beskrivning och utvärdering av diffusions mr - Örebro universitet
beskrivning och utvärdering av diffusions mr - Örebro universitet
beskrivning och utvärdering av diffusions mr - Örebro universitet
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
Examensarbete 10 poäng C-nivå<br />
BESKRIVNING OCH UTVÄRDERING<br />
AV<br />
DIFFUSIONS MR<br />
Examinator: Sune Bergelin<br />
Handledare: Per Thunberg<br />
Reg.kod: Oru-Te-EXE084-EL105/06<br />
Fredrik Jonsson<br />
Elektronikingengörsprogrammet 120 p<br />
<strong>Örebro</strong> vårterminen 2006<br />
REQUIREMENTS SPECIFICATION FOR ORDER<br />
OF AN INFORMATION SYSTEM<br />
<strong>Örebro</strong> <strong>universitet</strong> <strong>Örebro</strong> University<br />
Institutionen för teknik Department of technology<br />
701 82 <strong>Örebro</strong> SE-701 82 <strong>Örebro</strong>, Sweden
Examensarbete 10p <strong>Örebro</strong> Universitet VT 2006<br />
Förord<br />
Först <strong>och</strong> främst vill jag rikta ett stort tack till personalen på Medicinsk Teknik vid USÖ för deras<br />
stöd <strong>och</strong> deras hjälp. Allra mest vill jag tacka min handledare Per Thunberg för hans stöd <strong>och</strong><br />
engagemang.<br />
Därefter vill jag slå ihjäl en rykte. MRI handlar inte om röntgen, det är inga röntgenstrålar <strong>och</strong> inga<br />
våglängder däromkring. Detta handlar om magnetism <strong>och</strong> radiovågor. Att man tar bilder med en<br />
MR kamera kanske i alldagligt tal kan kallas ”röntgen”, men man ska akta sig för ordet. Radiologer<br />
världen över skulle fasa <strong>och</strong> pälsen skulle resas på deras armar.<br />
2
Examensarbete 10p <strong>Örebro</strong> Universitet VT 2006<br />
Sammanfattning<br />
Med Magnetic Resonance Imaging (MRI) vill man kunna se infarkter <strong>och</strong> ischemi, där ichemi är en<br />
blockering <strong>av</strong> näringstillförsel till en vävnad. Därför används tekniken med <strong>diffusions</strong>vikatade<br />
bilder. Med <strong>diffusions</strong>viktade bilder ser man hur vattenmolekylerna rör sig samt graden <strong>av</strong><br />
rörelserna vilket <strong>av</strong>slöjar om det det föreligger ischemi.<br />
Med hjälp <strong>av</strong> denna metod kan ischemi upptäckas på ett tidigt stadie. Bildtagning med diffusion har<br />
tagits under cirka ett år med en ny MR-kamera vid USÖ. Den bakomliggande tekniken <strong>och</strong> fysiken<br />
är <strong>av</strong>ancerad, vilket försvårar arbetet. God kännedom om hur den bakomliggande tekniken <strong>och</strong><br />
fysiken är uppbyggd är en förutsättning för att kunna utföra ett bra arbete.<br />
En utredning <strong>av</strong> diffusion <strong>och</strong> hur man kan utnyttja detta vid bildtagning ligger till grund för<br />
arbetet. För att kunna förstå bakgrunden <strong>och</strong> hur bilderna är framtagna, gjordes beräkningar <strong>av</strong><br />
ADC-kartor, där ADC står för Apperant Diffusion Coefficient. Bilder är tagna på både en<br />
människas hjärna samt ett fantom, för att ytterligare belysa hur ADC-värdena tas fram.<br />
Beräkningar utfördes på <strong>diffusions</strong>viktade bilder i olika riktningar, vilka sammanställdes till en<br />
ADC-karta. ADC-kartan är en sammanställning <strong>av</strong> ett antal olika bilder där ADC-värdet<br />
representerar var pixel för sig. På detta sätt kan ischemi upptäckas som en sänkning <strong>av</strong><br />
signalintensiteten för o<strong>mr</strong>ådet <strong>och</strong> därmed en sänkning <strong>av</strong> ADC-värdet med upp till 50%.<br />
Den mer <strong>av</strong>ancerade metoden med diffusion, då tensorer används för att beräkna diffusionen, ges<br />
endast teoretiska förklaringar till. Detta eftersom det inte var möjligt att utföra Diffusion Tensor<br />
Imagaing (DTI) vid USÖ. Beräkningar med exempel på gradienter ges i rapporten, där tensorn kan<br />
beräknas utifrån givna ADC-värden.<br />
Diffusionsviktade helkroppsundersökningar som görs med MR kameran är en relativt ny metod,<br />
vilken pekats ut i litteraturen som en erättare till Positron Emission Tomography (PET). En<br />
utredning <strong>och</strong> <strong>beskrivning</strong> <strong>av</strong> o<strong>mr</strong>ådet ges i rapporten.<br />
3
Examensarbete 10p <strong>Örebro</strong> Universitet VT 2006<br />
Abstract<br />
With Magnetic Resonance Imaging (MRI) there is a possibility to discover an infarction or<br />
ischemia, where ischemia is a block of nourishment to a tissue. This is why the tecnique with<br />
diffusion-wheighted images is being used. With diffusion-wheighted images the motion and mount<br />
of water molecules, wich reveal an ischemia.<br />
With Diffusion Wheighted Imaging (DWI) can an ischemic brain be recognized at an early state.<br />
Diffusion Wheighted Imaging has been produced for about a year at the hospital of USÖ. The<br />
technology and physiology behind the images is advanced which do the work very hard. A good<br />
knowledge of the technology and physiology behind the method is a good basis to perform a better<br />
work.<br />
An ivestigation of diffusion and how to use diffusion in image processing is the basis for this degree<br />
thesis. To understand how the images is produced, some calculations on a so called ADC-map is<br />
done, where ADC means Appearent Diffusion Coefficient. Images is produced of a human brain<br />
and the use of a phantom for further illustration of how the ADC values is calculated.<br />
Calculations is done on diffusion-wheighted images in different directions, which is put together in<br />
to an ADC-map. The ADC-map is a compilation of different images into a final image, where every<br />
pixel represent a value on ADC. An ichemic tissue is recognized as an increased intensity value in a<br />
pixel and by that an increased ADC value by approximately 50% of normal tissue.<br />
A more advanced method with tensors in diffusion wheighted images is just briefly introduced<br />
theoretically. This is because it was not possible to do Diffusion Tensor Imaging (DTI) at the<br />
hospital of USÖ. Calculations with examples on gradients is given in this degree thesis, where the<br />
tensor can be calculated from ADC values.<br />
Whole body diffusion images that are done with the MR camera is a previously reserched method,<br />
and is pointed out in litterature to be a replacement for Positron Emission Tomography (PET). A<br />
investigation in the area is explained in the thesis.<br />
4
Examensarbete 10p <strong>Örebro</strong> Universitet VT 2006<br />
Innehåll<br />
1. Inledning ........................................................................................................................................6<br />
1.1 Bakgrund..................................................................................................................................6<br />
1.2 Syfte.........................................................................................................................................6<br />
2. Grunder inom Magnetic Resonance Imaging - MRI.......................................................................7<br />
2.1 Spinn......................................................................................................................................... 7<br />
2.2 Relaxation................................................................................................................................. 9<br />
2.3 Pulssekvenser..........................................................................................................................11<br />
2.3.1 Snittval............................................................................................................................ 11<br />
2.3.2 Frekvenskodning.............................................................................................................12<br />
2.3.3 Faskodning...................................................................................................................... 12<br />
2.4 K-space <strong>och</strong> fouriertransform................................................................................................. 13<br />
2.5 Spinnekosekvens.....................................................................................................................14<br />
2.6 Gradientekosekvens................................................................................................................15<br />
2.7 Echo Planar Imaging...............................................................................................................15<br />
3. Hjärnans anatomi...........................................................................................................................17<br />
4. Diffusions-MR...............................................................................................................................18<br />
4.1 Inlednng.................................................................................................................................. 18<br />
4.2 Teori........................................................................................................................................18<br />
4.2.1 Diffusionsbildtagning......................................................................................................18<br />
4.2.2 Diffusionssekvenser........................................................................................................ 18<br />
4.2.3 b-värde............................................................................................................................ 19<br />
4.2.4 Diffusionskoefficienten...................................................................................................20<br />
4.2.5 Diffusionsriktning............................................................................................................ 21<br />
4.3 Metod......................................................................................................................................23<br />
4.4 Resultat................................................................................................................................... 25<br />
4.4.1 Linjeplott.........................................................................................................................26<br />
4.4.2 Histogram........................................................................................................................28<br />
4.5 Diffusion med fantom.............................................................................................................29<br />
4.5.1 Inledning......................................................................................................................... 29<br />
4.5.2 Teori................................................................................................................................ 29<br />
4.5.3 Metod.............................................................................................................................. 29<br />
4.5.4 Resultat............................................................................................................................31<br />
5 Diffusion Tensor Imaging – DTI....................................................................................................33<br />
5.1 Inledning................................................................................................................................. 33<br />
5.2 Egenvärden <strong>och</strong> egenvektorer.................................................................................................33<br />
5.3 Anisotropisk <strong>och</strong> Isotropisk....................................................................................................34<br />
5.4 Beräkning <strong>av</strong> Tensorn med ADC värden................................................................................35<br />
5.5 Beräkning <strong>av</strong> medelvärdet med ADC värden.........................................................................38<br />
5.6 Beräkning <strong>av</strong> Fraktionell Anisotropi (FA)..............................................................................39<br />
6 Whole body diffusion MR..............................................................................................................40<br />
6.1 Pulssekvenser..........................................................................................................................41<br />
7. Slutsatser........................................................................................................................................42<br />
8. Diskussioner.................................................................................................................................. 43<br />
9. Referenser......................................................................................................................................44<br />
10. MatLab kod................................................................................................................................. 45<br />
5
Examensarbete 10p <strong>Örebro</strong> Universitet VT 2006<br />
1. Inledning<br />
Med en magnetröntgenkamera tas röntgenbilder med hjälp <strong>av</strong> magnetism. Bilderna blir skarpa <strong>och</strong><br />
tydliga, vilket förenklar för läkare att ställa diagnoser samt att upptäcka onormaliteter vid ett tidigt<br />
stadie. Främst görs undersökningar på hjärnan <strong>och</strong> dess funktionalitet, men på senare tid har man<br />
även börjat utföra undersökningar på hela kroppen. Allt fler undersökningar görs med hjälp <strong>av</strong> MRkameror<br />
<strong>och</strong> forskningen hittar hela tiden nya användningsoråden. I dag finns ca 300<br />
magnetresonanskameror installerade i sverige, var<strong>av</strong> USÖ handhar två. Tekniken är <strong>av</strong>ancerad både<br />
tekniskt <strong>och</strong> fysikaliskt.<br />
1.1 Bakgrund<br />
Idag utförs magnetresonanstomografi (MRT) vid <strong>universitet</strong>ssjukhuset i <strong>Örebro</strong> med en relativt ny<br />
MR-kamera som installerades vid årsskiftet 2004/2005. Denna MR-kamera är utrustad med nya<br />
moderna pulssekvenser, som gör det möjligt att utföra bland annat <strong>diffusions</strong>viktad bildtagning.<br />
Tekniken är <strong>av</strong>ancerad <strong>och</strong> det finns olika nivåer <strong>av</strong> tillämpningar, var<strong>av</strong> Diffusion Tensor Imaging<br />
(DTI) <strong>och</strong> helkroppsundersökninger är två. Den sistnämnda har utpekats i litteraturen som ett<br />
alternativ till PET (Positron Emissions Tomografi).<br />
1.2 Syfte<br />
Examensarbetet syftar till att öka förståelsen för tekniken bakom bilderna i en MR kamera. I<br />
huvudsak förklaras det specifika o<strong>mr</strong>ådet diffusion för personalen samt hur bilderna genereras inom<br />
detta o<strong>mr</strong>åde.<br />
Eftersom metoderna som används vid magnetresonanstomografi är både tekniskt <strong>och</strong> fysiskt<br />
<strong>av</strong>ancerade, kan det vara svårt för personalen att hänga med i utvecklingen <strong>och</strong> förstå den<br />
bakomliggande teorin. God kännedom om hur metoden fungerar både tekniskt <strong>och</strong> fysikaliskt är<br />
viktigt för att på bästa sätt utnyttja den tillgängliga tekniken.<br />
6
Examensarbete 10p <strong>Örebro</strong> Universitet VT 2006<br />
2. Grunder inom Magnetic Resonance Imaging - MRI<br />
Magnetresonanstomografi (MRT) eller Magnetic Resonans Imaging (MRI) är baserat på det<br />
fysikaliska fenomenet Nuclear Magnetic Resonance (NMR) [1]. Tekniken blev kallad MRI istället<br />
för NMRI på grund <strong>av</strong> att ordet nuclear klingade fel under den senare delen <strong>av</strong> 1970 talet, då MRI<br />
exploaterades. Nukleus betyder atomkärna på latin. Detta innebär att man tittar på vad som sker<br />
med atomkärnor <strong>och</strong> deras resonans vid magnetism. Den kärna som först <strong>och</strong> främst utforskas vid<br />
klinisk MRI är väteatomskärnan. Dels för att det finns gott om väteatomer i våra kroppar <strong>och</strong> dels<br />
för att väteatomens kärna har en väldigt viktig egenskap i ämnet, kallad spinn [2]. För att förstå<br />
grunderna inom MRI redogörs härmed en kort introduktion inom orådet.<br />
2.1 Spinn<br />
Då väteatomen endast har en enkel proton som atomkärna, har den en egenskap kallad spinn. Denna<br />
egenskap finns även hos vissa andra atomkärnor, dock är det väteatomen vi exploaterar i detta<br />
sammanhang. Spinnet kännetecknas <strong>av</strong> att atomkärnan roterar kring sin egen axel <strong>och</strong> bildar ett<br />
magnetiskt dipolmoment, enligt figur 2.2, i samverkan med dess laddning. Det magnetiska<br />
dipolmomentet kan vara riktat åt två håll vilka kallas spinn upp, enligt figur 2.1 a, eller spinn ner<br />
enligt figur 2.1 b [1], [2], [3].<br />
B 0<br />
B 0<br />
a b<br />
Figur 2.1 B0 är det yttre<br />
magnetfältet. Väteatomens kärna<br />
som består <strong>av</strong> en enda proton har<br />
en egenskap som kallas spinn.<br />
a) "Spinn upp" b) "Spinn ner"<br />
Det som sker då ett yttre magnetfält, B0, appliceras för att påverka väteatomen är att<br />
rotationsfrekvensen skapas. Protonen processerar runt inom magnetfältet vilket bildar en form som<br />
liknar en konformig rörelse.<br />
7<br />
N<br />
Figur 2.2<br />
Dipolmoment
Examensarbete 10p <strong>Örebro</strong> Universitet VT 2006<br />
Frekvensen med vilken protonen processerar kring sin egen axel kallas Larmorfrekvens <strong>och</strong><br />
uttrycks som:<br />
f 0= B 0<br />
där γ är den gyromagnetiska konstanten <strong>och</strong> B0 är det pålagda magnetfältet. Den gyromagnetiska<br />
storheten är en unik konstant för varje grundämne. Den talar om vilken resonansfrekvens ett ämne<br />
får vid ett givet magnetfält. Larmorfrekvensen för exempelvis väte är 42,58 MHz/T [1], [2], [3].<br />
Då det inte är möjligt att i MR sammanhang studera<br />
enskilda atomkärnor betraktar man alltid protonerna för<br />
ett helt volymselement <strong>och</strong> deras sammanlagda magnetiseringsvektor.<br />
Figur 2.3 visar den samlade magnetiseringsvektorn<br />
(M) <strong>och</strong> beskriver vad som sker med atomerna i ett<br />
volymselement. Varje mindre pil i figuren 2.3 representerar<br />
ett enskilt magnetiskt dipolmoment [2], [3].<br />
För att erhålla någon mätbar signal från ett volymselement måste protonerna först exciteras. Detta<br />
kräver att M-vektorn tippas ner till xy-planet, vilket görs med hjälp <strong>av</strong> en RF (Radio Frequency)<br />
puls.<br />
Då M-vektorn tippas fungerar den som en liten roterande st<strong>av</strong>magnet. Denna ”st<strong>av</strong>magnet”<br />
inducerar en växelström i detektorspolen, precis som en liten generator.<br />
För att få resultanten <strong>av</strong> M-vektorn i xy-planet, tippas en del <strong>av</strong> spinnen från lägre energi till högre<br />
energi, det vill säga mot fältet samtidigt som de osynkroniserade spinnen fasas ihop [1], [2], [3].<br />
För att energiöverföringen ska kunna ske krävs det att frekvensen på det elektromagnetiska fältet<br />
överensstämmer med Larmorfrekvensen för protonerna.<br />
8<br />
B 0<br />
(2.1)<br />
x<br />
z M<br />
a)<br />
y<br />
Figur 2.3 Den samlade<br />
magnetiseringsvektorn i den<br />
longitudinella<br />
magnetiseringen. De mindre<br />
pilarna representerar<br />
enskilda magnetiska<br />
dipolmoment.
