RECONSTRUÇÃO DE DADOS DE RESSONÂNCIA MAGNÉTICA AMOSTRADOS DE

FORMA NÃO CARTESIANA

Thyago F. Mangueira

Universidade de Brasília, Campus Universitário Darcy Ribeiro, Brasília - CEP 70910-900

RESUMO
A amostragem não cartesiana de dados no espaço K pode ser
uma solução para aquisições mais velozes de imagens em
Ressonância Magnética. Este trabalho teve por objetivo
estudar a implementação de um algoritmo de reconstrução
por Transformada Rápida de Fourier Não Uniforme
(NUFFT). Foram desenvolvidos códigos em MatLab® que
reconstroem uma imagem bidimensional a partir de dados
simulados no espaço K com amostragem em espiral,
utilizando o algoritmo de interpolação (Gridding) e a 2D-FFT
através do código implementado por Fessler, 2007.
Palvras chave— Imagem por Ressonância Magnética
Nuclear (MRI), Transformada Rápida de Fourier Não
Uniforme (NUFFT), Aquisição em Espiral.
1. INTRODUÇÃO
Uma maneira de acelerar o processo de obtenção do sinal
é utilizar outras trajetórias de aquisição que geram dados em
coordenadas não Cartesianas como, as trajetórias em espiral,
rosette e Lissajous (Figura 2). O custo destes tipos de
aquisição é a impossibilidade de se reconstruir os dados de
forma direta usando a 2D-FFT. A maneira mais simples de se
contornar esse problema é interpolando os dados para uma
grade Cartesiana e então realizar a 2D-FFT (Gridding). Outra
alternativa é a chamada transformada direta de Fourier
(DrFT, do inglês direct Fourier transform), a qual pode ser
aplicada a amostras desigualmente espaçadas, mas que, em
termos de custo computacional, é equivalente a uma
transformada discreta de Fourier convencional.
Aproximações da DrFT como a transformada rápida de
Fourier generalizada (GFFT, do inglês generalized fast
Fourier transform) e o algoritmo por linhas de fase iguais
(EPL, do inglês equal-phase line) podem tornar o processo
mais rápido [1-4].

Imagens médicas por ressonância magnética nuclear (MRI,

do inglês magnetic ressonance imaging) podem ser
reconstruídas com a transformada inversa de Fourier, uma
vez que os dados são adquiridos diretamente no domínio de
Fourier (ou espaço K) [1].
As amostras no espaço K, quando adquiridas com
trajetórias em grade Cartesiana — como nas chamadas
imagens eco planares (EPI do inglês echo planar imaging),
cuja trajetória no espaço K é ilustrada na Figura 1 —, podem
ser computacionalmente reconstruídas de maneira rápida
com a transformada rápida de Fourier bidimensional (A) (B)
(2D-FFT, do inglês two-dimensional fast Fourier transform).
Deve-se observar que, devido às características de aquisição
da MRI, métodos que empregam amostragem não Cartesiana
estão geralmente associados a um longo tempo de aquisição
dos dados, o que pode levar a problemas como artefatos de
movimento do paciente [1-3].

