ACS 与 k 空间关系教程

核心一句话：线圈敏感度在图像域是平滑函数 ⇒ 在 k 空间是窄带函数 ⇒ 每个 k 点只与有限邻域 k 点线性相关 ⇒ ACS 决定一个有限维列空间 ⇒ GRAPPA 本质是在该列空间上的线性预测，Null space 对应不可恢复自由度。

1. 从图像域到 k 空间

在 MRI 并行成像中，我们从图像域的多通道数据出发：

假设有 N 个接收线圈，第 n 个线圈的图像为 $I_n(x)$。
多通道图像写成向量形式：

$$ \mathbf{I}(x) = \begin{bmatrix} I_1(x)\ I_2(x)\ \vdots\ I_N(x) \end{bmatrix} $$

通过傅里叶变换得到对应的 k 空间数据：

$$ \mathbf{K}(k) = \mathcal{F}{\mathbf{I}(x)} $$

核心结论 1（澄清）：图像域的多通道结构在傅里叶变换后不会消失，而是以 k 空间不同位置之间的线性相关性 的形式体现出来。

2. 冗余 / 相关性的真正来源（改写）

每个线圈具有空间敏感度 $S_n(x)$，满足：

$$ I_n(x) = S_n(x), M(x) $$

其中 $M(x)$ 是真实物体图像。

一个关键但常被忽略的物理事实是：

$S_n(x)$ 在图像域是平滑函数

对应到 k 空间：

$$ K_n(k) = \mathcal{F}{ S_n(x) M(x) } = \widehat{S}_n(k) * \widehat{M}(k) $$

其中 $*$ 表示 k 空间卷积。

由于 $S_n(x)$ 平滑，其频谱 $\widehat{S}_n(k)$ 集中在 $k=0$ 附近（窄带）。

核心结论 2：冗余来自敏感度平滑性导致的 k 空间局部卷积结构。

3. 任意 k 空间位置的局部线性关系（补括号与说明）

由于 $\widehat{S}_n(k)$ 是窄带函数，对任意 $k_0$：

$$ K_n(k_0) \approx \sum_{|\Delta k| \le K_0} \widehat{S}_n(\Delta k), \widehat{M}(k_0-\Delta k) $$

将所有线圈在同一 k 点堆叠，得到：

$$ \mathbf{p}(k_0) = A , \mathbf{m}(k_0) $$

其中：

$\mathbf{p}(k_0)$：目标 k 点的多通道向量
$\mathbf{m}(k_0)$：邻域 k 空间 patch 组成的向量
$A$：由 $\widehat{S}_n$ 决定的固定系数矩阵（与物体无关）

解释：

局部线性关系不是算法假设，而是敏感度平滑性的直接数学结果。
GRAPPA 的卷积核正是该局部线性映射的离散表示。

4. 从卷积关系到列空间（收紧表述）

在 ACS 区域，上述关系中的 $\mathbf{p}(k_0)$ 和 $\mathbf{m}(k_0)$ 都是已知的。

将所有 ACS 样本堆叠，可写为：

$$ P = A M $$

其中：

$M$：所有局部 k 空间 patch 组成的矩阵
$P$：对应的目标点矩阵

在 GRAPPA 中，我们通过最小二乘求解卷积核，本质等价于：

确定 $M$ 的列空间 $\mathrm{Col}(M)$，即 ACS 数据张成的可预测子空间。

核心结论 3（精炼）：列空间描述了在当前采样与敏感度条件下，k 空间中可以被线性预测的所有方向。

5. 引入 Null Space（逻辑补全）

Null space 定义为：

$$ \mathrm{Null}(M) = { v \mid M v = 0 } $$

其物理含义是：

$\mathrm{Col}(M)$：
- 满足局部卷积关系的自由度
- ⇔ 敏感度窄带所允许的 k 空间结构
$\mathrm{Null}(M)$：
- 对所有 ACS patch 都不可见的方向
- ⇔ 超过敏感度带宽的高频自由度

因此：

$$ p_{\text{unknown}}(k) \in \mathrm{Col}(M) \Rightarrow \text{可预测} $$

$$ p_{\text{unknown}}(k) \in \mathrm{Null}(M) \Rightarrow \text{不可预测} $$

核心结论 4（修正）： Null space 不是算法失败，而是由 敏感度平滑性与采样方式共同决定的不可恢复自由度。

6. 总结逻辑链（保持原结构，强化因果）

图像域多通道信号满足 $I_n(x)=S_n(x)M(x)$。
敏感度 $S_n(x)$ 在图像域平滑。
⇒ k 空间中 $\widehat{S}_n(k)$ 窄带。
⇒ 任意 k 点仅与有限邻域 k 点线性相关（局部卷积）。
⇒ ACS 数据张成有限维列空间 $\mathrm{Col}(M)$。
⇒ 超出该列空间的方向构成 Null space，不可恢复。

7. 核心结论总结（精炼版）

k 空间局部线性预测的存在性来源于敏感度平滑性。
ACS 决定了可预测的列空间结构。
GRAPPA 的重建等价于在该列空间上的线性预测。
Null space 对应物理上未被编码的自由度，任何方法都无法恢复。

grappa

文章目录