智能交互式感興趣區(qū)域選取的CEST磁共振圖像分析展示系統(tǒng)

張雪茹 趙映程 張利紅 宋小磊

摘要：化學(xué)交換飽和轉(zhuǎn)移（chemical exchange saturation transfer， CEST）磁共振成像（MRI）是一種新型的磁共振成像對比機(jī)制，可對其他常規(guī)MRI成像模態(tài)中難以檢測到的生化成分，如蛋白質(zhì)、肽類、糖和關(guān)鍵代謝小分子等實現(xiàn)靈敏、特異的非侵入性活體成像?；铙wCEST成像需要經(jīng)過較為繁瑣的后處理步驟，特別是人工勾畫ROI存在著效率低、誤差大和主觀性等缺點(diǎn)。文中以Matlab GUI作為工具，建立了一套智能交互式ROI選取及Z譜分析展示系統(tǒng)。該系統(tǒng)基于區(qū)域生長算法及ASM算法實現(xiàn)了半自動與自動選取不同類型CEST 對比圖像ROI的功能，提升了CEST量化分析效率和準(zhǔn)確度。在此基礎(chǔ)上，還將CEST數(shù)據(jù)后處理的B0校正及Z譜擬合等全套流程集成為一個模塊，從而為研究人員應(yīng)用CEST MRI進(jìn)行臨床和預(yù)臨床研究提供了便利條件。

關(guān)鍵詞：磁共振成像；化學(xué)交換飽和轉(zhuǎn)移；ROI選??；區(qū)域生長算法；ASM算法

中圖分類號：

DOI：10.16152/j.cnki.xdxbzr.2020-04-009開放科學(xué)（資源服務(wù)）標(biāo)識碼（OSID）：

CEST magnetic resonance image analysis and display system

based on intelligent interactive region of interest selection

ZHANG Xueru1，2， ZHAO Yingcheng1，2， ZHANG Lihong1，2， SONG Xiaolei1，2

（1.School of Information Science and Technology， Northwest University， Xi′an 710127， China;

2.Xi′an Key Lab of Radiomics and Intelligent Perception， Northwest University， Xi′an 710127， China）

Abstract： Chemical exchange saturation transfer （CEST） magnetic resonance imaging （MRI） is a new type of magnetic resonance imaging contrast mechanism.This imaging technology can achieve sensitive and specific in vivo imaging of biochemical components that are difficult to detect in other conventional MRI imaging modes，? such as proteins， peptides， sugars， and key metabolic small molecules.In vivo CEST imaging requires more cumbersome post-processing steps. In particular， manually delineating ROI has the disadvantages of low efficiency， large error， and subjectivity. This article uses Matlab GUI as a tool to establish a set of intelligent interactive ROI selection and Z spectrum analysis and display system. Based on the area growth algorithm and the ASM algorithm， the system realizes the function of semi-automatically selecting different types of CEST to compare image ROI， which improves the efficiency and accuracy of CEST quantitative analysis. On this basis， the B0 correction of CEST data post-processing， Z spectrum fitting and other complete processes are integrated into a module， which provides convenient conditions for researchers to use CEST MRI for clinical and pre-clinical research.

Key words： magnetic resonance imaging； chemical exchange saturation transfer； ROI selection； region growing algorithm； ASM algorithm

在MRI［1］中，通常需要使用磁共振對比劑（MRI contrast agent）來增強(qiáng)圖像的對比度，但大多數(shù)的對比劑，如廣泛應(yīng)用于臨床的金屬釓對比劑具有毒性以及腦殘留等危害。盡管MR譜技術(shù)（MRS）可檢測腫瘤等疾病中特定生化成分的改變，但其固有的低靈敏度極大地限制了其臨床應(yīng)用。2000年左右，Ward等人提出了化學(xué)交換飽和轉(zhuǎn)移（chemical exchange saturation transfer，CEST）磁共振成像［2］，通過水信號的變化可以間接獲得生物體內(nèi)可交換質(zhì)子的含量。其原理是采用飽和脈沖標(biāo)記具有特定共振頻率的可交換質(zhì)子，然后利用被飽和質(zhì)子和自由水中的氫質(zhì)子的化學(xué)交換來放大信號，使用MRI技術(shù)來檢測水信號的變化。近年來的研究證明，CEST技術(shù)可以被用來檢測蛋白質(zhì)、肌酸［3］、葡萄糖［4-5］和水楊酸類似物［6］等，具有廣泛的研究與應(yīng)用價值。

