首先，获取自由呼吸期间肺部的超短回声时间 MRI 图像。将数据和 k 间隔轨迹导入 MATLAB。丢弃前 1000 个投影，以确保数据达到稳态磁化。
接下来，使用非均匀快速傅里叶变换执行图像重建，矩阵大小为 96 x 96 x 96。使用大约 200 个投影，相当于 0.6 到 0.8 秒的数据。然后重建并存储来自所有线圈元件的图像以及最终的线圈组合图像。
在线圈组合图像中，选择清晰显示光阑的冠状切片。选择冠状切片后，查看此切片的单个线圈图像，并选择最能显示光圈的一个或两个线圈元件。现在，使用滑动窗口仅重建来自线圈元件的数据，以生成具有大约 0.5 秒时间分辨率的图像。
使用前 200 个投影通过非均匀快速傅里叶变换重建图像，并仅存储隔膜切片。移动 100 个投影并重建存储光圈切片的附加图像。现在，在第一个滑动窗口图像中的隔膜上选择一条线。
通过查看所有投影的呼吸导航仪来可视化呼吸运动。确定所有呼吸导航仪的隔膜位置，并使用此位置将投影标记为属于给定的呼吸箱。然后，确定与结束过期时间对应的投影数量最多的 bin，并选择它进行重建。
使用指数滤波器为主 bin 内的投影提供权重 1，并为不同呼吸 bin 内的投影提供急剧减少的权重。接下来，使用 Berkeley 高级重建工具箱在所需的呼吸箱处重建高分辨率图像。使用迭代密度组合计算密度补偿权重。
通过软门控权重缩放密度补偿权重。然后根据密度补偿和软门控权重缩放数据。现在执行基本的非均匀快速傅里叶变换，以促进线圈组合。
将非均匀的快速傅里叶变换图像转换为网格化的 k 空间以进行线圈组合。然后生成一个线圈组合矩阵，并使用它来组合原始数据和网格化 k 空间的线圈，并估计线圈灵敏度。之后使用加权密度补偿、线圈组合数据和线圈灵敏度图，进行并行成像压缩感知重建。
使用基于图像和基于 k 空间的门控在呼气末生成的图像显示，基于图像的门控显示出卓越的运动补偿。与硬选通相比，软选通增强了灵感图像的清晰度，减少了欠采样伪影。基于图像和基于 k 空间的门控都成功检测到了正常呼吸期间的呼吸波形，在不规则呼吸条件下，基于图像的门控会产生更清晰的结果。
