图2：显示ATT随疾病变化的变化。最上面一行显示了颈动脉闭塞患者在不同切片上的ATT图，而最下面一行显示了9名健康年轻受试者的组平均ATT图。该数据被修正为部分体积效应，并代表了纯GM ATT的估计数。注意健康年轻受试者的左右对称性和整体ATT较低。患者同侧半球的ATT平均长于~1 s。

后处理

8. 文章建议多时间点ASL使用动力学信号模型进行处理，至少得出灌注和ATT的估计。

9. 文章建议，默认情况下，使用2015年共识文件中单PLD ASL量化模型的扩展版本，用于多时间点数据，该版本纳入了可变ATT的影响。

10. 通常，文章建议对血管内信号进行建模，而不是抑制它们。

11. 当未使用血管抑制时，文章建议在量化模型中包含额外的血管内成分（具有动脉血容量和动脉脉冲到达时间参数）。

12. 除了使用背景抑制外，文章还建议使用运动校正，以进一步减少运动的影响。

13. 通常，当需要在个体水平上获得可靠的参数估计时，建议在3特斯拉进行定量多时间点ASL的协议至少为~4分钟。

图3：说明了推荐的多时间点PCASL协议类型的定时原理。标签持续时间用橙色和灰色的方框表示，分别表示标签和控制条件。标签后延迟是指从标签持续时间结束到图像读出开始之间的时间。

以下是几种推荐的采集策略：

顺序策略：通过改变PLD来获取一系列扫描，建议交错PLD以匹配最终目标分布，减少运动伪影和生理变化的影响。

时间编码策略：一种时间效率高的方法，通过将PCASL准备分成多个子脉冲，并在多个TR间变化标签/控制条件，使用线性独立的模式。通过解码过程分离出各个时间点的信号，通常使用Hadamard编码。

混合策略：结合时间编码和顺序策略，使用较小的Hadamard编码矩阵和多个不同的最终PLD，以提高CBF测量的精确度，同时减少运动敏感性。

Look-Locker方法：通过在单个ASL准备后，使用不同的PLD获取多个图像，适用于测量短时尺度的灌注变化。但由于信噪比降低和使用难度，不推荐作为常规使用。

磁共振指纹（MRF）ASL：一种实验性方法，通过获取一系列变化的标签/控制PCASL准备的图像，每个图像含有多个先前准备的贡献。

图4：演示了一个4x3阿达玛编码模式的时间编码的时间解码过程。获得4张编码图像（A、B、C、D，用绿色表示），从中可以解码3张灌注加权图像，每个图像都有不同的标签持续时间和有效的标记后延迟。标签持续时间用橙色和灰色的方框表示，分别表示标签和控制条件。对三张灌注加权图像的解码过程分别显示为右上角、左下角和右下角。对于序列多时间点协议的每个解码灌注加权图像的等效标签持续时间和标记后延迟显示为黑盒。

优化时间：选择适当的标记持续时间（LD）和后标记延迟（PLD）对于精确估计CBF和ATT至关重要。经验选择协议时机存在局限性，CRLB提供了一种客观方法来优化多时间点ASL协议，从而提高测量精度和扫描效率。推荐使用CRLB优化的协议时机，尤其在ATT较长时，以确保测量的准确性。实践中，4-7个时间点足以提供比单PLD采集更高的精度。优化的协议时机针对不同ATT范围的PCASL协议，可在5分钟扫描内完成，并通过开源软件

（https://github.com/physimals/oxasl_optpcasl）进行模拟验证。对于ATT超过2.5秒的情况，可能需要更长的扫描时间或速度选择性ASL。长LD可提高CBF精度，但也可能增加组织T₁对测量的影响，除非单独测量并校正。

表1: 多时间点PCASL协议优化用于CBF和ATT的参数，覆盖两个ATT范围：0.5 - 1.8秒（年轻健康受试者典型的ATT范围）和0.5 - 2.5秒（用于更健壮地应用于老年和临床受试者的扩展ATT范围）。当LD/PLD组合多次重复时，意味着这些定时实际上是通过更多的平均数获得的。对于顺序多LD/PLD协议，每个LD都与有序列表中相应的PLD一起使用，即LD1与PLD1。对于混合协议，相同的三个编码LD用于每个最终PLD。

协议优化设置：最大扫描持续时间=5分钟，T1b=1.65秒，最小PLD=100毫秒，最小/最大LD=50/2300毫秒，500毫秒非ASL时间（读出等），最小可变TR。ATT概率在每个ATT范围内是均匀的，并且ATT分布在每个10毫秒内进行采样。线性递减的ATT概率在ATT范围的任一侧延伸300毫秒，以避免在ATT分布边缘增加测量不确定性。

