Ocena przydatności filtracji Kalmana do poprawy właściwości szumowych danych uzyskiwanych w badaniach DSC-MRI mózgu

• Autorzy: Kalicka R. , Lipiński S.

Warianty tytułu

EN

Valuation of usefulness of Kalman filtration to improve noise properties of DSC-MRI brain research data

• Języki publikacji: PL

Abstrakty

PL

W pracy pokazano jak na poprawę jakość danych z badania DSC-MRI wpływa filtracja stochastyczna Kalmana. Do przeprowadzenia filtracji stochastycznej potrzebny jest opis systemu w kategoriach zmiennych stanu. Warunek ten spełnia użyty model trójkompartmentowy. Filtracji poddane są próbki, które reprezentują pierwszy przepływ znacznika przez ROI. Jakość filtracji Kalmana silnie zależy od ilości próbek, z związku z tym mało liczne dane MRI są symulacyjnie uzupełniane do zadowalającej ilości, a po filtracji z licznego zbioru punktów odzyskiwane są próbki odpowiadające oryginalnym danym. Uzyskane rezultaty wskazują na przydatność filtracji Kalmana do poprawy własności szumowych danych DSC-MRI.

EN

Stochastic filtration of data from DSC-MRI brain research is presented in the paper. To use stochastic Kalman filter investigated system has to be described in terms of input-state-output. This condition is fulfilled with used multi-compartmental model (see Fig. 3). Used model describes first pass of contrast agent through the brain so before the filtration beginning we have to choose data that represents only the first pass. For satisfactory Kalman filtration there are required numerous measurements, while DSC-MRI research provides several to dozen samples from first-pass curve. To solve that problem original DSC-MRI data is supplemented with required number of samples with the same error characteristics as original data from adopted Monte Carlo simulation. Six exemplary passages of first-pass contrast agent concentration before and after filtration are shown in Fig. 4. Obtained results indicate that Kalman filtration appears to be suitable to improve noise characteristics of DSC-MRI brain research data.

Słowa kluczowe

PL

filtracja stochastyczna Kalmana; badania DSC-MRI mózgu; modelowanie parametryczne

EN

Kalman stochastic filtration; brain DSC-MRI research; parametric modeling

• Wydawca: Wydawnictwo PAK
• Czasopismo: Pomiary Automatyka Kontrola
• Rocznik: 2008
• Tom: R. 54, nr 3
• Strony: 118--121
• Opis fizyczny: Bibliogr. 10 poz., rys., wzory

Twórcy

autor

Kalicka R.

autor

Lipiński S.

• Katedra Inżynierii Biomedycznej, Wydział Elektroniki, Telekomunikacji i Informatyki, Politechnika Gdańska,

Bibliografia

• [1] R. E. Latchaw, H. Yonas, G.J. Hunter, W.T.C. Yuh, T. Ueda, A.G. Sorensen, J.L. Sunshine, J. Biller, L. Wechsler, R. Higashida, G. Hademenos: Guidelines and Recommendations for Perfusion Imaging in Cerebral lschemia: A Scientific Statement for Healthcare Professionals by the Writing Group on Perfusion Imaging, From the Council on Cardiovascular Radiology of the American Heart Association, Stroke, 34, 1084-1104, 2003.
• [2] J. Rumiński, R. Kalicka, B. Bobek-Billewicz: Obrazowanie parametryczne w badaniach mózgu metodami MRI/PET. Wydawnictwo Gdańskie, Gdańsk 2006.
• [3] G. Welch, G. Bishop: An Introduction to the Kalman Filter, University of North Carolina at Chapel Hill, Department of Computer Science, Chapel Hill, NC, USA. TR95-04 I, 1995
• [4] R. Kalicka, A. Pietrenko-Dąbrowska: Parametric Modeling of DSC-MRI Data with Stochastic Filtration and Optimal Input Design Versus Non-Parametric Modeling, Annals of Biomedical Engineering, Vol. 3, March 2007, 453-464.
• [5] S. Lipiński, R. Kalicka: Wyznaczanie parametru MTT w badaniach DSC-MRI mózgu na podstawie pomiarów w ROI, XV Krajowa Konferencja Naukowa Biocybernetyka i Inżynieria Biomedyczna, Wrocław 2007.
• [6] Cheong L. H., T.H. Koh, Z. Hou: An automatic approach for estimating Bolus Arrival Time in dynamic contrast MRI using piecewise continuous regression models, Phys. Med. Biol. 48, 83-88, 2003.
• [7] M.S. Greval, A.P. Andrews: Kalman Filtering: Theory and Practice Using MATLAB, John Wiley & Sons, 2001.
• [8] R. Kalicka, D. Bochen: Stochastic filtration of limited number of biomedical measurements. Kalman filter, VI Konferencja Zastosowań Matematyki w Biologii i Medycynie, Łajs, 67-72. 2002.
• [9] S. Haykin: Kalman Filtering and Neural Networks, John Wiley & Sons, 2001.
• [10] R. Kalicka, A. Pietrenko-Dąbrowska: Poszukiwanie informacji diagnostycznej przy wykorzystaniu identyfikacji parametrycznej w obrazowaniu mózgu techniką DSC-MRI, Inteligentne Wydobywanie informacji w Celach Diagnostycznych, Technologie Informacyjne, 2007.