Clasificacion de Enfermedad de Alzheimer en MRI utilizando información de Saliencia Visual. Julian Camilo Daza

Tamaño: px

Comenzar la demostración a partir de la página:

Download "Clasificacion de Enfermedad de Alzheimer en MRI utilizando información de Saliencia Visual. Julian Camilo Daza"

Alberto Acosta Páez
hace 6 años
Vistas:

1 Clasificacion de Enfermedad de Alzheimer en MRI utilizando información de Saliencia Visual Julian Camilo Daza

2 En el análisis médico basado en imágenes un médico experto busca evidencias sobre posibles anormalidades en los pacientes. Enfermedad de Alzheimer se ha convertido una de las enfermedades más comunes en la gente adulta. (MRI es considerado el método preferido para examinar la Enfermedad de Alzheimer por lo que permite medir de manera precisa volúmenes 3D dentro de la estructura cerebral)

3 Enfermedad de Alzheimer. Cambios longitudinales en el tamaño del cerebro son asociados a pérdidas progresivas de habilidades cognitivas. Enfermedad es muy dificil de detectar en etapas tempranas. La variabilidad de la atrofia en el proceso normal de envejecimiento hace que sea muy dificil de detectar la enfermedad.

saliencia en visión por computador buscan simular el mecanismo del sistema visual

4 Saliencia Visual en Atención Visual Nuestro sistema visual tiene el mecanismo encargado de filtrar información no deseada en una escena visual Los Modelos de saliencia en visión por computador buscan simular el mecanismo del sistema visual de selección de información que descarta información no relevante en un estímulo visual.

5 Objetivo: Adaptar modelos de Saliencia para imágenes de Resonancia Magnéticas Cerebrales con el fin de mejorar la clasificación de cerebros de pacientes con probable Alzheimer. Objetivos Específicos: 1. Investigar conceptos y métodos propuestos para generación de mapas de Saliencia en imágenes naturales y médicas. 2. Experimentar y seleccionar un conjunto de modelos de Saliencia Visual. 3. Diseñar y adaptar los modelos de Saliencia para imágenes de resonancia magnética cerebral. 4. Analizar y verificar las modificaciones de los modelos de Saliencia ante una clasificación previa basada en Saliencia en cerebros de pacientes con probable Alzheimer.

6 Clasificacion de Enfermedad de Alzheimer en MRI utilizando información de Saliencia Visual Método de aplicación modelos de saliencia visual a detección de características en imágenes médicas.

7 MIT Saliency Benchmark Solución consolidada de desempeño de modelos de Saliencia. AUC mayor a la linea base. Implementación en MATLAB AIM Attention based on information maximization FES Fast and efficient saliency detection using sparse sampling and kernel density estimation COVSAL Visual saliency estimation by nonlinearly integrating features using region covariances GBVS Graph-Based Visual Saliency Z. Bylinskii, T. Judd, A. Borji, L. Itti, F. Durand, A. Oliva, and A. Torralba, Mit saliency benchmark,

8 Método Preparación Estimacion Estimacion Clasificación Imagen Saliencia Correlación SVM

9 Preparacion Imágen. Generar una imagen MRI 3D de entrada adecuada para cada modelo de saliencia. Imagen en escala de grises con valores de [0,1] o [0,255]. Configuraciones de entrada de los modelos de Saliencia.

10 Estimación de saliencia. Ejecución de los modelos de saliencia en imágenes MRI. Se obtienen los mapas de saliencia de las imágenes médicas, contienen las regiones de información relevante. Para cada imagen MRI se obtienen 3 volúmenes de Saliencia.

11 Estimación de Similaridad. Mide la similaridad de las imágenes usando la intersección del histograma. AD = mapas de Saliencia de pacientes con AD diagnosticado CP = mapas de Saliencia de pacientes de control Hist = similaridad(ad + CP)

12 Clasificación SVM. Entrenamiento de un modelo Support Vector Machine. Modelo es utilizado para medir el desempeño de la selección de características. ROC AUC Accuracy Sensitivity Specificity Recall

13 Pruebas OASIS Open Access Series of Imaging Studies. Dataset MRI del cerebro de distribución libre para la comunidad científica. 416 Pacientes Años Dimensiones MRI: 176 x 176 x 206 slices. Estimado de Mapas de Saliencia Generados = Grupo DEMO: 40 Pacientes 15 AD, 25 CP años Grupo 1: 86 Pacientes 20 AD, 86 CP años Grupo 2: 126 Pacientes 28 AD, 98 CP años Grupo 3: 136 Pacientes 70 AD, 66 CP años Grupo 4: 198 Pacientes 100 AD, 98 CP años Mapas Mapas Mapas Mapas Mapas

16 Resultados FES CovSal GBVS AIM GVBS REF* Axis Group Accuracy Accuracy Accuracy Accuracy Accuracy Sagital 1 0,85 0,81 0,83 0,74 0,83 Sagital 2 0,83 0,76 0,76 0,76 0,76 Sagital 3 0,71 0,73 0,71 0,64 0,76 Sagital 4 0,67 0,67 0,66 0,75 0,69 * A. Rueda, F. A. Gonzalez, and E. Romero, Extracting salient brain patterns for imaging-based classification of neurodegenerative diseases, IEEE Transactions on Medical Imaging, vol. 33, no. 6, pp , June 2014.

17 Avance 90% 90% 90% 80% Preparación Estimacion Estimacion Clasificación Imagen Saliencia Correlación SVM

Documentos relacionados

SEGMENTACIÓN AUTOMÁTICA DE TEJIDOS CEREBRALES EN MRI MULTIESPECTRALES MEDIANTE CLASIFICACIÓN POR MÍNIMA DISTANCIA EUCLÍDEA

SEGMENTACIÓN AUTOMÁTICA DE TEJIDOS CEREBRALES EN MRI MULTIESPECTRALES MEDIANTE CLASIFICACIÓN POR MÍNIMA DISTANCIA EUCLÍDEA 42 Jornadas Argentinas de Informática 4 Congreso Argentino de Informática y Salud Facultad de Matemática, Astronomía y Física Universidad Nacional de Córdoba Córdoba, Argentina SEGMENTACIÓN AUTOMÁTICA