نوع مقاله : مقاله کامل پژوهشی
نویسنده
گروه مهندسی پزشکی، دانشگاه صنعتی همدان، همدان، ایران.
چکیده
تصویربرداری مولکولی به روش تشدید مغناطیسی با ردیابی عامل‌های کنتراست که اساس آن بر پایه تشدید مغناطیسی هسته‌ای بنا نهاده شده، به دلیل رزولوشن مکانی مناسب و فناوری بی-ضرر به عنوان یک روش نوین تشخیصی آناتومی و عملکردی در کاربردهای مختلف پزشکی مورد توجه است. در اسکنر تشدید مغناطیسی با اعمال پالس اشباع الکترومغناطیسی عمدتا مستطیلی، طیف اسپکتروسکوپی معروف به طیف Z حاصل می‌شود. در فرکانس‌هایی متناظر با فرکانس لارمور در طیف Z دامنه‌هایی ناشی از اشباع مستقیم آب و عامل‌های کنتراست که معرف اثر انتقال اشباع به واسطه تبادل شیمیایی (CEST) است، ایجاد می‌گردند. پدیده شیفت شیمیایی، ناهمگنی میدان مغناطیسی و نویز موجود در حین فرآیند تصویربرداری ضمن تغییر موقعیت فرکانس‌های لارمور در طیف Z، منجر به مخدوش شدن اثر CEST می‌شوند. عمدتا اثر این نویز با توزیع رایسین که در حالت حدی مطابق با توزیع گوسی است، مدل می‌شود. در این مقاله روش کارآمدی جهت کاهش نویز از طیف Z و آشکارسازی پوش اثر CEST ارایه می‌گردد. نویز‌زدایی، با استفاده از خروجی مدل تحلیلی ناشی از حل معادلات بلاخ-مک‌کانل و آشکارسازی اثر CEST از طریق محاسبه تابع درستنمایی بیزین صورت می‌گیرد. بررسی کارآیی روش پیشنهادی برای حذف نویز و آشکارسازی اثر CEST بر روی طیف‌های واقعی Z برگرفته از اسکنر تشدید مغناطیسی و داده‌های پارامتری حاصل از بافت انسان، انجام شده است. عملکرد روش پیشنهادی به طور متوسط با اندازه‌گیری مجذور مربعات خطای نسبی بین طیف Z واقعی و نویزی در سیگنال به نویز dB10 و تعداد مشاهدات 5 حدودا چهار درصد بوده است. مقدار خطای نوع اول (p-value) بر مبنای داده‌های پارامتری زمانی که واریانس نویز از 008/0 و تعداد مشاهدات از 4 بیشتر بود، کمتر از 05/0 بدست آمد. در این مقاله معیاری برای آشکارسازی اثر CEST برمبنای عملگر میانه‌گیری جهت بررسی کارآیی روش پیشنهادی متناسب با قدرت نویز و تعداد مشاهدات نیز پیشنهاد شده است.
کلیدواژه‌ها
موضوعات
عنوان مقاله [English]
Detecting the CEST effect through the noisy Z-spectrum based on solving the Bloch-McConnell equations
نویسنده [English]
- Mohamad reza Rezaeian
Biomedical engineering Department, Hamedan University of Technology, , Hamedan, Iran
چکیده [English]
Molecular magnetic resonance imaging by tracking contrast agents on nucleus’s magnetic resonance is considered a novel anatomical and functional diagnostic method in various medical applications due to its good spatial resolution and safe technology. In a magnetic resonance scanner, a spectroscopic spectrum known as the Z spectrum is obtained by applying a predominantly rectangular electromagnetic saturation pulse. At frequencies corresponding to the Larmor frequency, some amplitudes due to water saturation contrast factors are formed, representing saturation transfer’s effect due to chemical exchange (CEST). Chemical shifts, magnetic field heterogeneity and imaging process’s noise, while shifting the Larmore frequencies’s position, distorts the CEST effect. This noise is mainly modeled by the raisin distribution, which is an extent of Gaussian distribution. In this paper, an efficient method for reducing noise from the Z spectrum and detecting the CEST effect is presented. Deionization is performed using the analytical model’s output resulting from solving the Bloch-McCannell equations and detecting the CEST effect by calculating the Bayesian likelihood function. The proposed method’s effectiveness for noise cancellation and detection the CEST effect was performed on real Z spectra which is obtained from magnetic resonance scanners and data obtained from human tissue. The average performance of the proposed method is measured by relative mean square error between the real Z spectrum and the noise in the signal to noise 10dB and the number of observations 5 was about four percent. The value of the first type of error (p-value) based on parametric data was less than 5% when the noise variance was more than 0.008 and the number of observations was more than 5. In this paper, a criterion for detecting the CEST effect based on the mediation operator is proposed to evaluate the proposed method’s efficiency in proportion to the noise power and the number of observations.
کلیدواژه‌ها [English]
- CEST effect
- Bayesian
- Likelihood function
- Rician distribution
- Signal to noise ratio
- Z magnetic resonance spectrum
)