為了更直觀準(zhǔn)確地觀察分析被測組織或樣品的CEST信號，通常采集若干幅不同飽和頻率（Δω）的圖像，分析時選取圖像的某一感興趣區(qū)域，繪出其信號隨Δω變化的曲線，即Z譜（Z-spectrum）［7-8］。Z譜可以直觀地反應(yīng)樣品或組織的CEST特性，也是進(jìn)一步量化提取CEST信號的基礎(chǔ)。Z譜中除了CEST峰，還包含直接水飽和（direc saturation，DS）和固態(tài)大分子的磁化轉(zhuǎn)移（magnetization transfer， MT）干擾，通常使用非對稱磁化轉(zhuǎn)移率（magnetization transfer ratio asymmetry analysis，MTRasym）來去除關(guān)于水頻率對稱的DS和MT。表達(dá)式如下：

MTRasym（Δω）=［Ssat（-Δω）-Ssat（+Δω）］S0。（1）

本文建立了一套智能交互式感興趣區(qū)域選取的CEST磁共振圖像分析展示系統(tǒng)，該系統(tǒng)包括了CEST MRI的整個后處理流程，并集成了基于區(qū)域生長算法和ASM算法的ROI選取模塊，為應(yīng)用CEST MRI進(jìn)行臨床研究提供方便。

1 相關(guān)方法

在采集到CEST MRI數(shù)據(jù)之后，通常需要進(jìn)行一系列的后處理，如B0場校正，逐像素Z譜插值，然后計算CEST量化圖，如常用的MTRasym和洛倫茲差［9］，及本課題組提出的用高斯和洛倫茲加權(quán)線型來代表DS和MT的量化方法［10］（圖1）。接著，需要在CEST量化圖上提取感興趣區(qū)域（ROI）進(jìn)一步進(jìn)行Z譜展示和量化分析。本系統(tǒng)使用Matlab將上述后處理步驟整合在一個GUI界面上。其中，ROI分析或是根據(jù)CEST量化圖上的對比提取出來，或是基于組織本身解剖結(jié)構(gòu)提取出來。根據(jù)這兩種ROI提取特點(diǎn)，本系統(tǒng)提供對應(yīng)的兩種選取ROI的方法，一種是基于區(qū)域生長算法半自動選取初始種子點(diǎn)生長出ROI，或和圖像強(qiáng)度結(jié)合自動確定初始種子點(diǎn)選取ROI。以腫瘤數(shù)據(jù)為例，使用該方法可以準(zhǔn)確地選取出病灶區(qū)域，滿足不同的研究需要。采用人工交互選擇不同ppm下的MTRasym圖像進(jìn)行ROI選取（對應(yīng)不同分子信號來源），并且可以根據(jù)需求自由設(shè)定停止生長閾值，最后繪制出所選ROI的Z譜。另外一種方法是使用主動形狀模型（active shape model，ASM）方法選取CEST MRI圖像中基于解剖結(jié)構(gòu)的ROI。以小鼠腦部CEST MRI圖像為例，使用該算法能夠根據(jù)鼠腦解剖結(jié)構(gòu)半自動選取出CEST分析所需的ROI，在減少工作量的同時也提升了選取ROI的準(zhǔn)確度。

1.1 區(qū)域生長算法模塊

區(qū)域生長算法的核心思想是把圖像內(nèi)具有連續(xù)性質(zhì)的像素聚集起來構(gòu)成一個完整的區(qū)域［11］。首先，對需要生長的區(qū)域指定一個初始種子點(diǎn)，并根據(jù)圖像特點(diǎn)制定合適的相似性準(zhǔn)則和生長停止閾值。然后，將種子點(diǎn)周圍的像素點(diǎn)與種子點(diǎn)進(jìn)行比較，將具有相似性質(zhì)的點(diǎn)合并起來繼續(xù)向外生長，直到?jīng)]有滿足條件的像素被包括進(jìn)來為止。

