Т1, Т2, и Р изображения

Время спин-решеточной релаксации (Г1), время спин-спиновой релаксации (Г2), и протонная плотность (Р) являются свойствами спинов тканей. Значения этих величин меняются от одной нормальной ткани к другой и от одной больной ткани к другой. Поэтому они создают контрастность между тканями в различных типах изображений, описанных в главе 7 и главе 8.

Здесь будут представлены несколько методов расчетов значений Т1, Т2, и Р. Эти методы применяются к конкретным пикселам для получения вычисленных ^, T2, или Р изображений. Чем меньше размер воксела соответствующего пикселу, тем с

Вычисление Т1, Т2, или Р начинается со сбора серий изображений. Например, если необходимо получить T2 изображение, используется спин-эхо последовательность и серии изображений собираются при изменении TE.

Сигнал для заданного пиксела может быть выражен для каждого значения и лучше всего подходящего графика уравнения спин-эхо, построенного на основании данных для нахождения T2.

Т1 изображение может быть создано из той же импульсной последовательности с использованием серий изображений с изменяющимся TR.

Сигнал для заданного может быть выражен для каждого значения TR и лучше всего подходящего графика уравнения спин-эхо, построенного на основании данных для нахождения ^.

Протонная плотность может быть вычислена после того как найдены ^ и T2 с использованием уравнения сигнала спин-эхо и любого сигнала спин-эхо.

Хотя описанные операции и создают Т1, Т2, или Р изображения, но они не являются наиболее эффективными или точными. Читателю предлагается обратиться к научной литературе с описаниями более подходящих методов.

Классификация тканей

Классификацией тканей или, как она еще называется, сегментацией изображений, является определение тканей в магнитно-резонансной томографии. Классификация

изображение

, где цереброспинальная жидкость (CSF) и серое

основывается на свойствах тканей на изображении. Например, спин-эхо

вещество более яркие по сравнению с другими тканями, интенсивность пиксела может быть использовано для классификации цереброспинальной жидкости, серого вещества и других тканей. Гистограмма и таблица для этого изображения выглядит следующим образом.

Обычно, используется линейная зависимость между значением и интенсивностью пиксела. В дальнейшем, компоненты красного, зеленого и синего цветов каждого пикселя будут всегда одинаковыми, для отображения градаций серого. Можно отличить цереброспинальную жидкость и серое вещество от других тканей если преобразовать цветовую таблицу так, чтобы для каждого значения больше, чем 865 компоненты зеленого и синего цветов были выключены.

Эта процедура создаст изображение красных пикселей цереброспинальной жидкости и серого вещества.

Таким образом, изображение разделяется на два класса тканей: (1) серой вещество и цереброспинальная жидкость; и (2) ткани, не являющиеся серым веществом и цереброспинальной жидкостью.

Процесс сегментации проводится при помощи компьютерных алгоритмов. Эти алгоритмы могут сегментировать с более совершенной логикой, чем простая "больше чем заданное значение данного". Множество различных видов изображений или участков спектра могут быть использованы для разделения тканей. Некоторыми из возможных спектральных областей являются: Т1-, Т2- и Р -взвешенные; чистые Т1, Т2, и Р; ангиографические, диффузионные, химического сдвига и функциональные изображения. С некоторыми из этих изображений работать намного сложнее. Изображения, которые показывают изменения в чувствительности отображающей катушки не могут использоваться, потому что алгоритмы сегментации не могут делать различий между изменениями интенсивности, вызванными чувствительностью отображающей катушки и самой тканью. С расчетными Т1, Т2 и Ризображениями работать проще, так как они не показывают различий в интенсивности, вызванных изменениями в чувствительности отображающей катушки.

В приведенном выше примере было невозможно отличить (сегментировать) серое вещество от ЦСЖ, потому что эти две ткани имеют близкие интенсивности в спин-эхо изображениях. Чем с более независимыми спектральными областями проводится работа, тем легче сегментировать ткани. Например, сегментация тканей мозга может проводиться с расчетными Т1 , Т2, и Р изображениями головного мозга. Эти изображения используются для построения трехмерной гистограммы. Схожие типы тканей отображены кластерами на гистограмме.

Можно присвоить пикселу в заданном диапазоне значений ^, Т2 и Р определенный цвет. Получившееся изображение показывает сегментированные ткани.

Далее представлен еще один дополнительный пример сегментации, основанный на морфологии или строении в изображении. Магнитно-резонансные изображения высокого разрешения запястья получены с толщиной среза 0,7 мм, полем обзора 8 см и матрицей 256х256. Эти изображения показывают губчатую структуру костей запястья.

Эти изображения изображения используются для совершенствования алгоритма идентификации различных типов заболеваний костей путем сравнения их морфологии.

Полученный алгоритм охарактеризовывает губчатую структуру кости и классифицирует ее, основываясь на известных свойствах больной кости. Классифицированное

изображение показывает норму

(красным цветом), и те области, которые приобрели остеопоротические (зеленый цвет), кистозные (синий цвет) и склеротические (голубой цвет) свойства.