Mágneses rezonancia spektroszkópiára alapuló diagnosztikus eljárás kidolgozása

OData támogatás
Konzulens:
Dr. Benyó Balázs István
Irányítástechnika és Informatika Tanszék

Mágneses rezonancia spektroszkópia kémiai összetétel meghatározására alkalmas élő szervezet körülírt területeiből, non invazív módon.

A jel mintavételezése után előfeldolgozó lépéseken megy keresztül. A feldolgozás célja a műtermékek korrigálása, amelyek a spektrumon a csúcsok alakjának eltorzulását, fázis, vagy frekvencia eltolódást okoznak, valamint a víz és egyéb nemkívánatos komponensek jelének a kiszűrése. Az orvosbiológiai vizsgálatok jellemzően súlyosan terheltek ezen műtermék hatásoktól, amelyek a hardware tökéletlenségéből és a minta inhomogenitásaiból adódik.

A koncentrációk mennyiségi meghatározására számos módszer létezik. Elméletileg az idő- és a frekvenciatartományon működő algoritmusok ekvivalensek, bár az utóbbiak számításigénye nagyobb. A megjelenítés a frekvencia tartományon történik. Az idő tartományon a jel exponenciálisan csökkenő szinuszoidok összegével közelíthető. A matematikai modell paramétereire, mint a frekvencia, csillapítási tényező, fázis, amplitudó, előzetes ismereteink alapján megkötéseket tehetünk. Ez a tudás implicit módon is megadható adatbázisokban tárolt in vitro, vagy szimulált metabolit profilok formájában, amelyek lineáris kombinációjával illesztjük a mért jelet. Az amplitudó arányos a számunkra érdekes koncentrációval.

Az alapvonal becslése a metabolitokétól eltérő módon, nem paraméteres optimalizációs lépésben történik, az általa reprezentált információ a szövetek makromolekuláris összetételére utal.

A feladatra legalkalmasabbnak talált, algoritmus nem lineáris legkisebb négyzetek elvén számolt költségfüggvényt minimalizál, míg a lineáris változókat külön kezeli. Rövid echo idejű mérések esetében is előnyös megoldást nyújt. Legfontosabb hátránya, hogy magas szintű felhasználói interakciót igényel.

Munkám során elvégeztem az előfeldolgozó lépések láncolatának beállításait, amelyeket egy template-ben rögzítettem. Ennek segítségével gyors és egységes kiértékelést lehet végezni nagy mennyiségű adatsoron. Szimulációval létrehoztam a kvantifikációhoz szükséges adatbázist.

A hátralevő feladat legjelentősebb kihívása, hogy a spektroszkópiával nyerhető információk kiértékelését automatikussá és az eredmények interpretációját a klinikai rutin számára értelmezhetővé tegye. Klasszifikáció megvalósítása a diagnosztikus döntéshozatalt hivatott támogatni.

Letölthető fájlok

A témához tartozó fájlokat csak bejelentkezett felhasználók tölthetik le.