Normalizzare le misurazioni

Analisi di immagini biomediche in Python

Stephen Bailey

Instructor

Flusso di analisi

flusso-di-lavoro-di-gruppo

Analisi di immagini biomediche in Python

Popolazione OASIS

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
Analisi di immagini biomediche in Python

Test d'ipotesi

uomini-donne

Analisi di immagini biomediche in Python

Test d'ipotesi

Ipotesi nulla: le medie dei volumi cerebrali ($\mu_{m}, \mu_{w}$) sono uguali.

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

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

Implementato in scipy.stats.ttest_ind()

Analisi di immagini biomediche in Python

Test d'ipotesi

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

Un $t$ grande e un $p$-value basso suggeriscono una differenza significativa!

Analisi di immagini biomediche in Python

Misurazioni correlate

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

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

dispersione-cervello-cranio

Analisi di immagini biomediche in Python

Normalizzazione

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

Probabilmente era la dimensione, non il genere, a guidare i risultati iniziali.

Analisi di immagini biomediche in Python

Molti possibili fattori confondenti nelle immagini

Acquisizione immagini

  • Contrasto
  • Risoluzione
  • Campo visivo

Soggetto / oggetto

  • Età
  • Genere
  • Patologia

Contesto

  • Ospedale
  • Radiologo
  • Apparecchiatura

Qualità dei dati

  • Formato
  • Artefatti
Analisi di immagini biomediche in Python

Complimenti!

Flusso di lavoro immagine

Analisi di immagini biomediche in Python

In bocca al lupo!

Analisi di immagini biomediche in Python

Preparing Video For Download...