1）初始種子點(diǎn)的選取

傳統(tǒng)的區(qū)域生長算法中，一般由專業(yè)人員在目標(biāo)區(qū)域內(nèi)手動選取初始種子點(diǎn)，這種選取方式的缺點(diǎn)是復(fù)現(xiàn)率較低、耗時較長，且需要具備充足的先驗知識。因此，本文根據(jù)圖像特點(diǎn)，提出自動選取初始種子點(diǎn)的方法。使用3×3的矩陣遍歷圖像，尋找到平均值最大的區(qū)域，取其中心位置的坐標(biāo)點(diǎn)作為初始種子點(diǎn)進(jìn)行區(qū)域生長。

2）生長準(zhǔn)則的制定

本文實驗生長準(zhǔn)則的表達(dá)式為

|f（u，v）-M|≤T。（2）

其中：f（u，v）代表鄰域內(nèi)像素點(diǎn)的灰度值；M代表已生長區(qū)域中所有像素點(diǎn)灰度值均值；T代表根據(jù)先驗知識制定的停止生長閾值。對種子點(diǎn)的4鄰域像素進(jìn)行判定，如果存在滿足生長準(zhǔn)則的像素點(diǎn)，將其合并到已生長區(qū)域，否則將被排除。閾值T根據(jù)多次實驗制定，本文中閾值T為0.035。

3）形態(tài)學(xué)處理

為了消除已生長區(qū)域中存在的空洞，本文使用形態(tài)學(xué)處理中的閉運(yùn)算對生長結(jié)果進(jìn)行處理，閉運(yùn)算操作就是先膨脹再腐蝕，閉運(yùn)算公式為

A·B=（AB）B。（3）

1.2 ASM算法模塊

ASM算法，即主動形狀模型［12-13］。ASM算法的基本思想是首先手動標(biāo)記目標(biāo)輪廓，得到訓(xùn)練集的點(diǎn)分布模型（PDM），對齊PDM并建立全局形狀模型，然后建立局部灰度模型。接下來進(jìn)行ASM搜索，通過搜索得到最終輪廓。

1）建立全局形狀模型

本文實驗的訓(xùn)練集共包含N幅圖像，每個樣本上選擇n個特征點(diǎn)建立點(diǎn)分布模型，表達(dá)式為

Xi=［xi1，yi1，xi2，yi2，…，xik，yik，…，xin，yin］T，i=1，2，…，N。（4）

在對訓(xùn)練集下的所有圖像建立起PDM模型后可以獲得樣本訓(xùn)練集。表達(dá)式為

Ω=｛X1，X2，…，XN｝。（5）

為了消除一些“非形狀”信息帶來的干擾，本文中使用Procrustes分析算法對齊PDM模型。對齊之后，平均形狀向量用式（6）計算，

=1N∑Ni=1Xi。（6）

對齊訓(xùn)練集之后，為了消除冗余信息，提取出有效特征，采用主成分分析（principal components analysis，PCA）進(jìn)行降維［14］。

首先，計算出訓(xùn)練集的協(xié)方差矩陣，將求得的特征值從小到大排列，然后，選取前t個特征值，選取特征值時應(yīng)滿足以下條件：

∑ti=1λi∑2ni=1λi≥η，（7）

η為95％～98％時符合我們的需求，選取前t個特征值對應(yīng)的特征向量。

ASM模型可以表示為

x≈+Pb。? （8）

其中， P為特征向量組成的矩陣， b為形狀參數(shù)，通過改變b的各分量可以產(chǎn)生新的形狀。 一般通過λi來規(guī)定b的范圍， 通常規(guī)定-3λi≤bi≤3λi。

2）建立局部灰度模型

為了得到每個特征點(diǎn)的局部灰度特征，還需要建立局部灰度模型。以選取第i幅圖像的第j個特征點(diǎn)為例，首先，確定j點(diǎn)的法線方向，然后，沿著法線方向在特征點(diǎn)j的兩邊分別選取m個候選點(diǎn)，共得到2m+1個特征點(diǎn)，最后，計算出每個特征點(diǎn)的局部特征。特征點(diǎn)j的平均灰度為Gj，協(xié)方差矩陣為Sj，馬氏距離公式為

fsim=（G′-Gj）TSj-1（G′-Gj）。? （9）

3）ASM搜索

首先，根據(jù)先驗知識設(shè)定旋轉(zhuǎn)角度等參數(shù)，得到初始模型；其次，計算初始模型每個特征點(diǎn)的新位置；接著，計算姿態(tài)參數(shù)和形狀參數(shù)；最后，對姿態(tài)參數(shù)和形狀參數(shù)進(jìn)行更新，當(dāng)其變化不大或者迭代次數(shù)達(dá)到設(shè)定的閾值時，該搜索過程結(jié)束，得到最終的形狀。

