Pontificia universidad javeriana facultad de ingenieria



Descargar 2,15 Mb.
Página2/2
Fecha de conversión08.06.2017
Tamaño2,15 Mb.
1   2

4. trabajos relacionados


Como una opción complementaria al análisis morfológico, muchos métodos de clasificación han sido propuestos para analizar imágenes MR para discriminar automáticamente entre pacientes de control NC y pacientes AD [12]. Estos métodos utilizan diferentes tipos de características como técnicas de segmentación [9], estimación del grueso cortical [13] y estimación del tamaño del hipocampo [14], entre otros. La información de saliencia ha sido usada también como característica morfológica en el análisis y/o clasificación de pacientes AD [15], donde patrones relacionados a la enfermedad pueden se extraídos de los mapas de atención visual.
    1. Automatic Classification Of Patients With Alzheimer's Disease From Structural Mri: A Comparison Of Ten Methods Using The ADNI Database [9]


Este estudio busca analizar y comparar 10 métodos de clasificación automática de pacientes AD basado en imágenes RM cerebrales de tipo T-1. Sin embargo estos métodos fueron ejecutados sobre diferentes grupos de poblaciones, lo que los hace difíciles de comparar en su desempeño. Los métodos seleccionados son aproximaciones variadas: 5 métodos basados en voxeles, 3 métodos basados en medición del grueso cortical y 2 métodos basados en hipocampo) usando 509 sujetos de pruebas, en 3 experimentos de clasificación basados en diferentes niveles de la enfermedad AD (AD o AD leve).

Este estudio plantea una serie de preguntas que son relevantes en la clasificación de pacientes con AD, una de estas plantea la duda si utilizar un volumen RM cerebral completo o solo la región del hipocampo. De la cual concluyen que se logra mejor clasificación de pacientes utilizando un volumen cerebral completo en comparación a los basados en el hipocampo, el considerar todo el volumen cerebral ofrece mejores resultados en etapas avanzadas de la enfermedad AD donde la atrofia se encuentra más dispersa. Aunque los métodos basados sólo en la región del hipocampo presentan una exactitud menor en comparación a métodos que utilizan la totalidad del volumen cerebral. Estos métodos pueden ser de interés clínico debido a que proveen un acceso directo a la interpretación clínica del hipocampo, mientras que los métodos que utilizan la totalidad del volumen cerebral poseen una combinación compleja de las diferentes regiones cerebrales.

Otra duda que se plantea gira en torno a la necesidad de realizar detección de características sobre las imágenes RM cerebrales. Donde el objetivo principal de la selección de características permite la selección de información de características relevantes y reduce la complejidad del espacio de características a evaluar. Basados en los métodos analizados se concluye que estos métodos no se comportan substancialmente mejor en comparación a métodos mas sencillos. En particular la selección de características se comporta de una manera sensitiva al conjunto de pruebas, lo que puede ser utilizado para métodos de entrenamiento.

Luego se plantea una duda importante en la clasificación de pacientes AD, donde se discute si la edad influye en la exactitud de la clasificación. Donde se encuentra que los grupos de pacientes de mayor edad de control NC y los pacientes jóvenes son usualmente clasificados erróneamente. Lo que puede ser causado por diferentes razones como el proceso normal de envejecimiento producido por la atrofia de la materia gris y blanca. Sin embargo los pacientes de mayor edad tienden a tener anomalidades estructurales en la materia blanca y puede aumentar la medición de atrogfia. Adicional a esto, los pacientes de mayor edad son propensos a sufrir de demencia mixta [9]. Los métodos de clasificación que fueron puestos a prueba en este estudio lograron satisfactoriamente la clasificación de pacientes con AD y pacientes de control NC. La mayoría de estos logra este proceso de clasificación con una exactitud alta, sin embargo la precisión de estos de algunos no es muy elevada.


    1. Extracting Salient Brain Patterns For Imaging-Based Classification Of Neurodegenerative Diseases [15, 23]


En los años recientes se ha ido incrementando el interés en el uso de métodos analíticos para mejorar la inferencia en un grupo reducido de individuos. Dentro de estos métodos se incluyen técnicas de Machine Learning supervisado y reconocimientos de patrones supervisados, los cuales automáticamente extraen información de los datos. Muchos de estos son usados en clasificación, los cuales automáticamente descubren patrones sobre los datos. La técnica de Machine Learning mas utilizada es Support Vector Machine (SVM), la cual ha sido aplicada para la clasificación de individuos con varios trastornos neuronales. Este estudio propone una manera automática de análisis de imágenes médicas inspirado en la percepción visual de un radiólogo. Este método utiliza un modelo de saliencia visual y lo extiende para ser utilizado para imitar la percepción visual de un radiólogo.

Este método propone una estrategia mixta que aprende basado en unos datos de entrenamiento de pacientes, los patrones de estructuras discriminantes de desordenes neurológicos, en particular la enfermedad de Alzheimer. Otra gran contribución de este estudio es la interpretación del modelo generado, del cual se pueden extraer patrones que pueden ser mapeados a las imágenes RM cerebrales para estimar la importancia de cada región cerebral en la clasificación final.

Este estudio fusiona estrategias bottom-up y top-down sobre la información, logrando una clasificación correcta de pacientes AD y pacientes normales NC. La representación bottom-up viene dada por la estimación de saliencia visual que automáticamente resalta regiones relevantes que están correlacionadas al diagnóstico de AD. La estrategia completa permite encontrar regiones anatómicas con significado clínico que pueden ser cuantificadas y relacionadas al diagnóstico, y posteriormente ser utilizadas para entender las diferentes etapas de la enfermedad de Alzheimer AD.

Para nuestro caso de investigación este estudio es una base fundamental y un gran punto de comparación. Tomando en cuenta la estrategia mixta de generación de clasificación de pacientes con AD basado en mapas de saliencia visual y un proceso de clasificación de SVM, nos permite tomar este estudio como modelo base para ser ampliado y mejorado con diferentes y nuevos métodos de saliencia visual, y agregarle una variable adicional como es la orientación en la que se analiza la imagen RM cerebral (sagital, axial y coronal) con el fin de medir el desempeño y encontrar un avance en le proceso de clasificación contrastado con esta estudio propuesto.


I - Modelos de Saliencia en visión por computador

1. Modelos de Saliencia en visión por computador


En visión por computador, un mapa de saliencia (también conocido como mapa de atención visual) representa un grupo de regiones visualmente relevantes de una imagen o un cuadro de video. Este mapa se representa comúnmente como una imagen en escala de grises, donde los colores claros (blancos) representan valores altos de saliencia. Sin embargo muchos modelos de saliencia visual computacional han sido planteados durante los últimos 10 años, los resultados propuestos por estos han sido difícil de comparar basados en los diferentes imágenes de prueba utilizadas por los modelos. Con el fin de solucionar este problema el MIT Saliency Benchmark [16] ha sido desarrollado, como una solución general y consolidada para medir el desempeño de múltiples modelos de saliencia, usando un estándar dataset compuesto de 300 imágenes naturales junto a un tracking de ojos de 39 observadores humanos [17].

Usando los reportes de desempeño de este benchmark, 4 modelos de saliencia visual computacional fueron escogidos, los cuales poseen un valor alto de AUC (Área Bajo la Curva), en comparación a la línea base de dicho benchmark. Adicional, solo los modelos que poseen una implementación realizada en MatLab han sido tomados en cuenta. Esto ha sido un requerimiento inicial para facilitar el trabajo con el dataset médico de imágenes, ya que estos modelos fueron propuestos para trabajar en imágenes naturales (color). Los modelos de saliencia visual seleccionados son: AIM Attention based on information maximization [25], CovSal Visual saliency estimation by nonlinearly integrating features using region covariances [18], FES Fast and Efficient Saliency Detection Using Sparse Sampling and Kernel Density Estimation [19], y GBVS Graph Based Visual Saliency [26]. Estos 4 modelos poseen un indicador de AUC igual o superior a la línea base (AUC= 0.80) definida basado en los mapas de atención visual provenientes de un observador humano, AIM posee un valor de AUC = 0.8, FES posee un valor de AUC = 0.8, CovSal posee un valor de AUC = 0.81 y GBVS posee un valor de AUC = 0.81.


