非笛卡尔MRI重建中采样密度补偿的必要性

Non-Cartesian Reconstruction, Pauly, 2005, Analytical Resolution and Noise Characteristics of Linearly Reconstructed Magnetic Resonance Data with Arbitrary k-SpaceSampling

1. 核心问题：为什么需要密度补偿？

在非笛卡尔（non-Cartesian）MRI中，如螺旋（Spiral）或利萨如（Lissajous）轨迹，k空间采样点并不是均匀分布的。轨迹在某些区域（如k空间外围）移动得慢，“停留”时间长，导致采样点密集；而在另一些区域（如k空间中心）移动得快，“飞驰而过”，导致采样点稀疏。

然而，标准的傅里叶变换（FFT）假设输入数据是在一个均匀的网格上。如果不加校正地将非均匀的样本喂给一个假设均匀的重建算法，就相当于给那些采样密集的区域赋予了过高的权重。这会严重扭曲图像，产生伪影。

密度补偿 (Density Compensation) 的目标就是为了校正这种不均衡，给每个k空间采样点赋予一个恰当的权重，使其对最终图像的贡献变得公平。

2. 不做补偿的后果：一个失败的案例 (Conjugate Phase重建)

要理解不做补偿的后果，我们可以分析一种最朴素、最直接的重建方法：“共轭相位重建”（Conjugate Phase Reconstruction）。

2.1 方法哲学

这种方法的出发点是信号处理中的“解调-积分”思想。对于图像中的每一个目标像素点 x₀，它执行以下操作：

1. 将采集到的时域信号 s(t) 乘以一个相位 exp(i2πk(t)·x₀)，这个相位是目标点 x₀ 在采集过程中的相位的共轭。这一步是“解调”。
2. 将解调后的信号在整个采集时间 T 上进行积分。

其数学公式为： m(x₀) = ∫[0, T] s(t) * exp(i2πk(t)·x₀) dt

2.2 致命缺陷

请注意，这是一个对时间 dt 的积分。这意味着每一个时间点上的采样 s(t) 都被赋予了完全相同的权重（即权重为1）。

这种“民主投票”的方式忽略了一个事实：在梯度 G(t) 很小的区域（速度慢），我们在单位时间内只扫过了很小的一段k空间距离，但却采集了同样多的点。

2.3 后果：糟糕的点扩散函数 (PSF)

这种方法的点扩散函数 (Point Spread Function, PSF) 就是其对一个理想点源的响应。其PSF可以表示为： PSF(x) = ∫[0, T] exp(-i2πk(t)·x) dt

由于在k空间两端停留时间长，采样点密集，这个未经加权的积分会导致PSF在主瓣旁边出现非常强烈的振铃伪影 (ringing artifacts)。用一个带有严重伪影的PSF去重建图像，最终的图像质量必然很差。

结论： 共轭相位重建的失败，恰恰以反例的形式证明了，不对采样密度进行补偿是行不通的。

3. 正确的做法：从第一性原理引入密度补偿

一个更根本、更正确的重建方法，应该从物理和数学的第一性原理出发。

3.1 方法哲学

这种方法的出发点是理想的傅里叶逆变换，它是在 k空间域 进行积分的： f̂(x) = ∫ s(k) * exp(ikx) dk

这是一个对 dk 的积分，它天生就认为k空间中的每一小段“距离”dk 的重要性是相同的。

3.2 引入补偿权重

我们的实际采集是在时域 t 中进行的。为了计算上述理想积分，我们必须进行变量代换，建立 dk 和 dt 的关系。这个关系是： dk = 2πγ * G(t) * dt

其中 G(t) 是梯度强度。G(t) 在这里扮演了雅可比行列式 (Jacobian) 的角色。将这个关系代入理想的积分公式中，我们得到：

f̂(x) = c * ∫[0, T] s(t) * G(t) * exp(ik(t)x) dt

3.3 补偿效果

现在请看这个公式：它不再是对 s(t) 进行简单积分，而是对 s(t) * G(t) 进行积分。

• 当k空间速度慢时，G(t) 很小，它就给这个采样点赋予一个低权重，以抵消此处的“过采样”。
• 当k空间速度快时，G(t) 很大，它就给这个采样点赋予一个高权重，以弥补此处的“欠采样”。

这个 G(t) 因子，就是最基本的一种密度补偿函数。它确保了重建过程能够正确地反映k空间中不同区域的贡献，从而抑制伪影，得到一个干净的PSF和高质量的图像。

4. 总结对比

最终结论： 在非笛卡尔MRI重建中，采样密度补偿不是一个可选项，而是一个基本要求。它通过为每个采样点分配合理的权重，修正了因k空间扫描速度变化而导致的采样不均，是获得准确、无伪影图像的关键步骤。