针对动态对比度增强磁共振灌注成像中脑血容积的计算,提出基于Hankel矩阵的奇异值分解(Singular Value Decomposition,SVD)算法。在奇异值数目的确定上采用差分谱量级差的研究方法,对算法进行理论推导与仿真模拟,得到较为理想的滤波效...针对动态对比度增强磁共振灌注成像中脑血容积的计算,提出基于Hankel矩阵的奇异值分解(Singular Value Decomposition,SVD)算法。在奇异值数目的确定上采用差分谱量级差的研究方法,对算法进行理论推导与仿真模拟,得到较为理想的滤波效果。由于成像过程存在测量噪声的干扰,分析了信噪比和示踪剂延迟对算法的影响。仿真结果表明,信噪比越低(SNR=5 d B),算法处理效果越明显;信噪比增高(SNR=100 d B),估计值偏差减小,结果越为准确。且该算法不受示踪剂延迟的影响。与传统奇异值分解算法相比,采用基于Hankel矩阵的奇异值算法可以更为准确地估计脑血容积。展开更多
文摘针对动态对比度增强磁共振灌注成像中脑血容积的计算,提出基于Hankel矩阵的奇异值分解(Singular Value Decomposition,SVD)算法。在奇异值数目的确定上采用差分谱量级差的研究方法,对算法进行理论推导与仿真模拟,得到较为理想的滤波效果。由于成像过程存在测量噪声的干扰,分析了信噪比和示踪剂延迟对算法的影响。仿真结果表明,信噪比越低(SNR=5 d B),算法处理效果越明显;信噪比增高(SNR=100 d B),估计值偏差减小,结果越为准确。且该算法不受示踪剂延迟的影响。与传统奇异值分解算法相比,采用基于Hankel矩阵的奇异值算法可以更为准确地估计脑血容积。