1.1 AIM Attention based on information maximization [25]


Un modelo bottom-up de atención visual basada en el principio de maximización de la información muestreada sobre una imagen. Para este modelo, la saliencia esta determinada por la calificación de cada parche local de la imagen, para cada parche pequeño presente en la imagen la distribución de probabilidad reside en un espacio dimensional alto [25]. Lo que muestra que existe insuficiente información en una imagen para producir una estimación razonable de su distribución de probabilidad. Para una imagen dada, un estimado de su distribución de cada coeficiente base es realizado a través de una estimación de densidad no paramétrica.

1.2 CovSal Visual saliency estimation by nonlinearly integrating features using region covariances [18]


Una forma común para le estimación de saliencia es la extracción de características desarrollado en base a los canales de la imagen, que luego se proceden a ser combinadas de una forma lineal. La aproximación de saliencia basada en la integración de características usando regiones de covarianzas CovSal busca desarrollar estas dos etapas que son comunes en los modelos de saliencia bottom-up en una única etapa usando matrices de covarianzas [18]. Estas matrices capturan las covarianzas de las regiones locales basado en parches, es un análisis que pretende ser mejor que utilizar filtros lineales, y también provee una forma natural de integración de características no lineales cuando se modelan sus correlaciones. Luego la información de saliencia es estimada usando el descriptor de covarianza en una ventana local versus sus parches vecinos. Esta integración no lineal de diferentes características hace de este modelo de saliencia una forma conveniente de estimar saliencia en imagines naturales que contienen texturas o patrones repetitivos.

1.3 FES Fast and Efficient Saliency Detection Using Sparse Sampling and Kernel Density Estimation [19]


Este modelo de saliencia usa una aproximación de center-surround, la cual se basa en la extracción de ventanas locales donde el centro posee mayor relevancia que sus alrededores in un framework Bayesiano [19]. La diferencia mas importante en contraste a otros métodos similares que utilizan la aproximación de center-surround es el uso de in centro difusor y una estimación de la densidad del kernel utilizado en la construcción del mapa de saliencia. Algunos resultados obtenidos en este modelo de saliencia indican una mejora del 5% en la estimación de saliencia en comparación al estado del arte, y un incremento significativo en la velocidad de estimación, permitiendo que este método de saliencia pueda ser utilizado en detección de saliencia en tiempo real.

1.4 GBVS Graph Based Visual Saliency [26]


Este modelo de saliencia de tipo bottom-up se desarrolla en 2 etapas: la generación de mapas de activación de ciertas características de la imagen, después una etapa de normalización y combinación de dichos mapas de características [26]. Para ambas etapas de activación y normalización se construye un grafo direccional que es dependiente de la información global de la imagen, lo que lo hace un comportamiento diferente en comparación a muchos modelos de saliencia modernos que depende de información local. Otra ventaja es la capacidad de generar mapas de saliencia que denotan regiones salientes lejanas a los bordes debido ala característica de usar información global de la imagen.


II - Clasificación de patrones basado en Saliencia Visual


A continuación se propone un flujo de 5 etapas que describe el proceso de extracción de patrones utilizando los modelos seleccionados de saliencia visual. Este flujo describe los procesos de preparación, ejecución y validación de los métodos de saliencia seleccionados en el contexto de imagines médicas. En este caso, la validación involucre una tarea de clasificación entre pacientes de control y pacientes con una patología probable. Lo cual busca demostrar que la información de saliencia puede ser usada en la catalogar de este tipo de población.

Figura 8, Método propuesto para estimación y clasificación de patrones de saliencia en imágenes RM cerebrales.


1. Preparación de imagen


El primer paso involucra la preparación o transformación de la imagen para que sea correctamente procesada por el modelo de saliencia. Los valores de intensidades encontrados en una imagen médica son representados con una precisión de 16-bits. Sin embargo estas intensidades son normalizadas para obtener una imagen en escala de grises entre el rango de [0-255] o en el rango de punto flotante [0-1] dependiendo del modelo de saliencia a utilizar. Cada volumen MRI es normalizado independientemente del resto de pacientes.

2. Estimación del mapa de Saliencia


En esta etapa la totalidad de mapas de saliencia del grupo de pacientes son generados, luego de la etapa de preparación que involucre un proceso de normalización de valores en el paso anterior. Los modelos de saliencia seleccionados se ejecutan, debido a que fueron diseñados y propuestos para ser utilizados en imagines naturales operan solo en 2D. Para que sean utilizados en imágenes 3D médicas, los modelos de saliencia tienen que ser ejecutados corte por corte a lo largo de las 3 orientaciones del volumen (sagital, coronal y axial). De este proceso resultan 3 diferentes volúmenes de saliencia provenientes de este recorrido en dichas orientaciones por paciente del grupo de análisis.

En términos de parámetros particulares y características propias de cada modelo de saliencia, la implementación del modelo CovSal tiene en cuenta factores como color, orientación e información espacial. Para nuestras imágenes médicas MRI la característica de color ha sido remplazada por valores de intensidad. En el caso de la implementación del modelo de saliencia FES, la configuración de características permanece igual a la configuración por defecto usada en el modelo en imágenes naturales.



A ejemplo de los mapas de saliencia obtenidos en esta etapa a continuación se presentan los resultados de la aplicación de los 4 modelos de saliencia sobre 2 diferentes imágenes MR cerebrales, una de un paciente de control NC (Figura 9) y un paciente con probable AD (Figura 10). De estas imágenes se puede observar que los resultados de mapas de saliencia generados por lo diferentes métodos producen mapas diferentes, también los mapas de saliencia resultados de un paciente de control poseen diferencias en comparación a un paciente con probable patología.

Figura 9, Mapas de Saliencia obtenidos de un paciente de control NC en las orientaciones coronal, axial y sagital. Fila 1: imagen RM de entrada, Fila 2: mapa de saliencia CovSal, Fila 3: mapa de saliencia FES, Fila 4: mapa de saliencia AIM, Fila 5: mapa de saliencia AIM



Figura 10, Mapas de Saliencia obtenidos de un paciente con probable AD en las orientaciones coronal, axial y sagital. Fila 1: imagen RM de entrada, Fila 2: mapa de saliencia CovSal, Fila 3: mapa de saliencia FES, Fila 4: mapa de saliencia AIM, Fila 5: mapa de saliencia GBVS.


3. Estimación de la similitud


Utilizando las mapas de saliencia generados para un grupo completo de la población G = NC + AD, la similitud sobre toda la población es calculada y contenida un matriz de similitud S. Cada posición en esta matriz indica el grado de similitud entre dos mapas de saliencia dentro del grupo, siendo 1 para decir que son iguales o 0 para decir una completa disimilitud. Para permitir una comparación uniforme cada mapa de saliencia es asumido como una distribución de probabilidad, donde sus valores se comportan similar a un histograma. Para cada valor en S la similitud entre un mapa de saliencia con otro mapa de saliencia viene dad por la ecuación:



Ecuación 1, calculo de la similitud dado un conjunto de volúmenes de de saliencia de pacientes

Donde y corresponden a los mapas de saliencia de i-ésimo y j-ésimo paciente. La matriz de similitud obtenida pasa a ser el kernel pre-calculado, usado como entrada para el proceso de clasificación utilizando Support Vector Machine (SVM).


4. Clasificación SVM


Un modelo SVM utilizando 2 clases es entrenado usando la matriz de similitud calculada en el paso anterior. El modelo SVM utiliza un mapeo no lineal de cada elemento en un campo de característica multi dimensional, donde 2 clases pueden ser separadas por una superficie lineal. Para este caso el kernel pre calculado es el encargado de proyectar todos los mapas de saliencia de los sujetos a un espacio diferente donde pueden ser separados mas fácilmente. Un proceso inicial de validación cruzada debe ser aplicado para ajustar el parámetro de penalidad C. Con un valor de C optimo, el modelo SVM puede ser entrenado y luego el desempeño de las características del mapa de saliencia pueden ser evaluadas.

5. Cálculo de regiones cerebrales salientes


Basado en el modelo entrenado calculado en el paso anterior. Se desarrolla un calculo de regiones salientes basado en un atlas de regiones cerebrales utilizando el mapa de saliencia generado por el modelo SVM entrenado donde primero se desarrolla el calculo del promedio de valores de saliencia sobre las regiones corticales discriminando hemisferio derecho e izquierdo, y luego se desarrolla también el calculo del promedio de valores de saliencia sobre las regiones subcorticales. En esta etapa se utiliza como entrada el volumen de saliencia del modelo SVM entrenado y 2 volúmenes atlas [36] adicionales que se encuentran alineados a las imágenes MRI de los pacientes, las cuales describen las regiones corticales y subcorticales. El resultado de esta etapa nos permite identificar las regiones que se consideran salientes (promedio de valores de saliencia positivos) y regiones de pacientes normales (valores de saliencia negativos) del volumen del modelo SVM entrenado.

III - Resultados

1. Datasets de Imágenes MR Cerebrales


El proyecto OASIS o Open Access Series of Imaging Studies, consiste en imágenes RM de tipo T-1 disponibles gratuitamente para la comunidad científica [20]. Este dataset se compone de una colección de imágenes RM cross-sectional provenientes de 416 pacientes entre 18 a 96 años, donde todo los sujetos tanto hombres como mujeres son diestros. 100 pacientes sobre los 68 años han sido diagnosticados clínicamente con la enfermedad de Alzheimer AD muy leve o moderado, calificados usando la valoración clínica de demencia CDR (Clinical Dementia Rating): AD muy leve corresponde a un valor de CDR de 0.5, mientras que un AD moderado posee un CDR con un valor de 2.0. De este dataset, cuatro grupos de pacientes fueron seleccionados para validar el método propuesto:

  • Grupo DEMO: 40 pacientes entre 60 a 69 años, incluye 15 pacientes con AD que poseen CDR entre 0.5 a 1.0, y 35 pacientes de control CDR (0).

  • Grupo 1: 86 pacientes con edades entre 60 a 80 años, incluyen 20 pacientes con AD leve CDR = 1, y 66 pacientes de control CDR (0).

  • Grupo 2: 126 pacientes, con edades entre 60 a 96 años, incluye 28 pacientes que padecen AD leve CDR = 1, y 98 pacientes sanos de control CDR (0). Este grupo incrementa el nivel de dificultad debido a que los patrones de envejecimiento pueden ser confundidos con los patrones de la enfermedad.

  • Grupo 3: 136 pacientes, con edades entre 60 a 80 años, incluyen 70 pacientes que sufren de AD muy leve y leve CDR = 0.5 e 1, y 66 pacientes sanos de control CDR (0). Este grupo incrementa el nivel de dificultad al incluir pacientes con AD donde no necesariamente se presentan patrones visuales diferenciadores.

  • Grupo 4: 198 pacientes, con edades entre 60 a 96 años, incluyen 100 pacientes con AD muy leve, leve y moderado CDR = 0.5 e 1 e 2, y 98 pacientes sanos de control CDR (0). Este grupo se podría describir como el grupo mas difícil de clasificar, ya que combina una mezcla de pacientes de diferentes edades y etapas de la enfermedad.

El proyecto MIRIAD o Minimal Inteval Resonance Imaging in Alzheimer’s Disease es un dataset volumétrico de imágenes RM de tipo T-1 cerebrales de pacientes con Alzheimer, con un total de 68 pacientes se obtienen un gran numero de imágenes de cada paciente en un intervalo de 2 semanas durante un periodo de 2 años [35] proveniente de la Sociedad Británica de Alzheimer. Compuesto por un grupo de 45 pacientes diagnosticados con AD y 23 pacientes sanos de control. Compuesto por 708 imágenes RM realizadas por un solo radiólogo con un solo scanner en intervalos de 2, 6, 14, 26, 38 y 52 semanas. Para nuestro caso particular utilizamos la primera imagen RM generada de cada paciente en este dataset, el grupo de pruebas de este dataset posee una totalidad de 68 imágenes RM.

2. Configuración experimental


El flujo completo del método propuesto fue implementado bajo MATLAB R2015, la implementación de SVM usa el toolbox LIBSVM [21]. Todos los experimentos fueron ejecutados en un computador Windows con un procesador Intel Core i7 a 2.8GHz con 6 GB de RAM.

En el proceso de cálculo de mapas de saliencia de las imágenes RM de OASIS, un estimado de 66960 mapas de saliencia 2D fueron generados para el Grupo Demo, 143934 mapas de saliencia 2D mapas de saliencia fueron generados para el Grupo 1, 210924 mapas de saliencia fueron generados para el Grupo 2, 227664 mapas de saliencia fueron generados para el Grupo 3 y 331452 mapas de saliencia fueron generados para el Grupo 4 por cada modelo de saliencia en los ejes propuestos (axial, coronal y sagital). El tiempo computacional requerido para generar un mapa de saliencia 2D ronda alrededor de 20 a 80 segundos para el método AIM, alrededor de 20 a 40 segundos para el método CovSal, 1 a 3 segundos para el método FES, y 4 a 10 segundos para el método GBVS. Finalmente el tiempo computacional requerido para generar un volumen de mapa de saliencia 3D ronda alrededor de 4 a 6 horas para el método AIM, 3 a 4 horas para el método CovSal, 2 a 5 minutos para el método FES, y 5 a 10 minutos para el método GBVS.


3. Evaluación de desempeño y métricas


La clasificación de cada grupo OASIS fue realizada dejando un paciente de lado y entrenar el modelo de clasificación con los pacientes restantes. Esta estrategia fue seleccionada para asegurar una correcta comparación con los demás métodos, y también en vista del tamaño de los grupos que son relativamente pequeños para obtener grupos de entrenamiento y de prueba significativos.

Luego de haber obtenido el modelo SVM entrenado, los valores de Verdadero Positivo (TP, pacientes con AD correctamente clasificados), Verdaderos Negativos (TN, pacientes de control NC correctamente clasificados), Falsos Positivos (FP, pacientes NC mal clasificados) y Falso Negativo (FN, pacientes AD mal clasificados) fueron calculados. El desempeño del proceso de clasificación fue validado usando la técnica Leave-One-Out Cross Validation, el cual realiza un proceso de validación cruzada utilizando un proceso donde se selecciona un elemento del grupo de pruebas el cual se remueve y se realiza el proceso de entrenamiento, luego de esto se procede a contar los errores en el proceso de clasificación, este proceso de se realiza para todos los elementos del conjunto de entrenamiento. Posterior a esta validación cruzada, se procede a calcular las siguientes métricas:



  • Exactitud: (TP + TN)/(TP + TN + FP + FN)

  • Precisión: TP/(TP +FP)

  • Sensibilidad: TP/(TP + FN)

  • Especificidad: TN/(FP +TN)

  • Precisión equilibrada (BAC): (Sensibilidad + Especificidad)/2

  • Medida-F (F1): (2 ∗ TP)/(2 ∗ TP + FP + FN)

La curva Receiver Operating Characteristic (ROC) es una de las mediciones mas utilizadas para medir el desempeño de los modelos de saliencia. En la práctica la evaluación de la curva ROC toma el modelo entrenado como un clasificador binario, y luego evalúa su desempeño basado en la separación entre muestras de verdaderos positivos y verdaderos negativos bajo varios valores de umbral [22]. El resultado de este análisis de desempeño genera la curva ROC, y para medir el desempeño general del modelo, usualmente se calcula el valor de Área Bajo la Curva AUC. Un buen modelo clasificado posee un valor de AUC cercano a 1.0, mientras que un modelo de clasificación aleatorio posee un valore de AUC de 0.5.

