-
Dynamic and precise measurement of cerebral blood flow velocity plays a critical role in neuroscience and the diagnosis of cerebrovascular diseases. Traditional color Doppler ultrasound can only measure the velocity component along the ultrasound beam, thus limiting its ability to accurately capture the full blood flow vector in complex environments. To break through these limitations, we propose an ultrafast pulse-coded vector Doppler (PC-UVD) imaging method, by using Hadamard matrix pulse encoding to enhance velocity estimation accuracy in low signal-to-noise ratio (SNR) conditions. Our study includes spiral flow simulations and in vivo rat brain experiments, which demonstrate significantly improved measurement precision compared with traditional ultrafast vector Doppler (UVD). This novel approach can measure dynamic cerebral blood flow velocity within a single cardiac cycle, presenting insights into cerebrovascular resistivity characteristics. The proposed PC-UVD method encodes plane waves with Hadamard matrices and can increase SNR without sacrificing temporal or spatial resolution. Velocity vectors are then estimated using a weighted least squares (WLS) approach, where iterative residual-based weight optimization enhances robustness to noise and reduces contributions of outliers. The effectiveness of this technique is validated through simulations using a spiral blood flow phantom, indicating a substantial improvement in velocity estimation accuracy, especially in deep imaging regions with significant signal attenuation. In vivo experiments on rat brains further corroborate that the proposed method has higher accuracy than existing UVD approaches, especially for small vessels. Notably, our method can accurately distinguish between arterial flow and venous flow by analyzing pulsatility and resistivity within the cerebral vascular network. This work demonstrates the potential of PC-UVD in complex vascular imaging, providing high SNR, high temporal and spatial resolution, and accurate vectorized flow measurements. Our results highlight its ability to non-invasively evaluate hemodynamic parameters and its potential application in the diagnosis of cerebrovascular diseases, particularly in small vessels. -
Keywords:
- vector Doppler imaging /
- blood flow velocity /
- flow resistivity /
- ultrafast ultrasound /
- pulse code
1. 简 介
量子色动力学(QCD)是描述夸克胶子相互作用的基本理论, 其核心是非阿贝尔的规范场论. QCD理论的两大基本特征是渐进自由和色荷禁闭, 但目前还不能清楚地从基本理论出发解释微扰QCD理论中的渐进自由态(带色荷的夸克与胶子)是怎样形成实验中观测到的色荷禁闭的粒子(色单态的强子). 色荷的禁闭超出了微扰理论的范畴, 必然源自非微扰动力学, 而后者被普遍认为源自QCD真空的拓扑结构. 微扰理论往往忽略掉QCD的一个重要特征, 即非阿贝尔规范群的紧致性, 以至于对系统的基态都难以描述. 紧致的SU(3)规范群允许胶子场产生非平凡的拓扑形态, 从而改变真空结构, 例如θ-真空理论描述了一个无穷多真空态的集合, 其中元素具有彼此不同的拓扑形态, 并通过量子隧道效应互相跃迁[1-3]. 很有可能正是QCD的拓扑效应导致了手征对称性破缺[4]以及色荷的禁闭[5].
QCD真空态可以存在手征解, 即不同拓扑结构的胶子场具有不同的手征宇称(P)和电荷共轭宇称(CP)破缺属性, 这些属性通过手征反常机制[6,7]传递至夸克, 从而导致在局域内夸克的左右手螺旋不对称性. 由于夸克带有电荷、自旋和磁矩, 其手征性可以通过一个外部施加的超强磁场来探知, 称为“手征磁效应(CME)”. 类似于CME, 还有“手征涡旋效应(CVE)”和“手征磁波效应(CMW)”等.
从实验上探测验证上述手征效应, 从而回答自然界的最基本物理问题, 需要创造一个系统, 类似于初始宇宙状态并具有超强磁场. 现所知的唯一方法是相对论高能重离子碰撞. 高能重离子碰撞产生高温高密度的解禁闭夸克物质, 称作夸克-胶子等离子体(QGP), 跟初始宇宙状态类似. 同时, 在非对心碰撞中, 不参加反应的高速带电旁观者(质子)能够产生瞬时强磁场, 其磁场强度量级达到π介子质量的平方, 近
1018G(1G=10−4T) [8]. 因此高能重离子碰撞预期满足产生手征效应的所有条件.在重离子碰撞中手征效应的发生及其实验证实具有重要的物理意义. 其一, QGP的局域手征性可能来源于QCD真空态之间的跃迁, 人们普遍认为宇宙的组成(如正反物质不对称性)、结构(如大尺度星系)、演化(如宇宙膨胀)等都跟其初始时的真空涨落有关, 因此关于QGP的局域手征性的研究对于理解微观世界和宏观世界都具有重要指导意义. 其二, 手征效应对于近似无质量的费米子才能起到明显作用, 所以对手征效应的证实将为QGP中“手征对称性的恢复”提供重要证据. 其三, 由此验证强磁场的产生及其在QGP中的时间演化, 进而可以探测QGP的电导率及夸克密度随时间的演化. 综上所述, 对重离子碰撞中手征效应的验证会同时促进以上三个方向的物理学发展.
这篇综述将主要关注在实验中被广泛研究的手征磁效应, 阐述其实验测量的难度和目前进展, 讨论其未来的发展方向. 同时也将综述手征涡旋效应和手征磁波效应的研究状态, 并指出未来可能的努力方向.
