本文主要是介绍DWI高级弥散模型成像：基础概念，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
DTI成像已经有比较长的应用历史，它可以显示纤维束的总体走形，并且可以产生定量的参数例如FA值和MD值来反应微结构的信息。但是研究也显示该模型对复杂的纤维束走形显示能力交差，特别是对于交差纤维和具有分支的纤维显示效果欠佳。为了更好的显示复杂纤维束的特点并准确判断纤维束的走向，研究者们提出了不同的方法，例如我们熟悉的扩散谱成像（diffusion spectrum imaging，DSI）（图1），实际上在显示负责纤维束走形的方法中，DSI只是其中的一种，其它还有我们所熟悉的QBI和GQI（图2），为了更清楚地了解这些不同的后处理模型，我们先从它们所应用的概念说起。
图 1基于DSI算法，利用部分栅格数据（grid sampling）（514个点）重建的纤维束图像。
图 2 重建的纤维束图像，(a) 利用QBI重建模型252方向壳数据（shell dataset）重建，(b) 相同的数据类型利用GQI模型进行的重建，(c) 基于203个点栅格数据（grid sampling）利用DSI模型的重建结果，(d)相同的数据利用GQI模型重建的结果。
一、q-space成像
之所以要介绍q-space成像这个概念，这是因为该概念是不依赖于模型重建纤维束的的基础，不管是DSI、QBI还是GQI，本质都是q-space成像（图3），那什么是q-space成像呢？“q-space” 成像是Callaghan于1994年提出，为了更清楚的理解这个概念，可以把这个概念和MR成像中的“K-space”进行对比，K-space内数据的编码是应用频率编码梯度来实现的（readout gradient），而q-space内的数据是由扩散编码梯度来实现的，K-space内数据通过傅里叶变换可以和氢质子的空间位置进行关联，而q-space内的数据通过傅里叶变换可以得到一个称为“总体平均位移子（ensemble average propagator，
EAP）”的概念。通过对扩散信号进行傅里叶变换即可得到EAP，它们之间的关系如下公式来表示：
这篇关于DWI高级弥散模型成像：基础概念的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