4. Resultado de clasificación


La siguiente tabla resume los resultados de clasificación obtenidos de la estimación de la saliencia utilizando los 4 modelos (AIM, CovSal, FES, GBVS) en los grupos de OASIS Demo, 1, 2, 3 y 4, seguido de las 3 orientaciones (axial, sagital y coronal). En el grupo DEMO el cual incluye un pequeña cantidad de pacientes jóvenes con AD leve o muy leve, el método CovSal logra el mejor desempeño en base al valor del AUC (0.88), aplicado sobre el eje sagital. En términos de las otras métricas obtenidas el método FES aplicado sobre el eje coronal reporta los mejores resultados. Al observar las curvas ROC en las Graficas 1-6,indican a nivel general un buen desempeño en la clasificación para un grupo tan pequeño, sugiriendo que el mejor eje de orientación puede ser escogido dependiendo de la información de saliencia extraída.

Grupo

Orientación

Método

AUC

Exactitud

Precisión

Sensibilidad

Especificidad

BAC

F1

DEMO

Sagital

CovSal

0.88

77.50%

87.50%

46.67%

96.00%

71.33%

60.87%

Axial

FES

0.76

80.00%

81.82%

60.00%

92.00%

76.00%

69.23%

Coronal

FES

0.76

85.00%

90.91%

66.67%

96.00%

81.33%

76.92%

1

Sagital

FES

0.86

84.88%

76.92%

50.00%

95.45%

72.73%

60.61%

Axial

FES

0.85

83.72%

66.67%

60.00%

90.91%

75.45%

63.16%

Coronal

CovSal

0.85

83.72%

80.00%

40.00%

96.97%

68.48%

53.33%

2

Sagital

FES

0.85

82.54%

71.43%

35.71%

95.92%

65.82%

47.62%

Axial

FES

0.81

80.95%

64.29%

32.14%

94.90%

63.52%

42.86%

Coronal

CovSal

0.80

80.95%

70.00%

25.00%

96.94%

60.97%

36.84%

3

Sagital

CovSal

0.76

72.79%

75.38%

70.00%

75.76%

72.88%

72.59%

Axial

CovSal

0.71

72.06%

73.53%

71.43%

72.73%

72.08%

72.46%

Coronal

GBVS

0.76

70.59%

71.43%

71.43%

69.70%

70.56%

71.43%

4

Sagital

AIM

0.79

75.32%

60.22%

96.55%

63.00%

79.78%

74.17%

Axial

GBVS

0.68

67.17%

67.74%

64.29%

70.00%

67.14%

65.97%

Coronal

GBVS

0.70

70.71%

69.61%

72.45%

69.00%

70.72%

71.00%

Tabla 1, Resultados de desempeño del mejor método de saliencia por Grupo y por Orientación para el dataset de pruebas OASIS [20].

El grupo DEMO es el primer grupo generado con el fin de diseñar e implementar el flujo propuesto a lo largo de la ejecución del proyecto, los mejores resultados de desempeño se consiguen al aplicar el método CovSal sobre la orientación sagital. Este grupo lastimosamente no posee una comparación directa con el trabajo de comparación propuesto en [23] utilizando el método GBVS. Dado que es el grupo más pequeño de pacientes se convierte en el caso de prueba de ejecución y pruebas del flujo a lo largo de la fase de implementación del proyecto, la Gráfica 1 muestra la gráfica ROC y el cálculo del AUC sobre este grupo del mejor desempeño dado la orientación.



Gráfica 1, Resultados de grafica ROC sobre el Grupo DEMO del dataset OASIS [20] del mejor AUC dada la orientación y método.


El Grupo 1, el cual incluye el doble de pacientes que el Grupo DEMO que son de mayor edad pero en un solo nivel de la enfermedad (AD leve), el modelo FES aplicado sobre la orientación sagital reporta el mejor desempeño general dado su valore de AUC (0.90), sus resultados de desempeño son muy parecidos al grupo DEMO, la Gráfica 2 muestra la grafica ROC y el calculo del AUC sobre este grupo del mejor desempeño dado la orientación.



Gráfica 2, Resultados de grafica ROC sobre el Grupo 1 del dataset OASIS [20] del mejor AUC dada la orientación y método.

El Grupo 2, que incluye un numero mayor de pacientes en un rango mayor de edad. El método FES en la orientación sagital presenta el mejor desempeño general AUC (0.85). Aunque se incrementa el numero de pacientes, el desempeño de los métodos presentan una leve disminución del desempeño basado en sus métricas, causado por el aumento en el rango de edad de los pacientes a considerar. La Gráfica 3 muestra la grafica ROC y el calculo del AUC sobre este grupo del mejor desempeño dado la orientación del método FES.

El Grupo 3, aunque el modelo GBVS sobre la orientación coronal posee el mejor desempeño general AUC (0.76) y es el único grupo donde se presenta el mejor desempeño utilizando la orientación coronal en relación al resto de grupos de prueba en el datatset OASIS, pero también se produce una reducción de su desempeño en relación al Grupo 2. Se presenta una reducción considerable del desempeño de las métricas en valores cercanos al 10%, que es causado por el aumento en la dificultad inducida al incluir pacientes en diferentes niveles de la enfermedad (AD leve y muy leve) en el rango de edad del Grupo 1. La Gráfica 4 muestra la grafica ROC y el calculo del AUC sobre este grupo del mejor desempeño dado la orientación del método GBVS.



Gráfica 3, Resultados de grafica ROC sobre el Grupo 2 del dataset OASIS [20] del mejor AUC dada la orientación y método.

En el Grupo 4, el método AIM en la orientación Sagital presenta el mejor desempeño. Este es el grupo mas difícil de evaluar ya considera el mayor rango de edad y mayor rango de niveles de la enfermedad. La reducción de los valores de las métricas de desempeño de este grupo esta cercana al 8%, considerando el volumen de pacientes y el nivel de las etapas de la enfermedad, esta reducción es esperada en comparación a la reducción obtenida en el Grupo 3. La Gráfica 5 muestra la grafica ROC y el cálculo del AUC sobre este grupo del mejor desempeño dado la orientación del método GBVS.

Los resultados obtenidos en los Grupo de OASIS 1, 2, 3 y 4 pueden ser directamente comparador con los resultados reportados en [23], donde es aplicado el modelo de saliencia GBVS [24] que ha sido combinado con un framework de clasificación SVM para la discriminación de paciente AD y de control NC. Los resultados reportados en este estudio para los mismos grupos de OASIS (y utilizando la misma medida de similitud, la intersección del histograma).



Gráfica 4, Resultados de grafica ROC sobre el Grupo 3 del dataset OASIS [20] del mejor AUC dada la orientación y método.

El Grupo 1 presenta un aumento del 4% utilizando FES en Exactitud y Especificidad comparado con con los resultados reportados en [23] utilizando GBVS., mientras que en el resto de métricas el desempeño es significativamente peor, estos resultados se pueden deber al pequeño grupo seleccionado, el cual posee un importante desbalance entre las clases.

El Grupo 2 también logra aun aumento en Exactitud del 4% utilizando el método FES, pero el resto de métricas continúan siendo significativamente mejores en el trabajo reportado en [23] utilizando GBVS.



El Grupo 3, utilizando el modelo CovSal presenta una disminución en Exactitud del 3% con respecto al trabajo reportado en [23]. Hasta este punto se presentaban un aumento en desempeño delos modelos utilizando el método FES, en este caso siendo CovSal el de mejor desempeño en este grupo aun sigue siendo mejor el método presentado en [23] utilizando el método GBVS.

Gráfica 5, Resultados de grafica ROC sobre el Grupo 4 del dataset OASIS [20] del mejor AUC dada la orientación y método.

El Grupo 4, utilizando el método AIM presenta un aumento en Exactitud de 4% y un aumento del 20% en Sensibilidad, y un una disminución en los valores de BAC y F1 en comparación al trabajo reportado en [23] utilizando GBVS. Aunque el aumento en las métricas de desempeño de este método son considerables en comparación al trabajo realizado en [23].

Con respecto a la comparación realizada entre los mejores métodos y ejes por Grupo de prueba realizados sobre OASIS sugieren que métodos de saliencia diferentes al modelo de saliencia GBVS pueden ser usados para extraer patrones relevantes adecuados para la clasificación de imágenes RM cerebrales.



