Normaliser les mesures

Analyse d'images biomédicales en Python

Stephen Bailey

Instructor

Flux d'analyse

flux de travail en groupe

Analyse d'images biomédicales en Python

Population 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
Analyse d'images biomédicales en Python

Vérification d'hypothèses

hommes-femmes

Analyse d'images biomédicales en Python

Vérification d'hypothèses

Hypothèse nulle : les moyennes de volume cérébral ($\mu_{m}, \mu_{w}$) sont égales.

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

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

Implémenté dans scipy.stats.ttest_ind()

Analyse d'images biomédicales en Python

Vérification d'hypothèses

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

Une grande statistique $t$ et une faible valeur $p$ indiquent une différence significative !

Analyse d'images biomédicales en Python

Mesures corrélées

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

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

nuage de points cerveau-crâne

Analyse d'images biomédicales en Python

Normalisation

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

La taille, pas le genre, a vraisemblablement conduit les résultats initiaux.

Analyse d'images biomédicales en Python

De nombreux facteurs de confusion en imagerie

Acquisition d'images

  • Contraste
  • Résolution
  • Champ de vision

Sujet / objet

  • Âge
  • Genre
  • Pathologie

Contexte

  • Hôpital
  • Radiologiste
  • Équipement

Qualité des données

  • Format
  • Artéfacts
Analyse d'images biomédicales en Python

Félicitations !

flux de traitement d'image

Analyse d'images biomédicales en Python

Bonne chance !

Analyse d'images biomédicales en Python

Preparing Video For Download...