Metody zpracování a analýzy medicínských obrazových dat: možnosti využití v neurovědním výzkumu

Metody zpracování a analýzy medicínských obrazových dat: možnosti využití v neurovědním výzkumu

Ing. Daniel Schwarz, Ph.D. Bc. Eva Janoušová

INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ

O čem budu mluvit? •

Neurovědy – co to je?

•

Medicínská obrazová data, medical imaging, neuroimaging

•

Segmentace medicínských obrazů

•

Registrace medicínských obrazů

•

Klasifikace medicínských obrazů

•

Sdílená úložiště obrazů na bázi PACS/DICOM

Matematická biologie

© Institut biostatistiky a analýz

Neurovědy Medicína Psychologie Informatika Statistika Fyzika

Bádání nad nervovým systémem organizmů: • • • • • • • • Matematická biologie

struktura, funkce, vývoj, genetika, biochemie, fyziologie, farmakologie a patologie © Institut biostatistiky a analýz

Neuroimaging

MRI

CT

PET

Strukturální

fMRI

Funkční Matematická biologie


Magnetická rezonance



Obrazová data z magnetické rezonance T2-váhovaný obraz

PD-váhovaný obraz

Sagitální řezy

Koronární řezy

T1-váhovaný obraz



Schizofrenie

neuropsychiatrická porucha

projevy: změny ve vnímání reality, sluchové a zrakové halucinace, zmatená mysl a mluva, úzkost

anatomické změny: úbytek v určitých částech mozku


šedé

mozkové

hmoty


Výpočetní neuroanatomie VÝVOJ VOLUMETRIE MOZKU:

postmortem techniky

in vivo (CT, MRI) ROI – manuální segmentace

VBM DBM

}

celomozkové, automatické morfometrické metody

… Matematická biologie


Výpočetní neuroanatomie Statistická analýza na deformacích

na voxelech

Lineární registrace afinní

transformace

šablona

Pružná registrace stereotaktický prostor Matematická biologie


ffgf

BAKAL ÁŘSKÁ PR ÁCE BAKALÁŘSKÁ PRÁCE Statistick é metody segmentace Statistické v MRI obrazech mozku

10 Matematická biologie


VBM (morfometrie založená na voxelech)



VBM (morfometrie založená na voxelech)



Segmentace •

rozdělení obrazu na objekty

•

v MRI: rozdělení obrazu mozku na šedou hmotu, bílou hmotu, likvor a mimomozkové tkáně nebo na anatomické struktury

•

manuální segmentace časově náročná a náchylná k chybám automatická segmentace

•

metody segmentace: 1. strukturální metody (podle okolí vyšetřovaného voxelu) 2. segmentace založená na registraci (deformovatelné modely) 3. detekce hran 4. statistické metody (prahování, clustering aj.)



Segmentace STATISTICKÉ METODY SEGMENTACE

•

rozdělení obrazu na šedou hmotu, bílou hmotu a likvor podle intenzity signálu

•

příklady klasifikátorů: − k-means algoritmus − k-NN algoritmus (k-nearest neighbour) − diskriminační analýza

k-means



K-means algoritmus

neparametrický shlukovací algoritmus

voxely rozděleny do k shluků podle centroidů (středů shluků)

implementace pomocí dvou kroků: 1. přepočítání centroidů 2. klasifikace voxelů MRI obrazu

modifikace k-means algoritmu:

slepý k-means

maskovaný k-means

mapovaný k-means



K-nearest neighbor algoritmus

neparametrický klasifikátor

každý voxel zařazen do třídy, která převažuje mezi k nejbližšími sousedy

modifikace k-NN algoritmu:

lokální k-NN

regionový k-NN

mediánový k-NN



Srovnání klasifikátorů 1 0.9 0.8 0.7 0.6 CSF

0.5

GM

0.4

WM

0.3 0.2 0.1 0 JA

CC A RJ A

JB

CC B RJ B

JC

CC C RJ C

Segmentační Segmentation methods metody slepý k-means lokální k-NN mapovaný k-means


J

Jaccardův koeficient

CC

Connectivity koeficient

RJ

Rand Jaccard koeficient

A

lokální k-NN

B

slepý k-means

C

mapovaný k-means © Institut biostatistiky a analýz

Co nám může způsobit problémy při segmentaci?