Grupo

Orientación

Método

AUC

Exactitud

Precisión

Sensibilidad

Especificidad

BAC

F1

MIRIAD

Sagital

FES

0.883

80.88%

78.57%

97.78%

47.83%

72.80%

87.13%

Axial

FES

0.8309

77.94%

76.79%

95.56%

43.48%

69.52%

85.15%

Coronal

FES

0.8463

83.82%

84.00%

93.33%

65.22%

79.28%

88.42%

Tabla 2, Resultados de desempeño del mejor método de saliencia por Grupo y por Orientación para el dataset de pruebas MIRIAD [35].

En el caso del grupo de pruebas especificado para el dataset MIRIAD, al ser un único grupo de pacientes de un tamaño cercano al Grupo 1 de OASIS, los resultados de exactitud y desempeño del método FES son muy similares al trabajo realizado en [23] utilizando GBVS. Inclusive son los valores de desempeño mas parecidos al método de comparación en métricas de desempeño genera, para este grupo único utilizando este dataset el mejor método de saliencia para las 3 orientaciones es el método FES. La Gráfica 6 muestra la grafica ROC y el cálculo del AUC sobre este grupo del mejor desempeño dado la orientación del método FES.



Gráfica 6, Resultados de grafica ROC sobre el Grupo 4 del dataset MIRIAD del mejor AUC dada la orientación y método.


5. Resultado de Estimación de Regiones Salientes


Luego de haber seleccionado los mejores métodos y orientaciones dadas las métricas de desempeño para los grupos OASIS 1- 4. Se procede a generar el volumen de saliencia del modelo entrenado y el calculo de la estimación de los valores de saliencia dado un atlas cerebral de regiones corticales y subcorticales [36]. Para los Grupos de OASIS 1, 2 y 4 se realiza la estimación de regiones utilizando la orientación sagital, mientras que para el Grupo OASIS 3 se realiza sobre el eje coronal ( la selección de los grupos y orientaciones es en base a la métrica de desempeño general de la etapa de saliencia dada por el AUC). A continuación se presenta las Tablas 3 y 4 que muestra el proceso de cálculo de regiones salientes por método seleccionado en regiones corticales y subcorticales basado en un atlas.

Región

G1 FES

 

G2 FES

 

G3 GBVS

 

G4 AIM

Izq

Der

 

Izq

Der

 

Izq

Der

 

Izq

Der

Frontal Pole

 

 




 

 




 

 




 

 

Insular Cortex

 

 




 

 




 

 




 

 

Superior Frontal Gyrus

 

 




 

 




 

 




 

 

Middle Frontal Gyrus

 

 




 

 




 

 




 

 

Inferior Frontal Gyrus, pars triangularis

 

 




 

 




 

 




 

 

Inferior Frontal Gyrus, pars opercularis

 

 




 

 




 

 




 

 

Precentral Gyrus

 

 




 

 




 

 




 

 

Temporal Pole

 

 




 

 




 

 




 

 

Superior Temporal Gyrus, anterior division

 

 




 

 




 

 




 

 

Superior Temporal Gyrus, posterior division

 

 




 

 




 

 




 

 

Middle Temporal Gyrus, anterior division

 

 




 

 




 

 




 

 

Middle Temporal Gyrus, posterior division

 

 




 

 




 

 




 

 

Middle Temporal Gyrus, temporooccipital

 

 




 

 




 

 




 

 

Inferior Temporal Gyrus, anterior division

 

 




 

 




 

 




 

 

Inferior Temporal Gyrus, posterior division

 

 




 

 




 

 




 

 

Inferior Temporal Gyrus, temporooccipital

 

 




 

 




 

 




 

 

Postcentral Gyrus

 

 




 

 




 

 




 

 

Superior Parietal Lobule

 

 




 

 




 

 




 

 

Supramarginal Gyrus, anterior division

 

 




 

 




 

 




 

 

Supramarginal Gyrus, posterior division

 

 




 

 




 

 




 

 

Angular Gyrus

 

 




 

 




 

 




 

 

Lateral Occipital Cortex, superoir division

 

 




 

 




 

 




 

 

Lateral Occipital Cortex, inferior division

 

 




 

 




 

 




 

 

Intracalcarine Cortex

 

 




 

 




 

 




 

 

Frontal Medial Cortex

 

 




 

 




 

 




 

 

Juxtapositional Lobule Cortex

 

 




 

 




 

 




 

 

Subcallosal Cortex

 

 




 

 




 

 




 

 

Paracingulate Gyrus

 

 




 

 




 

 




 

 

Cingulate Gyrus, anterior division

 

 




 

 




 

 




 

 

Cingulate Gyrus, posterior division

 

 




 

 




 

 




 

 

Precuneous Cortex

 

 




 

 




 

 




 

 

Cuneal Cortex

 

 




 

 




 

 




 

 

Frontal Orbital Cortex

 

 




 

 




 

 




 

 

Parahippocampal Gyrus, anterior division

 

 




 

 




 

 




 

 

Parahippocampal Gyrus, posterior division

 

 




 

 




 

 




 

 

Lingual Gyrus

 

 




 

 




 

 




 

 

Temporal Fusiform Cortex, anterior division

 

 




 

 




 

 




 

 

Temporal Fusiform Cortex, posterior division

 

 




 

 




 

 




 

 

Temporal Occipital Fusiform Cortex

 

 




 

 




 

 




 

 

Occipital Fusiform Gyrus

 

 




 

 




 

 




 

 

Frontal Operculum Cortex

 

 




 

 




 

 




 

 

Central Opercular Cortex

 

 




 

 




 

 




 

 

Parietal Operculum Cortex

 

 




 

 




 

 




 

 

Planum Polare

 

 




 

 




 

 




 

 

Heschl's Gyrus (includes H1 and H2)

 

 




 

 




 

 




 

 

Planum Temporale

 

 




 

 




 

 




 

 

Supracalcarine Cortex

 

 




 

 




 

 




 

 

Occipital Pole

 

 




 

 




 

 




 

 

Tabla 3, Tabla de regiones salientes corticales Izquierdas y Derechas basado en el atlas [36] por Grupo OASIS. En rojo las regiones consideradas AD, en azul las regiones consideradas de control NC, las regiones en amarillo hacen referencia a regiones que son comúnmente observadas en el proceso de diagnóstico de AD.

Los resultados obtenidos del calculo del promedio de valores de saliencia dado un atlas de regiones corticales y subcorticales [36]. Para la estimación de regiones corticales se encuentra que los 4 métodos de saliencia logran seleccionar la región del para-hipocampo anterior como una región de AD correctamente, sin embargo los métodos FES y GBVS para los Grupos 1 y 3 respectivamente no reconocen esta región en alguno de los hemisferios como AD (región derecha para FES en el Grupo 1 y región izquierda para GBVS en el Grupo 3). Adicional a esto el Grupo 1 con el método FES es el único que no reconoce la región del giro del cíngulo como una región AD sino como una región de NC.



Región

G1 FES




G2 FES




G3 GBVS




G4 AIM

Left Cerebral White Matter

 




 




 




 

Left Cerebral Cortex

 




 




 




 

Left Lateral Ventrical

 




 




 




 

Left Thalamus

 




 




 




 

Left Caudate

 




 




 




 

Left Putamen

 




 




 




 

Left Pallidum

 




 




 




 

Brain-Stem

 




 




 




 

Left Hippocampus

 




 




 




 

Left Amygdala

 




 




 




 

Left Accumbens

 




 




 




 

Right Cerebral White Matter

 




 




 




 

Right Cerebral Cortex

 




 




 




 

Right Lateral Ventricle

 




 




 




 

Right Thalamus

 




 




 




 

Right Caudate

 




 




 




 

Right Putamen

 




 




 




 

Right Pallidum

 




 




 




 

Right Hippocampus

 




 




 




 

Right Amygdala

 




 




 




 

Right Accumbens

 




 




 




 

Tabla 4, Tabla de regiones salientes sub-corticales basado en el atlas [36] por grupo OASIS. En rojo las regiones consideradas AD, en azul las regiones consideradas den control NC, las regiones en amarillo hacen referencia a regiones que son comúnmente observadas en el proceso de diagnóstico de AD.