2. 手征磁效应(CME)
手征磁效应[8,9]是指具有手征性的费米子在强磁场的诱导下产生沿(逆)着磁场方向的电流:
Je∝μ5B , 其中μ5 是轴矢量化学势, 用来量化系统中费米子的左右手螺旋不对称性. 强磁场使费米子极化, 带正(负)电的费米子其自旋沿(逆)着磁场方向. 如果左手螺旋的费米子多于右手螺旋的, 则电荷分离产生逆着磁场方向的电流; 反之, 如果存在更多右手螺旋的费米子, 则产生沿着磁场方向的电流. 因此夸克的手征不对称性可以通过外加强磁场来实验探测.CME的工作原理已经在凝聚态物理实验中得到证实. 例如, 狄拉克半金属ZrTe
5 是一种人造手征性材料, 强磁场在其中引发的超导效应可以很好地被CME理论描述[10]. 类似的效应在其他狄拉克半金属Na3Bi[11], Cd3As2[12]以及维尔半金属TaAs[13]等中都得到了印证. 本文将致力于讨论QCD中CME在高能重离子碰撞中发生的实验证据. 值得指出的是, 凝聚态材料中的手征不对称性是人为制造的, 而QCD中的手征不对称性是由真空态涨落产生的, 具有更重要的物理意义.高能重离子碰撞产生高温高密度的解禁闭核物质, 即QGP. QGP的热力学属性除了温度以及矢量化学势等, 还包括用来量化手征性的轴矢量化学势
μ5 . QGP的局部区域可以通过各种机制获得手征性(非零的μ5 ), 例如之前提到的胶子场拓扑涨落. 在非对心碰撞中, 不参加反应的高速带电旁观者(质子)能够产生瞬时强磁场[8], QGP中的近似无质量费米子(夸克)将沿(逆)着磁场方向输运电荷. 由于磁场方向垂直于碰撞的反应平面, 我们可以将垂直于反应平面的电荷分离当作观测QCD中CME的相关实验观测量.近年来理论学家对CME理论进行了更广泛和细致的研究, 同时实验学家也进行了大量的实验研究工作, 如在美国布鲁克海文国家实验室(BNL)相对论重离子对撞机(RHIC)以及欧洲核子中心(CERN)大型强子对撞机(LHC)上进行了多项研究, 以寻找相对论重离子碰撞实验中的CME信号[14-19]. 在对CME的实验观测中, 由于手征化学势
μ5 取正值与取负值的概率相同, 如果直接对诱导电流取事例平均, 结果必然为零. 所以, 需要对诱导电流取平方, 然后再进行事例平均, 才有可能通过观测量的涨落验证相关效应. 相对论重离子碰撞产生的粒子在动量空间按照方位角方向的分布可以按照傅里叶公式展开为dNdϕ∝1+2v1cos(ϕ−ψRP)+2a1sin(ϕ−ψRP)+2v2cos2(ϕ−ψRP)+⋯, (1) 其中
a1 可以用来描述粒子沿磁场方向(垂直于反应平面ψRP 的方向)的发射. 对于CME产生的正负电荷分离现象来说, 正反电荷粒子有相同大小的|a1| , 但是a+1=−a−1 . 同时如前所述,μ5 也是可正可负, 因此实验上不可能直接测量a1 . 为了寻找手征磁效应的电荷分离信号, 科学家提出了两粒子关联函数:γ112≡⟨cos(φα+ϕβ−2Ψ)⟩, (2) 其中,
ϕα ,ϕβ 是 α, β粒子的方位角; α, β粒子各自带有电荷; Ψ是反应平面.⟨⋅⟩ 代表先对粒子对求平均, 然后对事件求平均. 在不考虑背景的情况下异号电荷(α, β粒子电荷相反, opposite-sign, OS) 的关联函数γOS112=a21 , 同号电荷(α, β粒子电荷相同, same-sign, SS)的关联函数γSS112=−a21 . 2009年RHIC-STAR实验组首次发表了此关联函数的测量结果[20,21]. 图1给出了质心能量为200 GeV的Au+Au (金金)和Cu+Cu (铜铜)碰撞中γ112 关联函数随着碰撞系统中心度的变化, 发现异号电荷与同号电荷的关联函数有很大的区别(Δγ112=γOS112−γSS112 ), 表现出了CME预期的电荷分离效果. 同时其中心度依赖性, 即Δγ112 随中心度增加而减小, 与磁场强度随中心度变化的趋势也相符合.图 1 RHIC-STAR合作组于2009年左右对 关联函数的首次测量结果[20,21]. 粗实线和虚线表示HIJING模型计算的三粒子关联背景贡献. 碰撞中心度从左到右增加; 0%对应于中心碰撞γ112 Fig. 1. First measurement of the correlator from RHIC-STAR experiment around 2009[20,21]. The thick solid (Au+Au) and dashed (Cu+Cu) lines represent HIJING calculations of the contributions from three-particle correlations. Collision centrality increases from left to right. 0% corresponds to the most central collisionsγ112 此外, RHIC-STAR测量了7.7—200 GeV能量下Au+Au碰撞的
γ112 关联函数[20-22], 与此同时LHC-ALICE实验组在更高能量的2.76 TeV Pb+Pb (铅铅)碰撞中进行了相关测量[23]. 如图2 所示, 在不同的碰撞能量下,Δγ112 基本保持了正值.γOS112 和γSS112 分别显示出在边缘碰撞中上升的趋势, 并且随着碰撞能量降低而越发明显. 这种γOS112 和γSS112 共同拥有的特性符合椭圆流与横向动量守恒的耦合, 与电荷无关, 可以用MEVSIM模型定性地描述. 在Δγ112 中, 这种物理机制可以抵消掉.尽管实验已经收集的各种数据和理论估计的CME定性符合, 但目前仍然无法完全确定这种QCD效应在QGP中是否真实存在. 背景物理机制仍有可能占据观测量的大部分甚至全部. 针对CME的观测量, 其受到的本底污染主要来自椭圆流与其他物理机制的耦合, 例如衰变[24]、横向动量守恒[25,26]以及局域电荷守恒[27]. 为了方便实验数据与模型的比较, 这里引入一个新的观测量,
κ112≡Δγ112/(v2Δδ) , 这里δ≡⟨cos(ϕα−ϕβ)⟩ 代表了两粒子之间的关联. 图3给出了在不同的碰撞能量下κ112 随中心度的变化, 同时展示的AMPT[28-30]模型可以提供来自背景机制贡献的一个参考. AMPT模拟的背景大致上是一个常数, 而且对碰撞能量的依赖很弱. 在7.7 GeV以及2.76 TeV能量下,κ112 的实验数据跟纯背景模型一致, 表明CME信号也许在此消失. 这可能是由于在很低的碰撞能量下, 强子作用相对占主导地位, QGP无法形成, 手征对称性破缺[31]; 而在很高的碰撞能量下, 磁场的寿命也许过短而导致CME无法产生. 在碰撞能量的中间区域(11.5—200 GeV), 实验数据一般高于模型, 只有在中心度高的地方它们才相符合, 而那里也是磁场消失的地方. 因此实验结果定性上与CME导致的电荷分离现象相符.在小碰撞系统如p+Pb, p+Au及d+Au中, 磁场方向趋于随机, 不再与事件平面关联, 所以针对小系统的
γ112 测量不再反映CME的强度, 而是完全来自背景贡献. 图4(a)比较了LHC-CMS合作组在5.02 TeV p+Pb和 Pb+Pb碰撞中测量的γ112 关联函数随多重数的依赖性[32]. 在相同的多重数下, p+Pb和Pb+Pb的测量结果非常接近, 表明在非常高能量(5.02 TeV)的Pb+Pb碰撞中,γ112 的测量值由背景主导. 这些背景贡献除了前面所述的椭圆流的贡献, 还包括(尤其在小系统中的)三粒子关联产生的背景信号. 这也符合来自磁场寿命的预期, 在碰撞系统还没有产生夸克的时候, 磁场已经过分衰减, 无法形成CME. 图4(b)给出了RHIC-STAR合作组测量的200 GeV小系统p+Au, d+Au碰撞中γ112 关联函数与Au+Au碰撞结果的比较[33,34]. 受到实验本身的限制, 小系统与大系统碰撞的多重数只有较少的重叠区域, 但小系统和大系统有明显相似的多重数依赖关系. 在小系统碰撞中, RHIC能区的椭圆流即使存在也相对小于LHC能区的椭圆流, 所以RHIC能区小系统碰撞的γ112 实验测量包括相对多的三粒子关联的背景贡献. 无论背景贡献的物理机制是什么, 从小系统到大系统的连续变化的特征无异, 说明了在RHIC和LHC大系统中的实验结果主要都是由物理背景引起的.有鉴于大系统测量中的背景贡献主要来源于椭圆流(
v2 )和其他机制的耦合, 人们开发出了一系列“事件形状筛选”的方法, 将寻找CME的观测量投射到v2=0 的地方, 以消除背景. 第一个此类尝试来自RHIC-STAR合作组在200 GeV Au+Au碰撞中测量Δ关联函数与每个事件v2 的关系[35], 如图5 所示. Δ关联函数大致等同于Δγ112 . 线性拟合表明在椭圆流观测量消失的时候(vobs2=0 ), 此CME观测量(1.3±1.4)×10−5 与零相符. 此后分析的大统计量数据表明此CME观测量在vobs2=0 时并不完全消失, 而为稍许正值[36]. 由于vobs2=0 并不保证那些引起CME背景的关联源具有零椭圆流, 此投影截距仍然包含一些背景的贡献. 图5 中横轴和纵轴的两个观测量均未修正事件平面的分辨率; 事件平面的分辨率在vobs2=0 的事例中也许无法精确估算, 导致此方法存在局限性.LHC-ALICE合作组改进了事件形状筛选方法, 把每个事件分割成三个彼此独立的膺快度区域, 其中一个提供带电粒子对, 第二个用于定义事件平面, 第三个定义流矢量, 在每一个流失量区间测量
v2 和γ112 , 然后再把它们分别画在横轴和纵轴上[37]. 图6(a)给出了相应的2.76 TeV Pb+Pb碰撞中按粒子多重数缩放的Δγ112 关联函数(Δγ112⋅dNch/dη )在不同中心度下随v2 的变化. 因为带电粒子对和流矢量分别来自不同的区域, 观测到的v2 总有比较大的非零值, 这导致了对v2=0 处的投射会产生较大的不确定性. 图6(b)给出了通过事件形状筛选方法比较关联函数以及不同模型下磁场强度和v2 的关系, 提取其中与磁场相关部分的贡献, 也就是手征磁效应的贡献, 手征磁效应的贡献所占的比重也就是fCME . 在每个多重数区间,fCME 都与零相符合, 但是同时统计误差过大, 以至于无法得出明确的结论.图 6 LHC-ALICE合作组(a)通过事件形状筛选方法在2.76 TeV Pb+Pb碰撞中测量的按粒子多重数缩放的 关联函数(Δγ112 )在不同中心度下随Δγ112⋅dNch/dη 的关系, (b)通过事件形状筛选方法比较关联函数以及不同模型下磁场强度和v2 的关系, 提取的手征磁效应的贡献[37]v2 Fig. 6. (a) Charge-particle density scaled correlator ( ) as a function ofΔγ112⋅dNch/dη for shape selected events in 2.76 TeV Pb+Pb collisions from LHC-ALICE; (b) extracted CME fraction (v2 ) by comparing the correlator and magnetic field dependence onfCME with different models[37]v2 LHC-CMS合作组在事件形状筛选方法测量中, 把
Δγ112 按照Δδ 放缩, 同时在每一个中心度区间画出Δγ112/Δδ 随v2 的变化[38]. 图7(a)给出了相应的5.02 TeV Pb+Pb碰撞中Δγ112/Δδ 在不同中心度下随v2 的关系. 同样地, 因为带电粒子对和流矢量依然分别来自不同的区域, 数据点总是距离v2=0 比较远, 以至于线性拟合得到的截距有较大的误差. 图7(b)给出了通过事件形状筛选方法研究关联函数在v2=0 的结果, 提取的5.02 TeV Pb+Pb以及8.16 TeV p+Pb碰撞中的fCME . 在这两种情况下,fCME 的上限都较小, 这符合之前提到的来自磁场寿命过短的预期.图 7 LHC-CMS合作组(a)通过事件形状筛选方法在5.02 TeV Pb+Pb碰撞中测量的按 缩放的关联函数(Δδ )在不同中心度下随Δγ112/Δδ 的关系, (b)通过事件形状筛选方法研究关联函数在v2 的结果, 提取的Pb+Pb以及p+Pb碰撞中手征磁效应的贡献[38]v2=0 Fig. 7. (a) Scaled correlator, , as a function ofΔγ112/Δδ evaluated with the ESE method, for different multiplicity ranges in Pb+Pb collisions from LHC-CMS; (b) extracted CME contributions,v2 -independent component, in Pb+Pb and p+Pb collisions[38]v2 人们的预期以及各种实验结果都表明, 实验测量的
Δγ112 信号有很大一部分来源于与椭圆流有关的背景贡献, 那么造成这些背景的机制到底是什么呢?人们预计是椭圆流与cluster (比如共振态粒子)衰变造成的[24,39]. 实验上可以通过不变质量来研究共振态粒子的影响, 用不变质量来区分以及压制共振态粒子造成的背景, 从而更有效地研究以及寻找更干净的手征磁效应信号[40]. 图8是RHIC-STAR合作组测量的Δγ112 关联函数与α,β 粒子不变质量的关系[41]. 如图8(a)所示, 实验结果可以清晰地看到来自共振态粒子衰变的贡献. 同时为了减少这类背景, STAR通过事件形状筛选方法研究不同q2 (或者说v2 )下Δγ112 随不变质量的变化, 从而提取有更高可信度的手征磁效应信号. 实验结果表明fCME 的上限在15%左右.手征磁效应导致的电荷分离现象主要是沿着磁场方向发生的, 而造成背景的主要原因是椭圆流引起的沿参与者平面(participant plane, PP)的各向异性分布. 磁场主要是旁观者质子(带电)产生的, 因此磁场方向平均指向垂直于旁观者平面(spectator plane, SP)的方向. 由于高能核核碰撞的初始几何形状, 旁观者平面方向与参与者平面方向有很强的关联, 这也就导致了手征磁效应信号与椭圆流背景纠缠一起. 与此同时, 由于几何形状涨落, 这两个方向也有所不同. 按照旁观者平面方向 测量的实验结果有最强的手征磁效应信号, 同时按照参与者平面方向测量的实验结果有最强的椭圆流背景的贡献. 如果能够区别两个方向以及测量他们之间的关系, 也就能够提取手征磁效应信号[42]. 实验上RHIC-STAR通过零度角量能器(ZDC)重建旁观者平面, 以及通过中心快度区域的带电粒子重建参与者平面, 从而提取了可能的手征磁效应信号, 如图9 所示. 实验结果表明, 在20%—50%中心度的200 GeV金金碰撞中, 可能存在着约10%的手征磁效应信号, 实验置信度大概为2—3倍标准误差[43]. 在RHIC 2023-2025高亮度实验采集计划中, STAR计划采集20 B的数据量, 大约8—10倍于当前的实验数据量, 从而能够更精确地研究是否真的存在手征磁效应信号以及其大小.
