GENERALIZED AUTOCALIBRATING PARTIALLY
PARALLEL ACQUISITION (GRAPPA)
GRAPPA, a differenza di SENSE, cerca di rigenerare e dati delle linee di codifica di fase che sono state lasciate fuori dal K spazio al fine di accelerare l’acquisizione di MRI. Una volta che sono state
ripristinate le linee mancanti viene applicata la trasformata di Fourier per arrivare all’immagine finale. Poiché questo metodo è applicato ai raw data del K spazio, si dice che GRAPPA lavora nel dominio delle frequenze attraverso il sottocampionamento del K spazio mentre SENSE lavora nel dominio dell’immagine attraverso l’aliasing dell’immagine stessa.
L’idea alla base di GRAPPA è quella di utilizzare porzioni di K spazio acquisito per calcolare porzioni non acquisite.L'intensità del segnale in ogni punto dell’immagine acquisita utilizzando una bobina ricevente, viene moltiplicata o ponderata con il relativo profilo di sensibilità della bobina. La conseguenza di questo, all’interno del K spazio è una spalmatura di informazioni tra i punti del K spazio vicini tra loro. Lo stesso modello di spalmatura si ritrova in tutto il K spazio. GRAPPA si basa sull’idea che a causa di questa spalmatura, alcuni dati contenuti in un qualsiasi punto del K spazio, sono contenuti anche nei punti vicini. Pertanto, qualsiasi punto di dati mancante può essere recuperato combinando in modo appropriato i punti adiacenti.Grappa viene ampiamente utilizzato in ambito clinico e sono state implementate varie versioni di questo algoritmo. Poiché questo metodo non si basa su una conoscenza esatta della sensibilità della bobina, GRAPPA risulta più robusto in tutti quei casi in cui potrebbe essere difficile ottenere una buona mappa di sensibilità della bobina, come ad esempio in quelle aree a basso segnale o in regioni soggette ai movimenti del paziente. Inoltre GRAPPA può portare ad immagini con meno artefatti quando l’aliasing dell’immagine si trova al centro del FOV dell’immagine. GRAPPa è anche flessibile riguardo ai parametri quali il numero di linee dellACS o le dimensioni del Kernel che possono essere regolate per generare un miglior risultato in ogni scenario di imaging. Come regola generale un aumento delle dimensioni dell’ACS determina una più accurata stima dei pesi GRAPPA, anche se ciò comporta un aumento dei tempi di acquisizione. Anche un aumento del Kernel può portare una misura più precisa per i punti di destinazione, ma un eccessivo aumento determina il fatto che non ci saranno sufficienti ripetizioni del Kernel tramite l’ACS per una accurata stima dei pesi.
Come in tutti i sistemi di imaging parallelo, il SNR di una ricostruzione GRAPPA dipende dal fattore di accelerazione R, e dalle caratteristiche di rumore spazialmente variabile , quantificato dal g factor GRAPPA. Come il g factor di SENSE, il g factor di GRAPPA descrive inoltre la perdita di SNR dell’immagine ricostruita pixel per pixel: A differenza del g factor di SENSE, che deriva dalla conoscenza esplicita dei profili di sensibilità della bobina, il g factor GRAPPA è calcolato utilizzando i pesi GRAPPA. Mentre il GRAPPA g factor e il SENSE g factor non sono identici, poiché le tecnche non sono le stesse, essi tendono ad essere molto simili a quello del g factor originato dalla sensibilità della bobina, e vengono usati in modo similare in entrambe i metodi.