Accueil / Home Imprimer / Print Contact / Contact Envoyer le lien de cette référence Imprimer / Print Retour / Back Modélisation moyenne mobile autorégressive pour l 'estimation des paramètres spectraux à partir d' D. AU - Stafford, R. Jason N2 - Les auteurs ont étudié la performance de l'algorithme itératif Steiglitz-McBride (SM) sur un modèle de moyenne mobile autorégressive (ARMA) de signaux provenant d'une acquisition rapide, peu échantillonnée, Ex vivo et in vivo, en mettant l'accent sur son utilisation potentielle dans les interventions guidées par résonance magnétique (MR). Le modèle de signal ARMA a facilité un calcul rapide du déplacement chimique, du temps de relaxation spin-spin apparent (T2) et des amplitudes complexes d'un système multipasse à partir d'un nombre limité d'échos (16). Des simulations numériques des systèmes à un et deux pics ont été utilisées pour évaluer la précision et l'incertitude des paramètres spectraux calculés en fonction des paramètres d'acquisition et des paramètres tissulaires. Les incertitudes mesurées de la simulation ont été comparées à la limite inférieure Cramer-Rao théorique (CRLB) pour l'acquisition. Les mesures effectuées dans les fantômes ont été utilisées pour valider les estimations T2 et pour valider les estimations d'incertitude établies à partir du CRLB. Nous avons démontré l'application à des interventions guidées par RM en temps réel ex vivo en utilisant la technique pour surveiller une injection percutanée d'éthanol dans un foie de bovin et in vivo pour surveiller un traitement thermique thermique induit par laser dans un cerveau canin. Les résultats de la simulation montrent que les incertitudes de changement chimique et d'amplitude ont atteint leur CRLB respectif à un rapport signal sur bruit (SNR) 5 pour les longueurs de train d'écho (ETL) 4 en utilisant un espacement d'écho fixe de 3,3 ms. Les estimations T2 du modèle de signal possédaient des incertitudes plus élevées mais ont atteint le CRLB à des SNRs ou des ETLs plus importants. Des estimations très précises pour le déplacement chimique (lt0.01 ppm) et l'amplitude (lt1.0) ont été obtenues avec 4 échos et pour T2 (lt1.0) avec 7 échos. Nous concluons que, sur une gamme raisonnable de SNR, l'algorithme SM est un estimateur robuste de paramètres spectraux à partir d'acquisitions rapides de CSI qui acquièrent 16 échos pour des systèmes à un et deux crêtes. Des expériences préliminaires ex vivo et in vivo corroborent les résultats des expériences de simulation et indiquent en outre le potentiel de cette technique pour les interventions interventionnelles guidées par RM avec une résolution spatiotemporale élevée de 1,61,64 mm3 dans 5 s. 2009 Association américaine des physiciens en médecine. Les auteurs ont étudié la performance de l 'algorithme itératif Steiglitz - McBride (SM) sur un modèle de moyenne mobile autorégressive (ARMA) de signaux provenant d' une acquisition rapide, peu échantillonnée, Vivo et in vivo avec un accent sur son utilisation potentielle dans les interventions guidées par résonance magnétique (MR). Le modèle de signal ARMA a facilité un calcul rapide du déplacement chimique, du temps de relaxation spin-spin apparent (T2) et des amplitudes complexes d'un système multipasse à partir d'un nombre limité d'échos (16). Des simulations numériques des systèmes à un et deux pics ont été utilisées pour évaluer la précision et l'incertitude des paramètres spectraux calculés en fonction des paramètres d'acquisition et des paramètres tissulaires. Les incertitudes mesurées de la simulation ont été comparées à la limite inférieure Cramer-Rao théorique (CRLB) pour l'acquisition. Les mesures effectuées dans les fantômes ont été utilisées pour valider les estimations T2 et pour valider les estimations d'incertitude établies à partir du CRLB. Nous avons démontré l'application