另一方面, 手征磁效应信号以及背景的关系不只是沿磁场方向以及椭圆流平面方向的区别, 同时信号和背景的大小也各自受到磁场强度以及椭圆流大小的影响. 因此如果能够精确地改变磁场或者椭圆流大小, 那么可以有效地提取信号. 2010年前后, 实验学家提议可以通过同位异素核核对撞, 以及超对心的U+U (铀铀)对撞来帮助提取真正的手征磁效应信号[45]. 如
9644Ru+9644Ru 及9640Zr+9640Zr 的碰撞, 由于 Ru和Zr有相同的核子数, 以及相近的核子分布, 因此预计由此产生的背景接近. 然而 Ru和Zr有不同的质子数(带电), 因此预计磁场的强度不同, 而信号与磁场强度的平方近似成正比. 因此预期通过比较9644Ru+9644Ru 以及9640Zr+9640Zr 的实验测量结果, 可以有效去除背景以提取信号[46,47]. 对于超对心U+U对撞, 主要因为U是形变核, 在超对心对撞中磁场可能消失, 但是由于铀核的椭球状形变, 会造成一个椭圆流背景, 因此可以检验信号和背景的贡献. 然而实验上超对心对撞实验数据处理比较复杂, 还没有好的结论. 另一方面, 2018年RHIC-STAR采集了9644Ru+9644Ru 及9640Zr+9640Zr 的实验数据. 通过盲分析[48,49], STAR实验组比较了实验中Ru+Ru和Zr+Zr不同关联函数的结果. 如图10所示, 实验结果表明: 1)在当前的盲分析结果中没有发现预期的手征磁效应信号; 2)实验结果的比值比预期的小很多. 人们预期Ru+Ru和Zr+Zr两个系统大小接近, 背景的贡献与椭圆流成正比, 因此通过椭圆流归一的Δγ112 关联函数在没有信号的情况下Ru+Ru/Zr+Zr的比值为1, 在有信号的情况下大于1 (Ru+Ru质子数多, 磁场强度大). 然而实验结果出乎预料比1 小, 这可能由于Ru和Zr的原子核结构有较大差异[50,51]. 更多对实验数据更细致的分析与理解也在进展当中[52,53]. 此外, 之前人们也注意到在isobar实验中手征磁效应信号与Au+Au相比可能小一些. 简单的解释是,Δγ112 函数的背景随多重数的降低而增加, 另一方面, isobar系统的质子数比Au+Au少, 因此磁场强度也更小, 所以最终在isobar系统中的fCME 与Au+Au相比更小. 因此实验上isobar Ru+Ru以及Zr+Zr碰撞中发现手征磁效应信号的可能性较Au+Au更低[54]. 所以不能简单地从isobar的实验结果推断说在Au+Au也看不到手征磁效应信号.研究CME信号和背景关系的另一个方法是带标记平衡函数(signed balance function, SBF)[55]. SBF分布的宽度取决于带电粒子对的动量排序的计数. CME的存在会增强排序扰动, 使SBF的分布变得更宽. 这意味着垂直和平行于反应平面的宽度比值
rlab , 会与CME信号成正关联, 从而成为一个有价值的观测量. CME的存在可以造成rlab>1 . 但是rlab 和大多数CME观察量一样, 会受到共振态粒子流的影响. 为了避免此影响, 可以在粒子对静止坐标系下重复此比值测量rrest . 研究表明[55], 如果定义双比值RB=rrest/rlab , 共振态粒子流的贡献造成RB<1 , 而CME的贡献导致RB>1 (见图11). 虽然RB 和大多数其他方法一样, 还不能消除动量守恒和局域电荷守恒带来的影响, 但是在消除共振态粒子流的影响方面是一个进步.STAR实验组关于带标记平衡函数的初步测量结果与EBE-AVFD (event-by-event anomalous-viscous fluid dynamics)模型[56-58]进行了比较. EBE-AVFD模型是一个全面动态模拟重离子碰撞中CME演化的平台. 它描述了在急剧扩张中的QGP黏滞流体里的CME输运和夸克流, 另外还包含了诸如局域电荷守恒和共振态等主要的背景关联. STAR初步测量的
rlab ,rrest , 特别是RB 均大于基于纯背景EBE-AVFD模型的预期, 趋向支持CME存在. 但是, 这种比较非常取决于模型是否完整描述了CME和背景的比例及演化, 还有待进一步研究.由于有多种用来研究CME的观测量, 有必要全面理解它们之间的联系和各自敏感度. STAR实验组联合EBE-AVFD作者做了一次系统的CME方法比较[49]. 在该研究中, STAR直接采用了用来盲分析同位异素核核对撞(见上文)数据的代码, 排除了任何可能的主观臆断. 该研究发现,
Δγ112 , R关联函数(介绍见文献[59,60]), 以及带标记平衡函数[55]如果在同等条件下运用得当时会有相似的敏感度. 图12给出了三种方法的盲分析代码运用在AVFD模拟数据上的表现.Δγ112 和带标记平衡函数的rlab 表现大致相当. R关联函数(中图)表现相对迟钝, 原因主要是其实际运用采用了更严厉的运动学截断.图 12 基于EBE-AVFD模拟数据计算的 (a),Δγ112 (σ−1R2 为R关联函数宽度) (c) 和σR2 (e) 关于rlab 的函数.n5/s 在AVFD里表示原始植入的CME强度. 该计算是针对30%—40% 中心度同位异素n5/s GeV核核对撞. (b), (d), (f)观测量在Ru+Ru对Zr+Zr比值[49]√sNN=200 Fig. 12. (a),Δγ112 (c) andσ−1R2 (e) as functions ofrlab in EBE-AVFD model simulation. (b), (d), (f) Corresponding ratios between Ru+Ru and Zr+Zr[49]n5/s 同时, 近年来在手征理论和模型研究方面也有很多新的发展[61-63], 期待在理论学家和实验学家的共同努力下手征磁效应研究方面早日有更近一步的发现.
3. 手征涡旋效应(CVE)
手征涡旋效应(CVE)可以类比于CME, 只是将磁场
B 替换为涡旋ω 与重子化学势μB 的乘积μBω . 而作为结果, 被诱发的不是电流而是重子数流(同样沿着或逆着磁场方向)[64]. 在技术上, 凝聚态物理实验难以实现CVE所需要的高强度涡旋, 所以重离子碰撞是其主要的实验途径. 在非对心碰撞中, 系统的全局角动量大部分被旁观者带走, 但仍然有10%—20%留在QGP中且大致守恒[65,66], 这保证了涡旋的产生以及较长的寿命. 在实验观测中, CVE将表现为垂直于反应平面的重子与反重子分离. 因此实验上还是通过和测量手征磁效应相同的两粒子关联函数((2)式)来测量CVE, 其中与测量CME不同的是此时的α, β不再表示粒子的电荷, 而是代表粒子重荷(baryon charge).RHIC-STAR实验测量了p–p, p–Λ等重子重子关联函数[67-69]. 实验初步结果表明有正的
Δγ112 关联信号. 由于背景贡献还没有理解清楚, 实验数据目前没还有完整的结论. 需要更好地理解各种背景对实验数据的贡献, 如重子对产生、重子数守恒、重子对湮灭等影响.4. 手征磁波效应(CMW)
另一个与CME类似的效应叫作手征分离效应(CSE), 是指具有电化学势的费米子在强磁场的诱导下产生沿(逆)着磁场方向的手征流:
J5∝μeB [70,71]. 在手征对称性已经恢复的QGP中, CSE与CME耦合在一起, 互相诱发, 形成一个新的电荷与手征荷的集体波动模式, 称为手征磁波效应(CMW)[72]. CMW会在QGP中产生一个电四极矩: QGP的“赤道”附近累积更多的负电荷, 而“两极”附近则累积更多正电荷. 当这样的电四极矩被集体径向流推动, 带负电的粒子就会比带正电的粒子表现出更大的椭圆流. 理论预言这种椭圆流的差别会与系统电荷的不对称性(Ach≡N+−N−N++N− )成正比, 即Δv2≡v−2−v+2≈r2Ach, (3) 其中N为粒子数,