1.3 系統(tǒng)整體功能框架及用戶界面設(shè)計

CEST整個后處理流程如圖1所示。主要包括導(dǎo)入數(shù)據(jù)、使用WASSR數(shù)據(jù)對B0場進(jìn)行校正［15］、閾值去噪、插值、量化分析生成對比度較高的MTRasym圖像、選取ROI及擬合Z譜等功能。

圖2是系統(tǒng)的操作界面，分為3個區(qū)域，左側(cè)是圖像展示區(qū)，右側(cè)是功能按鈕區(qū)，左上角是菜單欄。按鈕區(qū)分為3個部分，包括CEST數(shù)據(jù)預(yù)處理、區(qū)域生長算法模塊和ASM算法模塊。在程序運(yùn)行的過程中，界面的左邊會顯示每一步得到的結(jié)果。本實驗中得到的每幅圖像都需要進(jìn)行保存，按Save按鈕即可保存，按Exit按鈕可關(guān)閉系統(tǒng)。

2 實驗結(jié)果

以小鼠的腦腫瘤數(shù)據(jù)處理為例，對文章系統(tǒng)的實現(xiàn)效果進(jìn)行實驗展示，本文實驗數(shù)據(jù)與文獻(xiàn)［8］相同。B=11.7 T，飽和脈沖強(qiáng)度B1分別為0.8 μT，1.2 μT；二維切片圖像大小為96×64；視角場（FOV）為1.7×1.4 cm2；Z譜的頻率范圍是-6ppm到6ppm，以0.25ppm為間隔；切片層厚為1.2 mm；WASSR圖像通過弱飽和脈沖（B1=0.5 μT， tsat=500 ms）以0.1ppm為間隔從-1ppm增大至1ppm逐頻率掃描得到。系統(tǒng)實現(xiàn)效果的展示包括區(qū)域生長算法和ASM算法兩個部分，其中，使用區(qū)域生長算法選取ROI是在MTRasym圖像上進(jìn)行的，因此，該部分展示了整個CEST MRI數(shù)據(jù)的后處理流程。而ASM算法部分所采用數(shù)據(jù)則是實驗中采集到的9只小鼠頭部WASSR圖像。

2.1 基于區(qū)域生長算法實現(xiàn)腫瘤小鼠CEST MRI圖像的ROI自動選取

本節(jié)實驗數(shù)據(jù)為B1=1.2 μT的環(huán)境下采集到的腫瘤鼠數(shù)據(jù)。通過預(yù)處理得到MTRasym圖像，接著執(zhí)行在MTRasym圖像上使用改進(jìn)的區(qū)域生長算法選取ROI的操作，由于不同的研究需求，可能需要在不同ppm處的MTRasym圖像上選取ROI，因此，在此處設(shè)計了人工交互用于根據(jù)研究需求選取不同ppm處的MTRasym圖像，此處以B1為1.2μT時采集到的數(shù)據(jù)處理得到的3.5ppm處的MTRasym圖像為例，圖3展示了選取ROI操作過程中8個瞬時畫面。

圖3（a）展示了選取的3.5ppm處MTRasym圖像的灰度圖，使用改進(jìn)的自動選取種子點(diǎn)的方式選取初始種子點(diǎn)；圖3（b）中的黑色圓點(diǎn)代表選取的初始種子點(diǎn)，為滿足不同的研究需要，設(shè)計了人工交互設(shè)定生長停止閾值；圖3（c）展示的彈出框用于填寫停止生長閾值；圖3（d）展示了區(qū)域生長算法生長出的腫瘤區(qū)域，黑色圓點(diǎn)代表種子點(diǎn)，采用改進(jìn)的選取種子點(diǎn)的方式自動選取得到；圖3（e）展示了腫瘤區(qū)域及其鏡像（正常組織）；圖3（f）展示了腫瘤區(qū)域及其鏡像作為ROI擬合出的Z譜，ROI1代表腫瘤區(qū)域，ROI2代表腫瘤區(qū)域的鏡像，即正常組織；圖3（g）展示了腫瘤邊緣組織，種子點(diǎn)由手動選取得到；圖3（h）展示了腫瘤邊緣組織擬合出的Z譜。由Z譜可以看出，腫瘤組織擬合出的Z譜在2ppm和3.5ppm處表現(xiàn)出明顯的CEST峰，而腫瘤邊緣組織和正常組織的CEST峰較不明顯。

