Uncertainty in denoising of MRSI using low-rank methods
Uncertainty in denoising of MRSI using low-rank methods
复制标题
使用低秩方法对 MRSI 去噪的不确定性
DOI：
10.1101/2021.05.15.444311
复制
发表时间：
2021
期刊：
影响因子：
--
通讯作者：
Clarke W
中科院分区：
文献类型：
--
作者：
Clarke W
目的对磁共振成像数据进行低阶去噪，可明显提高频谱信噪比。然而，目前还不清楚这是否意味着光谱拟合后代谢物浓度的不确定度更低。在光谱学的后续分析中，需要估计去噪后的真实不确定度。在这项工作中，评估了基于时空可分离性和线性可预测性的低阶去噪方法在MRSI中的不确定性降低。提出了一种估计去噪后代谢物浓度不确定度的新方法。方法通过对质子磁共振波谱数据的蒙特卡罗模拟和5个受试者体内重复采集的可重复性对去噪方法进行评估。结果在模拟数据和活体数据中，基于时空的去噪方法降低了浓度的不确定性，而线性预测去噪增加了不确定性。由去噪后的拟合算法提供的不确定度估计始终低估了实际代谢物的不确定性。然而，基于去噪后的入口方差的解析表达式所提出的不确定性估计更准确。在低信噪比条件下，利用Marchenko-Pastur分布自动选择秩阈值可以使数据产生偏差。结论基于时空可分性的低阶去噪方法确实降低了MRS(I)数据中的不确定性。然而，在存在非均匀方差的情况下，利用剩余基线噪声测量的信噪比进行评估是不够的，因此需要进行彻底的评估。在低信噪比情况下，选择合适的秩阈值方法也很重要。
PurposeLow‐rank denoising of MRSI data results in an apparent increase in spectral SNR. However, it is not clear if this translates to a lower uncertainty in metabolite concentrations after spectroscopic fitting. Estimation of the true uncertainty after denoising is desirable for downstream analysis in spectroscopy. In this work, the uncertainty reduction from low‐rank denoising methods based on spatiotemporal separability and linear predictability in MRSI are assessed. A new method for estimating metabolite concentration uncertainty after denoising is proposed. Automatic rank threshold selection methods are also assessed in simulated low SNR regimes.MethodsAssessment of denoising methods is conducted using Monte Carlo simulation of proton MRSI data and by reproducibility of repeated in vivo acquisitions in 5 subjects.ResultsIn simulated and in vivo data, spatiotemporal based denoising is shown to reduce the concentration uncertainty, but linear prediction denoising increases uncertainty. Uncertainty estimates provided by fitting algorithms after denoising consistently underestimate actual metabolite uncertainty. However, the proposed uncertainty estimation, based on an analytical expression for entry‐wise variance after denoising, is more accurate. It is also shown automated rank threshold selection using Marchenko‐Pastur distribution can bias the data in low SNR conditions. An alternative soft‐thresholding function is proposed.ConclusionLow‐rank denoising methods based on spatiotemporal separability do reduce uncertainty in MRS(I) data. However, thorough assessment is needed as assessment by SNR measured from residual baseline noise is insufficient given the presence of non‐uniform variance. It is also important to select the right rank thresholding method in low SNR cases.
登录
查看更多内容
影响因子：
4.6
作者：
Steel A;Chiew M;Jezzard P;Voets NL;Plaha P;Thomas MA;Stagg CJ;Emir UE
通讯作者：
Emir UE
MP-PCA 去噪显着提高了大型 MRS 数据中的 SNR：扩散加权 MRS 中的示例
DOI：
--
发表时间：
2020
期刊：
影响因子：
--
作者：
I. Jelescu;J. Veraart;C. Cudalbu
通讯作者：
C. Cudalbu
使用伪合成数据的动态 MRS 去噪方法的比较
DOI：
--
发表时间：
2021
期刊：
medRxiv
影响因子：
--
作者：
B. Rowland;L. Sreepada;A. P. Lin
通讯作者：
A. P. Lin
影响因子：
5.4
作者：
Candes, Emmanuel J.;Sing-Long, Carlos A.;Trzasko, Joshua D.
通讯作者：
Trzasko, Joshua D.
功能性脑图谱的范式变化：抑制功能磁共振成像中的热噪声
DOI：
--
发表时间：
2020
期刊：
影响因子：
--
作者：
L. Vizioli;S. Moeller;Logan T Dowdle;M. Akçakaya;Federico De Martino;E. Yacoub;K. Uğurbil
通讯作者：
K. Uğurbil