Examensarbete 10p <strong>Örebro</strong> Universitet VT 2006<br />
2.2 Relaxation<br />
Relaxationstider beskriver hur lång tid det tar för den makroskopiska magnetvektorn att återgå till<br />
sitt normalläge efter att en RF-puls har exciterat spinnen.<br />
T1 - Relaxation<br />
Efter att atomen blivit exciterad med en RF puls ställer<br />
sig vektorn 90° till xy-planet (för en 90° RF-puls),<br />
Figur 2.6 b. Då RF pulsen tagits bort börjar återgången till<br />
normalläget. Relaxationsprocessen inleds med att<br />
magnetiseringsvektorn börjar återta sitt ursprungliga läge, det<br />
vill säga påbörjar sin återuppbyggnad i magnetfältets riktning.<br />
Tidskonstanten beskriver den exponentiella återgången<br />
till 63 % <strong>av</strong> Mz efter att magnetiseringen slagits <strong>av</strong>, vilket<br />
demonstreras i figur 2.4. Denna kallas spinn-gitterrelaxationstid<br />
eller T1.<br />
Den energi protonerna ger ifrån sig överförs till molekyler i<br />
omgivningen <strong>och</strong> omvandlas till rörelseenergi. En<br />
förutsättning för att detta ska ske är att det finns molekyler<br />
som har rotation eller vibration med frekvens nära<br />
protonens precessionsfrekvens. Uttrycket för återgången ges <strong>av</strong> ekvationen 2.2 nedan. Där M0 är<br />
normalläget <strong>och</strong> Mz är magnetiseringsvektorns storlek vid tiden t/T1 [1], [2], [3].<br />
M z=M 0 1−e −t / T 1 (2.2)<br />
T2 - Relaxation<br />
För återgången till normal läget, där normalläget är i<br />
magnetfältets riktning, finns även en tidskonstant kallad<br />
spinn-spinn-relaxation eller T2. Spinnen i volyms-elementet<br />
förlorar faskoherensen <strong>och</strong> fasar ur. Magnetiserings vektorn<br />
ligger då kvar i xy-planet, men bildar ingen samlad resultant.<br />
Den snabbare effekten är när det förekommer inhomogeniteter<br />
i magnetfältet, med vilken protoner på olika platser<br />
i volymselementet känner <strong>av</strong> olika magnetfält. Därigenom<br />
kommer faskoherensen att gå förlorad på grund <strong>av</strong> att spinnen<br />
kommer ur fas. Den faktiska tidskonstanten är en<br />
kombination <strong>av</strong> både urfasning på grund <strong>av</strong> T2 relaxation<br />
<strong>och</strong> inhomogeniteter i B0 <strong>och</strong> betecknas T2*. Denna relationen<br />
kan betecknas som:<br />
1/T2* = 1/T2 + 1/T2inhomo<br />
(2.3)<br />
Återgången till Mxy = 0 är ett exponentiellt förlopp, där tiden T2 är då 37% <strong>av</strong> den samlade<br />
magnetiseringsvektorn i xy-planet återstår, vilket figur 2.5 illustrerar.<br />
9<br />
Figur 2.4 T1 relaxation beskrivs<br />
som ett exponentiellt förlopp för<br />
återuppbyggnaden <strong>av</strong> den samlade<br />
magnetiseringsvektorn i<br />
magnetfältets riktning. Den är olika<br />
för olika ämnen [1].<br />
Figur 2.5 T2 är tiden när 37% <strong>av</strong><br />
den ursprungliga Mxy kvarstår<br />
efter att en RF puls har<br />
exciterats [1].
Examensarbete 10p <strong>Örebro</strong> Universitet VT 2006<br />
Uttrycket ges <strong>av</strong> ekvation 2.4 nedan, där M xy0 är ursprungsläget för magnetiseringen i<br />
normalläget. Mxy är magnetiseringsvektorns storlek vid tiden t/T2.<br />
M xy=M xy0 e −t /T 2<br />
Sammantaget kan man säga att T1 är ett mått på återgången till jämviktsläge för den longitudinella<br />
magnetiseringen samt T2 måttet på den transversella återgången.<br />
B 0<br />
x<br />
z<br />
Figur 2.6 beskriver den makroskopiska magnetiseringsvektorn, samt dess läge vid excitation <strong>av</strong> RF<br />
puls samt återgången till jämviktsläge.<br />
Relaxationsprocessen kan även beskrivas med Bl<strong>och</strong>'s ekvation nedan<br />
d M<br />
dt =M x B− x M x<br />
T 2<br />
M<br />
y<br />
x<br />
− y M y<br />
−z<br />
T 2<br />
M z−M 0<br />
T 1<br />
z<br />
där Mx, My, <strong>och</strong> Mz är komponenter <strong>av</strong> M <strong>och</strong> M0 är |M| innan RF pulsen applicerades. T1 <strong>och</strong> T2 är<br />
tidskonstanterna för relaxationsprocessen.<br />
10<br />
M<br />
y<br />
(2.4)<br />
Figur 2.6 a) Makroskopiska magnetiseringsvektorn, M. Spinnet processerar runt B0.<br />
b) När en 90 ° RF puls exciteras, vrids vektorn ner i transversalplanet. c) Relaxations<br />
koefficienten T1 beskriver återgången <strong>av</strong> vektorn till Mz samt relaxations koefficienten<br />
T2 beskriver återgången i transversalplanet, det vill säga Mxy.<br />
x<br />
z<br />
M z<br />
a) b) c)<br />
(2.5)<br />
M xy<br />
y
Examensarbete 10p <strong>Örebro</strong> Universitet VT 2006<br />
2.3 Pulssekvenser<br />
Pulssekvenserna består <strong>av</strong> en sekvens <strong>av</strong> pulser som genomlöps <strong>och</strong> upprepas. En pulssekvens kan<br />
ses som ett tidsförlopp för RF-pulsers <strong>och</strong> gradienters påslag, amplitud <strong>och</strong> varaktighet.<br />
Pulssekvensen upprepas lika många gånger som det finns faskodningssteg i bilden. Vanligtvis lika<br />
många gånger som det finns rader i bilden, det vill säga 256 för en 256x256 bild. Sekvensen inleds<br />
med att snittvalsgradienten är öppen samtidigt som RF-pulsen exciteras. Därefter kodas bilden med<br />
frekvenskodningsgradienten (x-led) <strong>och</strong> faskodningsgradienten (y-led) [2], [3].<br />
2.3.1 Snittval<br />
Då en gradient appliceras för att få ett visst snitt i en kropp används snittvalsgradienten, figur 2.7.<br />
För att erhålla det valda snittet läggs gradienten så att den får sitt isocentrum på önskad plats. När<br />
en RF-puls sedan exciteras med en resonansfrekvens som exakt stämmer överens med<br />
Larmorfrekvensen för det givna snittet kommer endast de atomkärnor som finns inom det givna<br />
snittet att känna <strong>av</strong> denna. Atomkärnorna nedanför det givna snittet har en för låg resonansfrekvens<br />
för att känna radiosignalen <strong>och</strong> över det givna snittet erhålles en för hög resonansfrekvens.<br />
Resonansvillkoret är således enbart uppfyllt för det givna snittet. Det är enbart de protoner som<br />
blivit exciterade som kan sända tillbaka någon signal för bildgenerering [1], [2], [3].<br />
Sammantaget är således snittet valt som visas i figur 2.8. Frekvenskodningsriktningen är i x-led <strong>och</strong><br />
Faskodningen i y-led.<br />
Snitttjockleken bestäms <strong>av</strong> en kombination <strong>av</strong> snittvalsgradientens styrka <strong>och</strong> RF-pulsens<br />
frekvensinnehåll, det vill säga bandbredd.<br />
Figur 2.7 Isocenter vid 0, där också Larmorfrekvensen är<br />
B 0 Detta gör att man kan välja ut spinn enligt snittet<br />
ovan, för att varje snitt har en unik Larmorfrekvens. Figur 2.8 Det valda snittet kodas i<br />
Frekvenskodningsriktning (Gx) <strong>och</strong><br />
faskodningsriktning (Gy).<br />
11
Examensarbete 10p <strong>Örebro</strong> Universitet VT 2006<br />
2.3.2 Frekvenskodning<br />
För att reducera antalet mätningar enligt snittvalsgradienten, kodas bilden i fas <strong>och</strong> frekvens. På<br />
detta sätt reduceras antalet mätningar från 256x256 (65536 st) till 256.<br />
Vid frekvenskodning kodas signalen med frekvenser så som namnet säger. Frekvenskodningsgardienten<br />
är påslagen under tiden som radiomottagaren fångar upp den återutsända signalen från<br />
atomkärnorna. De atomkärnor som känner ett starkare magnetfält kommer då att snurra lite fortare<br />
<strong>och</strong> ger en signal med högre frekvens. De atomkärnor som känner svagare magnetfält kommer<br />
således att snurra långsammare <strong>och</strong> ger därmed en signal med lägre frekvens. Frekvenskodningen<br />
kan sammanfattas genom att bilden delas upp i frekvenskomponenter för Larmorfrekvenser i det<br />
valda snittet. Figur 2.9 visar ett exempel på uppdelningen i frekvenskomponenterna [2], [3].<br />
2.3.3 Faskodning<br />
Figur 2.9 Det valda snittet frekvenskodas, det vill säga, delas upp<br />
i frekvenskomponenter för de olika Larmorfrekvenserna i x-led<br />
Kodningen i den tredje dimensionen brukar kallas faskodning, figur 2.10, där fasvinkelinformationen<br />
i signalen utnyttjas för att signalen från spinnen från en viss position ska bli unik.<br />
Man kan säga att man stegvis bygger upp frekvenskodningen. Vid frekvenskodning läggs<br />
registreringar för de olika frekvensserna i en rådata matris. Samtidigt som<br />
frekvenskodningsgradienten är påslagen tas 256 mätvärden. Fasvinkeln ökar konstant på grund <strong>av</strong><br />
att frekvensen har en kontinuerlig svängning. En period i en svängning utgör en fasändring på 360°.<br />
Vid första mätvärdet är fasvinkeln från höger respektive vänster sida lika. Den har inte hunnit<br />
förändras så mycket, faskodningsgradienter har just slagits på. Därefter löps de 256 mätningarna<br />
igenom <strong>och</strong> vid det sista mätvärdet, 256, så har faskodningsgradienten varit påslagen hela den<br />
<strong>av</strong>sedda tiden [2], [3].<br />
Figur 2.10 Efter faskodningen i y- led, så är spinnen kodande<br />
med olika fas beroende på deras position i y-led.<br />
12
Examensarbete 10p <strong>Örebro</strong> Universitet VT 2006<br />
2.4 K-space <strong>och</strong> fouriertransform<br />
K-space kan beskrivas som en matris med rådata, som samlas in då en pulssekvens genomlöps.<br />
Dessa rådata behandlas med fouriertransformen vilket gör att en bild som det mänskliga ögat kan se<br />
genereras. För att ta upp mätvärden ur pulssekvensen för k-space koordinaterna kx <strong>och</strong> ky används<br />
integralen <strong>av</strong> pulsen för Gx (frekvenskodningsgradienten) respektive Gy (faskodningsgradienten)<br />
enligt formlerna 2.9 nedan.<br />
Avståndet mellan det största <strong>och</strong> de minsta värdena i k-space <strong>av</strong>gör upplösningen, ekvation 2.7.<br />
Field of View (FOV) är <strong>av</strong>ståndet mellan linjerna i k-space. Om man ökar <strong>av</strong>ståndet mellan linjerna<br />
i k-space, så minskar FOV. Ekvationen 2.6 bevisar att så är fallet [2], [4].<br />
FOV = 1<br />
k<br />
=<br />
1<br />
k max−k min<br />
(2.6)<br />
där δ är upplösningen. (2.7)<br />
2D fouriertransformen för signalen s (d.v.s. k-space) tas emot i mottagaren samt omvandlas med<br />
formel 2.8 nedan.<br />
där<br />
sk x , k y=∬ x , y e −2k x x k y y <br />
Figur 2.11 För omvandling <strong>av</strong> data samlat i k-space<br />
används Fouriertransformen för att generera bilden<br />
som det mänskliga ögat kan se.<br />
(2.8)<br />
k x = <br />
2 ∫G x d k y = <br />
2 ∫G y d (2.9)<br />
Med andra ord fungerar systemet genom att man tar en bild med k-space <strong>och</strong> transformerar med<br />
fouriertransformen.<br />
13
Examensarbete 10p <strong>Örebro</strong> Universitet VT 2006<br />
För att fylla k-space med data genomförs nedanstående steg. Det finns ett antal olika sätt, även<br />
nämnda som trajectories, varje sätt har olika egenskaper <strong>och</strong> olika ändamål. Ett exempel på<br />
sekvenserna beskrivs i figur 2.12 nedan.<br />
Figur 2.12 För att fylla k-space används en mängd olika<br />
metoder. En ut<strong>av</strong> de mest använda är Gradienteko sekvensen<br />
som i figuren är beskriven.<br />
Samtidigt som RF pulsen slås på väljs snittet med snittvalsgradienten vilken är påslagen hela tiden<br />
för att registrera signalen. För att samla in <strong>och</strong> koda signalen i k-space krävs en<br />
frekvenskodningsgradient <strong>och</strong> en faskodningsgradient. Innan frekvenskodningsgradienten går<br />
negativ befinner vi oss i läge 1. Faskodningsgradientens storlek bestämmer var på ky axeln som<br />
<strong>av</strong>läsningen ska ske. I figur 2.12 ovan ges ett positivt värde, vilket förflyttar oss till pilspetsen från<br />
läge 1. Med ett negativt värde på frekvenskodningsgradienten hamnar vi i läge 2. Under den<br />
positiva delen <strong>av</strong> frekvenskodningsgradienten 2 till 3, samlas även ekot in <strong>och</strong> omvandlas från<br />
analogt till digitalt. Därmed har man en rad i k-space. Därefter upprepas stegen, med olika värden<br />
på faskodningsgradienten, för att täcka in hela k-space [2], [4].<br />
2.5 Spinnekosekvens<br />
Det finns i huvudsak två typer <strong>av</strong> ekosekvenser som används inom MRI. Det ena är spinneko<br />
sekvens <strong>och</strong> det andra är gradienteko sekvens [1], [2], [5].<br />
Figur 2.13 visar en sekvens med spinneko.<br />
För spinneko sekvens lägger man först på en RF puls, varpå makroskopiska magnetiseringsvektorn<br />
vinklar sig ner 90°. Efter det att halva ekotiden har förflutit, TE/2, lägger man sedan på en RF puls<br />
med 180° med vilken man vrider alla spinnen 180°, varpå man kan få information om T1. Figur<br />
2.13 beskriver sekvensen. Mellan dessa pulser läggs en faskodningsgradient på. Den tillsammans<br />
med frekvenskodningsgradienten har betydelse för hur bilden ska kunna återskapas.<br />
Frekvenskodningsgradienten läggs på efter 180° pulsen, då ekot samlas in. Ytterligare en gradient<br />
läggs på mellan 90°- <strong>och</strong> 180°-pulsen längs samma riktning som frekvenskodningsgradienten.<br />
