通过IVIM 磁共振成像，我们能看到什么（3）

---

                                            

IVIM灌注MRI的实际考虑

数据采集和处理方案：3-B值与多个B值

在IVIM MRI使用的3b值方案有更大的梯度强度可用，这种方法可以最小化采集时间而最近变得越来越受欢迎。如果认为IVIM效应在b值超过250 mm²/s时已经消失，那么根据等式(1)，在b=250至600 s/mm²之间的信号衰减斜率仅仅是组织扩散系数D：ADC250-600 ≈ D，而ADC0-250 ≈ D + fIVIM/250。然后，灌注分数可以表示为250 × (ADC0-250 - ADC250-600)，其中ADC被定义为：

          

这种简单方法的问题在于，首先，无法估计D*，其次，IVIM和扩散参数的估计可能存在噪音。解决第二个问题的方法是在这些3b值上获取多个信号并将它们平均。然而，总采集时间会增加，考虑到对每个3b值进行3次重复采集，与采集15个不同的b值信号的情况相同。有了这么多已采集的信号，可以考虑使用IVIM/扩散模型来拟合这些信号。等式(1)可以被重新表达为方程3：

          

S0diff和S0IVIM分别是纯扩散和IVIM组分对总信号的贡献，其中S0diff = So(1−fIVIM)和S0IVIM = So fIVIM，这里fIVIM是流动血液体积分数，So是当b = 0时的总信号。Fdiff(b)和FIVIM(b)分别是作为扩散加权（b值）函数的扩散和与灌注相关的IVIM信号衰减。这里应该指出的是，组织和血液以不同的T2和T1加权对So做出贡献，这意味着根据TE，在体素血管含氧量以及场强Bo上，fIVIM的值可能会被误估。    

          

使用上面介绍的伪扩散模型，对于F IVIM（b）的表达式非常简单：

          

对于扩散分量，常见的模型是单指数模型（方程5）：

其中 D 是水在组织中的扩散系数。该模型假设扩散是高斯分布（自由），这是一个重要的限制，可能是 IVIM 参数估计中的误差来源。

          

使用这两个基本模型，方程。(3)采用 IVIM 和扩散的经典双指数模型（方程6）：

          

拥有在多个b值下获取的信号的数据集，人们可以通过使用方程式（6）拟合信号得到So, FIVIM, D*和D的估计值。然而，拟合过程众所周知对噪声敏感，如果获得的信号数量与需要估计的参数数量相比不是很大，可能会导致错误或不准确的参数估计。注意到，随着b值的增加，IVIM组分在某一点上会消失，因为伪扩散系数D*远大于水在组织中的分子扩散D，一种流行而优雅的方法是将信号分成两部分，并转向两步拟合过程，首先使用扩散模型对高b值（超过200-600 s/mm²）的实验数据进行拟合得到Fdiff(b)，然后在低b值去除扩散组分后使用IVIM模型拟合残余信号FIVIM(b)。    

          

紧接着出现的问题是确定分离纯扩散部分和IVIM/扩散混合部分的b值阈值。不幸的是，没有一个统一的答案，因为这个阈值取决于需要估计的参数fIVIM、D*和D。然而，总体上，可以区分出两类组织。在正常大脑中fIVIM小于5%，D约为0.002 mm²/s，因此IVIM组分在b > 200 s/mm²时占的信号比例少于0.1%。然而，在身体组织中，高达20%的fIVIM值并不罕见，而D可能在0.001 mm²/s的数量级，所以在b = 400 s/mm²时，IVIM组分可能仍然在几个百分点左右，因此可能需要更高的b值阈值。

          

显然，b值阈值的选择应根据预期的灌注水平（大脑中较低，身体中较高）以及数据的整体信噪比。

          

总的来说，关于如何最佳处理IVIM数据，目前还没有共识。

          

非高斯扩散

          

在所有情况下，准确估计IVIM参数首先需要适当处理IVIM/扩散MRI信号中的扩散组分，通常在低b值下占总信号的90%以上。尽管ADC的概念一直以来都非常有用，但它是基于自由、高斯分布扩散的假设。然而，已经被充分证明组织中的扩散过程并不是高斯分布的，因为生物组织中信号衰减Fdiff的半对数图中显示出一种曲率，这不是由等式（5）所预测的（见图5）。已经提出了多种模型以经验性地处理这种非高斯行为，如多项式或峰度模型，双指数模型（Mulkern等人，2009），统计模型（Yablonskiy等人，2003），拉伸指数模型（Bennett等人，2003），以及其他一些模型（Hall和Barrick，2008；Zhou等人，2010），根据背景和检查的组织的不同情况，这些模型具有不同的成功。使用峰度模型，可以得到如下表达式：    

          

          

                                图5 非高斯扩散

          

未能考虑非高斯扩散效应可能会导致错误地估计fIVIM和D*参数（高估），如图5所示，在没有灌注的组织模型中就可以看到这一点。在高b值时非高斯扩散起源于水分子与障碍物（如细胞膜）的相互作用，导致信号衰减的曲率。使用单指数模型（如ADC）对组织扩散成分进行建模，当包含高b值信号时会低估真实的扩散（ADC < D），这反过来又会造成人为的IVIM效应（左侧）。必须使用适当的模型（如峰度模型）正确处理非高斯扩散，以避免此类错误的IVIM效应。

          

ADC0是当b值接近0时得到的虚拟ADC值。无量纲系数K（峰度）表达信号行为从单指数衰减偏离的程度（当扩散驱动的分子位移服从高斯定律时，K = 0），这是扩散环境异质性的标志。因此，等式（6）现在变为：    

使用等式（5）来拟合信号中b值阈值以上的扩散分量将对估计的灌注参数引入显著偏差：根据等式（5）将曲线型扩散信号衰减拟合成直线（在对数图中），会导致一个人为的IVIM效应，因为在低b值时获取的数据点将自动出现在拟合的扩散信号衰减之上（见图5）。因此，灌注分数fIVIM将被高估。此外，在低b值处的残留信号衰减形状将接近指数形，模仿等式（3），这将是误导性的（D*值也将被高估）。

          

相反，忽略低b值时的IVIM组分将导致在用等式（8）一步拟合信号时，峰度值被高估。更一般地说，人们应该意识到峰度模型只是处理Fdiff(b)中非高斯扩散的一种可能模型，这意味着它不是一个完美的模型。已知峰度模型在非常高的b值或峰度参数很高时会失效（一个实用的限制是三重乘积ADCo·K·b必须小于3）。这是一个重要的问题需要记住，因为任何在拟合信号扩散部分的不完美都将导致人为的IVIM效应和IVIM参数的误估（通常是高估）。