v2 为椭圆流, 正负上角标代表电荷. 该线性关系中的斜率r2 正是在实验中寻找的CMW的观测量.图13给出了STAR实验在200 GeVAu+Au对撞中和ALICE实验在2.76 TeV Pb+Pb对撞中观测到的正负带电粒子椭圆流(
v±2 )、椭圆流差(Δv2 )与Ach 的关系[73,74]. 可以发现, 在两个不同的碰撞系统和能量下, 正负粒子的椭圆流差均和Ach 形成清楚的线性关系, 与CMW的理论预言定性符合. 不仅如此, 从Δv2 -Ach 线性关系中提取出的斜率大小及其中心度依赖, 在200 GeV下, 从中心到周边碰撞表现出先升后降的趋势, 如图14(b)所示, 这与理论计算结果非常接近, 似乎印证了CMW假设. 另一方面, 从图14可见,Δv2 -Ach 的斜率值表现出较弱的碰撞能量依赖, 无论是2.76 TeV, 200 GeV还是27 GeV, 在半中心碰撞(30%—40%) 时, 斜率大小均为3%左右. 与CME的研究类似, 在CMW测量中也一定存在背景效应, 有理论认为[75], 该背景很大可能同样来自局域电荷守恒(LCC)+集体流机制, 因此, 如何厘清背景的贡献继而分离出可能存在信号的大小, 是实验研究的重点.一个可能区分信号和背景的方法是研究三阶集体流—三角流(
v3 )对Ach 的依赖. 因为CMW可能导致的电四极矩构型与v3 无关, 因此不会形成Δv3 -Ach 线性关系, 然而基于局域电荷守恒的流体计算却发现, 背景能够导致该关系. 通过对比二阶和三阶线性关系及其斜率大小r2 和r3 的差别, 就可能区分信号和背景. 图15(a)和图15(b)分别为STAR实验在200 GeV Au+Au对撞中和CMS实验在5.02 TeV Pb+Pb对撞中观测到的r3 和r2 的中心度依赖[76,77]. 因为v2 和v3 值大小不同, 斜率均做了归一化处理以便直接比较. 需要特别说明的是, 文献[78]指出, 在计算集体流时, 选择不同电荷的粒子作为参考流(reference flow), 会通过与Ach 的耦合导致不同的结果. 该效应在集体流涨落较大的RHIC能区较为明显, 而在LHC能区可忽略不计, 因此STAR测量的斜率r3 需要经过额外的修正. 从图15可见, 经过修正后的STARr3 和r2 结果在误差范围内保持一致, 但因为误差较大, 无法进行定量判断. 而CMS的结果所展示的非零r3 值以及r2 和r3 的一致性则清晰地证实了测量中背景效应的存在.除了借助三角流研究背景外, 在小系统中开展测量并与核核碰撞结果进行对比, 也是判断背景存在与否的有效手段. 与CME的研究类似, 在小系统中磁场方向与事件平面无关, 因此无法形成可观测的电荷分离现象, 也不可能形成如CMW预测的对电荷依赖的集体运动模式. 如果在小系统中也发现了相似的观测结果, 则说明了背景的 存在. 图16(a)和图16(b)分别给出了STAR实验在200 GeV Au+Au、p+Au和d+Au对撞中和CMS实验在5.02 TeV Pb+Pb和p+Pb对撞中测量的斜率
r2 的中心度依赖[76,77]. 在STAR的小系统结果中,r2 斜率值在误差范围内与零一致; 而CMS的结果表明大小系统的r2 非常接近, 证实了测量中背景的存在.如前所述, LCC是CMW的重要背景[75], 这是由于动量小的共振态粒子或者速度小的流体单元具有更小的椭圆流, 但也更容易产生快度差异大的
π+π− 对, 进而贡献非零的Ach , 使得Δv2 与Ach 呈现平庸的线性关联. 文献[79-82]等通过对比实验结果和多种模型, 如多相输运模型AMPT、弦碎裂模型PYTHIA和HIJING以及引入局域电荷守恒的Blast wave模型, 进一步揭示背景形成的机制并确认了背景来源. 原来, 在测量中,Ach 在挑选事件净电荷的同时, 也自动对正负电荷粒子的运动学观测量做出了不同筛选. 例如, 当Ach> 0时, 有p−T>p+T 以及|η|−<|η|+ , 而Ach< 0时, 有p−T<p+T 以及|η|−>|η|+ . 虽然实验测量中对正负电荷粒子采用了同样的运动学截断, 但筛选后的相空间微分分布截然不同, 这从实验中pT –Ach 和η–Ach 关系中得到了清楚体现, 继而导致了集体流的差异. 在厘清了背景产生原因后, 文献[83]提出在CME研究中采用的“事件形状筛选”(ESE)技术同样适用于CMW测量: 当事件的v2 减小至零时, 局域电荷守恒背景会导致观测量也一同缩减为零, 而CMW信号则不会. 这是定量分离信号和背景, 提取观测量中CMW强度的有效方法.图17给出了ALICE实验采用ESE方法在5.02 TeV Pb+Pb对撞中提取出的CMW强度[84]. 从图17(a)可见,
Δv2 和Ach 的协方差ΔInt.Cov. (注意此时观测量从线性依赖变为协方差, 二者在定义上等价, 而后者能更有效控制统计涨落)表现出对v2 的显著依赖. 通过拟合外推可知, 当v2 缩小至零时, 观测量也降低至零附近. 在仔细考察了各种实验误差后, 精确提取了截距并换算为CMW占比, 如图17(b)所示. 这是实验测量中首次定量分离出CMW信号占比:fCMW=0.338±0.084(stat.)±0.198(syst.) , 意味着信号非常微弱, 在误差范围内与零一致.此外, 通过测量可鉴别强子, 即π, K, p, 研究观测量的味依赖, 也有助于理解手征反常理论和QGP中电荷相关的集体运动. 早期CMW理论认为该现象只可能在轻夸克中得到体现, 而近年的计算结果认为奇异夸克s和轻夸克的质量差别不足以导致结果差异, 因此手征反常也可能作用于s夸克. 另一方面, 文献[85]提出
Ach 和v2 能通过同位旋化学势和奇异化学势联系到一起, 基于流体计算推测K介子的Δv2 -Ach 斜率可能与π介子结果反号, 产生负值. 图18(a)和图18(b)分别为STAR实验和ALICE实验测量的可鉴别强子结果[76,84]. 在两种碰撞系统和能量下, K介子斜率均和π介子斜率在误差范围内一致, 并无显著负值产生, 这排除了化学势的理论解释; 同时质子则展现出较弱的Δv2 -Ach 依赖. 这些结果为后续进一步探索味依赖提供了实验依据.5. 总 结
相对论重离子碰撞中手征效应的实验证实具有极其重要的物理意义, 对研究QCD真空、手征对称性破缺以及强相互作用中的CP问题等一系列基本问题有重要指导意义. 本综述从手征磁效应的最初实验探测, 到小系统实验结论的挑战, 以及各种椭圆流背景消除方法的探索, 最后介绍最新的实验进展, 如RHIC-STAR金核金核碰撞中手征磁效应的寻找以及isobar实验结果的讨论. 目前实验上还没有发现手征磁效应的强力证据. 由于反应平面方向与磁场方向的关联, 椭圆流背景与手征磁效应信号纠缠, 实验上很难将其剔除以提取干净的信号; 从RHIC和LHC多个实验来看, 当前的实验结果表明有大量的椭圆流背景. 通过旁观者平面剥离椭圆流背景而提取的手征磁效应信号占比10%左右, 然而当前实验结果还存在较大误差, RHIC 2023-2025实验的高统计量数据将会带来更精确的结论. 另外在手征涡旋效应和手征磁波效应的研究方面, 实验结果目前还没有较明确的结论, 期待更多新的实验方法和研究.