Denna urfasar spinnen så att de fasar in i mitten <strong>av</strong> ekotiden vilken är den signal man får all<br />
bildinformation ifrån. Förfarandet upprepas 128 - 256 ggr med tiden TR, varje gång med olika<br />
faskodning. Man får på detta viset en stark FID (Free Induction Decay) signal.<br />
14
Examensarbete 10p <strong>Örebro</strong> Universitet VT 2006<br />
Det finns även något som kallas turbospinneko. Då lägger man på 180°-Rf pulser mellan varje eko<br />
vilket roterar spinnet 180° för varje puls, vid varje rad i k-space. Detta kan liknas vid EPI som<br />
senare beskrivs. Fast med upprepade fokuseringspulser.<br />
2.6 Gradientekosekvens<br />
Vid en gradientekosekvens kan excitationsgraden, tippvinkeln, väljas godtyckligt mellan 0 <strong>och</strong> 90°.<br />
Vanligtvis registreras FID signalen vid gradientekosekvenser. Det finns ett antal olika<br />
gradientekosekvenser <strong>och</strong> de finns i alla möjliga typer <strong>av</strong> namn för just sin utformning. Om det inte<br />
finns någon puls som återfokuserar urfasningen på grund <strong>av</strong> T2*-relaxation så kallas det gradient<br />
eko. Det som varieras för att få olika typer ut<strong>av</strong> gradientekon är bland annat om en så kallad<br />
”spoiler” läggs på. Denna tar bort de återstående magnetiseringar som inte hunnit relaxera helt till<br />
det longitudinella planet [2], [3].<br />
2.7 Echo Planar Imaging<br />
Figur 2.13 Sekvens med spinneko, där en 90° RF puls<br />
först läggs på, därefter löper ännu en RF puls efter<br />
TE/2, varpå man vrider alla spinnen 180° [1].<br />
Med en EPI sekvens fylls k-space i ett enda svep, med en enda sekvens. Som figur 2.14 visar. Detta<br />
betyder att för varje RF puls samplas hela k-space i intervallet, istället för varje rad för sig. Detta är<br />
en bra <strong>och</strong> snabb metod samt väl använd [2], [3].<br />
Vanligaste metoden är repetitioner <strong>av</strong> så kallade ”blip” <strong>av</strong><br />
faskodningsgradienten vid varje mätsignal. Faskodningsgradienten är<br />
då oförändrad vi varje ”blip”, medans frekvenskodningsgradienten<br />
förändras kontinuerligt. Med single shot EPI tar det mindre än 100 ms<br />
att fylla k-space. Detta kräver dock snabba förändringar på gradienten,<br />
vilket har varit svårt för många MR-enheter att klara <strong>av</strong> tidigare. Men<br />
då tekniken exploaterats <strong>och</strong> förfinats, klarar i dagsläget alla MR<br />
enheter <strong>av</strong> att utföra EPI sekvenser.<br />
15<br />
Figur 2.14 EPI puls<br />
sekvens fyller k-space
Examensarbete 10p <strong>Örebro</strong> Universitet VT 2006<br />
Men den finns nackdelar. I <strong>och</strong> med att det tar en stund att samla in all mätdata från pulssekvensen,<br />
hinner både T1 <strong>och</strong> T2* relaxationerna att återgå en del. Detta medför att bilderna blir aningen T2<br />
<strong>och</strong> T2* viktade, vilket ger hög intensitet till substans som behåller faskoherensen längre. Därför<br />
finns det ett antal olika varianter där man delar upp sekvensen, så kallade multishot EPI, varpå man<br />
samlar in många men inte alla signaler i en RF-puls. Detta minskar SNR <strong>och</strong> ökar upplösningen [3].<br />
EPI används för att ta bilder med extrema hastigheter såsom hjärtats slag <strong>och</strong> funktionaliteten i<br />
hjärnan.<br />
EPI tekniken används även för att få kontraster beroende <strong>av</strong> mikroskopiska rörelser <strong>av</strong> vatten<br />
molekyler, <strong>diffusions</strong>viktade bilder, vilket redogörs mer utförligt i kapitel 4.<br />
Många MR-kameror har i sin standardkonfiguration gradienter med 25 mT/m under 0.1 – 6 ms, det<br />
vill säga 10 – 60 T/s. Detta är nödvändigt för att kunna köra EPI sekvenserna på ett kliniskt<br />
meningsfullt sätt.<br />
Med denna teknik är det möjligt att utföra 15 – 30 bilder per sekund.<br />
16
Examensarbete 10p <strong>Örebro</strong> Universitet VT 2006<br />
3. Hjärnans anatomi<br />
Vår hjärna är uppdelad i två halvor, en vänster <strong>och</strong> en höger. Dessa består <strong>av</strong> grå <strong>och</strong> vit substans,<br />
där grå substansen är hjärncellernas kropp (somata) <strong>och</strong> vit substans är hjärncellernas axondel, det<br />
vill säga dess ”svans” som tar kontakt med andra celler. Axonen är isolerade med myelin, som<br />
ligger längs axonen för att skydda <strong>och</strong> underlätta impulsernas fortplantning.<br />
Mellan hjärnhalvorna finns ett hålrum, ventriklar, där vätska (liqvor) skyddar hjärnan. Detta o<strong>mr</strong>åde<br />
är markerat med vita pilar i bild 3.1 a samt 3.1 c.<br />
a) b) c)<br />
Bild 3.1 Översiktsbilder över hjärnan a) Coronal snitt b) Sagittal snitt <strong>och</strong> c) Transaxial snitt.<br />
Pilarna visar hålrummet som är fyllt med liqvor.<br />
Med MR kameran tittar man på väteatomens spinn <strong>och</strong> ser i dessa T2 viktade bilderna, Bild 3.1, de<br />
mörka partierna som vätska eller hålrum eftersom dessa har kort relaxationstid. De ljusare partierna<br />
innehåller substans som har längre relaxationstid. Därför ser man de fibrer som har hög intensitet<br />
som axon <strong>och</strong> de med lägre intensitet som cellkroppar.<br />
Bilderna i bild 3.1 är översiktsbilder tagna längs huvudets profil, coronalt <strong>och</strong> transaxialt. Med<br />
hjälp <strong>av</strong> dessa bilder väljes vilket snitt som ska användas. Därefter väljer man vilka pulssekvenser<br />
som ska använda för de snitt som valts. Med fördel <strong>av</strong> inriktningen på rubriken, så används<br />
pulssekvenser med <strong>diffusions</strong>gradienter.<br />
17
Examensarbete 10p <strong>Örebro</strong> Universitet VT 2006<br />
4. Diffusions-MR<br />
4.1 Inlednng<br />
Då diffusion nämns menas molekyler som rör sig slumpmässigt i ett medium. Detta kallas<br />
Brownian motion (efter Robert Brown 1773 – 1858 en brittisk botanist). I detta fall är det<br />
vattenmolekyler som studeras. Det finns två typer <strong>av</strong> diffusion, vilka beror på det anatomiska<br />
o<strong>mr</strong>ådet, isotropisk <strong>och</strong> anisotropisk. Vid isotropisk diffusion kan diffusion ske i alla spatiala<br />
riktningar <strong>och</strong> är då obegränsad. Diffusion i en biologisk vävnad såsom en nervfiber är begränsad i<br />
en riktning på grund <strong>av</strong> strukturen i nervfibern <strong>och</strong> kallas då anisotropisk diffusion [6].<br />
Metoden med <strong>diffusions</strong>viktade bilder upptäcktes 1986 <strong>av</strong> Le Bihan [7], men tekniken var så ny <strong>och</strong><br />
fortfarande under utveckling att spök-artefakter vid rörelser hos patienten var ett stort problem. Man<br />
började då använda single shot Echo Planar Imaging sekvenser eller en metod där man utnyttjade<br />
flera sekvenser men med en n<strong>av</strong>igator som reducerade bort rörelser hos patienten. Single shot EPI<br />
blev senare den mest användbara tekniken, eftersom tekniken med en n<strong>av</strong>igator g<strong>av</strong> för långa<br />
exponeringstider <strong>och</strong> inte var lika robusta.<br />
Med hjälp <strong>av</strong> Diffusion Weighted Imaging (DWI), kan information om hur diffusionen sker i den<br />
aktuella kroppsdelen tas fram. Genom denna information ischemi upptäcks på ett tidigt stadium, där<br />
ischemi är en blockering <strong>av</strong> tillförseln <strong>av</strong> näring till en vävnad.<br />
4.2 Teori<br />
4.2.1 Diffusionsbildtagning<br />
Diffusionen handlar om hur molekyler rör sig i ett medium, enligt Brownian motion, det vill säga<br />
slumpartat. När man tillsätter en magnet i närheten, gör diffusionen <strong>av</strong> vattenmolekylerna att de<br />
fasdispenserar sig i transversalplanet, vilket resulterar i en dämpning <strong>av</strong> MRI signalen. Graden <strong>av</strong><br />
dämpning beror på vävnadstyp, struktur, fysiska <strong>och</strong> psykiska tillstånd samt mikromiljö [8].<br />
För att öka känsligheten till diffusion, innehåller alla <strong>diffusions</strong>bildtagningar pulssekvenser <strong>av</strong><br />
<strong>diffusions</strong>viktade gradienter. Dessa gradienter kan i stort sett läggas till på alla pulssekvenser, men<br />
det vanligaste är att single shot spinn eko sekvenser används i kombination med EPI sekvenser.<br />
Med isotropisk bild menas att bilden är sammansatt ut<strong>av</strong> de olika spatiala riktningarna på<br />
diffusionen.<br />
4.2.2 Diffusionssekvenser<br />
Det finns ett antal olika sekvenser för <strong>diffusions</strong>bildtagning, men gemensamt för dessa är att de<br />
innehåller någon <strong>diffusions</strong>gradient. De <strong>diffusions</strong>viktade gradienterna är vanligtvis mycket större i<br />
amplitud <strong>och</strong> dess pulslängd är också väldigt lång jämfört med andra gradienter som läggs på.<br />
Den mest använda pulssekvensen är Single shot Spin Eko EPI på grund <strong>av</strong> att den är snabb i sin<br />
sekvens <strong>och</strong> är därmed mindre känslig för rörelser hos patienten.<br />
18
Examensarbete 10p <strong>Örebro</strong> Universitet VT 2006<br />
För spinnekosekvensernas användning i <strong>diffusions</strong>viktade bilder läggs en <strong>diffusions</strong>gradient på var<br />
sin sida om refokuseringspulsen, vilket illustreras i figur 4.1, med lika stor area <strong>och</strong> samma polaritet<br />
på båda sidor. Då en sekvens med gradienteko används läggs <strong>diffusions</strong>gradienterna med skiftande<br />
polaritet samman, utan mellanrum. Den <strong>diffusions</strong>viktade gradienten kallas ibland<br />
bipolärgradienten eller Stejkal-Tanner gradienten (Stejkal <strong>och</strong> Tanner 1965), även om den är<br />
unipolär i spinnekosekvensen [5], [7].<br />
På senare tid har flera olika metoder dykt upp som tar hänsyn till rörelseartefakter. Dessa tekniker<br />
inkluderar multieko tekniker så som turbo spinn eko, HASTE (HAlf fourier Single shot Turbo spinn<br />
Echo) PROPELLER (Periodically Rotated Overlapping Parallel Lines with Enhanced<br />
Reconstruction), <strong>och</strong> GRASE (Gradient and Spin Echo) [2], [3], [5].<br />
Figur 4.1 Exempel på <strong>diffusions</strong>viktade gradienter i vågform, där b-värdet formas ut<strong>av</strong> de<br />
givna variablerna i a) Spinn Eko Puls sekvens med rektangulär lob <strong>och</strong> b) Spinn Eko Sekvens<br />
med Trapeziodala lober.<br />
4.2.3 b-värde<br />
Vid <strong>diffusions</strong>bildtagning användes ett så kallat b-värde. Detta värde bestämmer signaldämpningen<br />
<strong>och</strong> är i sin tur beror på styrkan <strong>och</strong> timingen <strong>av</strong> <strong>diffusions</strong>gradienterna. Genom att minska<br />
<strong>diffusions</strong>gradienternas amplitud, <strong>av</strong>ståndet mellan loberna eller bredden på loberna resulterar detta<br />
i ett lägre b-värde, figur 4.1. Ett generellt uttryck för b-värdet kan beräknas genom uttrycket:<br />
2<br />
TE t<br />
b<br />
2<br />
⎡<br />
⎤<br />
= γ ∫ ⎢ ∫ G(<br />
t')<br />
dt'⎥<br />
dt<br />
0 ⎢⎣<br />
0 ⎥⎦<br />
19<br />
(4.1)
Examensarbete 10p <strong>Örebro</strong> Universitet VT 2006<br />
b-värdet kan uttryckas genom formel 4.2, för rektangulära lober <strong>och</strong> 4.3 för trapeziodala lober.<br />
b= 2 G 2 2 −/3 (4.2)<br />
2<br />
3<br />
2<br />
[ δ ( Δ − δ / 3)<br />
+ ζ / 30 δ ζ / 6]<br />
2 2<br />
b = γ G<br />
−<br />
(4.3)<br />
där γ är gyromagnetiska konstanten för ämnet, G är gradientstyrkan, δ är varaktigheten för varje<br />
puls, ζ är stigtiden för trapeziodala loben <strong>och</strong> tiden mellan de båda pulserna är Δ [5].<br />
Vid mätningar brukar två olika b-värden användas, var<strong>av</strong> ett är ett referensvärde 0. Det andra bvärdet<br />
är oftast 1000 s/mm 2 vid mätningar i hjärnan. Vid <strong>diffusions</strong>viktade bilder <strong>av</strong> till exempel<br />
lever <strong>och</strong> njure, används generellt ett lägre b-värde. Man kan även utnyttja flera b-värden för att får<br />
ett noggrannare värde på ADC genom approximation.<br />
4.2.4 Diffusionskoefficienten<br />
Vatten diffunderar, enligt Brownian motion, med en hastighet <strong>av</strong> ungefär 2.5·10 -3 mm 2 /s vid 37°C.<br />
Detta värde kallas <strong>diffusions</strong>koefficienten (D) för vatten. För diffusion <strong>av</strong> vatten i kroppsvävnaden<br />
är diffusionen mer restriktiv <strong>och</strong> kan inte variera lika mycket på grund <strong>av</strong> vävnader som sluter sig<br />
runt, eller nervbanor som banar väg, <strong>och</strong> kallas därför Apparent Diffusion Coefficient (ADC eller<br />
D*). Ekvationen 4.4 nedan visar sambandet mellan signalintensiteter <strong>och</strong> b-värde. ADC är mindre<br />
än D. Ichemi sänker signalintensiteten för pixeln med upp till 50% <strong>av</strong> sitt normalvärde, vilket i sin<br />
tur minskar <strong>av</strong> ADC värdet [2], [13].<br />
ADC = ln S /S 0 =<br />
−bvalue ln S 0 /S<br />
