4.1 组织对比度加权（T1, T2, PD Weighting）

4.1 组织加权：TR与TE的配方程式

同一颗脑，扫三遍得到三张截然不同的图：第一张里脑脊液黑、白质亮；第二张里脑脊液白如漆、病灶浮出水面；第三张里灰白质几乎无差别、一切由水量说话。组织没变，变的是 TR 与 TE 的组合。本节把这套"配方程式"推导清楚：权重不是玄学，是弛豫时间常数与观测窗口的比值关系。

三张经典配方的推导

先写下 SE 族的信号公式：S ∝ ρ·(1 − e^(−TR/T1))·e^(−TE/T2)。三个因子各管一摊：ρ 是质子密度，永远在场；第一个括号里的 T1 因子由 TR 控制；指数项的 T2 因子由 TE 控制。加权就是让某个因子主导灰阶、其余因子被"摊平"。

T1 加权：把 TR 压短（300-700 ms）。短 TR 下，短 T1 组织（脂肪、强化组织）恢复快、每次激发本钱厚，长 T1 组织（脑脊液、水肿）恢复慢、本钱薄——T1 差异被放大成亮度差。TE 必须同时压短（<30 ms），否则 T2 因子掺进来搅局。T2 加权：把 TR 拉长（3000 ms 以上），让所有组织基本回满本钱，T1 因子趋近 1 被摊平；再把 TE 拉长（80 ms 以上），长 T2 组织（脑脊液、缓慢水肿）衰减少、显得亮，短 T2 组织（韧带、钙化）先衰减、显得暗。质子密度加权：长 TR + 短 TE，两个弛豫因子同时被摊平，亮度只剩 ρ 说话——关节软骨、脊髓这类检查的对比度基础。

混合权重：缺陷还是特性

教科书公式里的"纯加权"是理想边界，现实参数总在三角里取折中。短 TR 的 T1 加权里，若 TE 偏长，短 T2 结构的暗化会叠加进来；长 TR 的 T2 加权里，T1 因子虽然趋近 1 但从未精确等于 1，长 T1 组织仍略吃亏。识别混权是读图与调参的共同技能：看到"脂肪亮 + 脑脊液黑"先按 T1 权重想，看到"脑脊液亮 + 脂肪暗"按 T2 想，两者都套不上时再考虑 PD 或 IR 类反常权重。

混权也可以主动利用。梯度回波的短 TR 稳态序列里，信号权重是 T1 与 T2* 的乘积型混合，设计者可以通过翻转角连续调节混合比例——翻转角增大滑向 T1，减小滑向 PD/T2*。这种"旋钮连续调音"的能力是 SE 族给不了的（SE 的 TR 翻转是离散档位）。

转动旋钮的后果链

TR 增大的代价是时间线性上涨，T2 加权因此天然昂贵——TSE（3.1）用回波链分摊这笔账，T2 加权才能在临床时间预算内普及。TE 增大的代价是信号指数下降、SNR 恶化，且读数窗拉长后磁化率伪影抬头；长 TE 的极限用法是 GRE 上的 SWI（30-40 ms）与 T2* mapping 的多回波链。场强切换则让整张配方表平移：3T 下所有 T1 拉长约 30-40%，原 1.5T 的 T2 加权到 3T 要重调 TR/TI，脑脊液在 FLAIR 里的零点就是典型例子（3.3 已推演）。

一个完整的参数推演案例

背景：垂体微腺瘤筛查，病灶（增强后延迟充盈）与正常垂体在平扫上信号接近，需要最大 CNR 的平扫序列。操作：正常垂体 T1 约 800 ms，微腺体病灶 T1 略长；选 T1 加权 TSE，TR 500 ms 让 T1 差异最大化放大（比值 1−e^(−500/800) ≈ 0.47 vs 0.44，虽然数值接近，但已是短 TR 能给的最大杠杆）；TE 15 ms 避免掺入 T2*；层厚 3 mm、矩阵 320、NEX 2 保 SNR。结果：病灶在平扫上呈相对低信号，增强后复查证实位置一致。解读：微腺瘤的检出靠的是把微小的 T1 差异用短 TR 杠杆撬大，而不是靠分辨率。变式：动态增强方案改为每 20 秒全垂体采集，用 GRE 短 TR（2.4 ms）+ 小角度（10°）替代 TSE——牺牲静态 CNR 换时序信息，这是 4.3 与第五章思想的预演。

边界与坑

第一个坑：用"水是亮的"反推加权。脑脊液在 T2 上亮、在 T1 上黑、在 FLAIR 上黑、在 bSSFP 上亮——"水的亮度"是四种机制的合成结果，不是加权类型的判据。第二个坑：把 B₁ 不均匀导致的亮度梯度当成 T1 对比。标称 90° 在偏离线圈中心处可能只有 70°，同层内对比度漂移，此时应怀疑激发而非组织。第三个坑：抄参数不抄条件。任何 TR/TE 配方都绑定场强、线圈与组织 T1 的具体数值，跨机器移植必须重算，没有"通用 T2 加权参数"这种东西。

用CNR做协议体检

把对比度选择从经验升级为核算，工具是 CNR 表：列出目标结构对（比如病灶与正常白质）各自的信号公式，代入候选 TR/TE 组合，算出 |S₁−S₂|/σ 的预测值，做成分数排出来。这个练习的价值不在于数字多精确，而在于它强迫你把"习惯参数"换成"目标参数"：某协议二十年用 TR 500，体检发现目标病灶对的 CNR 峰值其实在 TR 650——因为两类组织 T1 的比值关系在某个 TR 下杠杆最大。体检表的第二列还应该放 SNR 预测，CNR 与 SNR 的乘积才是最终的可读性度量。做一次全协议的 CNR 体检，通常能找出两三处"凭习惯在扫"的条目，这比任何新序列都便宜。

混合权重的定量拆解

混权不只是读图注意点，也可以做定量拆解：把信号公式按三个因子的贡献率分解，算出每个因子对最终信号差的百分比贡献。以灰白质对比为例：某 GRE 参数下 T1 因子贡献 55%、质子密度贡献 30%、T2* 贡献 15%——这张贡献表直接告诉你调哪个旋钮收益最大。拆解的另一用途是"反向溯源"：拿到一张对比度不符合预期的图像，先算三个因子的理论贡献，与实测灰度差对照，偏差最大的因子就是问题所在（T2* 贡献远超预期，往往意味着磁化率效应混入）。贡献表做好后存成协议附件，新人读协议时不再需要背"短TR短TE是T1加权"的口诀，而是能看到每个参数在每个因子上的具体投入。

本节要点回顾：信号公式三因子对三权重；配方是比值关系不是经验数字；混权可识别可利用。下一节处理最常见的设计需求——让脂肪闭嘴。