使用改進(jìn)的區(qū)域生長算法可以進(jìn)一步細(xì)分腫瘤內(nèi)部結(jié)構(gòu)，以B1為0.8 μT和1.2 μT的實驗數(shù)據(jù)為例，可以得到如圖4所示的實驗結(jié)果。圖5展示了當(dāng)種子點(diǎn)選取在不同的位置時，使用改進(jìn)的區(qū)域生長算法可以選取出腫瘤數(shù)據(jù)的不同組織結(jié)構(gòu)，圖4（a）和圖4（b）中上方的兩幅插圖中，左邊插圖中黑色線框內(nèi)部是腫瘤邊緣區(qū)域，右邊插圖中藍(lán)色線框內(nèi)部是腫瘤內(nèi)核區(qū)域，紅色線框內(nèi)部是腫瘤內(nèi)核區(qū)域的鏡像，代表的是正常組織。黑色圓點(diǎn)代表的是初始種子點(diǎn)。藍(lán)色、紅色和黑色曲線分別代表的是腫瘤內(nèi)核區(qū)域、正常組織和腫瘤邊緣組織的Z譜。使用三頻偏方法量化不同組織的CEST效應(yīng)，圖4（c）展示了計算出的三頻偏值，可以看出，腫瘤區(qū)域的三頻偏值較高，正常組織和腫瘤邊緣組織的三頻偏值較低，說明不同組織的CEST效應(yīng)不同，因此，使用改進(jìn)的區(qū)域生長算法可以根據(jù)種子點(diǎn)的位置細(xì)分腫瘤的不同結(jié)構(gòu)。

由實驗結(jié)果可以看出，通過將區(qū)域生長算法集成到系統(tǒng)，將使得利用區(qū)域生長算法選取ROI的工作變得更加簡單和易于操作，更有利于缺乏先驗知識的研究人員參與到關(guān)于CEST MRI技術(shù)的研究中來。在提升選取ROI效率的同時也保證了選取ROI的準(zhǔn)確度。通過人機(jī)交互選擇需要處理的圖像和根據(jù)圖像特點(diǎn)設(shè)置停止生長閾值滿足了不同研究人員的需求。

2.2 基于ASM算法根據(jù)解剖結(jié)構(gòu)在CEST MRI圖像中選取ROI

該部分實驗中，訓(xùn)練集包含6只小鼠頭部WASSR圖像，測試集包括3只小鼠頭部WASSR圖像。在系統(tǒng)操作面上，按鈕區(qū)的右側(cè)功能按鈕代表ASM算法的整個流程。篇幅所限，僅展示使用ASM算法選取小鼠腦部右側(cè)紋狀體。圖5展示了操作過程中4個瞬時畫面。

圖5（a）展示了一幅訓(xùn)練圖像的灰度圖上標(biāo)定好的輪廓點(diǎn)，紅色“*”代表關(guān)鍵點(diǎn)，綠色“*”代表普通點(diǎn)；根據(jù)研究需求，設(shè)計了人工交互填寫初始角度，如圖5（b）所示，即為填寫初始角度的彈出框；圖5（c）展示調(diào)整好的初始位置；圖5（d）展示了經(jīng)過ASM搜索得到的最終輪廓形狀。

由實驗結(jié)果可以看出，將ASM算法集成到ROI選取系統(tǒng)，提高了工作效率，同時增加了選取ROI的準(zhǔn)確度。

3 結(jié) 語

作為一種新興的MRI分子成像方法，CEST MRI具備探針種類多、靶向性、高靈敏性、高對比度等多種優(yōu)勢，在國內(nèi)外受到廣泛關(guān)注，是當(dāng)下分子影像技術(shù)研究人員研究的熱點(diǎn)之一。然而在將CEST MRI應(yīng)用于臨床診斷的過程中，仍然存在著諸多亟待解決的問題。如常規(guī)的CEST后處理流程較為繁瑣，對人工選取ROI的要求較高等。這些問題不僅會產(chǎn)生不菲的時間成本，而且可能對后續(xù)分析過程的精確度產(chǎn)生影響。針對以上問題，本文借助工程計算軟件Matlab建立了一套 ROI選取系統(tǒng)，該系統(tǒng)成功實現(xiàn)了區(qū)域生長算法模塊和ASM算法模塊選取ROI，同時將CEST數(shù)據(jù)后處理流程中的各項功能整合在程序中，可以為臨床醫(yī)生和醫(yī)學(xué)影像研究工作者進(jìn)行CEST MRI研究提供便利，推進(jìn)CEST MRI技術(shù)應(yīng)用于臨床診斷的步伐。