bvalue a) b)<br />
Bild 2.2 Isotropiska bilder med a) b-värde 0 (referensbilden) <strong>och</strong> b) bvärde<br />
1000<br />
där S0 är signalintensiteten i pixeln för <strong>diffusions</strong>viktade bilden där b = 0 <strong>och</strong> S är signalintensiteten<br />
för pixeln i bilden där b-värdet är större.<br />
20<br />
(4.4)
Examensarbete 10p <strong>Örebro</strong> Universitet VT 2006<br />
Med flera mätvärden vid olika<br />
b-värden, ger det noggrannare ADC värde med<br />
hjälp <strong>av</strong> approximering <strong>av</strong> k-värdet.<br />
Det är med andra ord lutningen på linjen i<br />
diagrammet 4.1 för ln(S0/S) <strong>och</strong> bVÄRDE som är<br />
ADC värdet.<br />
Diffusionen har även en riktning som framgår i<br />
nästa sektion.<br />
Diffusionskoefficienter för olika vävnader presenteras i tabell 4.1 nedan. Diffusionskoefficienten<br />
för vit substans varierar, vilket framgår <strong>av</strong> tabellen. Axiala fibrer har högre <strong>diffusions</strong>koefficient,<br />
vilket beror på att det är en enklare väg för vattnet att transporteras. Därmed har de transversella<br />
fibrerna en högre <strong>diffusions</strong>koefficient.<br />
Värdet på <strong>diffusions</strong>koefficienten beror direkt på den relativa orienteringen <strong>av</strong> fibrer <strong>och</strong> de pålagda<br />
magnetiska gradienterna.<br />
4.2.5 Diffusionsriktning<br />
Vävnad:<br />
CSF<br />
Grå substans<br />
Vit substans:<br />
Corpus Callosum<br />
Axial fibrer<br />
Transvers fibrer<br />
Tabell 4.1 Diffusionskoefficienten för<br />
vatten i människans hjärna (CSF =<br />
Cerebrospinal Fluid)<br />
Diagram 4.1 ADC värdet som en funktion <strong>av</strong><br />
ln(S0/S) <strong>och</strong> b-värdet<br />
Diffusionen har även en riktning, det vill säga i x, y <strong>och</strong> z-led. Dessa benäms som mätningsriktning<br />
(M), fasriktning (P) eller snittvalsriktning (S). Då man använder alla riktningar kan man skapa en<br />
Isotropisk så kallad SPÅR-bild. Denna isotropiska bild kan beräknas genom formel 4.3 nedan<br />
vilken gäller för lika b-värden, där Sx, Sy <strong>och</strong> Sz är pixelsignalintensiteter för respektive riktning.S0<br />
är pixelsignalintensiteten för referensbilden med b-värde 0. Dxx, Dyy <strong>och</strong> Dzz är diffusionen i<br />
respektive riktning.<br />
21<br />
l o g ( S 0 / S 1 )<br />
1 . 4<br />
1 . 2<br />
1<br />
0 . 8<br />
0 . 6<br />
0 . 4<br />
0 . 2<br />
0<br />
0 1 0 0 2 0 0 3 0 0 4 0 0 5 0 0<br />
b - v ä r d e<br />
6 0 0 7 0 0 8 0 0 9 0 0 1 0 0 0<br />
Diffusion coefficient<br />
*10-3 mm2 /s<br />
2.94 ± 0.05<br />
0.76 ± 0.03<br />
0.22 ± 0.22<br />
1.07 ± 0.06<br />
0.64 ± 0.05
Examensarbete 10p <strong>Örebro</strong> Universitet VT 2006<br />
De olika riktningarna kan man se i bild 4.3 nedan.<br />
S xyz≡ 3<br />
S x S y S z=S 0 e −bD xxD yyD zz/3 =S0 e −bD spår/ 3<br />
För beräkning <strong>av</strong> ADC värdet används till exempel b-värdena [0 250 500 750 1000] med vilka en<br />
linje plottas dessa <strong>och</strong> med hjälp <strong>av</strong> minsta kvadratmetoden ges lutning för linjen vilket är ADCvärdet.<br />
För Fas-, Mätnings- <strong>och</strong> Snittvalsriktningarna tas ett medelvärde, som används för att<br />
beräkna den ADC karta som ska visas. Ekvation 4.4.<br />
(4.3)<br />
D <strong>av</strong>= 1<br />
3 D xxD yyD zz (4.4)<br />
Bild 4.3 Visar de spatiala riktningarna för a) Mätningsriktning, M (x-led) b) Fasriktning, P (y-led)<br />
<strong>och</strong> b) Snittvalsriktning, S (z-led)<br />
De spatiala riktningarna för o<strong>mr</strong>ådena ovan är givna, skillnaderna i de<br />
olika riktningarna är tydliga för fasriktning <strong>och</strong> mätningsriktning. Då<br />
diffusion i x-led studeras, syns <strong>diffusions</strong>riktningen för<br />
mätningsriktningen, bild 4.3 a. För fasriktningen syns riktningar i y-led,<br />
bild 4.3 b. Riktningen i z-led är svår att tyda, men går rakt igenom bilden.<br />
Figur 4.2 visar hur de spatiala riktningarna för diffusion ligger i<br />
koordinatsystemet.<br />
22<br />
Figur 4.2 De<br />
spatiala<br />
riktningarna för<br />
diffusion
Examensarbete 10p <strong>Örebro</strong> Universitet VT 2006<br />
4.3 Metod<br />
En typisk ADC-karta kan se ut som nedanstående bild 4.4 a. Runt objektet finns en hel del yta som<br />
för tillfället är ointressant. För att enbart koncentrera sig på o<strong>mr</strong>ådet där informationen finns, så<br />
använder man en mask, bild 4.4 b, på så sätt har man reducerat antalet pixlar som skall läsas in <strong>och</strong><br />
jämföras.<br />
Bild 4.4 a) ADC-karta samt b) binärmask<br />
Binärmasken ovan används på för att <strong>av</strong>gränsa antalet pixlar som ska ingå i jämförelsen.<br />
I studien lades bilder inom fyra olika kategorier in för att jämföras med den ADC-karta som<br />
genereras <strong>av</strong> mjukvaran för MR-kameran.<br />
De olika kategorierna, där varje kategori lades samman till en <strong>och</strong> samma ADC-karta var för sig, är:<br />
1) 2 isotropiska bilder med b-värden [0 1000]<br />
2) 5 isotropiska bilder med b-värden [0 250 500 750 1000]<br />
3) bilder med 3 riktningar M, P <strong>och</strong> S samt 2 olika b-värden [0 1000]<br />
4) bilder med 3 riktningar M, P <strong>och</strong> S samt 5 olika b-värden [0 250 500 750 1000]<br />
För samtliga kategorier ovan användes refersensbilden med b-värde 0.<br />
Eftersom bilderna var sparade i DICOM format måste de skalas om innan beräkningar kunde<br />
utföras. Detta görs genom att bilderna omskalas till Display Value (DV) genom en multiplikation <strong>av</strong><br />
Pixel Value (PV) med Rescale Slope (RS) samt att man adderar Rescale Intercept (RI) vilket visas<br />
nedan.<br />
DV = PV*RS + RI<br />
a b<br />
Efter omskalningen erhålles värden på tusendelsnivå.<br />
23
Examensarbete 10p <strong>Örebro</strong> Universitet VT 2006<br />
För att beräkna ADC-kartan beräknas ADC-värdet för varje pixel <strong>och</strong> läggs samman till en<br />
slutgiltig bild. Genom minstakvadratmetoden erhålles en bra approximation på ADC-värdet då flera<br />
värden på b utnyttjas. Om kategorin med flera olika riktningar ska användas för att sammanställa en<br />
ADC-karta, används samma metod som ovan men att ett medelvärde ut<strong>av</strong> dessa tas ut för ADCkartan.<br />
I de isotropiska bilderna finns pixelvärden som inte har något värde. Dessa ersätts ut<strong>av</strong> medelvärden<br />
<strong>av</strong> närliggande pixelvärden.<br />
Därmed har ett underlag erhållits för att utföra jämförande analys på bilderna. Metoderna som<br />
utnyttjas är då:<br />
1) Pixelvärden utefter en given linje i bilderna<br />
2) Histogram över skillnader i pixelvärden<br />
Med dessa metoder kan skillnader <strong>och</strong> likheter noteras mellan den givna ADC-kartan samt den<br />
beräknade ADC-kartan.<br />
De isotropiska bilderna var givna från MR-kamerans mjukvara. Med hjälp <strong>av</strong> att utnyttja de bilder<br />
som togs med alla spatiala riktningar kan man sammanställa dessa bilder till en isotropisk bild.<br />
24
Examensarbete 10p <strong>Örebro</strong> Universitet VT 2006<br />
4.4 Resultat<br />
ADC-kartor redovisas i bild 4.5 nedan, där kategorierna 1 – 4 presenteras.<br />
Bild 4.5 c nedan visar originalbilden, vilken mjukvaran i MR-kameran räknar fram.<br />
Bild 4.5 a) Kategori 4, ADC-karta utifrån b-värdena [0 250 500 750 1000] <strong>och</strong> sammansatt<br />
ifrån mätningar i M-, P- <strong>och</strong> S-riktningar. b) Kategori 2, ADC-karta uträknad från b-värden<br />
[0 250 500 750 1000], endast Isotropiska bilder. c) Original ADC karta. d) Kategori 3, ADCkarta<br />
uträknad utifrån b-värdena [0 1000] <strong>och</strong> sammansatt ifrån mätningar i M-, P- <strong>och</strong> Sriktning<br />
samt e) Kategori 1, ADC-karta uträknad utifrån b-värdena [0 1000], endast<br />
isotropiska bilder.<br />
Kategori 1, där 2 olika b-värden med isotropiska bilder representerar bäst den givna originalbilden.<br />
Notera att bilderna i bild 4.5 är modifierade i kontrasten <strong>och</strong> stämmer är därför inte till grund för<br />
jämförelse med andra liknande bilder.<br />
25
Examensarbete 10p <strong>Örebro</strong> Universitet VT 2006<br />
4.4.1 Linjeplott<br />
En jämförelse mellan beräknade ADC kartan <strong>och</strong> den givna ADC kartan redovisas nedan. I figur<br />
4.6 är en linje genom bilden plottad. Den vänstra bilden i figur 4.6 representerar den i MatLab<br />
beräknade ADC kartan. Den blå linjen representerar pixelvärden utmed denna linje i diagrammet<br />
nedanför bilderna.<br />
Som en jämförelse plottas även samma linje genom den givna ADC kartan, vilket redovisas som<br />
röd linje i figur 4.6 nedan.<br />
A D C v a l u e<br />
8<br />
6<br />
4<br />
2<br />
- 3<br />
x 1 0<br />
0<br />
0 2 0 4 0 6 0<br />
P i x e l P o s i t i o n<br />
8 0 1 0 0 1 2 0<br />
Bild 4.6 Jämförelse <strong>av</strong> pixelvärden i kolumnen enligt ovan. Blå<br />
kurva representerar uträknat ADC gjort i MatLab med b-värde 0<br />
<strong>och</strong> 1000, Isotropiska bilder. Röd kurva representerar Pixelvärde<br />
för kolumnen given i bilden, där ADC värdet beräknats i mjukvaran<br />
för Magnetkameran.<br />
Som diagrammet i figur 4.6 visar, är de beräknade ADC värdena utefter en given linje i stort sett<br />
identiska med de givna ADC värdena utefter samma linje.<br />
Man kan notera att det skiljer sig något vid pixelvärdena i centrum på bilderna. Denna skillnad<br />
beror på att de erhållna bilderna hade pixlar som saknade signal för liqvor i centrum på dessa bilder.<br />
Eftersom formeln för att beräkna ADC värdet har en kvot mellan signalintensiteter i pixlar, så kan<br />
inte nämnaren vara noll. Därför är dessa pixlar ersatta <strong>av</strong> ett medelvärde ut<strong>av</strong> de närliggande<br />
pixlarna.<br />
26
Examensarbete 10p <strong>Örebro</strong> Universitet VT 2006<br />
Som ytterligare en jämförelse används i figur 4.7 en ADC karta uträknad ut<strong>av</strong> 5 olika b-värden,<br />
[0 250 500 750 1000], samt alla spatiala riktningar, M, P <strong>och</strong> S.<br />
Exemplet är identiskt med ovanstående, det vill säga, en linje är dragen rakt igenom bilden, <strong>och</strong><br />
pixlarnas värden är plottade i en graf.<br />
För blå linje i grafen i figur 4.7 representeras värden utefter linjen angiven i den vänstra bilden i<br />
figur 4.7, den beräknade bilden. För den röda linjen är en linje dragen genom den givna ADC kartan<br />
i den högra bilden i figur 4.7 nedan.<br />
A D C v a l u e<br />
6<br />
4<br />
2<br />
- 3<br />
x 1 0<br />
0<br />
0 2 0 4 0 6 0<br />
p i x e l p o s i t i o n<br />
8 0 1 0 0 1 2 0<br />
Bild 4.7 Jämförelse mellan uträknat ADC från b värde [250 500<br />
750 1000] samt alla olika riktningar, M, P <strong>och</strong> S (bilden till<br />
vänster). Samt original ADC kartan till höger.<br />
Notera att värdena i centrum, även för denna graf, skiljer sig något. Av samma skäl som för grafen i<br />
figur 4.6 beror skillnaderna även här på att signalen uteblev för några pixlar vid liqvor.<br />
Vid jämförelse mellan beräknade ADC värden i de bilder där bilderna beräknats i MatLab, samt de<br />
erhållna ADC kartorna, är det visuellt ingen större skillnad. När man tittar på de grafer som är över<br />
ett tvärsnitt över samma kolumn i den uträknade ADC map bilden <strong>och</strong> den givna ADC map bilden,<br />
så ser man att skillnaden mellan dessa inte heller är särskilt stor.<br />
27
Examensarbete 10p <strong>Örebro</strong> Universitet VT 2006<br />
4.4.2 Histogram<br />
För att ytterligare belysa skillnader <strong>och</strong> likheter i de beräknade <strong>och</strong> de givna ADC kartorna,<br />
redovisas nedan histogram över antal pixlar som skiljer sig vid jämförelse.<br />
Antalet pixlar som skiljer sig för den ADC karta som är beräknad med 5 b-värden samt alla spatiala<br />
riktningar M, P <strong>och</strong> S, är angivet i histogrammet i Diagram 4.2 a. En betraktelse säger att det är ett<br />
stort antal pixlar som skiljer sig, men variationen mellan dessa är inte särskilt stor.<br />
För ADC kartan beräknad på de isotropiska bilderna med 2 olika b-värden [0 1000] är antalet pixlar<br />
som skiljer sig mycket mindre. Däremot är variationen mellan dessa större.<br />
N u m b e r o f P i x e l s<br />
1 2 0 0<br />
1 0 0 0<br />
8 0 0<br />
6 0 0<br />
4 0 0<br />
2 0 0<br />
i<br />
0<br />
- 1 0 0 - 8 0 - 6 0 - 4 0 - 2 0 0 2 0 4 0 6 0 8 0 1 0 0<br />
D f f e r e n c e [ % ]<br />
Diagram 4.2 Histogram över skillnader i antal pixlar mellan bilderna, där a) visar skillnader<br />
mellan ADC karta uträknat på b värde [0 250 500 750 1000] samt alla spatiala riktningar, M, P, S<br />
<strong>och</strong> den givna ADC kartan. b) Visar antal pixlar som skiljer sig mellan den uträknade <strong>av</strong><br />
Isotropiska bilderna med b värde 0 <strong>och</strong> 1000 samt den givna ADC kartan.<br />
Med ovanstående kan man dra slutsatsen att de beräknade bilderna stämmer väl överens med de<br />
