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

Transkript

1 Metody zpracování a analýzy medicínských obrazových dat: možnosti využití v neurovědním výzkumu Ing. Daniel Schwarz, Ph.D. Bc. Eva Janoušov ová INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ

2 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

3 Neurovědy Medicína Psychologie Informatika Statistika Fyzika Bádání nad nervovým systémem organizmů: struktura, funkce, vývoj, genetika, biochemie, fyziologie, farmakologie a patologie

4 Neuroimaging MRI CT PET Strukturální fmri Funkční

5 Magnetická rezonance

6 Obrazová data z magnetické rezonance T1-váhovaný obraz T2-váhovaný obraz PD-váhovaný obraz Sagitální řezy Koronární řezy

7 Schizofrenie neuropsychiatrická porucha projevy: změny ve vnímání reality, sluchové a zrakové halucinace, zmatená mysl a mluva, úzkost anatomické změny: úbytek šedé mozkové hmoty v určitých částech mozku

8 Výpočetn etní neuroanatomie VÝVOJ VOLUMETRIE MOZKU: postmortem techniky in vivo (CT, MRI) ROI manuální segmentace VBM DBM } celomozkové, automatické morfometrické metody

9 Výpočetn etní neuroanatomie Statistická analýza na deformacích na voxelech Lineární registrace afinní transformace šablona Pružná registrace stereotaktický prostor

10 ffgf BAKALÁŘSKÁ PRÁCE Statistické metody segmentace v MRI obrazech mozku 10

11 VBM (morfometrie založen ená na voxelech)

12 VBM (morfometrie založen ená na voxelech)

13 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.)

14 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

15 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

16 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

17 Srovnání klasifikátor torů J A CC A RJ A J B CC B RJ B J C CC C RJ C Segmentační Segmentation methods metody CSF GM WM slepý k-means lokální k-nn mapovaný k-means J CC RJ A B C Jaccardův koeficient Connectivity koeficient Rand Jaccard koeficient lokální k-nn slepý k-means mapovaný k-means

18 Co nám m můžm ůže e způsobit problémy při p segmentaci? Obraz bez šumu Obraz se šumem

19 Co nám m můžm ůže e způsobit problémy při p segmentaci? a) T1-váhovaný obraz bez šumu a INU artefaktu b) T1-váhovaný obraz s 5% šumem c) T1-váhovaný obraz s 40% INU artefaktem četnosti četnosti * Gray CSF 40 matter CSF White matter četnosti a) * četnosti CSF Gray matter a) intenzita signálu intenzita signálu b) b) c) c) White matter Gray matter White matter intenzita signálu intenzita signálu intenzita signálu

20 ffgf DIPLOMOVÁ PRÁCE Moderní metody pro analýzu obrazových dat v neuropsychiatrickém m výzkumu 20

21 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

22 Předzpracování obrazových dat Statistická analýza na deformacích na voxelech Lineární registrace afinní transformace šablona Pružná registrace stereotaktický prostor

23 Analýza 3D obrazových dat Obraz deformací Klasifikace Hledání struktur

24 Analýza 3D obrazových dat klasifikace

25 PCA PCA (Principal Component Analysis) analýza 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: kovarianční či korelační matice vlastní čísla a vlastní vektory matice výběr počtu hlavních komponent

26 Výsledky úspěšnost klasifikace 100 Původní obrazy deformací 100 Odmaskované obrazy deformací % správně zařazených obrazů Centroidová metoda M. průměrné vazby Centroidová metoda M. průměrné vazby Neredukovaná data Redukovaná data Časová náročnost klasifikace (v sekundách) Data Původní deformace Odmaskované deformace Redukce Centroidová metoda Metoda průměrné vazby Ne Ano Ne Ano

27 Analýza 3D dat vizualizace Vizualizace centroidové metody Kontroly Pacienti Centroid kontrol Centroid pacientů

28 Analýza 3D dat vizualizace II Vizualizace centroidové metody pro všech 192 obrazů Kontroly Pacienti

29 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

30 ffgf Závěr 30

31 Shrnutí Registrace / lícování multimodálních obrazových dat Segmentace oblasti zájmu, klasifikace tkání a volumetrie v medicínských obrazech 3-D vizualizační algoritmy

32 Děkuji Vám V m za pozornost.

33 Rozvoj studijního oboru PřF MU Brno je finančně podporován prostředky projektu ESF č. CZ.1.07/2.2.00/ Víceoborová inovace studia matematická biologie a státním rozpočtem České republiky INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