Digitala Vetenskapliga Arkivet

Change search
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
Implementation and Evaluation of Uncertainty Estimation for Advanced Pharmacokinetic Models in DCE-MRI
Umeå University, Faculty of Science and Technology, Department of Physics.
2022 (English)Independent thesis Advanced level (professional degree), 20 credits / 30 HE creditsStudent thesis
Abstract [en]

The goal of this report is to develop code in Python that implements and evaluates a multivariate linear error propagation for commonly used DCE-MRI models. Two pharmoacokinetic models (PK-models) were tested; modified Kety model and two-compartment exchange model. The analysis compared a Monte carlo simulated signal and a simple analytic model for uncertainty. The purpose of comparing was to have the Monte carlo method and the linear error estimation method reasonably close in terms of estimation of the error of the PK-parameters (parameters are specific for the PK-model). The analysis included an inspection of the resulting plots of the Coefficent of Variation (CV) of the estimation of the PK-parameters, when increasing the ratio of the true value and the added error for each of the input parameters. Generally the CV increased, I.e. the precision decreased, as the noise level increased. For both PK-models, error in injection time of contrast agent were the input parameter with the least tolerance of noise. By comparing the results from both methods, the conclusion is to implement the modified Kety model as the PK-model used in MICE Toolkit (NONPI Medical AB, Umeå, Sweden) and keep the noise to signal level below 15\% in order to obtain precision of the results to less than 33\% error. We have verified the uncertainty estimation method works well for the Modified Kety model but not so well for the two-compartment exchange model. The scope of this study only included two PK-models and one signal model, therefore it would be beneficial to test the linear estimation method used here on other PK-models and signal models to find what models it works well for.

Abstract [sv]

Målet med denna rapport är att utveckla kod i Python som implementerar och utvärderar multivariat linjär felpropagering för ofta använda DCE-MRI modeller. Två farmakokinetiska modeller (PK-modeller) testades; den modifierade Kety-modellen och två-utrymme utbytesmodellen. Analysen jämförde en Monte carlo-simulerad signal och en enkel analytisk modell för osäkerhet. Syftet med jämförelsen var att ha Monte carlo-metoden och den linjära feluppskattningsmetoden någorlunda nära när det gäller uppskattning av PK-parametrarnas fel (parametrarna är specifika för PK-modellen). Analysen innebar en inspektion av de resulterande kurvorna för variationskoefficienten (CV) för uppskattningen av PK-parametrarna, när förhållandet mellan det sanna värdet och det pålagda felet för var och en av ingångsparametrarna ökades. Generellt ökade CV:n, det vill säga precisionen minskade när bruset/felet ökade. För båda PK-modellerna var det fel i injektionstid för kontrastmedel den ingångsparameter som hade minst tolerans för brus. Genom att jämföra resultaten från båda metoderna är slutsatsen att använda den modifierade Kety-modellen som PK-modell i MICE Toolkit (NONPI Medical AB, Umeå, Sverige) och hålla brus-till-signal nivån under 15\% för att få precision av resultaten till mindre än 33\% fel. Vi har verifierat att metoden för osäkerhetsuppskattning fungerar bra för den modifierade Kety-modellen men inte så bra för två-utrymme utbytesmodellen. Omfattningen av denna studie inkluderade endast två PK-modeller och en signalmodell, därför skulle det vara fördelaktigt att testa den linjära uppskattningsmetoden som används här på andra PK-modeller och signalmodeller för att hitta vilka modeller den fungerar bra för.

Place, publisher, year, edition, pages
2022. , p. 19
National Category
Other Medical Engineering
Identifiers
URN: urn:nbn:se:umu:diva-201567OAI: oai:DiVA.org:umu-201567DiVA, id: diva2:1717554
External cooperation
NONPI Medical AB
Educational program
Master of Science Programme in Engineering Physics
Supervisors
Examiners
Available from: 2023-01-10 Created: 2022-12-08 Last updated: 2023-01-10Bibliographically approved

Open Access in DiVA

fulltext(1741 kB)60 downloads
File information
File name FULLTEXT01.pdfFile size 1741 kBChecksum SHA-512
969d9d857976068633dbef0b88d7f70dd58b667674df82bdf81b2b47fe8e40508fd50d2448d395d30ab6e71755c922dae590344ca908655cfb1266567b83299e
Type fulltextMimetype application/pdf

By organisation
Department of Physics
Other Medical Engineering

Search outside of DiVA

GoogleGoogle Scholar
Total: 60 downloads
The number of downloads is the sum of all downloads of full texts. It may include eg previous versions that are now no longer available

urn-nbn

Altmetric score

urn-nbn
Total: 110 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf