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

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.

---

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.