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
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
Neurovědy Medicína Psychologie Informatika Statistika Fyzika Bádání nad nervovým systémem organizmů: struktura, funkce, vývoj, genetika, biochemie, fyziologie, farmakologie a patologie
Neuroimaging MRI CT PET Strukturální fmri Funkční
Magnetická rezonance
Obrazová data z magnetické rezonance T1-váhovaný obraz T2-váhovaný obraz PD-váhovaný obraz Sagitální řezy Koronární řezy
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
Výpočetn etní neuroanatomie VÝVOJ VOLUMETRIE MOZKU: postmortem techniky in vivo (CT, MRI) ROI manuální segmentace VBM DBM } celomozkové, automatické morfometrické metody
Výpočetn etní neuroanatomie Statistická analýza na deformacích na voxelech Lineární registrace afinní transformace šablona Pružná registrace stereotaktický prostor
ffgf BAKALÁŘSKÁ PRÁCE Statistické metody segmentace v MRI obrazech mozku 10
VBM (morfometrie založen ená na voxelech)
VBM (morfometrie založen ená 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 klasifikátor torů 1 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 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
Co nám m můžm ůže e způsobit problémy při p segmentaci? Obraz bez šumu Obraz se šumem
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 * 10 3 45 Gray CSF 40 matter CSF White matter 35 30 25 20 15 10 5 četnosti a) * 10 3 350 300 250 četnosti 200 150 100 50 CSF Gray matter a) 0 0 200 400 600 800 1000 1200 intenzita signálu intenzita signálu b) b) c) c) 0 0 200 400 600 800 1000 1200 1400 White matter Gray matter White matter 0 200 400 600 800 1000 1200 1400 intenzita signálu intenzita signálu intenzita signálu
ffgf DIPLOMOVÁ PRÁCE Moderní metody pro analýzu obrazových dat v neuropsychiatrickém m výzkumu 20
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
Analýza 3D obrazových dat Obraz deformací Klasifikace Hledání struktur
Analýza 3D obrazových dat klasifikace
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
Výsledky úspěšnost klasifikace 100 Původní obrazy deformací 100 Odmaskované obrazy deformací % správně zařazených obrazů 90 80 70 60 50 79.7 79.7 Centroidová metoda 81.8 81.8 M. průměrné vazby 90 80 70 60 50 80.4 80.4 Centroidová metoda 83.2 82.5 M. průměrné vazby Neredukovaná data Redukovaná data Časová náročnost klasifikace (v sekundách) Data Původní deformace Odmaskované deformace Redukce 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
Analýza 3D dat vizualizace Vizualizace centroidové metody Kontroly Pacienti Centroid kontrol Centroid pacientů
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.
ffgf Závěr 30
Shrnutí Registrace / lícování multimodálních obrazových dat Segmentace oblasti zájmu, klasifikace tkání a volumetrie v medicínských obrazech 3-D vizualizační algoritmy
Děkuji Vám V m za pozornost.
Rozvoj studijního oboru 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