參考文獻(xiàn)：

［1］ 趙喜平. 磁共振成像［M］.北京：科學(xué)出版社， 2004.

［2］ WARD K M， ALETRAS A H， BALABAN R S. A new class of contrast agents for MRI based on proton chemical exchange dependent saturation transfer （CEST）［J］.Journal of Magnetic Resonance， 2000， 143（1）：79-87.

［3］ CAI K， SINGH A， POPTANI H， et al. CEST signal at 2 ppm （CEST@2ppm） from Z-spectral fitting correlates with creatine distribution in brain tumor［J］. NMR in Biomedicine， 2015， 28（1）：1-8.

［4］ YADAV N N， XU J， BAR-SHIR A， et al. Natural D-glucose as a biodegradable MRI relaxation agent［J］. Magnetic Resonance in Medicine， 2014， 72（3）：823-828.

［5］ WALKER-SAMUEL S， RAMASAWMY R， TORREALDEA F， et al. In vivo imaging of glucose uptake and metabolism in tumors［J］. Nature Medicine， 2013， 19（8）：1067-1072.

［6］ SONG X L， WALCZAK P， HE X W， et al. Salicylic acid analogues as chemical exchange saturation transfer MRI contrast agents for the assessment of brain perfusion territory and blood-brain barrier opening after intra-arterial infusion［J］. Journal of Cerebral Blood Flow ＆ Metabolism， 2016， 36（7）：1186-1194.

［7］ ZHOU J Y， ZIJL P C M V. Chemical exchange saturation transfer imaging and spectroscopy［J］. Progress in Nuclear Magnetic Resonance Spectroscopy， 2006， 48（2）：109-136.

［8］ 閆爽， 李明利， 金征宇. 化學(xué)交換飽和轉(zhuǎn)移技術(shù)原理及應(yīng)用進(jìn)展［J］.磁共振成像， 2016， 7（4）：241-248.

YAN S， LI M L， JIN Z Y. Principle and application progress of chemical exchange saturation transfer （CEST） technique［J］.Magnetic Resonance Imaging， 2016，7（4）：241-248.

［9］ ZHANG X Y， WANG F， LI H， et al. Accuracy in the quantification of chemical exchange saturation transfer （CEST） and relayed nuclear Overhauser enhancement （rNOE） saturation transfer effects［J］. NMR in Biomedicine， 2017，30（7）：e3716.

［10］ZHANG L H， ZHAO Y C， CHEN Y R， et al.Voxel-wise optimization of pseudo Voigt profile （VOPVP） for Z-spectra fitting in chemical exchange saturation transfer （CEST） MRI［J］. Quantitative Imaging in Medicine and Surgery， 2019， 9（10）： 1714-1730.

［11］ZUCKER S W. Region growing： Childhood and adolescence［J］.Computer Graphics and? Image Processing， 1976， 5（3）：382-399.

［12］COOTCS T F， TAYLOR C J. Active shape models：A review of recent work［J］.Cootes TF Taylor CJ，1995.

［13］COOTES T F， TAYLOR C J. Combining point distribution models with shape models based on finite element analysis［J］. Image and? Vision Computing， 1995， 13（5）：403-409.

［14］ZHAO L Y， JIA K B. The PCA-Demons algorithm for medical image registration［C］∥2014 Tenth International Conference on Intelligent Information Hiding and Multimedia Signal Processing （IIH-MSP）. Kitakyushu：IEEE， 2014：207-210.

［15］KIM M， GILLEN J， LANDMAN B A， et al. Water saturation shift referencing （WASSR） for chemical exchange saturation transfer （CEST） experiments［J］.Magnetic Resonance in Medicine， 2009，61（6）：1441-1450.

（編 輯 李 靜）