FYS 4780 Analyse av diagnostisk, dynamisk bildeinformasjon Del 3 Modellering av dynamiske data Atle Bjørnerud, Rikshospitalet

Presentasjon om: "FYS 4780 Analyse av diagnostisk, dynamisk bildeinformasjon Del 3 Modellering av dynamiske data Atle Bjørnerud, Rikshospitalet"— Utskrift av presentasjonen:

1 FYS 4780 Analyse av diagnostisk, dynamisk bildeinformasjon Del 3 Modellering av dynamiske data Atle Bjørnerud, Rikshospitalet atle.bjornerud@fys.uio.no 975 39 499

2 Modellering av dynamiske data Behov for å tilpasse data til modell lineær og ikke-lineær kurvetilpasning diskrete løsninger på kontinuerlige problemer: – foldings-integral / dekonvolusjon

3 Når trenger vi å modellere data? Estimering av spesifikke parametre av interesse fra målbare observasjoner: – relaksasjonsparametre – kinetikk-parametre – perfusjons-parametre

4 Regresjons-analyse lineær regresjon:y=Ax + b

5 Regresjons-analyse Ikke-lineær (eksponensiell) regresjon: ekkotid (ms) SI y=A*exp(-TE*R 2 )

6 Regresjons-analyse Ikke-lineær (eksponensiell) regresjon: y=|A*(1-B*exp(-TI*R 1 ))|+C

7 Regresjons-analyse Ikke-lineær (gamma-variat) regresjon:

8 Datamodellering Hva bestemmer om en kurvetilpasning er ’bra’ eller ’dårlig’? Trenger å definere en ’merit-funksjon’ (’figure og merit’) som måler grad av over- enstemmelse mellom observasjoner og data

9 Datamodellering – hva er problemstillingen? Vi har et visst antall (N) målepunkter: (x i,y i ) i=1..N Vi har en modell som (vi tror) predikerer et funksjonelt forhold mellom de målte avhengige (y) og uavhengige (x) variabler slik at: y(x) = y(x;a 1,...a M ) Spørsmålet vi ønsker å besvare er: gitt et sett med parametre; hva er sannsynligheten for at det målte datasettet kunne oppstå? Merk: vi kan ikke besvare det ’motsatte’ spørsmålet: Hva er sannsynligheten for at et visst sett med parametre a 1..a M er ’korrekt’ gitt observasjonene y(x). Hvorfor? : det finnes ikke et statistisk univers med modeller; bare en: den korrekte...

10 Datamodellering – hva er problemstillingen? Mål: identifisere sannsynligheten for dataobservasjonene gitt modellen Hva menes med ’sannsynlighet’ i denne sammenheng? det er kun en statistisk intuisjon av sannynligheten (likelihood) for sammenheng er og har egentlig ikke noe matamatisk fundament... Med dette utganspunkt ønsker vi nå å tilpasse parameterne a 1...a M slik at vi får en ’maximum likelihood’ for dataobservasjonen gitt modellen y(x;a 1,...a M ).

11 Minste-kvadrat (least-squares) som merit-funksjon Basert på forutsetningen om at hvert datapunkt y i er assoisert med en uavhengig, tilfeldig målfeil som er normalfordelt rundt den ’sanne’ modellen y(x). Dersom standard-avviket (σ) i normalfordelingene for hvert målpunkt er konstant så er sannsynligheten for et målt datasett lik produktet av sannsynligheten for hvert målepunkt:

12 Minste-kvadrat som merit-funksjon Sannsynligheten for et målt datasett: ∆y =måle-usikkerhet pga ikke-kontinuerlig parameter-rom (= konstant) y i = målt datapunkt y(x i )=modellert datapunkt, basert på modell-parametre a 1,...a M σ = standardavik i normaldistribusjonen for hvert målpunkt (=konstant) Vi ønsker nå å maksimere P som er det samme som å minimere -log(P):

13 Chi-kvadrat som merit-funksjon Minstekvardats minimering forutsetter at hvert målpunkt er normalfordelt rundt den ’sanne’ verdien og at denne normalfordelingen er lik (samme varians) for alle datapunkter Dersom hvert datapunkt har sin egen, kjente varians σ i 2, er minimeringsproblemet beskrevet ved å minimere chi-kvadrat uttrykket:

14 Chi-kvadrat minimering for lineær regressjon 2 likninger med 2 ukjente

15 Lineær regressjon – estimering av usikkerthet i tilpasning ’propagation of error’: varians i estimerte parametre a,b (rett linje):

