真菌性脑膜炎 http://www.kswch.com/往期推荐
解密皇冠上的明珠—PETMR（一）设备结构
皇冠上的明珠—PET/MR（二）成像链
PET的成像原理，简单来说是利用注射进入人体的同位素示踪剂，衰变产生的正电子在很短的距离内（1-3mm)与组织细胞中的负电子发生湮灭（annihilation)反应，产生互成约°（即运动方向相反），能量为keV的γ光子对，由于是光速传播，理想状态下他们将几乎同时击中探测器环上对称位置的两个探测器，从而可以连成一条直线，称为响应线LOR（lineofresponse)，这种利用湮灭反应和两个相对探头来定位的方法称为电子准直，是PET成像技术的一大特点。
由于湮灭反应可能发生在响应线上的任何位置，所以两个光子走过的路程不一样，会产生一个微弱的差别，我们设置一个几纳秒ns的时间窗，对在这个期间内探测到的γ光子认为是同一个湮灭反应产生的。这种探测方式称为符合探测（CoincidenceDetection)。
利用特殊技术对光子的移动路径进行可视化
电子准直示意图
在以前的内容中，我们提到PET/MR的成像受到很多因素的影响，在图像重建前需要对原始数据做很多的校正，其中衰减校正是解决PET图像定量准确性的关键一步，而PET/MR中PET图像衰减校正的复杂性要远远高于PET/CT系统。
γ光子在穿过介质时可能会发生三种效应，光电效应、康普顿散射、电子对效应，他们都会对光子能量造成衰减，我们得到的是衰减后的数据，因此，我们需要对其进行恢复，称为衰减校正（AttenuationCorrection，AC）。
如图所示，水膜中含有均匀的放射性，由于衰减，越靠近中心的射线路程越长，穿过的介质越多，衰减越厉害，对其进行衰减校正后，得到均匀的信号分布。其中两个重要的参数为光子穿越介质的距离及衰减系数μ。
MR图像反映的是人体内质子密度及组织T1、T2弛豫，不同于CT图像（直接得到被扫描对象的衰减系数）。因此利用MR图像进行衰减校正就要复杂得多。如果按扫描对象区分可以分为人体、动物、标准模体和MR硬件四类，每一类的衰减校正方法都有所不同，本期仅对MR硬件和人体的衰减校正做一些简单介绍。
硬件的衰减校正
硬件分为“RigidandStationary"和”FlexibleandNon-stationary"，“Rigid”指形状稳定不变的硬件，“Stationary"指与患者相对位置不变的硬件，“RigidandStationary"包括检查床、头颈线圈、脊柱线圈等，”FlexibleandNon-stationary"通常就是柔性线圈，有腹部线圈、大小柔，下肢线圈等，在扫描过程中它会随患者摆位和体型变化而发生改变。由于柔性线圈位置和形状的不确定性，目前并没有成熟稳定的算法对它进行衰减校正，商用的PET/MR系统通过选择低密度材料尽可能地降低柔性线圈对γ光子的衰减效应。也有厂商利用ZTE序列让线圈和衬垫同时在图像上显像，一起纳入到衰减图中。
为了获得检查床及固定线圈的衰减系数分布图，最直接的方法是通过x射线或者γ射线进行透射成像。
用x射线进行的透射成像通常利用CT进行扫描，但临床CT的x射线能量一般为40-keV，要远低于γ光子的能量，所以还需要通过双线性模型或三线性模型将CT图转换为keV能量下的衰减图。这种方法的优点是成像速度快，图像分辨率高，缺点是图像的金属伪影较严重，用于PET衰减校正前需要去除金属伪影。
用γ射线进行透射成像可以直接获得对应于keV能量γ光子的衰减图，这种方式需要利用外部放射源（通常是68Ge固体棒源，半衰期天）产生γ光子，在PET机架上安装旋转棒源工装，基于旋转棒源的透射成像产生的衰减图避免了不同能量下光子衰减系数的转换过程，理论上可以获得更高准确度的衰减图，但在操作时存在工装安装复杂、扫描时间长、图像分辨率低等缺陷，具体用何种方式产生MR硬件的衰减图仍需工程技术人员根据实际情况选择。
人体衰减校正基于磁共振图像的衰减校正MRAC的优缺点
在PET/CT系统中，CT扫描速度快，通常在几秒内可以完成人体全身扫描，那么在扫描肺部时CT获得的是某一呼吸相位的图像；而PET采集时间较长（每床位1-2分钟）获得的是多个呼吸相位的平均图像。因为PET和CT采集的数据在时间上的不匹配，经过衰减校正后很容易在PET图像的肺部与肝部交界处形成类似于香蕉状的伪影。此外CT造影剂，金属植入物的影响也不能忽略。
无运动校正产生的伪影
香蕉伪影
而在一体化PET/MR系统中，PET探测器紧密安装在MR射频线圈上，两种成像模态的数据采集可以同时进行，由此获得的患者的呼吸、心跳及其他运动信息都是同步的，使用相位匹配的MR图像进行PET衰减校正可以最大限度地减少呼吸伪影。“时空一致性”是利用MR图像进行PET衰减校正的最大优势。
用于衰减校正的图像要求能够清晰地分辨不同的组织类型及结构，但MR成像的特点决定了它的劣势：对于那些质子密度很低（如肺区，空气）或者T2时间很短（如骨骼）的组织，常规的MR序列无法进行区分。也就是说，尽管骨骼在人体组织中具有最高的衰减系数，但仅从MR图像上却无法将它和空气进行区分，如果没有其他技术手段支持的话，在PET图像上骨的定量会被严重低估。
MRAC序列
水和脂肪具有不同的拉莫尔频率，利用Dixon序列在不同回波时间下进行MR图像的采集可以获得人体内水、脂肪的分布图。然而，Dixon序列和其他大部分常规MR序列都无法对骨骼成像。这是因为临床常用的脉冲序列TE时间一般在2-ms之间。然而，在人体组织中，如骨皮质、肌腱、韧带等T2*、T2的时间均比常规序列的TE短，表现为在射频激励后，其横向磁化矢量迅速衰减至零，常规序列在信号采集时已读取不到任何信号，从而在图像上表现为低信号。
为了对骨骼这类具有超短T2弛豫时间的组织成像，研究人员开发了超短回波序列即UTE序列（Ultra-shortTE)50us-2ms,在UTE序列下，骨骼有很高的信噪比，能够将其与空气进行区分。可惜的是，UTE序列扫描时间较长（单次采集需3分钟），而且在对人的体部这样的大区域成像时会出现伪影，通常只用于脑部。
在众多类型的UTE序列中，TE时间最短约为50us，对于牙齿结构及骨皮质而言，在此TE时间范围内信号已衰减大部分。为了实现对T2值接近为零的人体结构进行MR成像，科学家们发明了零TE，ZTE（ZeroTE）序列。常规脉冲序列的实施通常先施加射频，然后通过射频或梯度场的切换产生信号，而ZTE采集过程中，先进行梯度场的爬升，而后才施加射频，射频结束后立刻进行信号读取，去除了射频之后的梯度切换，因此实现了TE时间为零的信号采集。
基于图像分割的MRAC
图像分割是MRAC最常用的方法。通常利用水脂分离Dixon,计算出水、脂肪、软组织和空气，利用UTE\ZTE序列得到骨信息。ZTE序列利用一个连续的两部分的分段线性模型将骨骼从ZTE图像中分割出来，并且转换成HU，用双线性模型，HU值被转换成线性衰减系数LAC。联合Dixon得到的四种组织，将MRAC图像分为水、脂肪、空气、肺和骨骼“五组织”，所以也叫做组织分类法。每个组织包含的像素赋予相同衰减系数（水0./mm，脂肪0.／mm，空气0，肺0./mm，骨骼0./mm)即得到MRAC的衰减图。图像分割算法具有速度快，重复性好、计算准确、个体差异小等优点，所以基于图像分割的MRAC也是目前临床用的PET/MR的最常见方法。
基于机器学习的MRAC
