|
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信号中的扩散成分，这些成分通常在低b值时占总信号的90%以上。尽管ADC（表观扩散系数）的概念一直非常有用，但它基于自由、高斯扩散的假设。然而，已经确立的是，组织中的扩散过程并非高斯的，因为生物组织中信号衰减的半对数图，Fdiff，呈现出方程(5)（Iima 和 Le Bihan，2016年）未预测的曲率（图5）。为了实证处理这种非高斯行为，提出了几种模型，如多项式或峰度模型（Chabert等人，2004年）（也称为扩散峰度成像，DKI（Jensen等人，2005年））、双指数模型（Mulkern等人，2009年）、统计模型（Yablonskiy等人，2003年）、拉伸指数模型（Bennett等人，2003年）等（Hall和Barrick，2008年，Zhou等人，2010年），这些模型的成功程度取决于具体应用场景和被研究组织的类型。在峰度模型中，我们有：
图5 非高斯扩散模型 未能考虑到非高斯扩散效应可能会导致错误的fIVIM和D*参数估计（过高估计），如图5所示，在没有灌注的组织模型中可以看到这一点。在高b值下变得可见的非高斯扩散，来源于水分子扩散与障碍物（如细胞膜）的相互作用，导致信号衰减的曲线。使用单指数模型（如ADC）来建模组织扩散成分，在包含高b值信号时会低估真实的扩散（ADC < D），这反过来会产生人为的IVIM效应（左侧）。必须使用适当的模型，如峰度模型，来正确处理非高斯扩散，以避免这种错误的IVIM效应。 ADC0是在b值接近0时获得的虚拟ADC值。无量纲系数K（峰度）表征了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遵循高斯定律时，K = 0），这是扩散环境异质性的标志。因此，方程(6)现在变为：
使用方程(5)去适配b值阈值以上信号的扩散部分会对灌注参数估算有显著偏差：按照方程(5)将曲线形的扩散信号衰减用直线（在对数图中）拟合会造成一个人为的IVIM效果，因为在低b值下获取的数据点会自动显示在拟合的扩散信号衰减线之上（如图5所示）。因此，灌注分数fIVIM会被过高估计。此外，低b值下残余信号衰减的形状看起来会接近指数型，这样会模拟方程(3)，从而产生误导（D*值也会因此被过高估计）。 反过来，如果忽视低b值下的IVIM成分，当用方程(8)一步完成信号拟合时，会导致峰度值被过高估计。更普遍地说，应该认识到峰度模型只是处理Fdiff(b)中非高斯扩散的众多可能模型之一，这意味着它并不是一个完美的模型。峰度模型在极高的b值或当峰度参数较高时会失效（一个实际的限制是ADCo.K.b的三重积必须小于3）。这是一个需要牢记的重要问题，因为对信号扩散部分的任何拟合不当都会导致人为的IVIM效应及IVIM参数的误估（通常是高估）。 |
|
|