16 regresjons-koeffisient (R 2 ) (’coefficient of determination’) Definisjoner: ’Total sum of squares’: ’Regression (explained) sum of squares’: ’Resdiual sum of squares’: = middelverdier for målte data data Regresjons-koeffisient: =1-(’unexplained residue’/’total residue’) R 2 kan tolkes som hvor stor del av en respons-variasjon som kan forklares av regressorene i modellen: f,eks: R 2 =0.7 =>70% av respons-variasjonen kan forklares av modellen; resterende 30% er forårsaket av enten ’ukjente’ regressorer eller av usikkerhet (støy) i datamålingene. = modelldata

17 Regresjons-analyse lineær regresjon:y=ax + b

18 Linearisering av ikke-lineære uttrykk

19 Gamma-variat: Dersom T 0 kan bli estimert:

20 Linearisering av ikke-lineære uttrykk Finne toppunktet,t max som fn av α,β: Finne A som fn av S(t max ): Uttrykke t som fn av t max : t’=t/t max : Dersom T 0 og t max kan estimeres kan gamma-variat funksjonen lineariseres

21 General Linear Least Squares n lineære likninger med m ukjente, a 1, a 2.. a m og n>m Som før, minimere chi-kvadrat: = minimum når deriverte mht alle m parametre, a i, går mot 0: Dette kalles normal-likningene, og kan uttrykkes i matriseform som:

22 General Linear Least Squares basis-funksjoner: X 1 (), X 2 (),...X m () datapunkter:1..n Normal-likning: Dersom de m basis-funksjoner er lineært uavhengige er løsningen gitt ved: (kan løses ved std metoder som Gauss-Jordan elimination) Se f.eks: Inf-Mat 4350

23 General Linear Least Squares Eks: rett linje: Eks: kvadratisk funksjon:

24 General Linear Least Squares Normal-likning: I mange praktiske tilfeller er normal-likningene singulære eller nær singulære; dvs to eller flere av basisfunskjonene er ikke lineært uavhengige; => to av funksjonene (eller to forskjellige kombinasjoner) tilpasser måldata like bra... Dette betyr at systemet er både overbestemt (flere datapunkter enn parametre) og underbestemt (ikke uavhengige parametre) på en gang... Dersom de m basis-funksjoner er lineært uavhengige er løsningen gitt ved:

25 Singulærverdidekomposisjon (SVD) For overebestemte systemer gir SVD ’beste’ løsning (i form av minimert minstekvadrat). For underbestemte systemer gir SVD den løsningen som gir de ’minste’ parametere (β i ) i en minstekvadrats forstand: dvs dersom det finnes kombinasjoner av basisfunksjonene som er irrelevant mtp løsningen vil denne kombinasjonen bli redusert til nær null (i stedet for å bli forstørret opp mot ∞...)

26 Singulærverdidekomposisjon (SVD) Dekomponere A til produkt av ortogonale matriser (U T U=I =>U -1 =U T ) : U,  og V T er alltid inverterbare. Diagnonalen i  er singulærverdiene. Alle ikke-diagonale elementer i  er null.

27 SVD rank w1w1 w i = systemts singulærverdier For små singluærverdier setter vi σ=1/w =0 (dvs 1/0 = 0!) siden disse komponentene er resultat av avrundingsfeil eller støy. Utfordring: finne riktig cutoff w r w r

28 Ikke-lineær kurvetilpasning Minimerings-prosedyre må utføres iterativt Starte med test-verdier for parametre a 1..a m Gjenta interasjonen til χ 2 (a) er ’liten nok’ Trenger generelt å finne den deriverte av modellfunskjonen med hensyn på alle modell-parametre Forutsetning: nær minimum kan χ 2 (a) approksimeres til en kvadratisk funksjon: d=M-vektor; D=MxM matise D=2. deriverte (Hessian matrise) av χ 2 (a) Iterasjons-step: en populær algoritme for ikke-lineær kurvetilpasning er Lovenberg-Marquadt metoden.

29 Ikke-lineær kurvetilpasning

30 Kurvetilpasning: anvendelser i perfusjonsanalyse: Foldingsintegral for perfusjonsanalyse (se del 2): To mulige metoder for å estimere perfusjon, f: Parametrisk løsning: forutsetter at residualfunksjonen R(t) kan uttrykkes parametrisk (dvs som en analytisk, kjent funksjon); f.eks Kan nå løse for perfusjon, f, ved ikke-lineær kurvetilpasning Ulemper: Forutsetter at formen på R(t) er kjent (vanligvis ikke) Ikke-lineær kurvetilpasning er data-intensivt og ikke alltid robust (særlig for denne type uttrykk)

31 Ikke-parametrisk analyse Foldings-integral i diskret form: i matrise-notatsjon: Arteriell inputfunskjon i konv. matriseform Diskret residualfunksjon ∆t = samplingintervall f=perfusjon

32 Ikke-parametrisk analyse Fordeler med ikke-parametrisk analyse: Forutsetter ikke at vi kjenner formen på R(t) Kan bruke SVD for å finne f. R

