Normalizarea măsurătorilor

Analiza imaginilor biomedicale în Python

Stephen Bailey

Instructor

Fluxul de analiză

flux de lucru de grup

Analiza imaginilor biomedicale în Python

Populația 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 imaginilor biomedicale în Python

Testarea ipotezelor

bărbați-femei

Analiza imaginilor biomedicale în Python

Testarea ipotezelor

Ipoteza nulă: volumele medii ale creierului ($\mu_{m}, \mu_{w}$) sunt egale în cele două populații.

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

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

Implementat în scipy.stats.ttest_ind()

Analiza imaginilor biomedicale în Python

Testarea ipotezelor

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 $t$-statistic mare și un $p$-value mic indică o diferență semnificativă!

Analiza imaginilor biomedicale în Python

Măsurători corelate

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

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

grafic dispersie creier-craniu

Analiza imaginilor biomedicale în Python

Normalizare

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

Dimensiunea, nu genul, a influențat probabil rezultatele inițiale.

Analiza imaginilor biomedicale în Python

Mulți factori de confuzie posibili în imagistică

Achiziția imaginii

  • Contrast
  • Rezoluție
  • Câmp vizual

Subiect / obiect

  • Vârstă
  • Gen
  • Patologie

Context

  • Spital
  • Radiolog
  • Echipament

Calitatea datelor

  • Format
  • Artefacte
Analiza imaginilor biomedicale în Python

Felicitări!

Flux imagistică

Analiza imaginilor biomedicale în Python

Mult succes!

Analiza imaginilor biomedicale în Python

Preparing Video For Download...