Messwerte normalisieren

Biomedizinische Bildanalyse mit Python

Stephen Bailey

Instructor

Analyse-Workflow

Gruppen-Workflow

Biomedizinische Bildanalyse mit Python

OASIS-Stichprobe

df.shape

(400, 5)

df.sample(5)

                age sex  alzheimers  brain_vol    skull_vol
    ID                                                        
    OAS1_0272   75   F        True    851.451  1411.125695
    OAS1_0112   69   F       False    894.801  1434.146892
    OAS1_0213   48   F       False    925.859  1412.781004
    OAS1_0311   22   F       False    980.163  1363.413762
    OAS1_0201   85   F       False    904.104  1420.631447
Biomedizinische Bildanalyse mit Python

Hypothesentest

Männer-Frauen

Biomedizinische Bildanalyse mit Python

Hypothesentest

Nullhypothese: Die Mittelwerte der beiden Populationen ($\mu_{m}, \mu_{w}$) sind gleich.

$$ H_{null}: \mu_{w} = \mu_{m} $$ $$ H_{alt}\ : \mu_{w} \ne \mu_{m} $$

$$ t = \frac{\bar X - \mu}{s / \sqrt{n}} $$

Implementiert in scipy.stats.ttest_ind()

Biomedizinische Bildanalyse mit Python

Hypothesentest

brain_m = df.loc[df.sex == 'M', 'brain_vol']

brain_f = df.loc[df.sex == 'F', 'brain_vol']

from scipy.stats import ttest_ind
results = ttest_ind(brain_m, brain_f)

results.statistic
results.pvalue

10.20986
5.03913e-22

Ein hoher $t$-Wert und ein niedriger $p$-Wert deuten auf einen signifikanten Unterschied hin!

Biomedizinische Bildanalyse mit Python

Korrelierte Messungen

df[['brain_vol', 'skull_vol']].corr()

                'brain_vol' 'skull_vol'
    'brain_vol'      1.000       0.736
    'skull_vol'      0.736       1.000

Gehirn-Schädel-Streudiagramm

Biomedizinische Bildanalyse mit Python

Normalisierung

df['brain_norm'] = df.brain_vol / df.skull_vol

brain_norm_m = df.loc[df.sex == 'M', 'brain_norm']
brain_norm_f = df.loc[df.sex == 'F', 'brain_norm']
results = ttest_ind(brain_norm_m, brain_norm_f)

results.statistic
results.pvalue

-0.94011
0.34769

Wahrscheinlich trieb die Größe, nicht das Geschlecht, das ursprüngliche Ergebnis.

Biomedizinische Bildanalyse mit Python

Viele potenzielle Störfaktoren bei Bildgebung

Bilderfassung

  • Kontrast
  • Auflösung
  • Bildfeld

Proband / Objekt

  • Alter
  • Geschlecht
  • Pathologie

Kontext

  • Krankenhaus
  • Radiologe
  • Ausstattung

Datenqualität

  • Format
  • Artefakte
Biomedizinische Bildanalyse mit Python

Glückwunsch!

Bild-Workflow

Biomedizinische Bildanalyse mit Python

Viel Erfolg!

Biomedizinische Bildanalyse mit Python

Preparing Video For Download...