CT被认为是PET衰减校正的“金标准”，那么MR图像如果能通过某种方式转换成CT图像，PET/MR的衰减校正问题不就可以完美解决了吗？在这样的思路启发下，基于机器学习的MRAC方法出现了，而图谱配准法（Atlas）是其中最有代表性的一种。所谓图谱，是指一系列相同病例的MR及CT模板图像，这些图像已经经过配准，所以各个器官能够一一对应。为了包容临床扫描病例个体的差异性，图谱在构建时需要涵盖不同性别、年龄、身高、体重、体型的病例。获得图谱后实际上得到了MR图像和CT图像的像素级别的对应关系。在输人一张新的MR图像时，软件从图谱中搜寻和该MR图像最接近的MR模板图像，或者是几张模板图像的平均图像，然后直接转换为与该MR模板图像对应的CT模板图像。此时得到的CT图像并非真实采集获得，只能被为“伪CT图"，它无法提供细节信息用于临床诊断，但对于PET的衰减校正而言已经足够。随着计算机硬件水平与人工智能深度学习技术的发展，图谱法的优势与潜力已经开始展现出来。
图谱法的优势很突出：
1.不再把人体组织简单的分成水、脂肪、骨骼等几大类，而是分的更细，伪CT图几乎可以区分出每个器官，进而对每个器官赋予各自的衰减系数。
2．无需UTE\ZTE序列也可以标示出骨骼。
它的劣势也同样明显：
1.为了包容个体的差异性，图谱所包括的模板图像数量巨大，而这样的模板图像并不容易获得。
2．对于某些身体异常的病例，如肢体残缺、有植入物、经过手术切除部分器官等，图谱法通常是无能为力的。
发射数据重建法AC
PET的发射数据包含组织衰减信息，因此可以重建出组织衰减图，利用TOF信息可以在符合线上对光子的分布做加权，提供更精确的空间定位。上期我们在介绍截断补偿的时候已经对该方法有所介绍，利用飞行时间最大似然活度和衰减估计法（timeofflightmaximumlikelihoodactivityandattenuationestimate,TOF-MLAA)重建出组织衰减图，除了可以用于截断补偿，也可用于衰减校正，或者说截断补偿也算是衰减校正的一部分。
不过现阶段TOF-MLAA算法还存在很多不足之处：
1、定量上无法和以CT为参考的标准衰减校正达到完全一致；
2、受数据质量的影响大，需要高计数和较好的TOF时间分辨率；
3、要求示踪剂能够全身分布（如18F-FDG），如果示踪剂具有靶向性(如奥曲肽显像用的68Ga-DOTANOC或者心肌灌注和大脑血流灌注用的13N-氨水等）则效果不理想；
4、增加了散射校正的复杂性；
5、只能计算有示踪剂分布区域的衰减。
即使存在这些劣势，TOF-MLAA算法仍然是一种非常值得期待和研究的技术，他的最大优势就是摆脱了对于其他成像模态如CT和MR的依赖，可实现自衰减校正。
透射扫描法AC
这个方法是经典的衰减校正方法，在早期单模态的SPECT与PET中使用较多，同样只需要PET数据就可进行衰减校正，在较先进的设备上同样可以使用TOF技术提高准确性，在上文中MR硬件衰减校正部分对这个方法已经做了介绍。由于需要使用外置放射源和采集时间长等问题，目前主流的PET/MR应用较少。
图像分割法机器学习图谱配准发射数据重建透射扫描主要原理利用MR信号与未衰减校正PET进行轮廓恢复用MR-CT地图集，将受检者MR图像与库中模板配准利用PET发射数据重建LAC分布外置放射源产生γ射线透射成像主要的影响因素提取组织的种类以及分割算法的精准度地图集库的模板数量、准确性以及配准方法的准确性先验条件与约束信息扫描剂量增加，操作复杂，能量干扰等发展方向结合UTE和ZTE进行骨骼分割需要建立庞大准确的地图库与TOF技术进行结合空间限制条件亟待解决速度最快相对快慢额外增加扫描时间应用主流的商业化PET/MR衰减校正方法深度学习的快速发展，有很大的潜力与TOF-PET/MR相结合，是未来发展的趋势主要用于单PET采集，PET/MR应用较少EthanHe何超凡