Figura 1.1 – Trajetória Cartesiana

(C)
para aquisição em MRI.
Figura 1.2 – (A) Trajetória Espiral (B) Trajetória Rosette e (C)
Reproduzido de: Sangwoo Lee,
Trajetória Lissajous ,para aquisição em MRI. Reproduzido de: (A)
Iterative reconstruction methods
e (B) Sangwoo Lee, Iterative reconstruction methods for rosette
for rosette trajectories in functional
trajectories in functional MRI, Tese de doutorado da Universidade
MRI, Tese de doutorado da
de Michigan, 2006. (C) H. Feng et all, Single-Shot MR Imaging
Universidade de Michigan, 2006.
Using Trapezoidal-Gradient Based Lissajous Trajectories, Proc.
Intl. Soc. Mag. Reson. Med. 11, 2003.
 Este projeto desenvolveu dois códigos em MatLab® que
reconstroem uma imagem bidimensional a partir de dados
simulados no espaço K com amostragem não Cartesiana,
utilizando a interpolação dos dados (Gridding) e uso da 2D-
FFT utilizado o algoritmo desenvolvido por Fessler, 2007.
2. ASPECTOS TEÓRICOS
A aquisição do sinal S(t) para MRI é obtido pela excitação de
um volume alvo definido por uma espessura de corte e uma
área de interesse (FOV). Pode-se representar a aquisição com
trajetória em espiral no espaço K com as equações 1 e 2:
𝑘𝑥 (𝑡) = 𝛾𝑡 cos 𝑡
𝑘𝑦 (𝑡) = 𝛾𝑡 sin 𝑡
Sendo então o vetor de trajetória da espiral dado pela
equação 3:
𝑘(𝑡) = 𝑘𝑥 (𝑡) + 𝑖𝑘𝑦 (𝑡)
Esta trajetória no espaço K é gerada por variação nos
gradientes de campo magnético pelas bobinas de gradiente.
Matematicamente isto é descrito pelas equações 4 e 5 :
𝐺𝑥 (𝑡) =
1 𝑑
[𝑘𝑥 (𝑡)] =  cos 𝑡 − 𝑡 sin 𝑡
𝛾 𝑑𝑡
1 𝑑
𝐺𝑥𝑦 (𝑡) = [𝑘𝑦 (𝑡)] =  sin 𝑡 + 𝑡 cos 𝑡
𝛾 𝑑𝑡
sendo o sinal adquirido neste processo é dado por [6]:
𝑆(𝑡) = ∬ 𝜌(𝑥, 𝑦, 𝑧𝑜 )𝑒 𝑖{𝑘𝑥(𝑡)𝑥+𝑘𝑦 (𝑡)𝑦} 𝑑𝑥𝑑𝑦 ≅ 𝑆(𝑘𝑥 , 𝑘𝑦 ) (6)
Estas equações representam as etapas finais do processo
de aquisição que envolve a excitação, seleção, codificação e
leitura. Na Figura 3 é apresentado a sequência de pulso que
representa todo o processo:
Figura 2.1 – Exemplo de sequência de pulso para aquisição em
espiral. Reproduzido de: Ahn C. B., Kim J. H., Cho Z. H. High-
Speed Spiral-Scan Echo Planar NMR Imaging-I IEEE Transactions
On Medical Imaging, Vol. Mi-5, No. 1, 1986
Conforme a abordagem escolhida, uma vez adquirido o
sinal deve-se realizar o Gridding. A ideia básica deste
processo é estimar (interpolar) os valores ao longo do
espaço K e então reamostrar em uma grade cartesiana.
Assim para realizar o Gridding primeiro convolui-se os
dados adquiridos (já corrigidos pela função de densidade de
amostragem) com um kernel de tamanho suficiente para
cobrir as regiões não amostradas. Com este novo espaço K é
realizada uma amostragem (ou reamostragem) com grade
cartesiana e então os novos dados são processados com a
2D-FFT inversa. Este algoritmo é apresentado na equação 7
e 8:
(1) ̂ (𝑘𝑥 , 𝑘𝑦 ) = [(𝑀(𝑘𝑥 , 𝑘𝑦 ). 𝑆(𝑘𝑥 , 𝑘𝑦 )) ∗ 𝐶(𝑘𝑥 , 𝑘𝑦 )]
𝑀 (7)
(2)
𝑘𝑥 𝑘 𝑦
. 𝐼𝐼𝐼 ( , )
∆𝑘𝑥 ∆𝑘𝑦
na qual M representa o espaço K sendo amostrado, S é a
(3) função de amostragem não cartesiana, C o kernel e III é a
função de amostragem cartesiana no espaço K. Após a
2D-FFT inversa a função fica:
𝑚
̂(𝑥, 𝑦) = [(𝑚(𝑥, 𝑦) ∗ 𝑠(𝑥, 𝑦)). 𝑐(𝑥, 𝑦)] (8)
(4) 𝑥 𝑦
∗ 𝐼𝐼𝐼 ( , )
𝐹𝑂𝑉𝑥 𝐹𝑂𝑉𝑦
(5)
Nota-se que neste algoritmo a imagem ideal m(x,y) é
inicialmente borrada pela convolução com a função de
amostragem s(x,y). Além disso, lobos laterais serão formados
neste processo devido ao padrão de amostragem no espaço K.
Na abordagem escolhida de aquisição em espiral, isto
acarretará em artefatos do tipo anel. Em seguida o kernel
c(x,y) causa uma apodização que, apesar de remover os lobos
laterais, provoca um indesejável efeito de borramento (que
pode ser melhorado com pós-processamento). Por último a
reamostragem cartesiana realizada por III gera réplicas no
domínio da imagem, necessitando assim de uma super-
amostragem para reduzir efeitos de aliasing. Tipicamente a
super-amostragem é realizada dobrando o grid [1].
2. MATERIAIS E MÉTODOS
Para as análises propostas foram implementados dois códigos
em MatLab® (anexos 1,2) conforme algoritmo descrito no
item 2 deste trabalho.
O primeiro código (anexo 1) inicialmente cria a trajetória
de amostragem com a densidade de para então calcular o sinal
de cada ponto na trajetória a partir das equações que definem
o fantoma. Em seguida foi realizado o processo de Gridding
com a função nufft_adj que gera a imagem reconstruída.
O segundo código (anexo 2) realiza o mesmo tipo de
reconstrução, mas utilizando um conjunto de dados já
simulados fornecido pelo prof. João Luiz Azevedo de
Carvalho.
 3. RESULTADOS

No primeiro código, para ser utilizado como fantoma, foi

construída uma função no domínio das frequências que cria
um disco e um retângulo deslocados do centro. Um esquema
deste fantoma no domínio da imagem é apresentado na
Figura 3.1.

Figura 3.4 – Dados obtidos para cada um dos 12 entrelaces

apresentados em uma matriz com tons de cinza em dB.

Figura 3.1 – Esquema no domínio da imagem para o fantoma

utilizado.

Com esse código foram criados e apresentados a forma de

onda do gradiente, a trajetória no espaço K, uma
representação dos dados adquiridos em dB, e a imagem
reconstruída. Estes resultados estão, respectivamente, nas
Figuras 3.2, 3.3, 3.4 e 3.5.

Figura 3.5 – Imagem reconstruída no primeiro código.

No segundo código foi extraído dos dados fornecidos as

trajetórias de aquisição (Figura 3.6) e em seguida a imagem
Figura 3.1 – Forma de onda do gradiente para aquisição em espiral. foi reconstruída (Figura 3.7).

Figura 3.2 – Trajetória no espaço k para aquisição em espiral, com Figura 3.6 – Trajetória no espaço k dos dados fornecido, com
parâmetros utilizados. parâmetros utilizados.
 11. REFERENCES

[1] Pauly J. Reconstruction of non-Cartesian Data Image.

Reconstruction Textbook; pp 39-54.

[2] Jackson J. I., Meyer C. H., Nishimura D. G. Selection of a

Convolution Function for Fourier Inversion Using Gridding. IEEE
Transactions on Medical Imaging. Vol. Io. No. 3, 1991.

[3] Sangwoo Lee, Iterative reconstruction methods for rosette

trajectories in functional MRI, Tese de doutorado da Universidade
de Michigan, 2006.

[4] H. Feng et all, Single-Shot MR Imaging Using Trapezoidal-

Gradient Based Lissajous Trajectories, Proc. Intl. Soc. Mag. Reson.
Med. 11, 2003.

[5] Fessler J. A. On NUFFT-based gridding for non-Cartesian MRI,

Figura 3.7 – Imagem reconstruída no segundo código. Journal of Magnetic Resonance 188 (2007) 191–195.

4. CONSIDERAÇÕES FINAIS [6] Ahn C. B., Kim J. H., Cho Z. H. High-Speed Spiral-Scan Echo
Planar NMR Imaging-I IEEE Transactions On Medical Imaging,
O algoritmo apresentado pode ser utilizado para processar Vol. Mi-5, No. 1, 1986
rapidamente aquisições não cartesianas no espaço K, com
alguma perda na qualidade e presença de artefatos como o
efeito anel. Esta proposta requer cuidados com a não
uniformidade da densidade de amostragem, apodização e
aliasing que podem ser resolvidos ou melhorados com
funções de ponderação e compensação e com uma
super-amostragem do espaço de K interpolado.
 11. ANEXOS

11.1. Anexo 1

%Este código foi escrito como projeto da Disciplina de Processamento de

%Imagens com a prof. Mylène C.Q. de Farias no primeiro semestre de 2014 por
%Thyago Fressatti Mangueira.