Para el calculo de regiones subcorticales, los Grupos 2, 3 y 4 logran estimar correctamente la región de la amígdala derecha e izquierda como regiones AD, en comparación al Grupo 1 que considera que la región de la amígdala derecha e izquierda es una región NC. Para la clasificación de las regiones del hipocampo derecho e izquierdo, los Grupos 2 y 4 reconocen estas regiones como AD tanto derecho como izquierdo. Los Grupos 1 y 3, reconocen la región del hipocampo derecho e izquierdo como regiones NC.



Figura 11, Representación del proceso de estimación de regiones salientes para el mejor método de Grupo 1 OASIS. En rojo regiones salientes AD, Azul regiones de control NC.



Figura 12, Representación del proceso de estimación de regiones salientes para el mejor método del Grupo 2 OASIS. En rojo regiones salientes AD, Azul regiones de control NC.



Figura 13, Representación del proceso de estimación de regiones salientes para el mejor método del Grupo 3 OASIS. En rojo regiones salientes AD, Azul regiones de control NC.



Figura 14, Representación del proceso de estimación de regiones salientes para el mejor método del Grupo 4 OASIS. En rojo regiones salientes AD, Azul regiones de control NC.


IV – Conclusiones y Trabajos Futuros

1. Conclusiones


En este estudio se presentó un flujo de clasificación de imágenes RM cerebrales basados en 4 diferentes métodos de saliencia visual. De los cuales se realizó un estudio previo en imágenes naturales, e una implementación y evaluación. El método de trabajo realizado incluye la adaptación de modelos de saliencia visual para ser utilizado en imágenes médicas, debido a que estos fueron propuestos para la búsqueda de regiones relevantes en imágenes naturales. Los mapas de saliencia extraídos de los volúmenes médicos son comparados en un grupo poblacional con el fin de calcular un kernel de similitud, adecuado para ser utilizado en el framework SVM de clasificación. Los métodos de saliencia probados AIM [24], CovSal [19], FES [19] y GBVS [25], sus volúmenes fueron procesados en los siguientes ejes de orientación (axial, sagital y coronal).

La aproximación propuesta fue evaluada en 6 grupos diferentes de prueba extraídos del dataset OASIS [20] y MIRIAD [35] que contienen pacientes sanos de control NC y pacientes con probable Alzheimer AD previamente diagnosticados bajo pruebas cognitivas. Fue necesario el calculo de medidas de desempeño estándar para cada posible escenario, complementado con la generación de las curvas ROC. El flujo propuesto ha demostrado resultados de Exactitud prometedores y un desempeño general relativamente bueno, incluso al ser comparado con otras aproximaciones de clasificación propuestas bajo los mismos datasets de prueba.

Los resultados muestran un aumento en las métricas de desempeño de algunos métodos de saliencia en comparación al método de clasificación propuesto sobre los mismos datasets de prueba. Adicional a este aumento en desempeño, también se obtienen datos que demuestran algunas regiones que en combinación al método de saliencia obtienen muy buenos resultados de clasificación, sin embargo al realizar las pruebas en grupos reducidos de pacientes con un desequilibrio en la relación de paciente AD y NC los resultados se ven perjudicados.

Al tener en cuenta la magnitud de la reducción de las métricas de desempeño al aumento de dificultad en los niveles de AD y el aumento del numero de pacientes en los grupos de pruebas. Se logra evidenciar que genera un impacto mayor la inclusión de un nuevo grupo de pacientes en comparación a la incluso de diferentes niveles de la enfermedad AD. Hay que tener en cuenta que esta reducción en el desempeño de las clasificación también se presenta en el trabajo realizado en [23]. Para nuestro caso la degradación del desempeño no es progresiva, se evidencia un porcentaje cercano al 10% al aumentar el numero de pacientes al aumentar el rango de edad, mientras que el desempeño de los método se reduce un porcentaje cercano al 5% al incluir pacientes en diferentes niveles de la enfermedad AD.

La estimación y clasificación de regiones de saliencia para las regiones corticales y subcorticales nos ha demostrado que algunos métodos y orientaciones seleccionada sobre los grupos de pruebas realizan la clasificación de regiones corticales y subcorticales de manera correcta como regiones AD, en comparación al proceso de análisis de imágenes RM que realizaría un médico en busca de mediciones sobre estas regiones. Lo que no confirma la selección de los modelos de saliencia visual seleccionados y la información visual generada al ser aplicados sobre imágenes RM cerebrales pueden ser un criterio de clasificación y discriminación de la enfermedad de Alzheimer.

2. Trabajos Futuros


Luego de haber propuesto un flujo de clasificación de imágenes RM cerebrales, aplicando la generación de mapas de saliencia de 4 modelos de saliencia visual diferentes, un proceso de clasificación utilizando SVM y el desarrollo de la estimación de regiones de saliencia basado a un atlas de referencia de regiones corticales y subcorticales. Se evidencia un aumento en el desempeño de la clasificación de patrones visuales al utilizar saliencia visual en imágenes médicas para la clasificación de AD, sin embargo luego de haber realizado este proceso utilizando algunos modelos de saliencia visual no hay algún modelo de saliencia que sea el definitivo para la clasificación de AD. El MIT Saliency Benchmark [16] recibe actualizaciones constantemente con nuevos modelos de saliencia y con mejores resultados de desempeño, este flujo podría ser adaptado a los nuevos modelos de saliencia que poseen una implementación desarrollada en Matlab.

Durante la ejecución del flujo con modelos de saliencia seleccionados los métodos CovSal y AIM evidenciaron un tiempo de ejecución elevado en comparación a los otros dos métodos, como trabajo futuro se plantea la implementación de modelos de saliencia que desarrollen el calculo de mapas de atención en un espacio 3D, con esto se podría reducir el tiempo de ejecución del flujo para un conjunto grande de pacientes, en comparación al proceso actual de estimación de saliencia basado en imágenes 2D al recorrer la imagen RM cerebral dada una orientación (sagital, axial o coronal) que posee un tiempo de ejecución elevado. Adicional para reducir el tiempo de ejecución en grupos de pacientes muy grande, una implementación de modelos de saliencia paralelizada es otra posible mejora en reducción de tiempos de procesamiento. Actualmente los métodos de saliencia seleccionados son ejecutados de manera lineal, paralelizar esta ejecución de mapas 2d reducirá drásticamente la generación de un volumen de saliencia de una imagen RM cerebral.



Con el fin de mejorar el proceso de clasificación SVM, y generar un modelo SVM entrenado de mejor exactitud y desempeño. Se pueden desarrollar procesos de clasificación de modelos con datasets de mayor numero de pacientes y que posea una proporción mas equitativa entre el número de pacientes diagnosticados con AD y pacientes normales de control NC.





Referencias



[1]

J. Li and W. Gao, Visual Saliency Computation: A Machine Learning Perspective. Springer Publishing Company, Incorporated, 2014.

[2]

Q. S. S. of the American Academy of Neurology et al., “Practice parameter: early detection of dementia: mild cognitive impairment (an evidence-based review),” Neurology, vol. 56, pp. 1133–42, 2001.

[3]

V. Jampani, Ujjwal, J. Sivaswamy, and V. Vaidya, “Assessment of computational visual attention models on médical images,” in Proceedings of the Eighth Indian Conference on Computer Vision, Graphics and Image Processing, ser. ICVGIP ’12. New York, NY, USA: ACM, 2012, pp. 80:1–80:8. [Online]. Available: http://doi.acm.org/10.1145/2425333.2425413

[4]

E. A. Krupinski, “The importance of perception research in médical imaging,” Radiation medicine, vol. 18, no. 6, pp. 329–334, 2000.

[5]

C. F. Nodine and H. L. Kundel, “Using eye movements to study visual search and to improve tumor detection.” Radiographics, vol. 7, no. 6, pp. 1241–1250, 1987.

