Einführung
Die Phasenkontrast (PC) Cine-MRT ist eine etablierte Methode zur Beurteilung von Blutfluss und Bewegungsmustern von Gewebe in der kardiovaskulären MRT. Das häufig verwendete prospektive Trigger-Verfahren basierend auf EKG-Daten ist jedoch sehr fehleranfällig z.B. durch Atembewegungen, magnetohydrodynamische Effekte in der Hochfeld-MRT oder Veränderungen der Herzfrequenz. Wir präsentieren eine hochgradig beschleunigte, selbst navigierende PC-MRT-Methode auf der Basis von quasi-zufällig abgetasteten k-Raumdaten.

Methode
Prozessierung von Herz/Atem-Bewegungssignalen
Ein Self-Gating (SG) Signal wurde aufgenommen indem nach jeder k-Raum Zeile entlang der Frequenzkodierrichtung eine zusätzliche 1D-Projektion (ohne Phasenkodierung) aus 10 Datenpunkten ausgelesen wurde. Mit Hilfe der Hauptkomponentenanalyse wurden relevante Informationen für Herz- und Atembewegungen aus der SG-Matrix extrahiert. Im Anschluss wurden die individuellen Navigatorsignale für Herz- und Atembewegung mit der komplexen Wavelet-Transformation (CWT) für die jeweilige Bewegung transformiert. Das resultierende Phasensignal der Wavelet-Transformation wurde dann verwendet, um die k-Raum Zeilen verschiedenen Herz-Bewegungsphasen zuzuordnen. Daten mit hoher Atembewegung wurden von der weiteren Datenverarbeitung ausgeschlossen.

Imaging-Sequenz
Basis der MR-Sequenz war eine flusskompensierte 3D-FLASH-Sequenz mit zusätzlichen 3D-bewegungskodierenden Gradienten gefolgt von einem 1D-Readout (10 Punkte). Die Auswahl der k-Raum-Zeilen erfolgte gemäß einer Quasi-Zufallszahlen Verteilung (Niederreiter) zusätzlich gewichtet mit einer Gauss-Verteilung [1]. 

Bildrekonstruktion
Spulenkarten wurden mit dem ESPIRiT-Algorithmus generiert [2]. Die unterabgetasteten k-t-Daten wurden anschließend gemäß k-t-SPARSE-SENSE rekonstruiert [3]. Die einzelnen Iterationsschritte minimieren folgende Zielfunktion:

Dabei ist S_l die Spulensensitivität, F die Fourier-Transformation, y die gemessenen k-Raum-Daten und W die angewandte Sparsity-Transformation. Als Sparsity-Transformation wurde eine zeitliche Fourier-Transformation angewandt. Die verschiedenen Iterationen wurden mit einem Soft-Threshold-Algorithmus durchgeführt.

Ergebnisse
Abb. 1a zeigt das Navigatorsignal für verschiedene Spulenkanäle und verschiedene Samplingpunkte als Funktion der Zeit. Die daraus gewonnenen Atem- und Herzbewegungssignale sind in Abb. 1b dargestellt. Abb. 1c zeigt das k-Raumsampling der 4D-Flussmessung für einen Zeitframe. Die Flussvisualisierung der rekonstruierten MR-Daten für den Aortenbogen ist in Abbildung 1d gezeigt. Alle Daten wurden mit Matlab (TheMathWorks, Natick, MA) rekonstruiert.

Schlussfolgerung
In dieser Arbeit zeigen wir eine hochbeschleunigte selbst navigierende PC-MRT-Sequenz, die auf der Zufallsabtastung unter freier Atmung basiert. Daten, die während der Atembewegung erfasst werden sowie andere unerwünschte Bewegungen können vom Postprocessing ausgeschlossen werden, was die freie Atmung während des gesamten Messprozesses ermöglicht. Auf eine EKG-Signalerfassung, die insbesondere bei höherer Feldstärke zu Verzerrungen neigt, kann somit verzichtet werden. 

Referenzen:
[1] Niederreiter H .; Stier. Amer. Mathe. Soc. 84 (1978)
[2] Uecker M. et al .; MRM 71: 990-1001 (2014)
[3] Kim D. et al. ; MRM 71: 990-1001 (2012)