%O código cria uma aquisição em espiral de uma figura constituída de um

%disco e um retângulo deslocados do centro. Os objetos geométricos são
%criados e deslocados já no espaço de fase k. Em seguida a imagem é
%reconstruída utilizando a NUFFT implementada por Prof. Jefrey A. Fessler e
%outras funções implementadas por Prof. João Luiz Azevedo de Carvalho

%usa as funções spiraltrajectory, jinc, sinc, nufftoffset,

%nufft_table_init, nufft_init e nufft_adj

clear;
close all;
clc;

cd('C:\Users\Thyago\Dropbox\1-Doutorado\Processamento de Imagens\Projeto\homework
sobre 2DFT e amostragem\ee591-fall2004-homework4\fessler');
setup

% krange=(-128:127)/256;
% [kx ky] = meshgrid(krange,krange);

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%criando trajetória espiral
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

maxfov = 128; %fild of view (128)

spatres = 1.4; %resolução espacial (1.4)
densityreductionfactor = 1; %fator de redução de densidade (1)
nintl = 12; %número de entrelaces (12)

[kspacetraj,denscompfunc,gradwvfrm,nread] =
spiraltrajectory(maxfov,spatres,densityreductionfactor,nintl);

%kspacetraj = Trajetória no espaço K

%denscompfunc = Density compensation functions
%gradwvfrm = Forma de onda do Gradiente
%nread = number of readout points (numero de pontos em cada braço de espiral)

kx = real(kspacetraj);
ky = imag(kspacetraj);

%figure, plot(kx,ky,'.')
figure,plot(gradwvfrm),title('Forma de onda do Gradiente'),
figure,plot(kx,ky,'.'),title({['Trajetórias no espaço K com ',num2str(nintl),'
entrelaces'];['e ',num2str(nread),' pontos em cada braço de espiral']}),axis
square,axis([-1 1 -1 1]/2)
xlabel({'kx';['Duração da leitura: ',num2str(nread*4/1000),' ms']})
ylabel('ky')

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%fazendo fantoma com um circulo e um quadrado deslocados
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

kr=sqrt(kx.^2+ky.^2); %módulo do vetor posição de cada ponto

da espiral

tx_circ=25*25*jinc(25*kr); %criando o circulo

tx_rect = 5*30*sinc(5*kx).*sinc(30*ky); %criando o quadrado

tx = tx_circ .* exp(-j*2*pi*kx*30) + tx_rect .* exp(-j*2*pi*(-10*kx + 20*ky));

%dados em espiral do fantoma

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%criando a estrutura st com parâmetros para inicializar a inuFFT
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

%colocando as trajetórias no espaço k em um vetor k

k=kspacetraj.';
k=k(:);

om(:,1) = 2*pi*real(k); % frequencias "digitais" em radianos

om(:,2) = 2*pi*imag(k);

pixels = ceil(maxfov/spatres); % tamanho da imagem

if mod(pixels,2), pixels=pixels+1; end; % o número de pixels precisa ser ímpar
Nx=pixels; Ny=pixels; % imagem quadrada
Nd = [Nx,Ny]; % dimensões da imagem

%?????????????
Jd = [6,6]; %tamanho do kernel (6x6) max (16x16)
overgridfactor = 2; %(intensidade do aliasing (2)
%?????????????

st=nufft_init(om, Nd, Jd, overgridfactor*Nd, Nd/2); %condições iniciais

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%Realizando a FFT não uniforme inversa (inuFFT)
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

disp('calculando a inuFFT...'),pause(.1),tic

d=tx.'; %colocando tx na forma de vetor

d=d(:);

w=denscompfunc.'; %colocando a função de compensação

de densidade na forma de vetor
w=w(:);
weighteddata = d.*w; %dados ponderados

im = nufft_adj(weighteddata,st)/sqrt(Nx*Ny); %imagem recosntruída

toc,pause(.1)

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%Apresentando os resultados
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

figure
subplot(2,2,1), imagesc(20*log10(abs(tx_circ)/max(abs(tx_circ(:)))),[-60 0]),
title('tx circ');
subplot(2,2,2), imagesc(20*log10(abs(tx_rect)/max(abs(tx_rect(:)))),[-60 0]),
title('tx rect');

subplot(2,2,3), imagesc(20*log10(abs(tx)/max(abs(tx(:)))),[-60 0]), title('tx');

subplot(2,2,4), imshow(abs(im),[]),title('imagem reconstruida');

11.2. Anexo 2

%Este código foi escrito como projeto da Disciplina de Processamento de

%Imagens com a prof. Mylène C.Q. de Farias no primeiro semestre de 2014 por
%Thyago Fressatti Mangueira.