Obraz bez šumu


Obraz se šumem


Co nám může způsobit problémy při segmentaci? a)a)

* 103 350

a) T1-váhovaný obraz bez šumu a INU artefaktu

300

White matter

četnosti

c) T1-váhovaný obraz s 40% INU artefaktem

četnosti

250

b) T1-váhovaný obraz s 5% šumem

200

CSF

Gray matter

150

100 50 0 0

b)b)

* 103 45

400 600 800 1000 intenzita signálu intenzita signálu

Gray matter

40 CSF

35

200

CSF White matter

1200

c) c) Gray matter

četnosti

četnosti

30 25

White matter

20 15

10 5 0 0

200

400 600 800 1000 1200 intenzita signálu

1400 0

200 400 600 800 1000 1200 1400

intenzita signálu

intenzita signálu Matematická biologie


ffgf

DIPLOMOV Á PR ÁCE DIPLOMOVÁ PRÁCE Modern Moderníí metody pro analýzu obrazových dat v neuropsychiatrick ém výzkumu neuropsychiatrickém



Datový soubor

192 T1-váhovaných MRI obrazů:

49 pacientů s první epizodou schizofrenie

19 pacientů s chronickou schizofrenií

124 kontrolních subjektů

Obraz intenzit


Obraz deformací


Předzpracování obrazových dat Statistická analýza na deformacích

na voxelech

Lineární registrace afinní

transformace

šablona

Pružná registrace stereotaktický prostor Matematická biologie


Analýza 3D obrazových dat Obraz deformací

Klasifikace


Hledání struktur


Analýza 3D obrazových dat – klasifikace



PCA

PCA (Principal Component hlavních komponent

cíl PCA: vyjádřit informace o variabilitě obsažené v datovém souboru pomocí několika málo nových znaků získaných jako lineární kombinace znaků původních

nové znaky nekorelované, uspořádané podle svého klesajícího rozptylu

algoritmus PCA:


Analysis)

kovarianční či korelační matice

vlastní čísla a vlastní vektory matice

výběr počtu hlavních komponent

–

analýza


% správně zařazených obrazů

Výsledky – úspěšnost klasifikace Původní obrazy deformací

100 90 80

79.7 79.7

81.8 81.8

100

Odmaskované obrazy deformací

90 80.4 80.4

83.2 82.5

80

70

70

60

60

50

50 Centroidová M. průměrné metoda vazby

Neredukovaná data

Redukovaná data Centroidová M. průměrné metoda vazby

Časová náročnost klasifikace (v sekundách) Centroidová metoda

Metoda průměrné vazby

Ne

619.0

8721.8

Ano

58.0

209.4

Ne

649.1

9354.5

Ano

58.4

210.7

Data

Redukce

Původní deformace Odmaskované deformace Matematická biologie


Analýza 3D dat – vizualizace Vizualizace centroidové metody

Kontroly

Pacienti

Centroid kontrol Matematická biologie

Centroid pacientů © Institut biostatistiky a analýz

Analýza 3D dat – vizualizace II Vizualizace centroidové metody pro všech 192 obrazů

Kontroly

Pacienti



Výsledek hodnocení morfologických abnormalit

spánková struktura thalamus

temenní struktura čelní/spánková struktura

bazální ganglia

Xu, L., Groth, K. M., Pearlson, G., Schretlen, D. J. & Calhoun, V. D. 2009, ‘Source-based morphometry: The use of independent component analysis to identify gray matter differences with application to schizophrenia’, Human Brain Mapping, vol. 30, pp. 711-724. Matematická biologie


ffgf

Z ávěr Závěr



Shrnutí

Registrace / lícování

multimodálních obrazových dat

Segmentace oblasti zájmu, klasifikace tkání

a volumetrie v medicínských obrazech

3-D vizualizační algoritmy



Děkuji Vám za pozornost.



Rozvoj studijního oboru „Matematická biologie“ PřF MU Brno je finančně podporován prostředky projektu ESF č. CZ.1.07/2.2.00/07.0318 „Víceoborová inovace studia matematická biologie“ a státním rozpočtem České republiky

INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ



Metody zpracování a analýzy medicínských obrazových dat: možnosti využití v neurovědním výzkumu

Recommend Documents