图5：如表1所示的协议的蒙特卡罗模拟CBF和ATT量化误差。(A)短ATT范围的定量误差，0.5 - 1.8 s；(B)扩展ATT范围的定量误差，0.5 - 2.5 s。混合协议具有最低的模拟CBF错误，而具有与时间编码协议相似的ATT错误。序列协议与时间编码的T1补偿协议具有相似的模拟CBF误差，但通常有较大的ATT误差。RMSE被用作误差的一般测量，因为它是19个测量偏差和SD的组合。数据采用方程中的PCASL信号模型进行模拟和拟合，𝛼= 0.85，𝛼𝐵𝑆= 1，M0a = 1，CBF = 50 mL/100g/min，T1b = 1.65 s。在减除/解码之前，将每个模拟控制/标签/编码的“图像”的2000份副本中添加高斯白噪声。噪声SD为𝑀0𝑎∙1.4∙10−3，相当于ASL信号的38%的噪声SD，或使用LD = PLD = 1.8 s、T1b = 1.65 s和ATT < 1.8 s的单一控制标签差图像的信噪比为2.63。

1.量化模型

在ASL成像中，多时间点数据需通过量化模型处理以估计灌注和ATT。推荐使用一般动力学模型（General Kinetic Model, GKM）进行分析，该模型基于示踪剂稀释理论和动脉输入函数，灵活地纳入多种影响ASL信号的因素。2015年共识推荐的简化模型基于GKM，但多时间点ASL数据需扩展以包含可变的ATT效应。对于未采用血管抑制技术的情况，建议量化模型中包含额外的大血管成分，以准确反映局部灌注。模型拟合通常采用非线性回归方法，如非线性最小二乘法或贝叶斯推断，以结合不同时间点的数据并估计参数。此外，血T₁值的准确测量对灌注估计至关重要，可在血T₁显著偏离正常范围时进行个体测量。

2.模型拟合

在动脉自旋标记（ASL）成像中，多时间点数据的分析要求结合不同时间点的信息并估计多个参数。建议使用非线性回归方法，如非线性最小二乘法或贝叶斯推断，来拟合一般动力学模型（GKM）至数据，从而获取脑血流量（CBF）和 ATT。当未采用血管抑制技术时，推荐在量化模型中纳入额外的大血管成分，以准确反映局部灌注情况。这涉及动脉血容量和动脉血团到达时间等参数的估计。此外，血T₁值的变化对灌注估计具有全局缩放效应，可通过文献值设定或在血T₁显著偏离正常范围时进行个体测量。对于组织T₁值，如果与典型值差异不大，则单独测量组织T₁的价值尚不明确，因为它可能会降低ASL采集的灌注精度。

3.血液T₁的变化

血液T₁对估计的灌注有全局缩放效应，其值可以根据文献值固定，例如3T时为1650毫秒。也可以通过直接测量或使用非成像参数和生理模型来考虑当血液T₁显著偏离正常范围时，例如在贫血或气体挑战时。获取个体特定的血液T₁测量值的价值将取决于应用，但有证据表明，在某些情况下，通过花费一部分可用扫描时间测量血液T₁来减少灌注偏差，可能会超过ASL扫描精度的损失。

4.组织T₁的变化

在动脉自旋标记（ASL）成像中，组织T₁值的准确性对灌注测量至关重要。对于具有较短T₁值的非皮层脑区，如白质、富含铁的深灰质结构，以及可能缩短T₁值的肿瘤或其他病理情况，建议采用Buxton等人提出的单室模型，并分别为血液和组织T₁赋予独立值。这些值可以基于文献中的特定组织值设定，或通过独立的扫描进行测量。尽管在ASL数据的量化过程中可以同时估计组织T₁，但这可能会降低灌注测量的精度和重复性。此外，使用饱和恢复方法的ASL技术，如指纹成像，可以提供与灌注信号解耦的另一组织T₁信息源，但这通常排除了有效背景抑制的使用。因此，在组织T₁值与典型值相差不大的情况下，是否单独测量组织T₁，需权衡其对灌注精度的潜在影响。

5.脉冲分散

在动脉自旋标记（ASL）成像中，标记血团在动脉内的传输常假设为均匀速度轮廓（即栓塞流）。然而，实际情况下，标记血团可能经历血管内弥散，影响ASL信号的时间特征及估计的灌注值。血管内弥散通过改变动脉输入函数的形式，进而影响灌注估计的准确性。多时间点ASL测量可以检测由于弥散引起的信号变化，并通过模型拟合中包含额外的弥散参数来尝试校正，可能在此过程中提供额外的血流动力学信息。弥散效应在动脉血管信号中最为明显，已被用于通过血管造影读数来表征ASL中的弥散。弥散对灌注估计的影响可能很大，但由于弥散效应可能与其他模型参数的变化相似，因此在信号时间过程中检测弥散效应可能具有挑战性。因此，除非有高信噪比和高时间分辨率的数据，否则从ASL组织信号中准确拟合弥散参数是困难的。最广泛使用的弥散模型是伽马血管传输核，它可以通过与上述模型卷积来拟合ASL数据，并且数学上相对简单，仅添加了两个额外的模型参数。在模型拟合算法中实现时，为了避免过拟合的风险，应将弥散参数限制在现实范围内，例如使用贝叶斯先验或固定在文献值上。