givna ADC kartorna. Den kombination som bäst beskriver magnetkamerans beräknade ADC karta<br />
är de isotropiska bilderna med 2 olika b-värden.<br />
28<br />
N u m b e r o f p i x e l s<br />
8 0 0<br />
7 0 0<br />
6 0 0<br />
5 0 0<br />
4 0 0<br />
3 0 0<br />
2 0 0<br />
1 0 0<br />
i<br />
0<br />
- 1 0 0 - 8 0 - 6 0 - 4 0 - 2 0 0 2 0 4 0 6 0 8 0 1 0 0<br />
D f f e r e n c e [ % ]<br />
a) b)
Examensarbete 10p <strong>Örebro</strong> Universitet VT 2006<br />
4.5 Diffusion med fantom<br />
4.5.1 Inledning<br />
För att ytterligare belysa teori i praktik kan ett fantom med bestämda vätskor användas. Fantomet<br />
som då körs är oftast <strong>av</strong> vätskor som förekommer i kroppen eller vätskor med hög signalintensitet.<br />
Fantomet ligger då stilla <strong>och</strong> minskar artifakter på grund <strong>av</strong> rörelser, vilket förenklar bildtagningen<br />
<strong>och</strong> den efterföljande behandlingen <strong>av</strong> bilderna.<br />
4.5.2 Teori<br />
Diffusionen för vätskorna som används är lättare att i förväg kalkylera<br />
<strong>och</strong> därefter jämföra med givna bilder. Diffusion kan ske i alla spatiala<br />
riktningar <strong>och</strong> kallas isotropisk diffusion. Anisotropisk diffusion är en mer<br />
riktad diffusion <strong>och</strong> har då sin huvudriktning i något led. De spatiala<br />
riktningarna är M (mätningsriktning), P (fasriktning) eller S<br />
(snittvalsriktning), vilka demonstreras i figur 4.8.<br />
b-värdets storlek beror på styrkan <strong>och</strong> timingen <strong>av</strong> <strong>diffusions</strong>-<br />
gradienterna. Signalintensiteten för en given pixel med högre b-värde<br />
samt referensvärdet för motsvarande pixel med b-värde 0 divideras sedan<br />
med b-värdet enligt formeln:<br />
ADC = ln S /S 0 =<br />
−bvalue ln S 0 /S<br />
bvalue med vilken ADC-värdet beräknas.<br />
För den bakomliggande teori kring diffusion med dess konstanter hänvisas till kapitel 4.2.<br />
Fantom kan man placera i MR kameran på ett sätt som förenklar den efterföljande beräkningen.<br />
4.5.3 Metod<br />
Vid ett experiment med fantom som bestod <strong>av</strong><br />
matolja, vatten <strong>och</strong> en vätska med hög<br />
signalintensitet (kopparsulfat) ger bilden nedan.<br />
För att beräkna ADC värdena för bilderna, gjordes<br />
bildtagningar med b-värden på 0 <strong>och</strong> 800. Bilderna<br />
med b-värde 800 gjordes även bildtagningar i alla<br />
<strong>diffusions</strong>riktningar; M (Mätningsriktning), P<br />
(Fasriktning) samt S (Snittvalsriktningen). Dessa<br />
bilder sammanställdes senare till en isotropisk bild<br />
där ADC värdena ang<strong>av</strong>s i bilderna.<br />
Fantomet som användes anges i bild 4.9.<br />
29<br />
a<br />
Figur 4.8 De<br />
spatsiala<br />
riktningarna för<br />
diffusion<br />
b c<br />
Bild 4.9 Fantom med a) kopparsulfatlösning,<br />
b) matolja <strong>och</strong> c) vanligt kranvatten.
Examensarbete 10p <strong>Örebro</strong> Universitet VT 2006<br />
Bilderna omskalas till Display Value (DV) genom en multiplikation <strong>av</strong> Pixel Value (PV) med<br />
Rescale Slope (RS) samt att man adderar Rescale Intercept (RI) vilket visas nedan.<br />
DV = PV*RS + RI<br />
Efter omskalningen erhålles värden på tusendelsnivå.<br />
ADC-värden för bilderna beräknas <strong>och</strong> läggs samman till en ADC-karta, därefter appliceras ett<br />
gaussiskt lågpassfilter för att ytterligare belysa de låga signalerna som oljan ger.<br />
För att reducera antalet pixlar som ska beräknas används en mask som extraherar det som är<br />
ointeresant i bilden. Därefter väljs o<strong>mr</strong>åden som ska beräknas för respektive vätska. Dessa masker<br />
täcker in o<strong>mr</strong>åden för vattnet, kopparsulfatlösningen samt oljan. Vilka demonsteras i bild 4.10<br />
nedan.<br />
För att förvissa sig om ADC-värdet inom maskerna för respektive vätska används tre olika metoder.<br />
1) Medelvärdet inom masken<br />
a b c<br />
Bild 4.10 Mask för a) kopparsulfat-vätska, b) vatten samt c) matolja<br />
2) Linje-plot över enlinje dragen genom det utvalda o<strong>mr</strong>ådet<br />
3) Histogram över skillnader i pixelvärden inom masken<br />
30
Examensarbete 10p <strong>Örebro</strong> Universitet VT 2006<br />
4.5.4 Resultat<br />
Först <strong>och</strong> främst beräknas ADC-kartan för fantomet fram. Denna är sammansatt <strong>av</strong> b-värde 800<br />
samt referensvärdet på b som är 0. Bilderna är beräknade till isotropiska bilder <strong>och</strong> sammanställt<br />
ut<strong>av</strong> de tre olika spatiala riktningar M, P <strong>och</strong> S. Skillnader mellan den isotropiska referensbilden,<br />
bild 4.11 a samt den beräknade ADC-kartan i bild 4.11 b är stora för oljan <strong>och</strong> vattnet. Oljans<br />
signalstyrka är väldigt låg i dessa bilder vilket demonstreras i bild 4.11.<br />
Medelvärdet inom masken<br />
Medelvärdena är beräknade genom att utnyttja masker som endast tar de värden som ligger inom<br />
ramen för masken. Medelvärdet för dessa anges i tabell 4.2 nedan. Dessa värden är beräknade i<br />
MatLab <strong>och</strong> skiljer sig något mot litteraturens givna värden för vatten (2.4 mm 2 /s) [5] <strong>och</strong> olja<br />
(lipids ~0.05 mm 2 /s).<br />
Linjeplot samt Histogram<br />
Bild 4.11 a) Isotropisk bild med b-värde 0, vilken<br />
man ser stor skillnad mellan oljan <strong>och</strong> vattnet. I b)<br />
visas den ADC-map bild som är omskalad, pålaggd<br />
ett gaussiskt lågpassfilter <strong>och</strong> beräknad.<br />
Medel ADC värde [*10<br />
Matolja 0.1325<br />
Kopparsulfatlösning 2.1<br />
Vatten 2.2<br />
-3 ] mm2 /s<br />
Tabell 4.2 beräknade ADC värden<br />
Metoden med linjeplot genom det angivna o<strong>mr</strong>ådet ger en graf över signalintensiteter för o<strong>mr</strong>ådet.<br />
Med denna graf kan slutsatsen att värdena för grafen väl stämmer överens med de medelvärden som<br />
ang<strong>av</strong>s i tabell 4.2 ovan. Kurvan för kopparsulfatlösningen som redovisas i figur 4.12 b är dragen<br />
genom bilden i figur 4.12 a. Dessa värden är relativt medelmåttiga, vilket beror på att signalstyrkan<br />
för oljan var väldigt låg. Histogrammet i figur 4.12 c visar att de flesta värden hamnar inom<br />
o<strong>mr</strong>ådet [-1 1].<br />
31
Examensarbete 10p <strong>Örebro</strong> Universitet VT 2006<br />
Kurvan för kopparsulfatlösningen redovisas i diagrammet i bild 4.12 e. Klara gränser för<br />
kopparsulfatlösningen ges <strong>av</strong> skarp lutning samt ett värde på ADC runt 2.1mm 2 /s. Linjen är dragen<br />
som bild 4.12 a visar. Histogrammet över fördelningen <strong>av</strong> värden presenteras i bild 4.12 f, varpå<br />
majoriteten <strong>av</strong> värden hamnar runt 2.1 mm 2 /s.<br />
Vattnets ADC värden presenteras i krurvan dragen genom vattnet som bild 4.12 h visar. Värdena<br />
som presenteras härstammar från pixlar utefter linjen i bild 4.12 g. Histogrammet över fördelningen<br />
<strong>av</strong> värden redovisas i bild 4.12 h.<br />
ADC värden för kopparsulfatlösningen är de värden som är mest stabila. Detta beror på att denna<br />
lösning är speciellt framtagen att användas i MR sammanhang då den ger hög signalintensitet.<br />
Kranvattnets signalintenitet visade sig vara relativt låg <strong>och</strong> varierande. Matoljan var den vätska som<br />
g<strong>av</strong> sämst signalstyrka. Dels för att signalen från matoljan enligt litteraruren skulle vara låg.<br />
a b c<br />
d<br />
Figur 4.12 a) Bild <strong>av</strong> matoljans ADC värden, där en mask som utesluter de övriga pixlarna i<br />
bilden är applicerad. b) graf över värdena utefter linjen som är angiven i a. c) Histogram<br />
överfördelningen <strong>av</strong> värden inom masken i a. d) Kopparsulfatlösningens mask e) värden i<br />
pixlarna för linjen i d. Histogram över värdena inom masken i d. g) Vattnets mask <strong>och</strong> h) dess<br />
värden utefter linjen i g. i) visar histogram över fördelningen <strong>av</strong> värden inom masken i g.<br />
e<br />
g h i<br />
32<br />
f
Examensarbete 10p <strong>Örebro</strong> Universitet VT 2006<br />
5 Diffusion Tensor Imaging – DTI<br />
5.1 Inledning<br />
Den mer <strong>av</strong>ancerade metoden med <strong>diffusions</strong>viktade bilder introducerades i MR sammanhang 1994<br />
<strong>av</strong> Basser. Metoden med tensorer i <strong>diffusions</strong>viktade bilder gör det möjligt att mäta mikroskopiska<br />
vattenrörelser. Med vanliga <strong>diffusions</strong>viktade bilder kan riktningar i x-, y- <strong>och</strong> z-led ses. Med<br />
Tensorer kan sex olika <strong>diffusions</strong> riktningar studeras. Denna metod kallas Diffusion Tensor<br />
Imaging (DTI). Fibrer kan spåras i alla riktningar i den vita substansen i hjärnan med denna metod<br />
[9].<br />
På grund <strong>av</strong> att hjärnan innehåller till största delen vit substans, det vill säga axon, kan<br />
vattenmolekylerna röra sig fritt i detta medium. Viktig information om vävnadens struktur kan då<br />
upptäckas med hjälp <strong>av</strong> att mäta diffusion i minst sex olika riktningar. Med denna metod kan<br />
onormaliteter upptäckas i den vita substansen. Ischemi är ett sådant fall, där delar <strong>av</strong> hjärnan<br />
blockeras med tillförsel [10], [11].<br />
För att kunna studera <strong>diffusions</strong>tensorer, behövs en inblick i vad tensorer är, samt hur en sekvens<br />
för tensorer är uppbyggd. Därför kommer en kort genomgång <strong>av</strong> tensorer.<br />
En tensor kan betraktas som 3 n nummer <strong>av</strong> ett givet koordinatsystem. Med denna definition är<br />
skalärer <strong>och</strong> vektorer specialfall ut<strong>av</strong> tensorer. Skalärer är tensorer <strong>av</strong> ordningen 0 med 3 0 = 1<br />
komponenter. Vektorer är tensorer <strong>av</strong> ordning 1 med 3 1 = 3 komponenter. Diffusionstensorer är<br />
vanligtvis <strong>av</strong> ordning 2 med 3 2 = 9 komponenter. Komponenterna <strong>av</strong> andra ordningens tensor är<br />
ofta beskriven som en 3 x 3 matris. Dessutom är <strong>diffusions</strong>tensorer symmetriska andra ordningens<br />
tensorer, så att de får formen enligt matrisen 5.1 nedan.<br />
5.2 Egenvärden <strong>och</strong> egenvektorer<br />
För att helt förstå grunderna med ellipsoiderna krävs en förklaring om egenvärden <strong>och</strong><br />
egenvektorer. Variationer i egenvärden säger oss att tensorn är riktad åt något håll. Är alla<br />
egenvektorer lika stora, så blir det isotropisk diffusion (λ1 = λ2 = λ3 ) som i figur 5.2 a. Är till<br />
exempel egenvärdet för diffusion i x-led mycket större än de övriga två, ( λ1 >>λ2 <strong>och</strong> λ1 >>λ3 ) har<br />
diffusionen riktningen i x-led, vilket visas i figur 5.2 b som ett ”riskorn” nedan.<br />
(5.1)<br />
Egenvärdena plockas ut från tensorn, vilket kan göras genom att beräkna den karaktäristiska<br />
ekvationen 5.2 nedan:<br />
D<br />
xx<br />
− λ<br />
det( D − λ I)<br />
= Dyx<br />
Dyy<br />
− λ Dyz<br />
= 0<br />
(5.2)<br />
D D D − λ<br />
zx<br />
D<br />
xy<br />
zy<br />
D<br />
zz<br />
xz<br />
33
Examensarbete 10p <strong>Örebro</strong> Universitet VT 2006<br />
Därmed har vi fått fram egenvärdena för våran tensor i en voxel. Egenvärdena kommer att användas<br />
senare i <strong>av</strong>snittet om att beräkna Fraktionell Anisotropi.<br />
5.3 Anisotropisk <strong>och</strong> Isotropisk<br />
Vanligtvis är <strong>diffusions</strong> tensorer representerade <strong>av</strong> en ellips-<br />
oider, figur 5.1. Tensorn är definierad <strong>av</strong> tre koordinater<br />
(ortogonala egenvektorer), varje värde har ett unikt värde<br />
(egenvärde). Om ellipsoiden är en helt rund sfär,<br />
så är egenvärdena lika stora <strong>och</strong> man säger att diffusionen<br />
är isotropisk [9], [10], [11].<br />
Figur 5.2 nedan visar ellipsoider då olika egenvärden spänner upp dess form. För lika stor diffusion<br />
i alla spatiala riktningar, det vill säga lika stora egenvärden, presenteras ellipsoiden som en rund<br />
sfär, vilket kan ses i figur 5.2 a nedan. För anisotropisk diffusion behöver endast ett ut<strong>av</strong><br />
egenvärdena skilja sig, vilket kan ses i figur 5.2 b, vilken visar rikningen för diffusionen i x-led<br />
(vilken ibland kallas riskorn efter dess form). En diffusion kan även vara i två led, men inte i tredje.<br />
Detta demonstreras <strong>av</strong> figur 5.2 c, där formen på ellipsoiden liknar en disc. Diffusionen är då stor i<br />
x- <strong>och</strong> y-led, men liten i z-led. Vilket även betyder att egenvärdena för x- <strong>och</strong> y-led är större än zled.<br />
34<br />
Figur 5.1 Illustration <strong>av</strong><br />
Diffusion Tensor ellipsoid.<br />
Figur 5.2 Representation <strong>av</strong> a) Isotropisk tensor (fotboll) b) Anisotropisk med riktning i x-led<br />
(riskorn) <strong>och</strong> c) Anisotropisk riktning där x-led <strong>och</strong> y-led är lika men z-led är litet (varpa).