[6]

van de Pol LA, K. EC, van der Flier WM, and et al, “Magnetic resonance imaging predictors of cognition in mild cognitive impairment,” Archives of Neurology, vol. 64, no. 7, pp. 1023–1028, 2007.

[7]

R. Petersen, J. Stevens, M. Ganguli, E. Tangalos, J. Cummings, and S. DeKosky, “Practice parameter: Early detection of dementia: Mild cognitive impairment (an evidence-based review) report of the quality standards subcommittee of the american academy of neurology,” Neu- rology, vol. 56, no. 9, pp. 1133–1142, 2001.

[8]

R. Doody, J. Stevens, C. Beck, R. Dubinsky, J. Kaye, L. Gwyther, R. Mohs, L. Thal, P. Whitehouse, S. DeKosky et al., “Practice parameter: management of dementia (an evidence-based review) report of the quality standards subcommittee of the american academy of neurology,” Neurology, vol. 56, no. 9, pp. 1154–1166, 2001.

[9]

J. Ashburner and K. J. Friston, “Voxel-based morphometry—the meth- ods,” Neuroimage, vol. 11, no. 6, pp. 805–821, 2000.

[10]

J. Ashburner, C. Hutton, R. Frackowiak, I. Johnsrude, C. Price, K. Fris- ton et al., “Identifying global anatomical differences: Deformation-based morphometry,” Hum Brain Mapp, vol. 6, no. 5-6, pp. 348–357, 1998.

[11]

M. Toews, W. Wells, D. Collins, and T. Arbel, “Feature-based mor- phometry: Discovering group-related anatomical patterns,” NeuroImage, vol. 49, no. 3, pp. 2318–2327, Feb 2010.

[12]

R.Cuingnet,E.Gerardin,J.Tessieras,G.Auzias,S.Lehe ́ricy,M.-O. Habert, M. Chupin, H. Benali, O. Colliot, A. D. N. Initiative et al., “Automatic classification of patients with alzheimer’s disease from structural mri: a comparison of ten methods using the adni database,” neuroimage, vol. 56, no. 2, pp. 766–781, 2011.

[13]

P. M. Thompson, M. S. Mega, R. P. Woods, C. I. Zoumalan, C. J. Lindshield, R. E. Blanton, J. Moussai, C. J. Holmes, J. L. Cummings, and A. W. Toga, “Cortical change in alzheimer’s disease detected with a disease-specific population-based brain atlas,” Cerebral Cortex, vol. 11, no. 1, pp. 1–16, 2001.

[14]

O. Colliot, G. Che ́telat, M. Chupin, B. Desgranges, B. Magnin, H. Be- nali, B. Dubois, L. Garnero, F. Eustache, and S. Lehe ́ricy, “Discrim- ination between alzheimer disease, mild cognitive impairment, and normal aging by using automated segmentation of the hippocampus 1,” Radiology, vol. 248, no. 1, pp. 194–201, 2008.

[15]

A. Rueda, F. A. Gonzalez, and E. Romero, “Extracting salient brain patterns for imaging-based classification of neurodegenerative diseases,” IEEE Transactions on Médical Imaging, vol. 33, no. 6, pp. 1262–1274, June 2014.

[16]

Z. Bylinskii, T. Judd, A. Borji, L. Itti, F. Durand, A. Oliva, and A. Torralba, “Mit saliency benchmark,” http://saliency.mit.edu/.

[17]

A.BorjiandL.Itti,“Cat2000:Alargescalefixationdatasetforboosting saliency research,” arXiv preprint arXiv:1505.03581, 2015.

[18]

E. Erdem and A. Erdem, “Visual saliency estimation by nonlinearly integrating features using region covariances,” Journal of Vision, vol. 13, no. 4, p. 11, 2013. [Online]. Available: + http://dx.doi.org/10.1167/13.4.11

[19]

H. Rezazadegan Tavakoli, E. Rahtu, and J. Heikkila ̈, Image Analysis: 17th Scandinavian Conference, SCIA 2011, Ystad, Sweden, May 2011. Proceedings. Berlin, Heidelberg: Springer Berlin Heidelberg, 2011, ch. Fast and Efficient Saliency Detection Using Sparse Sampling and Kernel Density Estimation, pp. 666–675.

[20]

D.Marcus,A.Fotenos,J.Csernansky,J.Morris,andR.Buckner,“Open access series of imaging studies (oasis): Longitudinal mri data in nonde- mented and demented older adults,” Journal of cognitive neuroscience, vol. 12, pp. 2677–2684, 2012.

[21]

C.-C. Chang and C.-J. Lin, “Libsvm: A library for support vector machines,” ACM Trans. Intell. Syst. Technol., vol. 2, no. 3, pp. 27:1–27:27, May 2011. [Online]. Available: http://doi.acm.org/10.1145/1961189.1961199

[22]

F. Shic and B. Scassellati, “A behavioral analysis of computational models of visual attention,” International Journal of Computer Vision, vol. 73, no. 2, pp. 159–177, 2006.

[23]

A.Rueda,F.Gonza ́lez,andE.Romero,“Saliency-based characterization of group differences for magnetic resonance disease classification,” Dyna, vol. 80, no. 178, pp. 21–28, 2013.

[24]

J. Harel, C. Koch, and P. Perona, Graph-based visual saliency, 2006, pp. 545–552.

[25]

Bruce, N.D.B., Tsotsos., J.K., Attention based on Information Maximization, ICVS 2007 Workshop: From Computational Cognitive Neuroscience to Computer Vision, Bielefeld, 2007. Invited talk

[26]

Harel, Jonathan, Christof Koch, and Pietro Perona. "Graph-based visual saliency." Advances in neural information processing systems. 2006.

[27]

Borji, Ali, and Laurent Itti. "State-of-the-art in visual attention modeling." Pattern Analysis and Machine Intelligence, IEEE Transactions on 35.1 (2013): 185-207.

[28]

Kokui, T.; Takimoto, H.; Mitsukura, Y.; Kishihara, M.; Okubo, K., "Color image modification based on visual saliency for guiding visual attention," RO-MAN, 2013 IEEE , vol., no., pp.467,472, 26-29 Aug. 2013.

[29]

Engelke, U.; Liu, H.; Zepernick, H.; Heynderickx, I.; Maeder, A., "Comparing two eye-tracking databases: The effect of experimental setup and image presentation time on the creation of saliency maps," Picture Coding Symposium (PCS), 2010.







[30]

Judd, T.; Ehinger, K.; Durand, F.; Torralba, A., "Learning to predict where humans look," Computer Vision, 2009 IEEE 12th International Conference on , vol., no., pp.2106,2113, Sept. 29 2009-Oct. 2 2009

[31]

A Crash Course on Visual Saliency Modeling: Behavioral Findings and Computational Models, Conference on Computer Vision and Pattern Recognition CVPR 2013 The Oregon Convention Center in Portland, Oregon, USA June 24, 2013.

[32]

Laurent Itti and Christof Koch (2000), A saliency-based search mechanism for overt and covert shifts of visual attention. Vision Research, 40(10-12): p. 1489-1506.

[33]

Andrea Rueda, Fabio A. González, Eduardo Romero. Saliency-based Characterization of Group Differences for Magnetic Resonance Disease Classification. Revista DYNA, Ed. 178, Pag. 21-28, 2013.

[34]

Ian B. Malone, David Cash, Gerard R. Ridgway, David G. MacManus, Sebastien Ourselin, Nick C. Fox, Jonathan M. Schott, MIRIAD—Public release of a multiple time point Alzheimer's MR imaging dataset, NeuroImage, Volume 70, 15 April 2013, Pages 33-36, ISSN 1053-8119.