%O código lê uma aquisição em espiral fornecida pelo Prof. João Luiz

%Azevedo de Carvalho. Em seguida a imagem é reconstruída utilizando a NUFFT
%implementada por Prof. Jefrey A. Fessler e outras funções implementadas
%por Prof. João Luiz Azevedo de Carvalho.

%usa as funções spiraltrajectory, jinc, sinc, nufftoffset,

%nufft_table_init, nufft_init e nufft_adj

clear;
close all;
clc;

cd('C:\Users\Thyago\Dropbox\1-Doutorado\Processamento de Imagens\Projeto\homework
sobre 2DFT e amostragem\ee591-fall2004-homework4\fessler');
setup

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%lendo fantoma fornecido pelo Prof. João Luiz Azevedo de Carvalho
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

load rt_spiral

%kspacetraj = Trajetória no espaço K

%denscompfunc = Density compensation functions
%nread = number of readout points (numero de pontos em cada braço de espiral)

kspacetraj = k;
denscompfunc = w;
spatres = 1.2;
maxfov = 128;
nintl = size(k,2);
nread = size(k,1);

kx = real(kspacetraj);
ky = imag(kspacetraj);

%figure, plot(kx,ky,'.')
figure,plot(kx,ky,'.'),title({['Trajetórias no espaço K com ',num2str(nintl),'
entrelaces'];['e ',num2str(nread),' pontos em cada braço de espiral']}),
axis square,axis([-1 1 -1 1]/2)
xlabel({'kx';['Duração da leitura: ',num2str(nread*4/1000),' ms']})
ylabel('ky')

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%fazendo fantoma com um circulo e um quadrado deslocados
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
kr=sqrt(kx.^2+ky.^2); %módulo do vetor posição de cada ponto
da espiral

tx_circ=25*25*jinc(25*kr); %criando o circulo

tx_rect = 5*30*sinc(5*kx).*sinc(30*ky); %criando o quadrado

tx = tx_circ .* exp(-j*2*pi*kx*15) + tx_rect .* exp(-j*2*pi*(-10*kx + 10*ky));

%fantoma

tx = d;

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%criando a estrutura st com parâmetros para inicializar a inuFFT
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

%colocando as trajetórias no espaço k em um vetor k

k=kspacetraj.';
k=k(:);

om(:,1) = 2*pi*real(k); % frequencias "digitais" em radianos

om(:,2) = 2*pi*imag(k);

pixels = ceil(maxfov/spatres); % tamanho da imagem

if mod(pixels,2), pixels=pixels+1; end; % o número de pixels precisa ser ímpar
Nx=pixels; Ny=pixels; % imagem quadrada
Nd = [Nx,Ny]; % dimensões da imagem

%?????????????
Jd = [6,6]; %tamanho do kernel (6x6) max (16x16)
overgridfactor = 2; %(intensidade do aliasing (2)
%?????????????

st=nufft_init(om, Nd, Jd, overgridfactor*Nd, Nd/2); %condições iniciais

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%Realizando a FFT não uniforme inversa (inuFFT)
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

disp('calculando a inuFFT...'),pause(.1),tic

d=tx.'; %colocando tx na forma de vetor

d=d(:);

w=denscompfunc.'; %colocando a função de compensação

de densidade na forma de vetor
w=w(:);
weighteddata = d.*w; %dados ponderados

im = nufft_adj(weighteddata,st)/sqrt(Nx*Ny); %imagem recosntruída

toc,pause(.1)

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%Criando FFT da imagem final
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

im_fft=fft2(im);
im_fft=fftshift(im_fft);

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%Apresentando os resultados
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

figure

subplot(2,2,1), imagesc(20*log10(abs(tx)/max(abs(tx(:)))),[-60 0]), title('tx');

subplot(2,2,2), imshow(abs(im),[]),title('imagem reconstruida');

subplot(2,2,3), imshow(20*log10(abs(im_fft)/max(abs(im_fft(:)))),[-60 0]), colormap

gray, title('FFT 2D da imagem');