Examensarbete 10p <strong>Örebro</strong> Universitet VT 2006<br />
5.4 Beräkning <strong>av</strong> Tensorn med ADC värden<br />
Diffusionstensorer tillhör symmetriska 3x3 tensorer <strong>och</strong> man kan då säga att den har sex grader <strong>av</strong><br />
frihet. Med detta menas att sex olika baser behövs för att spänna upp utrymmet. Vi kan i detta<br />
exempel sätta dessa baser till 5.3 nedan, där de också är normerade:<br />
g 1<br />
=<br />
⎛ 1 ⎞<br />
1 ⎜ ⎟<br />
⎜ 1 ⎟ ,<br />
2 ⎜ ⎟<br />
⎝ 0⎠<br />
g 2<br />
=<br />
⎛ 0 ⎞<br />
1 ⎜ ⎟<br />
⎜ 1 ,<br />
⎟<br />
2 ⎜ ⎟<br />
⎝ 1 ⎠<br />
g3<br />
=<br />
⎛ 1 ⎞<br />
1 ⎜ ⎟<br />
⎜ 0<br />
,<br />
⎟<br />
2 ⎜ ⎟<br />
⎝ 1 ⎠<br />
g 4<br />
=<br />
⎛ 0 ⎞<br />
1 ⎜ ⎟<br />
⎜ 1 ,<br />
⎟<br />
2 ⎜ ⎟<br />
⎝ − 1⎠<br />
g5<br />
=<br />
⎛ 1 ⎞<br />
1 ⎜ ⎟<br />
⎜ − 1<br />
,<br />
⎟<br />
2 ⎜ ⎟<br />
⎝ 0 ⎠<br />
(5.3)<br />
g6<br />
=<br />
⎛ − 1⎞<br />
1 ⎜ ⎟<br />
⎜ 0 ⎟<br />
2 ⎜ ⎟<br />
⎝ 1 ⎠<br />
Alla sex olika baser är gradienter för att beräkna sex olika riktningar <strong>av</strong> diffusion i en voxel. Vi får<br />
med dessa gradienter alltså ADC värden för de sex olika gradienterna. 7 bilder (en T2-viktad + 6<br />
Diffusions viktade) ger oss den samlade <strong>diffusions</strong> tensorn. Som ett exempel på en sekvens där g1 är<br />
pålaggda gradienten redovisas <strong>diffusions</strong>gradienterna i x, y <strong>och</strong> z-led i figur 5.3 nedan.<br />
Figur 5.3 Pulssekvens med gradienten g1. Där g1 = [1 1 0] T , vilket<br />
tydliggörs genom att g1x = 1, g1y = 1 samt g1z = 0.<br />
För att beräkna Tensorn utefter ADC värdena som erhållits med hjälp <strong>av</strong> gradienterna angivna<br />
enligt ovan sätts dessa in i ekvationssystem, där varje riktning får värdet<br />
T<br />
gi<br />
= [ gix<br />
giy<br />
giz<br />
] ( i = 1...<br />
6)<br />
där ||gi|| = 1. Dessa anges i ekvationerna 5.3 ovan.<br />
Relationen mellan ADC värdena <strong>och</strong> <strong>diffusions</strong>tensorn beräknas enligt ekvation 5.4 nedan<br />
ADC = g Dg<br />
(5.4)<br />
i<br />
T<br />
i<br />
i<br />
35
Examensarbete 10p <strong>Örebro</strong> Universitet VT 2006<br />
Nästa steg är att plocka ut de sex unika elementen, d = [ Dxx<br />
Dyy<br />
Dzz<br />
Dxy<br />
Dxz<br />
Dyz<br />
] ,ur<br />
tensorn D. Detta görs med hjälp <strong>av</strong> att vi från början vet ADC värdena för de sex olika gradienterna,<br />
y = [ ADC1<br />
ADC2<br />
ADC3<br />
ADC4<br />
ADC5<br />
T<br />
ADC6]<br />
. Detta sätts i relation till den konstruerade<br />
matrisen X (5.5) som beror på riktningsvektorerna ur ekvationerna 5.3 ovan.<br />
⎡ g<br />
⎢<br />
X = ⎢ ...<br />
⎢<br />
⎣ g<br />
2<br />
1x<br />
2<br />
nx<br />
g<br />
g<br />
2<br />
1y<br />
2<br />
ny<br />
g<br />
g<br />
2<br />
1z<br />
2<br />
nz<br />
2g<br />
2g<br />
1x<br />
Sammantaget ger detta ekvationen 5.6 nedan<br />
nx<br />
g<br />
g<br />
1y<br />
ny<br />
2g<br />
2g<br />
1x<br />
nx<br />
g<br />
g<br />
1z<br />
nz<br />
2g<br />
2g<br />
1y<br />
ny<br />
g<br />
g<br />
1z<br />
nz<br />
⎤<br />
⎥<br />
⎥<br />
⎥<br />
⎦<br />
(5.5)<br />
y = Xd<br />
(5.6)<br />
För att komma åt den eftertraktade d krävs lite omvandling <strong>av</strong> formeln 5.6 så att nedanstående<br />
ekvation ger oss d.<br />
d = X −1 y (5.7)<br />
Utifrån denna matris kan man plocka ut de unika tensorelementen <strong>och</strong> representera dem som en<br />
vektor.<br />
Ett räkneexempel på hur det kan se ut, när vi använder de gradienter som är angivna i 5.3 ovan. En<br />
start med att sätta in dessa i matris X enligt 5.5 ovan ger uttrycket<br />
X<br />
=<br />
⎡ 1<br />
⎢ 2<br />
⎢<br />
⎢<br />
⎢<br />
⎢<br />
⎢<br />
⎢<br />
⎢<br />
⎢<br />
⎢<br />
⎢<br />
⎢<br />
⎢<br />
0<br />
1<br />
2<br />
0<br />
1<br />
2<br />
1<br />
⎣ 2<br />
1<br />
2<br />
1<br />
2<br />
0<br />
1<br />
2<br />
1<br />
2<br />
0<br />
0<br />
1<br />
2<br />
1<br />
2<br />
1<br />
2<br />
0<br />
1<br />
2<br />
1<br />
0<br />
0<br />
0<br />
− 1<br />
0<br />
0<br />
0<br />
1<br />
0<br />
0<br />
− 1<br />
⎤<br />
0<br />
⎥<br />
⎥<br />
1 ⎥ ⎡ D<br />
⎥ ⎢<br />
⎢<br />
D<br />
0<br />
⎥<br />
⎥ ⎢ D<br />
⎥ ⋅ ⎢<br />
⎥ ⎢ D<br />
− 1<br />
⎥ ⎢ D<br />
⎥ ⎢<br />
0<br />
⎥ ⎢⎣<br />
D<br />
⎥<br />
0 ⎥<br />
⎦<br />
36<br />
xx<br />
yy<br />
zz<br />
xy<br />
xz<br />
yz<br />
⎡ 1 ⎛ S ⎞ ⎤ 1<br />
⎢ − ln<br />
⎜<br />
⎟ ⎥<br />
⎢ b ⎝ S0<br />
⎠ ⎥<br />
⎢ 1 ⎛ S ⎞ ⎥<br />
2<br />
⎢ − ln<br />
⎜<br />
⎟<br />
⎤<br />
⎥<br />
⎡ ADC1<br />
⎤<br />
⎢ b ⎝ S0<br />
⎠<br />
⎥<br />
⎥<br />
⎢ ⎥<br />
⎥<br />
⎢<br />
⎥<br />
⎢<br />
ADC2<br />
⎥ 1 ⎛ S ⎞ 3<br />
⎢ − ln<br />
⎜<br />
⎟<br />
⎥<br />
⎥<br />
⎢ ADC ⎥ 3 ⎢ b ⎝ S0<br />
⎠<br />
⎥ =<br />
⎥<br />
⎢ ⎥ =<br />
⎥<br />
⎢ ⎛ ⎞ ⎥<br />
⎢ ADC4<br />
⎥ 1 S4<br />
⎢ − ln<br />
⎜<br />
⎟<br />
⎥<br />
⎥<br />
⎢ ADC ⎥<br />
5<br />
⎥<br />
⎢ b ⎝ S0<br />
⎠ ⎥<br />
⎢ ⎥<br />
⎥ ⎢ ⎥ ⎢ ⎛ ⎞ ⎥<br />
⎦ ⎣ ADC6<br />
⎦ 1 S5<br />
⎢ − ln<br />
⎜<br />
⎟ ⎥<br />
⎢ b ⎝ S0<br />
⎠ ⎥<br />
⎢ 1 ⎛ S ⎞ ⎥<br />
6<br />
⎢ − ln<br />
⎜<br />
⎟ ⎥<br />
⎢⎣<br />
b ⎝ S0<br />
⎠ ⎥⎦
Examensarbete 10p <strong>Örebro</strong> Universitet VT 2006<br />
I detta fall ska vi lösa ut matrisen där de sex unika elementen är representerade, för att få dessa var<br />
för sig. Detta göres genom att utföra inversmultiplikation för matrisen ovan enligt<br />
⎡ 1<br />
⎢ 2<br />
⎢<br />
⎡ Dxx<br />
⎤ ⎢ 0<br />
⎢ ⎥ ⎢<br />
⎢<br />
Dyy<br />
⎥ ⎢ 1<br />
⎢ D ⎥ zz ⎢<br />
⎢ ⎥ = 2<br />
⎢<br />
⎢ Dxy<br />
⎥ ⎢ 0<br />
⎢ D ⎥<br />
xz ⎢<br />
⎢ ⎥ ⎢ 1<br />
⎢⎣<br />
Dyz<br />
⎥⎦<br />
⎢ 2<br />
⎢ 1<br />
⎢<br />
⎣ 2<br />
1<br />
2<br />
1<br />
2<br />
0<br />
1<br />
2<br />
1<br />
2<br />
0<br />
0<br />
1<br />
2<br />
1<br />
2<br />
1<br />
2<br />
0<br />
1<br />
2<br />
1<br />
0<br />
0<br />
0<br />
− 1<br />
0<br />
0<br />
0<br />
1<br />
0<br />
0<br />
− 1<br />
⎤<br />
0 ⎥<br />
⎥<br />
1 ⎥<br />
⎥<br />
0<br />
⎥<br />
⎥<br />
⎥<br />
− 1⎥<br />
⎥<br />
0 ⎥<br />
⎥<br />
⎥<br />
0 ⎥<br />
⎦<br />
⎡ ADC1<br />
⎤<br />
⎢ ⎥<br />
⎢<br />
ADC2<br />
⎥<br />
⎢ ADC ⎥ 3<br />
⋅ ⎢ ⎥ =<br />
⎢ ADC4<br />
⎥<br />
⎢ ADC ⎥<br />
5<br />
⎢ ⎥<br />
⎢⎣<br />
ADC6<br />
⎥⎦<br />
⎡ ADC1<br />
- ADC2<br />
+ ADC3<br />
- ADC4<br />
+ ADC5<br />
+ ADC6<br />
⎤<br />
⎢<br />
⎥<br />
⎢<br />
ADC1<br />
+ ADC2<br />
- ADC3<br />
+ ADC4<br />
+ ADC5<br />
- ADC6<br />
⎥<br />
1 ⎢ - ADC<br />
⎥<br />
1 + ADC2<br />
+ ADC3<br />
+ ADC4<br />
- ADC5<br />
+ ADC6<br />
= ⎢<br />
⎥<br />
2 ⎢<br />
ADC1<br />
- ADC5<br />
⎥<br />
⎢<br />
ADC<br />
⎥<br />
3 - ADC6<br />
⎢<br />
⎥<br />
⎢⎣<br />
ADC2<br />
- ADC4<br />
⎥⎦<br />
Därmed har vi byggt våran tensor, genom att använda sex olika värden på diffusionen i en <strong>och</strong><br />
samma pixel.<br />
37<br />
− 1
Examensarbete 10p <strong>Örebro</strong> Universitet VT 2006<br />
5.5 Beräkning <strong>av</strong> medelvärdet med ADC värden<br />
För att beräkna medelvärdet <strong>av</strong> diffusionen för de sex olika ADC värdena sätts de sex gradienterna<br />
samman <strong>och</strong> summeras. Detta ger oss ett ekvationssystem som löses. Grundstenarna i detta<br />
ekvationssystem är ekvation 5.4 ovan. Som ett exempel ges elementet Dxx <strong>av</strong> ekvationen 5.8 nedan.<br />
⎡ Dxx<br />
Dxy<br />
Dxz<br />
⎤ ⎡1<br />
⎤<br />
⎢<br />
⎥<br />
ADC Dyx<br />
Dyy<br />
D<br />
⎢ ⎥<br />
1 = [ 1 0 0]<br />
⎢<br />
yz ⎥ ⎢<br />
0<br />
⎥<br />
=<br />
⎢ Dzx<br />
Dzy<br />
D ⎥<br />
⎣<br />
⎢ ⎥ zz ⎦ ⎣ 0⎦<br />
Om vi nu i detta tillfälle sätter in gradienterna som vi antagit i ekvationerna 5.3 ovan, så får vi ett<br />
ekvationssystem, där vi kan lägga samman dessa till ett summerat värde.<br />
Detta ger ett ekvationssystem som blir enligt 5.9 nedan<br />
⎧<br />
⎪<br />
ADC1<br />
=<br />
⎪<br />
⎪ ADC2<br />
=<br />
⎪<br />
⎪<br />
⎪ ADC3<br />
=<br />
⎪<br />
⎨<br />
⎪ ADC4<br />
=<br />
⎪<br />
⎪<br />
⎪ ADC5<br />
=<br />
⎪<br />
⎪<br />
⎪ ADC6<br />
=<br />
⎩<br />
1<br />
( D<br />
2<br />
1<br />
( D<br />
2<br />
1<br />
( D<br />
2<br />
1<br />
( D<br />
2<br />
1<br />
( D<br />
2<br />
1<br />
( D<br />
2<br />
xx<br />
xx<br />
yy<br />
yy<br />
xx<br />
xx<br />
Detta ger i sin tur ekvationen enligt nedan, vilken är trace(D).<br />
−<br />
+<br />
+<br />
−<br />
+<br />
−<br />
D<br />
D<br />
D<br />
D<br />
D<br />
D<br />
zx<br />
zx<br />
zy<br />
zy<br />
yx<br />
yx<br />
+<br />
−<br />
+<br />
−<br />
+<br />
−<br />
D<br />
D<br />
D<br />
D<br />
D<br />
D<br />
xz<br />
xz<br />
yz<br />
yz<br />
xy<br />
xy<br />
+<br />
+<br />
+<br />
+<br />
+<br />
+<br />
D<br />
D<br />
D<br />
D<br />
D<br />
D<br />
zz<br />
zz<br />
zz<br />
zz<br />
yy<br />
yy<br />
)<br />
)<br />
)<br />
)<br />
)<br />
)<br />
D<br />
xx<br />
(5.8)<br />
(5.9)<br />
1 1 ⎛ 4Dxx<br />
+ 4Dyy<br />
+ 4Dzz<br />
⎞ 1<br />
∑ ADC i =<br />
= ( Dxx<br />
+ Dyy<br />
+ Dzz<br />
)<br />
6 6 ⎜<br />
2<br />
⎟<br />
(5.10)<br />
⎝<br />
⎠ 3<br />
För att beräkna medelvärdes diffusionen behövs dock inte sex olika gradienter. Som beskrivit i<br />
kapitel om diffusion tidigare, så räcker det med 3 olika gradienter för att få fram ett medelvärde.<br />
38
Examensarbete 10p <strong>Örebro</strong> Universitet VT 2006<br />
5.6 Beräkning <strong>av</strong> Fraktionell Anisotropi (FA)<br />
För att visualisera <strong>och</strong> beskriva hur tensorerna ser ut, används en mängd olika beräkningar. Med en<br />
tensor kan man beräkna hur de ser ut, exempelvis som figur 4.1. Man kan även se graden <strong>av</strong><br />
anisotropi i en voxel. Med andra ord Fraktionell Anisotropi eller Relativ Anisotropi, vilka vi<br />
nämner här. Det finns dock fler formler <strong>och</strong> uttryck i litteraturen som beskriver tensorers utseende<br />
<strong>och</strong> graden <strong>av</strong> anisotropi för en voxel.<br />
De som är mest populära bland dessa är Relativ Anisotropi, ekvation 5.11 nedan samt Fraktionell<br />