[35]

Ian B. Malone, David Cash, Gerard R. Ridgway, David G. MacManus, Sebastien Ourselin, Nick C. Fox, Jonathan M. Schott, MIRIAD—Public release of a multiple time point Alzheimer's MR imaging dataset, NeuroImage, Volume 70, 15 April 2013, Pages 33-36, ISSN 1053-8119

[36]

Desikan RS, Ségonne F, Fischl B, Quinn BT, Dickerson BC, Blacker D, Buckner RL, Dale AM, Maguire RP, Hyman BT, Albert MS, Killiany RJ. An automated labeling system for subdividing the human cerebral cortex on MRI scans into gyral based regions of interest. Neuroimage. 2006 Jul 1;31(3):968-80.

[37]

Kokui, T.; Takimoto, H.; Mitsukura, Y.; Kishihara, M.; Okubo, K., "Color image modification based on visual saliency for guiding visual attention," RO-MAN, 2013 IEEE , vol., no., pp.467,472, 26-29 Aug. 2013.

[38]

L. Itti, “Models of Bottom-Up and Top-Down Visual Attention,” PhD thesis, California Inst. of Technology, 2000.

[39]

L. Itti, C. Koch, and E. Niebur, “A Model of Saliency-Based Visual Attention for Rapid Scene Analysis,” IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 20, no. 11, pp. 1254-1259, Nov. 1998

[40]

G. Kootstra, A. Nederveen, and B. de Boer, “Paying Attention to Symmetry,” Proc. British Machine Vision Conf., pp. 1115-1125, 2008

[41]

A. Oliva, A. Torralba, M.S. Castelhano, and J.M. Henderson, “TopDown Control of Visual Attention in Object Detection,” Proc. Int’l Conf. Image Processing, pp. 253-256, 2003.

[42]

X. Hou, J. Harel, and C. Koch, “Image Signature: Highlighting Sparse Salient Regions,” IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 34, no. 1, pp. 194-201, Jan. 2012.

[43]

J. Harel, C. Koch, and P. Perona, “Graph-Based Visual Saliency,” Neural Information Processing Systems, vol. 19, pp. 545-552, 2006.

[44]

McKhann, Guy M., et al. "The diagnosis of dementia due to Alzheimer’s disease: Recommendations from the National Institute on Aging-Alzheimer’s Association workgroups on diagnostic guidelines for Alzheimer's disease." Alzheimer's & dementia 7.3 (2011): 263-269.








Figuras


Figura 1, Ejemplo de Saliencia 18

Figura 2, Imagen natural vs Datos Eye Tracking vs Mapa de Saliencia 20

Figura 3, Mapa de Saliencia de Itti 20

Figura 4, Proceso de saliencia modelo Itti 21

Figura 5, Ejemplo de mapa de Saliencia de Kootstra 22

Figura 6, Ejemplo de mapa de saliencia Torrablba 22

Figura 7, Ejemplo de mapa de Saliencia de Hou 23

Figura 8, Método propuesto para estimación y clasificación de patrones de saliencia en imágenes RM cerebrales. 28

Figura 9, Mapas de Saliencia obtenidos de un paciente de control NC en las orientaciones coronal, axial y sagital. Fila 1: imagen RM de entrada, Fila 2: mapa de saliencia CovSal, Fila 3: mapa de saliencia FES, Fila 4: mapa de saliencia AIM, Fila 5: mapa de saliencia AIM 30

Figura 10, Mapas de Saliencia obtenidos de un paciente con probable AD en las orientaciones coronal, axial y sagital. Fila 1: imagen RM de entrada, Fila 2: mapa de saliencia CovSal, Fila 3: mapa de saliencia FES, Fila 4: mapa de saliencia AIM, Fila 5: mapa de saliencia GBVS. 31

Figura 11, Representación del proceso de estimación de regiones salientes para el mejor método de Grupo 1 OASIS. En rojo regiones salientes AD, Azul regiones de control NC. 45

Figura 12, Representación del proceso de estimación de regiones salientes para el mejor método del Grupo 2 OASIS. En rojo regiones salientes AD, Azul regiones de control NC. 45

Figura 13, Representación del proceso de estimación de regiones salientes para el mejor método del Grupo 3 OASIS. En rojo regiones salientes AD, Azul regiones de control NC. 46

Figura 14, Representación del proceso de estimación de regiones salientes para el mejor método del Grupo 4 OASIS. En rojo regiones salientes AD, Azul regiones de control NC. 46

Y


Figura 1, Ejemplo de Saliencia 18

Figura 2, Imagen natural vs Datos Eye Tracking vs Mapa de Saliencia 19

Figura 3, Mapa de Saliencia de Itti 20

Figura 4, Proceso de saliencia modelo Itti 21

Figura 5, Ejemplo de mapa de Saliencia de Kootstra 21

Figura 6, Ejemplo de mapa de saliencia Torrablba 22

Figura 7, Ejemplo de mapa de Saliencia de Hou 23

Figura 8, Método propuesto para estimación y clasificación de patrones de saliencia en imágenes RM cerebrales. 28

Figura 9, Mapas de Saliencia obtenidos de un paciente de control NC en las orientaciones coronal, axial y sagital. Fila 1: imagen RM de entrada, Fila 2: mapa de saliencia CovSal, Fila 3: mapa de saliencia FES, Fila 4: mapa de saliencia AIM, Fila 5: mapa de saliencia AIM 30

Figura 10, Mapas de Saliencia obtenidos de un paciente con probable AD en las orientaciones coronal, axial y sagital. Fila 1: imagen RM de entrada, Fila 2: mapa de saliencia CovSal, Fila 3: mapa de saliencia FES, Fila 4: mapa de saliencia AIM, Fila 5: mapa de saliencia GBVS. 31

Figura 11, Representación del proceso de estimación de regiones salientes para el mejor método de Grupo 1 OASIS. En rojo regiones salientes AD, Azul regiones de control NC. 45

Figura 12, Representación del proceso de estimación de regiones salientes para el mejor método del Grupo 2 OASIS. En rojo regiones salientes AD, Azul regiones de control NC. 45

Figura 13, Representación del proceso de estimación de regiones salientes para el mejor método del Grupo 3 OASIS. En rojo regiones salientes AD, Azul regiones de control NC. 46

Figura 14, Representación del proceso de estimación de regiones salientes para el mejor método del Grupo 4 OASIS. En rojo regiones salientes AD, Azul regiones de control NC. 46




Gráficas


Gráfica 1, Resultados de grafica ROC sobre el Grupo DEMO del dataset OASIS [20] del mejor AUC dada la orientación y método. 36

Gráfica 2, Resultados de grafica ROC sobre el Grupo 1 del dataset OASIS [20] del mejor AUC dada la orientación y método. 37

Gráfica 3, Resultados de grafica ROC sobre el Grupo 2 del dataset OASIS [20] del mejor AUC dada la orientación y método. 38

Gráfica 4, Resultados de grafica ROC sobre el Grupo 3 del dataset OASIS [20] del mejor AUC dada la orientación y método. 39

Gráfica 5, Resultados de grafica ROC sobre el Grupo 4 del dataset OASIS [20] del mejor AUC dada la orientación y método. 40

Gráfica 6, Resultados de grafica ROC sobre el Grupo 4 del dataset MIRIAD del mejor AUC dada la orientación y método. 42


Tablas


Tabla 1, Resultados de desempeño del mejor método de saliencia por Grupo y por Orientación para el dataset de pruebas OASIS [20]. 36

Tabla 2, Resultados de desempeño del mejor método de saliencia por Grupo y por Orientación para el dataset de pruebas MIRIAD [35]. 41

Tabla 3, Tabla de regiones salientes corticales Izquierdas y Derechas basado en el atlas [36] por Grupo OASIS. En rojo las regiones consideradas AD, en azul las regiones consideradas de control NC, las regiones en amarillo hacen referencia a regiones que son comúnmente observadas en el proceso de diagnóstico de AD. 44

Tabla 4, Tabla de regiones salientes sub-corticales basado en el atlas [36] por grupo OASIS. En rojo las regiones consideradas AD, en azul las regiones consideradas den control NC, las regiones en amarillo hacen referencia a regiones que son comúnmente observadas en el proceso de diagnóstico de AD. 44





Compartir con tus amigos:
1   2


La base de datos está protegida por derechos de autor ©absta.info 2019
enviar mensaje

    Página principal