33 SVD Utfordring: finne korrekt rank for A (# uavhengige kolonner)for å fjerne støy og beholde mest mulig av sant signal. Bare beholde de r største singulærverdier Hva er korrekt cutoff? w max wrwr rank

34 Reelt eksempel AIF of vevsrespons Singulærverdier: Σ

35 singulærverdi cutoff w r =0.2 w max w r = 0.01 w max f=175 mL/100 g / min f=128 mL/100 g / min

36 singulærverdi cutoff w r = 0.8 w max f=9.6 mL/100 g / min

37 Metoder for å bestemme ’korrekt’ SVD cutoff: Fixed cutoff (f.eks. w r =20% av w max ) Iterative estimering: – øke w r iterativt til oscillering i R(t) er under en gitt grenseverdi – Introdusere en dempnings-faktor i 1/w leddene slik at høye singulærverdier bidrar mer enn lave (Tikhonov regularisering)

38 Metoder for å bestemme ’korrekt’ SVD cutoff: Iterative estimering: øke σ r iterativt til oscillering i R(t) er under en gitt grenseverdi. Definere en oscillasjons-index (se Wu et al: MRM 50:164–174;2003): w r =0.02 x w max OI=0.32 w r =0.2 x w max OI=0.056 w r =0.5 x w max OI=0.030

39 Tikhonov regularisering: Utgangspunkt for minstekvadratsløsninger er å minimere kvadrated av normen av forskjellen mellom estimert løsning A. R og målte inputdata C Liknings-systemet vårt kan (og vil ofte) være ’ill-posed’ og det er problematisk å få en stabil løsning for R (som fører f.eks til oscillasjoner i R(t)). Vi kan derfor få en løsning som er ’nøyaktig’ (||AR-C|| er liten) men som ikke nødvendigvis er korrekt (f.eks ved at R ikke er fysiologisk meningsfull eller oscillerer kraftig) Tikhonov regularisering: stabiliser systemt ved i stedet å minimere normen for et alternativt uttrykk: Matrisen L defineres slik at uttrykket: ’straffer’ løsninger som gir en ikke ønskelig løsning for R(t) (f.eks kraftige oscillasjoner). Valg av L er da basert på apriori forutsetninger om ønskelige begrensninger i R(t) (=’residualnormen’) (=’løsningsnormen’)

40 Tikhonov regularisering: I sin enkleste form setter vi L til enhetsmatrisen og λ blir da en enkel dempnings –faktor som filterer ut små singulærverdier: for små w i : D i ->0 for store w i : D i ->1 λ=1 λ=50 λ=200 D=diag. matrise:

41 Tikhonov regularisering: Hvoran bestemme riktig verdi av λ ??: Finne en løsning som er en ’optimal’ avveining mellom liten residualnorm og liten løsningsnorm : Residualnorm: Løsningsnorm: mimimert gir ’nøyaktig’ løsning Iterativ metode: Øk λ til man når en ’optimal’ tradeoff mellom residualnormen og løsningsnormen mimimert gir ’meningsfull’ løsning

42 Tikhonov regularisering: ’L-curve’ optimalisering: Knekkpunktet (pil) kan bestemmes analytisk (P.C. Hansen).

43 Tikhonov regularisering: Ulemper med iterative Tikhonov metode: Finne riktig λ (L-kurve knekkpunkt) i reelle data... Tidkrevende (mange interasjoner nødvendig for å kunne identifisere knekkpunktet) λ=64

44 Kurvetilpasning: anvendelser i permeabilitetsanalyse Foldingsintegral for permeabilitetsanalyse (se del 2): Tilsvarer parametrisk løsning for perfusjons-foldingsintegralet D.v.s: kan nå løse for k 1 og k 2 ved ikke-lineær kurvetilpasning. Ulemper: Ikke-lineær kurvetilpasning er data-intensivt og ikke alltid robust (særlig for denne type uttrykk) Må estimere deriverte av C(t) mhp alle modellparametre (k 1,k 2,V p )

45 Kurvetilpasning: anvendelser i permeabilitetsanalyse Kan vi linearisere foldings-integralet?? tar utgangspunkt i transport-likningen (se del 2.2) I dikret form kan dette uttrykkes som en lineær likning: Ax =C ! Integrerer begge side (og forutsetter C t (0)=0= gir:

46 SVD: anvendelser i permeabilitetsanalyse => Ax =C

47 SVD: anvendelser i permeabilitetsanalyse => Ax =C kan løses ved SVD! NB: Σ -1 har nå bare tre kolonner (tre singulærverdier) og alle tre kan vanligvis brukes (ikke behov for å finne noe ’cutoff’ )

48 Løsning på foldings-integralet ved bruk av SVD K 1 =0.05; K 2 =0.157; V p =0.2 V e =0.27