anisotropi, ekvation 5.12 nedan. Båda med normaliserad varians <strong>av</strong> egenvärdet.<br />
RA =<br />
FA =<br />
2<br />
2<br />
2<br />
1<br />
1 ( λ 1 − λ 2)<br />
+ ( λ 2 − λ 3)<br />
+ ( λ 1 − λ 3)<br />
3 D − 3 trace(<br />
D)<br />
I<br />
=<br />
2 2 2<br />
2 ( λ + λ + λ )<br />
2 trace(<br />
D)<br />
2<br />
( λ − λ<br />
+ ( λ<br />
− λ )<br />
+ ( λ − λ )<br />
(5.11)<br />
(5.12)<br />
Med Fraktionell Anisotropi som värden kan man beräkna en särskild FA-map. Denna map<br />
innehåller värden om hur den anisotropiska diffusionens bana ser ut.<br />
Med ett högt FA värde menas att diffusionen är hög i en specifik riktning, det vill säga stora<br />
variationer mellan egenvärdena leder till högt FA värde, vi har anisotropisk diffusion. Har man<br />
däremot ett lågt FA värde, så har vi små skillnader mellan egenvärdena, då har vi isotropisk<br />
diffusion.<br />
FA-kartan i bild 5.4 visar diffusionen, där hög signalintensitet<br />
motsvarar hög fraktionell anisotropi <strong>och</strong> låg signalintensitet<br />
motsvarar låg anisotropi.<br />
Med hög fraktionell anisotropi är kan det vara mycket eller liten<br />
diffusion men i en bestämd riktning. Låg fraktionell anisotropi är<br />
då det kan vara mycket eller liten diffusion men näst intill<br />
isotropisk. Det vill säga lika mycket diffusion i alla spatiala<br />
riktningar.<br />
Bild 5.4 visar ett exempel på hur en FA karta kan se ut.<br />
)<br />
1<br />
2<br />
2<br />
2<br />
1 1 2 2 3 1 3<br />
3<br />
λ<br />
2<br />
1<br />
2<br />
+ λ<br />
2<br />
2<br />
3<br />
+ λ<br />
2<br />
3<br />
39<br />
=<br />
3 D − 1 trace(<br />
D)<br />
I<br />
2 D<br />
Bild 5.4 FA-karta
Examensarbete 10p <strong>Örebro</strong> Universitet VT 2006<br />
6 Whole body diffusion MR<br />
Med en viss teknik, går det att utföra <strong>diffusions</strong>viktade bilder på hela kroppen. Med denna metod<br />
kan tumörer i hela kroppen upptäckas <strong>och</strong> inte bara i hjärnan. Detta beror på att ADC värdet för<br />
tumörer reduceras i proportion med större celldiameter <strong>och</strong> densitet jämfört med normal vävnad<br />
[12].<br />
Till en början togs bilder medans patienten var tvungen att hålla andan, detta medförde att man<br />
behövde korta pulssekvenser <strong>och</strong> därmed blev SNR lågt. Denna metod blev senare utvecklad <strong>och</strong><br />
man använde istället tekniker då patienten får andas som vanligt <strong>och</strong> därmed längre pulssekvenser<br />
<strong>och</strong> högre SNR. Man fick också tunnare snitt för att kunna upptäcka eventuella tumörer lättare. Man<br />
rekonstruerar bilden efter att man låtit flera pulssekvenser löpa igenom <strong>och</strong> därefter tar medelvärdet<br />
<strong>av</strong> dessa för att erhålla en korrekt bild över o<strong>mr</strong>ådet. [12]<br />
Med PET (Positron Emission Tomography), som också används för att upptäcka tumörer, används<br />
längre exponeringstider, då patienten måste ligga helt stilla i 30 minuter. Detta reduceras med<br />
Whole Boldy Diffusion Wheighted Imaging till ca 9min.<br />
Bild 6.1 Illustration <strong>av</strong> svullna lymfkörtlar. I bilden är<br />
fettet bortträngt med hjälp <strong>av</strong> STIR till EPI sekvensen,<br />
som beskrivs mer ingående i kapitel 6.1 [12]<br />
Metoden är den att bilderna inverteras efter att sekvensen är genomlöpt, därför ser dom lite<br />
annorlunda ut jämfört med vanliga <strong>diffusions</strong>viktade bilder.<br />
Med denna teknik så har man även problemet med fett. Fett <strong>och</strong> luftfyllda hålrum såsom till<br />
exempel lungorna ger distorsion i bilderna. En 3D bild med fett som inte är bortträngt kan se<br />
patologiskt ut i en 3D Maximum Intensity Projections (MIP).<br />
Med kemiska skiftningar, det vill säga förhållandet att protoner i fett <strong>och</strong> vatten har olika<br />
resonansfrekvens, ger distorsioner i bilderna. För att komma till rätta med detta problem måste man<br />
reducera artefakter som beror på fett. Detta är inte helt lätt, <strong>och</strong> de metoder som används är inte<br />
robusta nog att klara <strong>av</strong> o<strong>mr</strong>åden såsom nacke <strong>och</strong> skuldror.<br />
Forskare på Tokai University Hospital var i takt med att lösa problemet <strong>och</strong> till deras hjälp hade<br />
dom en klinisk forskare från Philips, Marc Van Cauteren.<br />
40
Examensarbete 10p <strong>Örebro</strong> Universitet VT 2006<br />
6.1 Pulssekvenser<br />
För att forskarna skulle komma till rätta med problemet var de tvugna att komma på en pulssekvens<br />
som löste problemet med fett.<br />
Med en Echo Planar Imaging sekvens kombinerad med Short Tau (T1) Inversion Recovery (STIR)<br />
löstes en del <strong>av</strong> problemet.<br />
Figur 6.2 visar en sekvens som kan reducera signalen för fett, om man mäter vid rätt tillfälle.<br />
Inversion Recovery (IR) betyder att magnetiseringen återuppbyggs efter invertering. Relaxationen<br />
sker helt <strong>och</strong> hållet utefter z-axeln, man erhåller ingen signal efter inversionspulsen. För att få<br />
någon signal läggs därför en 90º puls på när som helst efter 180º pulsen. Tiden mellan 180º pulsen<br />
<strong>och</strong> 90º pulsen kallas inversionstiden <strong>och</strong> betecknas T1.<br />
Variationerna i T1 kan användas för att undertrycka vävnader med viss T1, i detta fall fett, som har<br />
kort T1. Om man då lägger på 90º pulsen när relaxationen passerar 0-linjen för fett bidrar inte dessa<br />
till någon signal i bilden. Figur 6.2 visar pulssekvensen för IR.<br />
Figur 6.2 Inversion Recovery puls sekvens. Med en 180° RF<br />
puls, vrider man spinnet 180° . Därefter börjar<br />
relaxationen, vilken skiljer sig mellan materia. Därför kan<br />
man släcka ut oönskade signaler, genom att mäta signalen<br />
vid rätt tidpunkt.<br />
Denna teknik, STIR, kombinerat med en vanlig EPI sekvens är effektiv nog att reducera störningar<br />
från fett.<br />
Tekniken med Whole Body Diffusion Imaging har pekats ut i litteraturen som en ersättare till<br />
Positron Emission Tomography (PET). Då PET utnyttjar radioaktivt material, kan en MR kamera<br />
ses som mer hälsosam än en PET.<br />
41
Examensarbete 10p <strong>Örebro</strong> Universitet VT 2006<br />
7. Slutsatser<br />
Kameran som användes vid bildtagningen är en Philips Intera Achieva 1.5T. Denna användes för att<br />
beräkna <strong>diffusions</strong>bilderna som jag erhöll. Bilderna som togs på var på min hjärna <strong>och</strong> g<strong>av</strong> bra<br />
värden för ADC beräkning. Mjukvaran till MR kameran beräknade själv fram en ADC karta som<br />
jag hade som jämförelse, för att se skillnader <strong>och</strong> likheter.<br />
De skillnader som visade sig mellan beräknade ADC värden <strong>och</strong> givna ADC värden beror till stor<br />
del på att signalen uteblev för värden i liqvor. Därför togs ett medelvärde ut<strong>av</strong> närliggande pixlar<br />
som fick representera de uteblivna pixelvärdena.<br />
Man kan mycket väl tänka sig att mina beräknade ADC kartor har högre tillförlitlighet, då jag<br />
utnyttjade flera b-värden samt själv lade samman till en isotropisk bild. Något bevis på att så är<br />
fallet är dock inte redovisat här i detta examensarbete.<br />
Bildtagningen på det fantom som användes gjordes med vanlig matolja, vanligt kranvatten <strong>och</strong> en<br />
lösning innehållande kopparsulfat, vilket ger hög signalintensitet i bilderna. Eftersom jämförelsen<br />
mellan matoljan <strong>och</strong> den i litteraturen angivna lipids (fett) inte riktigt stämde överens, kan man dra<br />
den slutsatsen att dessa inte är fullt likvärdiga. Men såsom vattnet skiljer sig i oljan, skiljer sig<br />
också ADC värdena i teorin <strong>och</strong> verkligheten.<br />
42
Examensarbete 10p <strong>Örebro</strong> Universitet VT 2006<br />
8. Diskussioner<br />
De beräkningar som utförts i MatLab är givna med programmet som finns redovisat i kapitel 10 där<br />
MatLab koden är redovisad dels för beräkningar gjorda på min egna hjärna samt beräkningar gjorda<br />
på fantomet.<br />
Huruvida oljans artefakter beror på kvaliteten för oljan eller inte kan vara svårt att säga. Det skulle<br />
kunna vara så att de stora variationerna i signalintensiteter för oljan beror på att den innehåller<br />
mycket vatten, alltså utblandad.<br />
Man skulle helt klart kunnat köra både DTI <strong>och</strong> DWIB. Men DTI var ej möjligt på denna kamera<br />
som användes vid USÖ. DWIB är däremot möjligt, men inte utfört i detta examensarbete. Det är<br />
dock redovisat ett försök som gjordes i Japan där DWIB användes för att lokalisera tumörer i nacke<br />
<strong>och</strong> bröst.<br />
En möjlighet till att i framtiden köra DWIB på sjukhuset i <strong>Örebro</strong> finns dock. Men eftersom det inte<br />
finns tillräckligt med intresse för att köra diffusion på hela kroppen, då det finns andra metoder, så<br />
<strong>av</strong>vaktas beslutet. Forskningen går hela tiden frammåt inom o<strong>mr</strong>ådet för undersökningar <strong>av</strong> hela<br />
kroppen <strong>och</strong> det är ett ganska hett ämne, dels för att det är såpass nytt som det är <strong>och</strong> dels för att det<br />
kan förkorta undersökningstiderna.<br />
43
Examensarbete 10p <strong>Örebro</strong> Universitet VT 2006<br />
9. Referenser<br />
[1] Hornak, J.P., The basics of MRI, 2002 http://www.cis.rit.edu/htbooks/<strong>mr</strong>i/<br />
[2] Donald G.M., Mark S.C. MRI Principles, 2:nd edition, 2004, ISBN 0-7216-0024-7<br />
[3] Björklund, P.-G. Magnetresonanstomografi MRT, Jönköping<br />
[4] Thunberg, P. Accuracy and reproducability in phase contrast megnetic resonance imaging,<br />
PhD Thesis 2004, Linköping, ISBN 91-85295-41-8<br />
[5] Bernstein Matt A.; King, Kevin F.; Zhou, Xiaohong J. Handbook of MRI Pulse Sequences<br />