6.部分体积效应

动脉自旋标记（ASL）成像易受部分体积效应（PVE）的影响，这是因为不同组织的灌注需求差异以及ASL图像相对于解剖组织变化的空间分辨率较低。PVE校正（PVEc）尤其适用于研究老化和痴呆，因为这些情况下的萎缩会加剧PVE。PVEc算法通常利用高分辨率解剖扫描得到的PV信息。鉴于这类扫描通常在成像研究中已经常规获取，我们鼓励在临床研究和可能同时发生结构和血流动力学变化的研究中，作为额外分析执行PVEc。

由于大脑中每种组织室具有不同的灌注动力学（例如，白质的ATT通常比灰质长），多时间点ASL特别适合PVEc，因为它提供了额外的信息，帮助PVEc算法区分不同的组织贡献。使用多时间点ASL进行的PVEc不仅提供灰质和白质灌注的独立估计，还包括两种组织成分的ATT估计。

7.运动矫正

在动脉自旋标记（ASL）成像中，运动矫正对于减少运动引起的伪影至关重要。ASL技术对运动非常敏感，特别是在进行标签/控制图像的减法处理时。虽然背景抑制（BS）技术可以减少运动的影响，但通常推荐使用运动矫正作为重要的补充策略。运动矫正可以采取预期运动矫正、重建期间的运动矫正或后处理中基于图像的配准形式。在后处理中使用未减去的图像系列进行刚体变换的运动矫正是最常用的方法，因为它广泛可用。然而，对于高效BS的数据，这种运动矫正可能具有挑战性，因为可用于矫正的静态组织信号较少。对于多时间点数据，BS的有效性可能因不同的PLD而异，导致不同时间点的静态组织图像强度和对比度变化，这可能在使用传统的基于图像相似性的运动矫正算法时引起轻微的伪影运动估计。因此，在多时间点ASL中，运动矫正是一个关键步骤，需要仔细考虑以确保数据的准确性。

1.采集持续时间

如2015年共识所述，由于ASL灌注信号很小，ASL依赖于平均值以获得足够的信噪比。对于多时间点ASL，作为一个最低要求，包括5个不同的LD/PLD组合的约2分钟协议可能足以获取定量参数估计。然而，通常建议在3特斯拉进行定量多时间点ASL时，至少使用约4分钟的协议，以便在个体水平上获得可靠的参数估计。

2.质量保证

除了2015年共识推荐的额外质量保证步骤（下面简要总结以供完整），我们还建议对多时间点ASL数据执行以下两个步骤：

（1）检查时间动态。在不同的ASL时间点上滚动是识别短暂工件或意外动态（如AVMs）的最直接的方法，这在最终的CBF和ATT图中可能不那么清楚。这可以通过首先在控制标签减去/解码后对每个时间点的重复获取进行平均，然后通过增加TI（LD+PLD）对它们进行排序来实现。检查个体差异图像可以是一个有用的后续步骤，以检查在给定时间点受影响的图像比例。注意，如果ld和pld都是不同的，那么手动解释信号动态可能会更加复杂。

（2）比较量化的CBF图和ATT图。同时具有低CBF和非常长的ATT（ATT等于或大于最长的PLD）的区域实际上可能被很好地灌注，但使用的最长的PLD太短，无法捕获ASL标签的到来。

总结的2015年共识质量保证建议：

1. 对于PCASL扫描，寻找标记效率较低的区域。

2. 注意总体GM灌注值。

3. 检查有无运动伪影。 

4. 寻找血管内的伪影。 

5. 检查边界区域（分水岭）区域。

3.白质灌注

与GM相比，WM的血流较低，ATT较长，因此测量WM灌注，从而检测WM灌注异常具有挑战性。使用GM的部分容积也可能掩盖GM/WM边界区域的WM灌注信号。与使用单一长PLD相比，多时间点ASL策略经常使用的早期时间点可能不会导致更大的WM灌注信噪比。因此，在WM灌注特别感兴趣的地方，设计用于包括更长的ATT或仅针对WM中所见的一个ATT范围的时间点可能是有益的。在较低的空间分辨率下进行采集，或分析，将体素组合成较低分辨率的元素，可以提高信噪比，而PVEc可用于分离WM信号。

图6：乙酰唑胺给药前后全脑ATT的变化。值得注意的是，尽管两种情况有相似的分水岭边界，但乙酰唑胺(B)后的ATT通常比(A)前短

图7：一个在低级别弥漫性胶质瘤（少突胶质细胞瘤，WHO2级）中进行时间编码的多时间点PCASL采集的例子。最上面一行：肿瘤范围见T2区（高信号区）。T₁+Gd没有增强。计算出的PCASL CBF和ATT图显示，肿瘤区域内有一个高灌注区域，到达时间较短，部分原因是该数据中存在大量的血管内信号贡献，而这里没有建模。这与少突胶质细胞瘤倾向于高度灌注、具有高血容量、不规则但无渗漏的血管系统的发现是一致的。最下面一行：在每个获得的pld上的灌注加权图像。