[1] Bandera E, Botteri M, Minelli C, Sutton A, Abrams K R, Latronico N 2006 Stroke 37 1334
Google Scholar
[2] Geurts L J, Zwanenburg J J M, Klijn C J M, Luijten P R, Biessels G J 2018 Stroke 50 1
Google Scholar
[3] Logothetis N K 2008 Nature 453 869
Google Scholar
[4] Salmela M B, Mortazavi S, Jagadeesan B D, Broderick D F, Burns J, Deshmukh T K, Harvey H B, Hoang J, Hunt C H, Kennedy T A, Khalessi A A, Mack W, Patel N D, Perlmutter J S, Policeni B, Schroeder J W, Setzen G, Whitehead M T, Cornelius R S, Corey A S 2017 J. Am. Coll. Radiol. 14 S34
Google Scholar
[5] Poelma C 2017 Exp. Fluids 58 1
Google Scholar
[6] Poelma C, van der Mijle R M E, Mari J M, Tang M X, Weinberg P D, Westerweel J 2012 Eur. J. Mech. B. Fluids 35 70
Google Scholar
[7] Omoto R, Kasai C 1986 Echocardiography 3 463
Google Scholar
[8] Kripfgans O D, Rubin J M, Hall A L, Fowlkes J B 2006 Ultrasound Med. Biol. 32 1037
Google Scholar
[9] Udesen J, Jensen J A 2006 IEEE Trans. Ultrason. Ferroelectr. Freq. Control 53 959
Google Scholar
[10] Bohs L N, Geiman B J, Anderson M E, Gebhart S C, Trahey G E 2000 Ultrasonics 38 369
Google Scholar
[11] Fahrbach K 1969 Biomed. Tech. 14 233
Google Scholar
[12] Peronneau P, Bournat J, Bugnon A, Barbet A, Xhaard M 1974 Cardiovasc. Appl. Ultrasound 1 66
[13] Wang W Q, Yao L X 1982 Ultrasound Med. Biol. 8 421
Google Scholar
[14] Tsang I K H, Yiu B Y S, Yu A C H 2009 IEEE Int. Ultrason. Symp. 2009 1387
Google Scholar
[15] Bercoff J, Montaldo G, Loupas T, Savery D, Mézière F, Fink M, Tanter M 2011 IEEE Trans. Ultrason. Ferroelectr. Freq. Control 58 134
Google Scholar
[16] Denarie B, Tangen T A, Ekroll I K, Rolim N, Torp H, Bjastad T, Lovstakken L 2013 IEEE Trans. Med. Imaging 32 1265
Google Scholar
[17] 臧佳琦, 许凯亮, 韩清见, 陆起涌, 梅永丰, 他得安 2021 物理学报 70 114304
Google Scholar
Zang J Q, Xu K L, Han Q J, Lu Q Y, Mei Y F, Ta D A 2021 Acta Phys. Sin. 70 114304
Google Scholar
[18] Demene C, Deffieux T, Pernot M, Osmanski B F, Biran V, Gennisson J L, Sieu L A, Bergel A, Franqui S, Correas J M, Cohen I, Baud O, Tanter M 2015 IEEE Trans. Med. Imaging 34 2271
Google Scholar
[19] Sui Y H, Yan S Y, Yu J J, Song J P, Ta D A, Wang W Q, Xu K 2022 IEEE Trans. Ultrason. Ferroelectr. Freq. Control 69 2425
Google Scholar
[20] Huang L J, Wang Y D, Wang R, Wei X Y, He Q, Zheng C C, Peng H, Luo J W 2023 IEEE Trans. Ultrason. Ferroelectr. Freq. Control 70 378
Google Scholar
[21] Chen Y R, Fang B H, Meng F L, Luo J W, Luo X B 2024 IEEE Trans. Ultrason. Ferroelectr. Freq. Control 71 459
Google Scholar
[22] 闫少渊, 许凯亮, 他得安 2023 复旦学报(自然科学版) 62 409
Google Scholar
Yan S Y, Xu K L, Ta D A 2023 J. Fudan Univ. (Nat. Sci.) 62 409
Google Scholar
[23] Yiu B Y, Yu A C 2016 IEEE Trans. Ultrason. Ferroelectr. Freq. Control 63 1733
Google Scholar
[24] 王康宇, 周昱林, 何丽媛, 卢春尧, 于润, 吴大伟 2022 物理学报 71 104303
Google Scholar
Wang K Y, Zhou Y L, He L Y, Lu C Y, Yu R, Wu D W 2022 Acta Phys. Sin. 71 104303
Google Scholar
[25] Yan S Y, Shou J J, Yu J J, Song J P, Mao Y, Xu K L 2023 IEEE Trans. Ultrason. Ferroelectr. Freq. Control 70 613
Google Scholar
[26] Gong P, Song P F, Chen S G 2017 IEEE Trans. Ultrason. Ferroelectr. Freq. Control 64 1674
Google Scholar
[27] Gong P, Song P F, Huang C W, Chen S G 2018 IEEE Trans. Ultrason. Ferroelectr. Freq. Control 65 1977
Google Scholar
[28] Ferrara K, DeAngelis G 1997 Ultrasound Med. Biol. 23 321
Google Scholar
[29] Demene C, Pernot M, Biran V, Alison M, Fink M, Baud O, Tanter M 2014 J. Cereb. Blood Flow Metab. 34 1009
Google Scholar
[30] Jensen J A, Svendsen N B 1992 IEEE Trans. Ultrason. Ferroelectr. Freq. Control 39 262
Google Scholar
[31] Jensen J A 1997 Med. Biol. Eng. Comput. 34 351
[32] Rabut C, Correia M, Finel V, Pezet S, Pernot M, Deffieux T, Tanter M 2019 Nat. Methods 16 994
Google Scholar
[33] Posada D, Poree J, Pellissier A, Chayer B, Tournoux F, Cloutier G, Garcia D 2016 IEEE Trans. Med. Imaging 35 1510
Google Scholar
[34] Poree J, Goudot G, Pedreira O, Laborie E, Khider L, Mirault T, Messas E, Julia P, Alsac J M, Tanter M, Pernot M 2021 IEEE Trans. Ultrason. Ferroelectr. Freq. Control 68 2117
Google Scholar
[35] Ecarlat P, Perrot V, Carcreff E, Nicolas B, Liebgott H, Garcia D 2022 IEEE Int. Ultrason. Symp. 2022 1
Google Scholar
[36] Nahas H, Au J S, Ishii T, Yiu B Y S, Chee A J Y, Yu A C H 2020 IEEE Trans. Ultrason. Ferroelectr. Freq. Control 67 2615
Google Scholar
[37] Nahas H, Ishii T, Yiu B Y S, Yu A C H 2023 IEEE Trans. Ultrason. Ferroelectr. Freq. Control 70 1384
Google Scholar
[38] 付亚鹏, 孙乾东, 李博艺, 他得安, 许凯亮 2023 物理学报 72 074302
Google Scholar
Fu Y P, Sun Q D, Li B Y, Ta D A, Xu K L 2023 Acta Phys. Sin. 72 074302
Google Scholar
-
图 1 基于Hadamard编码的多脉冲平面波编码解码方法 (a) 使用4阶Hadamard矩阵对四个平面波进行编码和解码的示意图; (b) 四次发射事件的波形示例
Figure 1. Hadamard-based multiplane wave encoding and decoding: (a) Schematic representation of the encoding and decoding process using a Hadamard matrix for four plane waves; (b) waveform examples for the four transmission events.
图 2 超快功率多普勒(power Doppler, PD)和超快脉冲编码功率多普勒(PC-PD)螺旋血流仿真成像结果 (a) PD仿真结果; (b) PC-PD仿真结果; (c) SNR量化曲线, 显示了不同深度下的血流与背景噪声信号强度对比
Figure 2. Simulated results of spiral flow power Doppler imaging based on conventional ultrafast ultrasound power Doppler (PD) and pulse coded power Doppler (PC-PD): (a) PD simulation result; (b) PC-PD simulation result; (c) SNR quantization curve, showing the contrast of blood flow and background noise at different depths.
图 3 螺旋血流模型超快矢量多普勒血流速度仿真结果. 从上到下各行分别展示了理论速度真值, 常规UVD和PC-UVD测量得到的血流速度图. 每行分别包含血流速度的水平分量(Vx)、竖直分量(Vz)、二维速度以及矢量化血流成像结果
Figure 3. Simulated results of vector velocity in spiral blood flow, including the ground velocity truth (top row), conventional UVD (middle row), and PC-UVD (bottom row) for blood flow velocity. Each row contains the horizontal velocity component Vx (first column), vertical velocity component Vz (second column), 2D velocity (third column), and vectorized blood flow imaging results (fourth column), respectively.
图 4 基于超快矢量多普勒的螺旋血流水平和竖直方向速度剖线 (a)水平速度分布; (b)竖直速度分布. 蓝线表示理论速度分布, 黄线表示常规UVD测量结果, 红线表示PC-UVD测量结果
Figure 4. Horizontal and vertical velocity profiles of spiral blood flow measured by ultrafast vector Doppler: (a) Lateral velocity distribution; (b) axial velocity distribution. The blue line represents the velocity ground truth, the yellow line represents the conventional UVD measurement, and the red line represents the PC-UVD measurement.
图 5 从螺旋流动模型中提取的速度矢量的精确度分析. 从螺旋血管内不同像素位置的速度值提取的(a), (c)水平分量和(b), (d)垂直分量与标准值的对比图; 误差条表示最少100次测量的标准偏差. 图中左上角展示了所有像素位置测量值的均方根误差. (a), (b)常规UVD测量结果分析; (c), (d) PC-UVD测量结果分析
Figure 5. Accuracy analysis of flow vectors derived from the spiral flow phantom. Plots of estimated velocity versus ground-truth velocity in (a), (c) lateral and (b), (d) axial directions, as extracted from the velocity values at different pixel positions within the spiral loop; error bars denote standard deviation over a minimum of 100 measurements. The RMSE of all pixel position measurements is demonstrated in the upper left corner of each of measurements at all pixel positions is displayed in the upper left corner of each plot: (a), (b) Analysis of results of conventional UVD; (c), (d) analysis of results of PC-UVD.
图 6 大鼠脑血流超快多普勒冠状切面成像结果 (a)—(c) 常规平面波发射模式下获得的超快(a)功率多普勒、(b)彩色多普勒和(c)矢量多普勒测量结果. (d)—(f) 多平面波脉冲编码发射模式下获得的超快(d)功率多普勒、(e)彩色多普勒和(f)矢量多普勒测量结果. 其中超快彩色多普勒和矢量多普勒测量结果图中红色和蓝色分别表示向上和向下的血流方向. (g) 图6(a)和图6(d)中水平虚线位置的信号强度剖面; (h) 图6(a)和图6(d)中竖直虚线位置的信号强度剖面
Figure 6. Ultrafast Doppler images of rat cerebral blood flow. (a)–(c) shows the ultrafast (a) power Doppler, (b) color Doppler, and (c) vector Doppler results obtained in conventional plane wave transmission mode. (d)–(f) presents the ultrafast (d) power Doppler, (e) color Doppler, and (f) vector Doppler results obtained in pulse coded plane wave transmission mode. In the ultrafast color Doppler and vector Doppler images, red and blue indicate upward and downward blood flow directions, respectively. (g) Signal intensity profile along the horizontal dashed line in Fig. 6(a) and Fig. 6(d); (h) signal intensity profile along the vertical dashed line in Fig. 6(a) and Fig. 6(d).
图 7 大鼠脑三个感兴趣区域(region of interest, ROI)的超快血流速度矢量化成像结果. 三个ROI分别对应了图6(c), (f)中三个矩形区域. (a)—(c)和(d)—(f)分别为基于常规UVD和PC-UVD方法获得的速度矢量测量结果. 用小三角形表示速度矢量, 三角形面积和颜色表示血流速度, 三角形锐角所指方向为血流速度方向
Figure 7. Ultrafast vectorized Doppler velocity imaging results in three ROIs in the rat brain. The three ROIs correspond to the three rectangular areas in Fig. 6(c) and Fig. 6(f). (a)–(c) shows the velocity measurements based on conventional UVD, while (d)–(f) shows the results based on PC-UVD. The velocity vectors are represented by small triangles, with the area and color indicating the magnitude of the blood flow velocity, and the sharp angles pointing in the direction of the flow.
图 8 基于PC-UVD速度估计的大鼠脑血流阻抗指数测量结果 (a)血流阻抗指数图; (b)一个心动周期内, 不同位置的多角度相干复合后的血流多普勒频谱. 频谱中的虚线表示多普勒频谱的中心频率, 实线表示测量的矢量多普勒动态速度. 红色箭头指示心动周期内的血流峰值收缩速度, 黄色箭头指示血流舒张末期速度. 左上: 向上流的小静脉; 左下: 向下流的小静脉; 右上: 向上流的小动脉; 右下: 向下流的小动脉. (c)小动脉血流图. (d)小静脉血流图
Figure 8. Improved UVD based rat cerebral blood flow resistivity index measurements: (a) Cerebral blood flow resistivity index map; (b) multi-angle compounded Doppler spectra at different locations throughout a cardiac cycle. The dashed lines overlaid on the spectrum indicate the center frequency of the Doppler signal, while the solid lines represent the measured vector Doppler dynamic velocities. The red arrows point to the peak systolic blood flow velocity, and the yellow arrows point to the end-diastolic velocity. Top left: venous flow upward; bottom left: venous flow downward; top right: arterial flow upward; bottom right: arterial flow downward. (c) Arterial flow map. (d) Venous flow map.
表 1 仿真和大鼠实验参数设置
Table 1. Overview of parameters for simulation and rat experiments.
