Normalizacja pomiarów

Analiza obrazów biomedycznych w Pythonie

Stephen Bailey

Instructor

Schemat analizy

schemat grupowy

Analiza obrazów biomedycznych w Pythonie

Populacja 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
Analiza obrazów biomedycznych w Pythonie

Testowanie hipotez

mężczyźni-kobiety

Analiza obrazów biomedycznych w Pythonie

Testowanie hipotez

Hipoteza zerowa: średnie objętości mózgu obu populacji ($\mu_{m}, \mu_{w}$) są równe.

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

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

Zaimplementowane w scipy.stats.ttest_ind()

Analiza obrazów biomedycznych w Pythonie

Testowanie hipotez

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

Duża statystyka $t$ i niska wartość $p$ wskazują na istotną różnicę!

Analiza obrazów biomedycznych w Pythonie

Skorelowane pomiary

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

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

wykres rozrzutu mózg-czaszka

Analiza obrazów biomedycznych w Pythonie

Normalizacja

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

Pierwotne wyniki były prawdopodobnie efektem rozmiaru, nie płci.

Analiza obrazów biomedycznych w Pythonie

Wiele potencjalnych czynników zakłócających w obrazowaniu

Akwizycja obrazu

  • Kontrast
  • Rozdzielczość
  • Pole widzenia

Podmiot / obiekt

  • Wiek
  • Płeć
  • Patologia

Kontekst

  • Szpital
  • Radiolog
  • Sprzęt

Jakość danych

  • Format
  • Artefakty
Analiza obrazów biomedycznych w Pythonie

Gratulacje!

Schemat obrazowania

Analiza obrazów biomedycznych w Pythonie

Powodzenia!

Analiza obrazów biomedycznych w Pythonie

Preparing Video For Download...