Normalisering av mätningar

Biomedicinsk bildanalys i Python

Stephen Bailey

Instructor

Analysarbetsflöde

group-workflow

OASIS-populationen

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

Hypotesprövning

men-women

Hypotesprövning

Nollhypotes: de två populationernas medelvärden för hjärnvolym ($\mu_{m}, \mu_{w}$) är lika.

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

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

Implementerat i scipy.stats.ttest_ind()

Hypotesprövning

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

Ett stort $t$-värde och lågt $p$-värde tyder på en signifikant skillnad!

Korrelerade mätningar

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

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

brain-skull-scatterplot

Normalisering

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

Storlek, inte kön, drev troligen de ursprungliga resultaten.

Många möjliga störfaktorer i bilddata

Bildtagning

Kontrast
Upplösning
Synfält

Subjekt / objekt

Ålder
Kön
Patologi

Kontext

Sjukhus
Radiolog
Utrustning

Datakvalitet

Format
Artefakter

Grattis!

Image Workflow

Lycka till!

Biomedicinsk bildanalys i Python