参数设置 仿真实验 大鼠实验 发射中心频率/MHz 15.625 15.625 脉冲重复频率/kHz 14.4 14.4 角度数 8 8 复合成像频率/kHz 1.8 1.8 采集时间/s 1/18 0.2 采集复合帧数 100 360 编码脉冲个数 8 8 脉冲间隔时间/μs 1 1 发射电压/V — 20 -
[1] Bandera E, Botteri M, Minelli C, Sutton A, Abrams K R, Latronico N 2006 Stroke 37 1334
Google Scholar
[2] Geurts L J, Zwanenburg J J M, Klijn C J M, Luijten P R, Biessels G J 2018 Stroke 50 1
Google Scholar
[3] Logothetis N K 2008 Nature 453 869
Google Scholar
[4] Salmela M B, Mortazavi S, Jagadeesan B D, Broderick D F, Burns J, Deshmukh T K, Harvey H B, Hoang J, Hunt C H, Kennedy T A, Khalessi A A, Mack W, Patel N D, Perlmutter J S, Policeni B, Schroeder J W, Setzen G, Whitehead M T, Cornelius R S, Corey A S 2017 J. Am. Coll. Radiol. 14 S34
Google Scholar
[5] Poelma C 2017 Exp. Fluids 58 1
Google Scholar
[6] Poelma C, van der Mijle R M E, Mari J M, Tang M X, Weinberg P D, Westerweel J 2012 Eur. J. Mech. B. Fluids 35 70
Google Scholar
[7] Omoto R, Kasai C 1986 Echocardiography 3 463
Google Scholar
[8] Kripfgans O D, Rubin J M, Hall A L, Fowlkes J B 2006 Ultrasound Med. Biol. 32 1037
Google Scholar
[9] Udesen J, Jensen J A 2006 IEEE Trans. Ultrason. Ferroelectr. Freq. Control 53 959
Google Scholar
[10] Bohs L N, Geiman B J, Anderson M E, Gebhart S C, Trahey G E 2000 Ultrasonics 38 369
Google Scholar
[11] Fahrbach K 1969 Biomed. Tech. 14 233
Google Scholar
[12] Peronneau P, Bournat J, Bugnon A, Barbet A, Xhaard M 1974 Cardiovasc. Appl. Ultrasound 1 66
[13] Wang W Q, Yao L X 1982 Ultrasound Med. Biol. 8 421
Google Scholar
[14] Tsang I K H, Yiu B Y S, Yu A C H 2009 IEEE Int. Ultrason. Symp. 2009 1387
Google Scholar
[15] Bercoff J, Montaldo G, Loupas T, Savery D, Mézière F, Fink M, Tanter M 2011 IEEE Trans. Ultrason. Ferroelectr. Freq. Control 58 134
Google Scholar
[16] Denarie B, Tangen T A, Ekroll I K, Rolim N, Torp H, Bjastad T, Lovstakken L 2013 IEEE Trans. Med. Imaging 32 1265
Google Scholar
[17] 臧佳琦, 许凯亮, 韩清见, 陆起涌, 梅永丰, 他得安 2021 物理学报 70 114304
Google Scholar
Zang J Q, Xu K L, Han Q J, Lu Q Y, Mei Y F, Ta D A 2021 Acta Phys. Sin. 70 114304
Google Scholar
[18] Demene C, Deffieux T, Pernot M, Osmanski B F, Biran V, Gennisson J L, Sieu L A, Bergel A, Franqui S, Correas J M, Cohen I, Baud O, Tanter M 2015 IEEE Trans. Med. Imaging 34 2271
Google Scholar
[19] Sui Y H, Yan S Y, Yu J J, Song J P, Ta D A, Wang W Q, Xu K 2022 IEEE Trans. Ultrason. Ferroelectr. Freq. Control 69 2425
Google Scholar
[20] Huang L J, Wang Y D, Wang R, Wei X Y, He Q, Zheng C C, Peng H, Luo J W 2023 IEEE Trans. Ultrason. Ferroelectr. Freq. Control 70 378
Google Scholar
[21] Chen Y R, Fang B H, Meng F L, Luo J W, Luo X B 2024 IEEE Trans. Ultrason. Ferroelectr. Freq. Control 71 459
Google Scholar
[22] 闫少渊, 许凯亮, 他得安 2023 复旦学报(自然科学版) 62 409
Google Scholar
Yan S Y, Xu K L, Ta D A 2023 J. Fudan Univ. (Nat. Sci.) 62 409
Google Scholar
[23] Yiu B Y, Yu A C 2016 IEEE Trans. Ultrason. Ferroelectr. Freq. Control 63 1733
Google Scholar
[24] 王康宇, 周昱林, 何丽媛, 卢春尧, 于润, 吴大伟 2022 物理学报 71 104303
Google Scholar
Wang K Y, Zhou Y L, He L Y, Lu C Y, Yu R, Wu D W 2022 Acta Phys. Sin. 71 104303
Google Scholar
[25] Yan S Y, Shou J J, Yu J J, Song J P, Mao Y, Xu K L 2023 IEEE Trans. Ultrason. Ferroelectr. Freq. Control 70 613
Google Scholar
[26] Gong P, Song P F, Chen S G 2017 IEEE Trans. Ultrason. Ferroelectr. Freq. Control 64 1674
Google Scholar
[27] Gong P, Song P F, Huang C W, Chen S G 2018 IEEE Trans. Ultrason. Ferroelectr. Freq. Control 65 1977
Google Scholar
[28] Ferrara K, DeAngelis G 1997 Ultrasound Med. Biol. 23 321
Google Scholar
[29] Demene C, Pernot M, Biran V, Alison M, Fink M, Baud O, Tanter M 2014 J. Cereb. Blood Flow Metab. 34 1009
Google Scholar
[30] Jensen J A, Svendsen N B 1992 IEEE Trans. Ultrason. Ferroelectr. Freq. Control 39 262
Google Scholar
[31] Jensen J A 1997 Med. Biol. Eng. Comput. 34 351
[32] Rabut C, Correia M, Finel V, Pezet S, Pernot M, Deffieux T, Tanter M 2019 Nat. Methods 16 994
Google Scholar
[33] Posada D, Poree J, Pellissier A, Chayer B, Tournoux F, Cloutier G, Garcia D 2016 IEEE Trans. Med. Imaging 35 1510
Google Scholar
[34] Poree J, Goudot G, Pedreira O, Laborie E, Khider L, Mirault T, Messas E, Julia P, Alsac J M, Tanter M, Pernot M 2021 IEEE Trans. Ultrason. Ferroelectr. Freq. Control 68 2117
Google Scholar
[35] Ecarlat P, Perrot V, Carcreff E, Nicolas B, Liebgott H, Garcia D 2022 IEEE Int. Ultrason. Symp. 2022 1
Google Scholar
[36] Nahas H, Au J S, Ishii T, Yiu B Y S, Chee A J Y, Yu A C H 2020 IEEE Trans. Ultrason. Ferroelectr. Freq. Control 67 2615
Google Scholar
[37] Nahas H, Ishii T, Yiu B Y S, Yu A C H 2023 IEEE Trans. Ultrason. Ferroelectr. Freq. Control 70 1384
Google Scholar
[38] 付亚鹏, 孙乾东, 李博艺, 他得安, 许凯亮 2023 物理学报 72 074302
Google Scholar
Fu Y P, Sun Q D, Li B Y, Ta D A, Xu K L 2023 Acta Phys. Sin. 72 074302
Google Scholar
Catalog
Metrics
- Abstract views: 1733
- PDF Downloads: 73