à des interventions guidées par RM en temps réel ex vivo en utilisant la technique pour surveiller une injection percutanée d'éthanol dans un foie de bovin et in vivo pour surveiller un traitement thermique thermique induit par laser dans un cerveau canin. Les résultats de la simulation montrent que les incertitudes de changement chimique et d'amplitude ont atteint leur CRLB respectif à un rapport signal sur bruit (SNR) 5 pour les longueurs de train d'écho (ETL) 4 en utilisant un espacement d'écho fixe de 3,3 ms. Les estimations T2 du modèle de signal possédaient des incertitudes plus élevées mais ont atteint le CRLB à des SNRs ou des ETLs plus importants. Des estimations très précises pour le déplacement chimique (lt0.01 ppm) et l'amplitude (lt1.0) ont été obtenues avec 4 échos et pour T2 (lt1.0) avec 7 échos. Nous concluons que, sur une gamme raisonnable de SNR, l'algorithme SM est un estimateur robuste de paramètres spectraux à partir d'acquisitions rapides de CSI qui acquièrent 16 échos pour des systèmes à un et deux crêtes. Des expériences préliminaires ex vivo et in vivo corroborent les résultats des expériences de simulation et indiquent en outre le potentiel de cette technique pour les interventions interventionnelles guidées par RM avec une résolution spatiotemporale élevée de 1,61,64 mm3 dans 5 s. 2009 Association américaine des physiciens en médecine. KW - Mesure de la moyenne mobile autorégressive (ARMA) KW - Mesure chimique par décalage (CSI) KW - Mesures guidées par MR KW - Acquisition d'écho multigradeAutoregressive Simulation moyenne mobile (First Order) La Demonstration est définie de telle sorte que la même série aléatoire de points est utilisée. La matière comment les constantes et sont variées. Cependant, lorsque le bouton quotrandomizequot est pressé, une nouvelle série aléatoire sera générée et utilisée. Garder la série aléatoire identique permet à l'utilisateur de voir exactement les effets sur la série ARMA de changements dans les deux constantes. La constante est limitée à (-1,1) parce que la divergence de la série ARMA résulte quand. La démonstration est uniquement pour un processus de premier ordre. Des termes AR supplémentaires permettraient de générer des séries plus complexes, tandis que des termes MA additionnels augmenteraient le lissage. Pour une description détaillée des processus ARMA, voir, par exemple, G. Box, G. M. Jenkins, et G. Reinsel, Time Series Analysis: Forecasting and Control. 3ème éd. Englewood Cliffs, NJ: Prentice-Hall, 1994. LIENS CONNEXESLa documentation est la moyenne inconditionnelle du processus, et x03C8 (L) est un polynôme opérateur de ralentissement rationnel à degré infini, (1 x03C8 1 L x03C8 2 L 2 x2026). Remarque: La propriété Constant d'un objet modèle arima correspond à c. Et non la moyenne inconditionnelle 956. Par décomposition de Wolds 1. L'équation 5-12 correspond à un processus stochastique stationnaire pourvu que les coefficients x03C8 i soient absolument sommables. C'est le cas lorsque le polynôme AR, x03D5 (L). Est stable. Ce qui signifie que toutes ses racines se situent en dehors du cercle unité. De plus, le processus est causal à condition que le polynôme MA soit inversible. Ce qui signifie que toutes ses racines se situent en dehors du cercle unité. Econometrics Toolbox applique la stabilité et l'inversibilité des processus ARMA. Lorsque vous spécifiez un modèle ARMA en utilisant arima. Vous obtenez une erreur si vous entrez des coefficients qui ne correspondent pas à un polynôme AR stable ou à un polynôme MA inversible. De même, l'estimation impose des contraintes de stationnarité et d'inversibilité pendant l'estimation. Références 1 Wold, H. Une étude dans l'analyse des séries chronologiques stationnaires. Uppsala, Suède: Almqvist amp Wiksell, 1938. Sélectionnez votre pays
No comments:
Post a Comment