Elsiver 2004, ISBN 0.12.092861-2<br />
[6] Philips användar<strong>beskrivning</strong> Intera Achieva<br />
[7] LeBihan, D.; Breton, E.; Lallemand, D.; Grenier, P.; Cabanis, E.; L<strong>av</strong>al-Jeantet, M.,<br />
1986, MR imaging of intr<strong>av</strong>oxel incoherent motions: Application to diffusion and<br />
perfusion in neurologic disorders, Radiology 161, 401-407.<br />
[8] Geijer, B. Diffusion MRI of small ischemic brain lesions, 2004, Lund phD Thesis,<br />
ISBN 91-628-4220-8<br />
[9] Medica Mundi vol 49/1 2005<br />
[10] Skare, S. Optimisation strategies in diffusion tensor MR imaging, PhD Thesis 2002,<br />
Stockholm<br />
[11] Westin, C.-F.; Maier, S.E.; Mamata, H.; Nab<strong>av</strong>i, A.; Jolesz, F.A.; Kikinis, R. 2002<br />
Processing and visualization for diffusion tensor MRI, 93-108<br />
[12] Tokai University Develops DWI for Total Body Imaging. Field strength 2005; 26: 18-20<br />
http://www.medical.philips.com/main/news/publications/fieldstrength/<br />
[13] J.A. den Boer; P.J.M. Folkers; MR perfusion and diffusion imaging in ischeamic brain<br />
disease<br />
44
Examensarbete 10p <strong>Örebro</strong> Universitet VT 2006<br />
10. MatLab kod<br />
%Programmet beräknar <strong>och</strong> lägger samman bilder för ADC-karta, 4 olika<br />
%varianter:<br />
%1) 2 b-värden Isotropiska bilder<br />
%2) 5 b-värden Isotropiska bilder<br />
%3) 2 b-värden <strong>och</strong> alla spatiala riktningar på diffusion, M, P <strong>och</strong> S<br />
%4) 5 b-värden <strong>och</strong> alla spatiala riktningar på diffusion, M, P <strong>och</strong> S<br />
clear variables;<br />
% Variables;<br />
Column = 60;<br />
%Anger vilka bilder som ska läsas in för beräkning <strong>av</strong> ADC-karta<br />
im_nr =[1516:1887];<br />
%Anger vika bilder som ska läsas in för jämförelse, färdiga ADC-kartor<br />
im_nr1 =[1920:1934];<br />
%Lägger bildnamn i vektorn d<br />
for cnt7 = 1:length(im_nr)<br />
tmp = sprintf('IM_%.04d', im_nr(cnt7));<br />
d(cnt7) = {tmp};<br />
end<br />
%Lägger bildnamn i vektorn g, jämförelsebilder dvs färdiga ADC-kartor<br />
for cnt8 = 1:length(im_nr1)<br />
tmp1 = sprintf('IM_%.04d', im_nr1(cnt8));<br />
g(cnt8) = {tmp1};<br />
end<br />
%Loopar igenom bilderna <strong>och</strong> beräknar ADC-kartor<br />
for cnt13 = 1:length(im_nr1)<br />
tmp3 = dicominfo(char(g(cnt13)));<br />
for cnt9 = 1:17:length(im_nr)<br />
d(cnt9);<br />
tmp4 = dicominfo(char(d(cnt9)));<br />
%För att ta samma snitt att jämföra med som man beräknat<br />
if int8(tmp4.SliceLocation) == int8(tmp3.SliceLocation)<br />
int8(tmp3.SliceLocation)<br />
int8(tmp4.SliceLocation)<br />
%Referens med b värde 0<br />
im0_info = dicominfo(char(d(cnt9)));<br />
%b-värde 250 Isotropisk bild<br />
im1_info = dicominfo(char(d(cnt9+4)));<br />
%b-värde 500 Isotropisk bild<br />
im2_info = dicominfo(char(d(cnt9+8)));<br />
%b-värde 750 Isotropisk bild<br />
im3_info = dicominfo(char(d(cnt9+12)));<br />
45
Examensarbete 10p <strong>Örebro</strong> Universitet VT 2006<br />
%b-värde 1000 Isotropisk bild<br />
im4_info = dicominfo(char(d(cnt9+16)));<br />
%Motsvarande bild i ADC map<br />
im5_info = dicominfo(char(g(cnt13)));<br />
%Referens med b-värde 0 omskalad bild<br />
im0_bild = double(dico<strong>mr</strong>ead(im0_info)*im0_info.RescaleSlope+...<br />
im0_info.RescaleIntercept);<br />
%Bilderna omskalas <strong>och</strong> läses in<br />
im1_bild = double(dico<strong>mr</strong>ead(im1_info)*im1_info.RescaleSlope+...<br />
im1_info.RescaleIntercept);<br />
im2_bild = double(dico<strong>mr</strong>ead(im2_info)*im2_info.RescaleSlope+...<br />
im2_info.RescaleIntercept);<br />
im3_bild = double(dico<strong>mr</strong>ead(im3_info)*im3_info.RescaleSlope+...<br />
im3_info.RescaleIntercept);<br />
im4_bild = double(dico<strong>mr</strong>ead(im4_info)*im4_info.RescaleSlope+...<br />
im4_info.RescaleIntercept);<br />
%ADC map bilden omskalas <strong>och</strong> läses in<br />
im5_bild = double(dico<strong>mr</strong>ead(im5_info)*im5_info.RescaleSlope+...<br />
im5_info.RescaleIntercept);<br />
mask=logical(im5_bild>0); %mask för att begränsa beräkningsytan<br />
[M,N] = size(im1_bild);<br />
ADC_value = zeros(M,N);<br />
%b-värden läggs i en vektor<br />
bvalues=[im0_info.Private_2001_1003...<br />
im1_info.Private_2001_1003 im2_info.Private_2001_1003...<br />
im3_info.Private_2001_1003 im4_info.Private_2001_1003];<br />
index = find(mask==1);<br />
%Loopar igenom pixlarna i bilderna för att jämföra<br />
%signalintensiteterna<br />
cnt4 = 1;<br />
for cnt3 = 1:length(index)<br />
S0 = im0_bild(index(cnt3));<br />
S1 = im1_bild(index(cnt3));<br />
S2 = im2_bild(index(cnt3));<br />
S3 = im3_bild(index(cnt3));<br />
S4 = im4_bild(index(cnt3));<br />
% Signalvärdes vektor<br />
SI_matrix = [S1 S2 S3 S4];<br />
index1 = find(SI_matrix==0);<br />
if S0 ~= 0 % Undvik att dividera med 0<br />
if length(index1)==4 %Hitta pixlar som saknar värde<br />
PositionToFill(cnt4) = index(cnt3);<br />
cnt4 = cnt4 + 1;<br />
else<br />
% Hitta nollor<br />
46
Examensarbete 10p <strong>Örebro</strong> Universitet VT 2006<br />
end<br />
end<br />
end<br />
end<br />
end<br />
end<br />
index2 = find(SI_matrix>0);<br />
A = [];<br />
B = [];<br />
% Första värdet (log(S0/S0)) alltid noll<br />
A(1) = 0;<br />
B(1) = 0;<br />
if length(index2)
Examensarbete 10p <strong>Örebro</strong> Universitet VT 2006<br />
%för att konvertera rad <strong>och</strong> kolumn används denna funktion<br />
function [row,column] = convertindex2matrix(Position,MatrixSize)<br />
% Konverterar till rad <strong>och</strong> kolumn<br />
if Position
Examensarbete 10p <strong>Örebro</strong> Universitet VT 2006<br />
im2_info = dicominfo(char(d(cnt2+2))); %P<br />
im3_info = dicominfo(char(d(cnt2+3))); %S<br />
%Referens med b-värde 0, omskalad<br />
im0_bild = double(dico<strong>mr</strong>ead(im0_info)*im0_info.RescaleSlope +...<br />
im0_info.RescaleIntercept);<br />
%b-värde 800, omskalad<br />
im_b800 = cell(1,3);<br />
im_b800{1} = double(dico<strong>mr</strong>ead(im1_info)*im1_info.RescaleSlope +...<br />
im1_info.RescaleIntercept); %M<br />
im_b800{2} = double(dico<strong>mr</strong>ead(im2_info)*im2_info.RescaleSlope +...<br />
im2_info.RescaleIntercept); %P<br />
im_b800{3} = double(dico<strong>mr</strong>ead(im3_info)*im3_info.RescaleSlope +...<br />
im3_info.RescaleIntercept); %S<br />
[M,N] = size(im0_bild);<br />
ADC_value = cell(1,3);<br />
%Initierar en cell med alla <strong>diffusions</strong>riktningar, M, P <strong>och</strong> S.<br />
ADC_value = {zeros(M,N) zeros(M,N) zeros(M,N)};<br />
%b-värden i en vektor<br />
bvalues =[im0_info.Private_2001_1003 im1_info.Private_2001_1003];<br />
index = find(mask==1);<br />
%loopa igenom alla pixelvärden för bilderna<br />
cnt6 = 1;<br />
for cnt4 = 1:3 %för 1=M, P=2 <strong>och</strong> S=3<br />
for cnt5 = 1:length(index)<br />
S0 = im0_bild(index(cnt5));<br />
S1 = im_b800{cnt4}(index(cnt5));<br />
% Signalvärdes vektor<br />
SI_matrix = [S0 S1];<br />
index1 = find(SI_matrix==0);<br />
if S0 ~= 0<br />
if length(index1)==2<br />
% Undvik division med noll<br />
PositionToFill(cnt6) = index(cnt5)<br />
cnt6 = cnt6 + 1;<br />
else<br />
% Hitta nollor<br />
index2 = find(SI_matrix>0);<br />
A = [];<br />
B = [];<br />
% Första värdet (log(S0/S0)) alltid noll<br />
A(1) = 0;<br />
B(1) = 0;<br />
if length(index2)
Examensarbete 10p <strong>Örebro</strong> Universitet VT 2006<br />
end<br />
end<br />
end<br />
end<br />
% Beräkna ADC värdet<br />
ADC_value{cnt4}(index(cnt5)) = A'\B';<br />
else<br />
A = bvalues';<br />
B = log([S0/S0; S0/S1]);<br />
ADC_value{cnt4}(index(cnt5)) = A\B;<br />
end<br />
%Medelvärdet för ADC<br />
ADC_value2 = (ADC_value{1} + ADC_value{2} + ADC_value{3})/3;<br />
%Gaussiskt lågpassfilter<br />
h = fspecial('gaussian',[9 9]);<br />
ADC_value2 = imfilter(ADC_value2,h);<br />
%Beräkna medelvärde för oljans ADC<br />
index3 = find(mask_lipids==1);<br />
medel_lip1 = mean(ADC_value2(index3))<br />
ADC_lip = mask_lipids.*ADC_value2;<br />
%Beräkna medelvärde för cu sulfat<br />
index4 = find(mask_cusulf==1);<br />
medel_cusulf1 = mean(ADC_value2(index4))<br />
ADC_sulf = mask_cusulf.*ADC_value2;<br />
%Beräkna medelvärde för H2O<br />
index5 = find(mask_h2o==1);<br />
medel_h2o1 = mean(ADC_value2(index5))<br />
ADC_h2 = mask_h2o.*ADC_value2;<br />
%Skriver ut medelvärdena<br />
fprintf('Medelvärde olja : %f \nMedelvärde Cusulfat : %f \nMedelvärde...<br />
H2O : %f \n',medel_lip1,medel_cusulf1,medel_h2o1);<br />
%Plottar figur<br />
figure(1);clf;<br />
colormap(gray);<br />
subplot(331); imagesc(ADC_value{1}); title('ADC_1'); axis image;<br />
subplot(332); imagesc(ADC_value{2}); title('ADC_2'); axis image;<br />
subplot(333); imagesc(ADC_value{3}); title('ADC_3'); axis image;<br />
subplot(334); imagesc(im_b800{1}); title('b=800, M'); axis image;<br />
subplot(335); imagesc(im_b800{2}); title('b=800, P'); axis image;<br />
subplot(336); imagesc(im_b800{3}); title('b=800, S'); axis image;<br />
figure(2);clf;<br />
colormap(gray);<br />
subplot(121); imagesc(im0_bild); ...<br />
title('Isotropisk bild med b-värde 0'); axis image;<br />
subplot(122); imagesc(ADC_value2); title('ADC map bild'); axis image;<br />
figure(3);clf;<br />
50
Examensarbete 10p <strong>Örebro</strong> Universitet VT 2006<br />
end<br />
colormap(gray);<br />
subplot(331); imagesc(ADC_lip); axis image; hold on; ...<br />
plot([1 128], [92 92]);<br />
subplot(332); plot(ADC_lip(95,:));<br />
subplot(333); hist(ADC_value2(index3),[-1.5e-3:0.01e-3:1.5e-3]);<br />
subplot(334); imagesc(ADC_sulf); axis image; hold on; ...<br />
plot([1 128],[50 50]);<br />
subplot(335); plot(ADC_sulf(50,:));<br />
subplot(336); hist(ADC_value2(index4),[2e-3:0.01e-3:2.5e-3]);<br />
subplot(337); imagesc(ADC_h2); axis image; hold on; ...<br />
plot([1 128],[100 100]);<br />
subplot(338); plot(ADC_h2(100,:));<br />
subplot(339); hist(ADC_value2(index5),[2e-3:0.01e-3:2.5e-3]);<br />
pause<br />
51