马栋敏 李 颖* 彭 川 郭延庆 郭 磊 何任杰 饶利芸5

（河北工业大学河北省电磁场与电器可靠性省部共建重点实验室，天津 300130）2（天津市第四中心医院，天津 300140）3（军械工程学院，石家庄 050003）4（University of Texas Medical School at Houston，Houston，TX77030，USA）5（The Methodist Hospital Research Institute，Houston，TX 77030，USA）

引言

MR脑灌注成像（perfusion imaging）是将组织毛细血管水平的血流灌注情况，通过磁共振成像方式显示，以评估局部的组织活力及功能（代谢能力）。它通过采用示踪剂团注技术的原始图像取得组织的信号强度-时间曲线和动脉输入函数（arterial input function，AIF），提供血液动态代谢能力信息，如脑血容量（cerebral blood volume，CBV）、脑血流量（cerebral blood flow，CBF）、平均通过时间（mean transit time，MTT）等参数［1-2］。可分析、评价组织器官的灌注状态，得到病变部位组织的微循环血流及血管变化情况等信息。

MR脑灌注成像参数的确定是一个逆问题求解的过程。Miles等提出可以用最大斜率法确定灌注参数［3］，这种方法原理最简单，但是要求示踪剂注射速率在8～10 mL/s，过高的对比剂注射速率和注射量不仅增加注射部位对比剂外渗的危险性，且要求病人有良好的心肺功能，因此这种方法在临床上并不适用。1996年，Østergaard等提出傅里叶变换和奇异值分解法都可以用来估计灌注参数［4］。研究发现傅里叶变换对噪声敏感，在信噪比低时会造成血流量的低估［5-9］，因此奇异值分解法受到人们更广泛的关注。在我国，人们对MR灌注成像的研究主要在临床应用方面，对灌注参数获取方法的研究少之又少。文中对奇异值分解法估计脑血流量进行了简单介绍，对不同阈值选择方式、信噪比、动脉输入函数的延迟和失真等因素的影响进行了仿真实验，针对奇异值分解法在动脉输入函数延迟时低估血流量的情形进行了修正，以使该方法更有效。……