超极化气体肺部变采样率快速磁共振扩散加权成像方法 |
US20220110580A1 (en) * | 2020-10-09 | 2022-04-14 | Massachusetts Institute Of Technology | Methods and systems for assessment of liver fibrosis and steatosis |
CN115270468A (zh) * | 2022-07-29 | 2022-11-01 | 安徽医科大学 | 一种脂肪肝组织的磁共振信号仿真方法 |
CN116299107A (zh) * | 2023-03-30 | 2023-06-23 | 厦门大学 | 基于重叠回波的磁共振快速水脂分离定量成像方法及系统 |
CN116503342A (zh) * | 2023-04-14 | 2023-07-28 | 厦门大学附属中山医院 | 一种磁共振血管成像方法、系统及电子设备 |
-
2023
- 2023-08-16 CN CN202311033657.3A patent/CN117192456A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109953739A (zh) * | 2017-12-14 | 2019-07-02 | 北京积水潭医院 | 测量肝脏脂肪含量的方法及装置 |
US20220110580A1 (en) * | 2020-10-09 | 2022-04-14 | Massachusetts Institute Of Technology | Methods and systems for assessment of liver fibrosis and steatosis |
CN113317314A (zh) * | 2021-07-02 | 2021-08-31 | 苏州乾冠新纺织科技有限公司 | 一种纳米级微胶囊及其制备方法 |
CN114236444A (zh) * | 2021-12-03 | 2022-03-25 | 中国科学院精密测量科学与技术创新研究院 | 一种超极化气体肺部变采样率快速磁共振扩散加权成像方法 |
CN115270468A (zh) * | 2022-07-29 | 2022-11-01 | 安徽医科大学 | 一种脂肪肝组织的磁共振信号仿真方法 |
CN116299107A (zh) * | 2023-03-30 | 2023-06-23 | 厦门大学 | 基于重叠回波的磁共振快速水脂分离定量成像方法及系统 |
CN116503342A (zh) * | 2023-04-14 | 2023-07-28 | 厦门大学附属中山医院 | 一种磁共振血管成像方法、系统及电子设备 |
Non-Patent Citations (1)
Title |
---|
王学东等: "压缩感知技术对3D mDIXON Quant定量分析肝脏脂肪的影响", 《中国医学影像技术》, vol. 36, no. 11, 30 November 2020 (2020-11-30), pages 1662 - 1666 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Heymsfield et al. | Skeletal muscle mass and quality: evolution of modern measurement concepts in the context of sarcopenia | |
Fatouros et al. | Use of magnetic resonance imaging for in vivo measurements of water content in human brain: method and normal values | |
Tofts | T1-weighted DCE imaging concepts: modelling, acquisition and analysis | |
Haneder et al. | Quantitative and qualitative 23Na MR imaging of the human kidneys at 3 T: before and after a water load | |
US20140114176A1 (en) | Ct perfusion phantom | |
US9232907B2 (en) | System, method and computer-accessible medium for utilizing cardiac output to improve measurement of tracer input function in dynamic contrast-enhanced magnetic resonance imaging | |
Lévy et al. | Intravoxel Incoherent Motion at 7 Tesla to quantify human spinal cord perfusion: Limitations and promises | |
Mingo et al. | Amplifying the effects of contrast agents on magnetic resonance images using a deep learning method trained on synthetic data | |
CN117192456A (zh) | 一种用于检测脂肪含量的磁共振模型及其构建方法、验证方法和应用 | |
Fishbein et al. | Measurement of fat fraction in the human thymus by localized NMR and three-point Dixon MRI techniques | |
Smith | The potential use of nuclear magnetic resonance imaging in pregnancy | |
RU2302202C1 (ru) | Способ исследования толстого кишечника методом магнитно-резонансной ирригографии с контрастированием дистиллированной водой и последующей трехмерной реконструкцией толстого кишечника | |
Kramer et al. | Magnetic resonance imaging of the levator ani in the squirrel monkey: a comparison of muscle volume between a cohort with pelvic organ prolapse and matched normals | |
Liao et al. | Assessment of facial autologous fat grafts using Dixon magnetic resonance imaging | |
Schrauth et al. | Comparison of multiple quantitative MRI parameters for characterization of the goat cartilage in an ongoing osteoarthritis: dGEMRIC, T1ρ and sodium | |
Morton et al. | Clinically relevant rat model for testing BOLD functional MR imaging techniques by using single-shot echo-planar imaging at 1.5 T | |
Borga et al. | MRI-Based Body Composition Analysis | |
Walling et al. | Intra‐abdominal fat burden discriminated in vivo using proton magnetic resonance spectroscopy | |
Panina et al. | Accuracy of fat fraction estimation using Dixon: experimental phantom study | |
CN116740066B (zh) | 基于qsm评估脑氧摄取分数及脑氧代谢率的方法及装置 | |
Taxt et al. | Semi-parametric arterial input functions for quantitative dynamic contrast enhanced magnetic resonance imaging in mice | |
Zhao | Development and Validation of Novel Quantitative MRI Techniques in Liver | |
US20230029685A1 (en) | Systems and methods for susceptibility contrast imaging of nanoparticles at low magnetic fields | |
Strømmen et al. | Volume estimation of small phantoms and rat kidneys using three-dimensional ultrasonography and a position sensor | |
Yun et al. | Multiparametric myocardial mapping using cardiac magnetic resonance imaging in healthy dogs: Reproducibility, repeatability, and differences across slices, segments, and sequences |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |