Επεξεργασία εικόνας Moyamoya: 8 βήματα

2024 Συγγραφέας: John Day | [email protected]. Τελευταία τροποποίηση: 2024-01-30 08:37

Το Moyamoya, "φούσκωμα καπνού", είναι μια σπάνια ασθένεια που προκαλείται από τον αποκλεισμό των αρτηριών στα βασικά γάγγλια, που είναι μια περιοχή στη βάση του εγκεφάλου. Η ασθένεια είναι μια προοδευτική εγκεφαλοαγγειακή νόσος που προσβάλλει κυρίως τα παιδιά. Τα συμπτώματα του moyamoya περιλαμβάνουν ένα αρχικό εγκεφαλικό επεισόδιο, συνεχή μίνι εγκεφαλικά επεισόδια, μυϊκή αδυναμία, παράλυση ή επιληπτικές κρίσεις ως αποτέλεσμα της προοδευτικής στένωσης των αρτηριών. Χωρίς θεραπεία, το moyamoya θα προκαλέσει προβλήματα στην ομιλία, αισθητηριακή εξασθένηση και κατεστραμμένη συνείδηση. Στο έργο μας, θα χρησιμοποιήσουμε το MATLAB για την προεπεξεργασία μιας εικόνας MRI ή MRA χρησιμοποιώντας διάφορα φίλτρα για τη μείωση του θορύβου μέσα στην εικόνα για τον εντοπισμό της πληγείσας περιοχής. Επιπλέον, θα χρησιμοποιήσουμε μια βελτίωση χαρακτηριστικών για να εντοπίσουμε με μεγαλύτερη ακρίβεια τις πληγείσες περιοχές. Επιπλέον, θα εκτελέσουμε στη συνέχεια ένα ανεξάρτητο δείγμα t-test για να διαπιστώσουμε εάν υπάρχει σημαντική διαφορά μεταξύ της ποσότητας των αιμοφόρων αγγείων σε έναν κανονικό εγκέφαλο σε σύγκριση με έναν εγκέφαλο που επηρεάζεται από το moyamoya.

Βήμα 1: Βρείτε μαγνητικές τομογραφίες και μαγνητικές τομογραφίες ενός φυσιολογικού εγκεφάλου και ενός εγκεφάλου που επηρεάζεται από τη Moyamoya

Αυτές οι εικόνες είναι οι σαρώσεις που χρησιμοποιήσαμε για το έργο που βρήκαμε στο διαδίκτυο. Οι δύο εικόνες με τα αιμοφόρα αγγεία που βρίσκονται στη μέση είναι σαρώσεις MRA, ενώ οι άλλες δύο εικόνες είναι μαγνητικές τομογραφίες.

Οι παρακάτω σύνδεσμοι βρίσκονται εκεί όπου βρίσκονται αυτές οι εικόνες:

static.cambridge.org/resource/id/urn:cambr…

static.cambridge.org/resource/id/urn:cambr…

Βήμα 2: Φορτώστε εικόνες στο MATLAB και εκχωρήστε εικόνες σε μια μεταβλητή για προβολή εικόνων

Για να ξεκινήσετε τη διαδικασία, ξεκινήστε καθαρίζοντας το παράθυρο εντολών, κλείστε όλα τα πιθανά σχήματα και γραφήματα που μπορεί να είναι ήδη ανοιχτά και καθαρίστε τις μεταβλητές που έχουν ήδη εκχωρηθεί στο χώρο εργασίας σας.

Μετά, δημιουργήστε έναν βρόχο for 1 από 2 χρησιμοποιώντας την εντολή i = [1: 2]

Μετά, φορτώστε τις εικόνες MRA χρησιμοποιώντας την εντολή imread (sprintf ('όνομα αρχείου%.filetype', i)) για να διαβάσετε τις εικόνες από τα αρχεία που καθορίζονται από το όνομα του αρχείου, ακολουθούμενο από τον αριθμό που χρησιμοποιείται για τον βρόχο χρησιμοποιώντας το sprintf για παρτίδα φόρτωσης και εκχώρησης σε μια μεταβλητή.

Στη συνέχεια, για να εμφανίσετε την εικόνα σε ένα σχήμα, χρησιμοποιήστε την εντολή απεικόνιση (I).

Για να αντιστοιχίσετε ένα γκρι χρωματικό χάρτη, χρησιμοποιήστε την εντολή χρωματικό χάρτη (γκρι).

Για να εξαλείψετε τελείως το χρώμα και να μετατρέψετε την μήτρα 3D για τις εικόνες σε 2D, χρησιμοποιήστε την εντολή rgb2gray (I) και αντιστοιχίστε την σε μια ξεχωριστή μεταβλητή.

Στη συνέχεια, φορτώστε τις εικόνες μαγνητικής τομογραφίας χρησιμοποιώντας την εντολή που δηλώθηκε προηγουμένως ή imread (sprintf ('όνομα αρχείου%.filetype', i)) και εκχωρήστε την σε μια νέα μεταβλητή

Επαναλάβετε την εντολή rgb2gray με τη νέα μεταβλητή που χρησιμοποιείται για τις εικόνες μαγνητικής τομογραφίας.

Εάν είναι απαραίτητο, μπορείτε να αλλάξετε το μέγεθος μιας εικόνας χρησιμοποιώντας την εντολή imresize (Α, κλίμακα) και να εκχωρήσετε σε μια ξεχωριστή μεταβλητή.

Βήμα 3: Βελτιώστε τις επιμήκεις δομές σε εικόνα έντασης με φιλτράρισμα πολλαπλών κλιμάκων

Χρησιμοποιώντας μια νέα μεταβλητή, χρησιμοποιήστε την εντολή fibermetric (A) για να ενισχύσετε τις σωληνοειδείς δομές στις εικόνες

Με την προηγούμενη μεταβλητή, χρησιμοποιήστε την εντολή histeq (B) για να βελτιώσετε τις εξισώσεις του ιστογράμματος μετατρέποντας την ένταση των εικόνων και αντιστοιχίστε την σε μια νέα μεταβλητή.

Εμφάνιση ιστογράμματος χρησιμοποιώντας την εντολή imhist (B)

Δημιουργήστε μια νέα μεταβλητή για να δημιουργήσετε ένα όριο για το φίλτρο. Σε αυτήν την περίπτωση, εκχωρήστε την προηγούμενη μεταβλητή> 0,875, φιλτράροντας την ένταση του εικονοστοιχείου κάτω από την τιμή 0,875

Μετά, δημιουργήστε ένα νέο σχήμα και χρησιμοποιήστε την εντολή απεικόνιση (A) για να εμφανίσετε τη νέα φιλτραρισμένη εικόνα.

Βήμα 4: Εκτελέστε ένα 2D μέσο φίλτρο

Χρησιμοποιώντας την εντολή medfilt2 (A, [m n]), εκτελέστε ένα διάμεσο φίλτρο 2D, όπου κάθε pixel εξόδου περιέχει τη μέση τιμή στο όριο mxn γύρω από το αντίστοιχο pixel στην εικόνα εισόδου.

Δημιουργήστε ένα νέο σχήμα και χρησιμοποιήστε το imshow (A) για να εμφανίσετε τη διάμεση φιλτραρισμένη εικόνα.

Βήμα 5: Καλύψτε την εικόνα

Χρησιμοποιώντας τη διάμεση φιλτραρισμένη εικόνα, χρησιμοποιήστε την εντολή [labeledImage, numberOfBlots] = bwlabel (A) για να μετρήσετε τον αριθμό των λευκών λεκέδων στην εικόνα

Στη συνέχεια, χρησιμοποιήστε τις καταστάσεις συνάρτησης στηρίξεων περιοχής = regionprops (με ετικέταImage, «Περιοχή») για να υπολογίσετε τις περιοχές κάθε κηλίδας ή αιμοφόρου αγγείου

Εκχωρήστε όλες τις περιοχές σε μία μεταβλητή

Στη συνέχεια, χρησιμοποιώντας μια άλλη μεταβλητή, μετρήστε τον αριθμό των κηλίδων που υπερβαίνουν τα 50 εικονοστοιχεία

Μετά, ταξινομήστε τυχόν κηλίδες κάτω από 50 εικονοστοιχεία σε φθίνουσα σειρά χρησιμοποιώντας την εντολή [sortedAreas, sortedIndicies] = ταξινόμηση (Περιοχές, 'κατάβαση')

Στη συνέχεια, χρησιμοποιώντας μια άλλη μεταβλητή, χρησιμοποιήστε την εντολή ismember (με ετικέταImage, sortedIndicies (1: numberToExtract)) για να επιστρέψετε μια συστοιχία με στοιχεία με ετικέτα ένα λογικό 0 (ψευδές).

Με τη μεταβλητή στο προηγούμενο βήμα, βρείτε τα σημεία που είναι αληθινά (τιμές> 0) και δημιουργήστε έναν λογικό πίνακα για να δημιουργήσετε μια δυαδική εικόνα και να την εκχωρήσετε σε μια νέα μεταβλητή.

Δημιουργήστε ένα νέο σχήμα και χρησιμοποιήστε την εμφάνιση (A) της νέας δυαδικής εικόνας.

Στη συνέχεια, αντιστρέψτε την εικόνα χρησιμοποιώντας την εντολή imcomplement (A) και αντιστοιχίστε την σε διαφορετική μεταβλητή.

Για να δημιουργήσετε μια καλυμμένη εικόνα, χρησιμοποιήστε μια νέα μεταβλητή με εντολή resizedimage.*Uint8 (invertedimage)

Δημιουργήστε μια νέα φιγούρα και χρησιμοποιήστε το imshow (A) για να εμφανίσετε τη μάσκα εικόνας.

Για να τερματίσετε ολόκληρο τον κώδικα, φροντίστε να χρησιμοποιήσετε την εντολή 'end' για να τερματίσετε ολόκληρο τον βρόχο

Βήμα 6: Επιλέξτε το MRA Scans for Statistical Testing

Για να προετοιμαστείτε για στατιστικές δοκιμές, επιλέξτε τις σαρώσεις MRA που θα χρησιμοποιηθούν για τα ανεξάρτητα δείγματα t-test. Επειδή τα δύο δείγματά μας θα επηρεαστούν από τον εγκέφαλο Moyamoya και κανονικά εγκεφάλους, επιλέξτε μια αξιοπρεπή ποσότητα σαρώσεων MRA κάθε ομάδας.

Βήμα 7: Υπολογίστε την περιοχή των αγγείων αίματος κατά την προετοιμασία για στατιστικές δοκιμές

Η στατιστική δοκιμή θα επικεντρωθεί στο μήκος ή την ποσότητα των αιμοφόρων αγγείων που εμφανίζονται στις σαρώσεις MRA. Έτσι, πρέπει να υπολογίσουμε την περιοχή των αιμοφόρων αγγείων πριν από τη σύγκριση.

Ξεκινήστε φιλτράροντας τις MRAs των φυσιολογικών εγκεφάλων και υπολογίζοντας την ποσότητα των αιμοφόρων αγγείων. Για να το κάνετε αυτό, εκτελέστε έναν βρόχο for. Επειδή υπάρχουν τρεις εικόνες, η συνθήκη θα είναι i = [1: 3].

Ανοίξτε την εικόνα με την εντολή imread και αντιστοιχίστε την σε μια μεταβλητή.

Στη συνέχεια, δημιουργήστε μια πρόταση if/else με την εντολή if, else. Για τη δήλωση if, χρησιμοποιήστε το μέγεθος της εντολής (A, 3) == 3, όπου A είναι η μεταβλητή που χρησιμοποιείται για να ανοίξει στην εικόνα, για να δημιουργήσετε μια πρόταση if όταν η τρίτη διάσταση του πίνακα είναι 3. Στη συνέχεια, μετατρέψτε την εικόνα σε 2D και απαλλαγείτε από το χρώμα χρησιμοποιώντας την εντολή rgb2gray (A) και αντιστοιχίστε το σε μια νέα μεταβλητή. Χρησιμοποιήστε την εντολή imresize (A, [m n]) για να αλλάξετε το μέγεθος της εικόνας. Σε αυτήν την περίπτωση, αλλάξαμε το μέγεθος των εικόνων σε μήτρα 1024 x 1024. Για να βελτιώσετε τις σωληνοειδείς δομές της εικόνας, χρησιμοποιήστε ξανά την εντολή fibermetric και εκχωρήστε την σε μια νέα μεταβλητή.

Το παρακάτω είναι για τη δήλωση else. Εάν η εικόνα δεν είναι τρισδιάστατη μήτρα, θέλουμε να παραλείψουμε τη μετατροπή. Κάντε το ίδιο με τη δήλωση if, αλλά χωρίς την εντολή rgb2gray (A).

Δημιουργήστε μια νέα μεταβλητή, ορίζοντάς την ίση με τη μεταβλητή από το βήμα ινομετρικού μεγαλύτερου από 0,15. Αυτό οριοθετεί την εικόνα για εντάσεις μεγαλύτερες από 0,15.

Θα επαναλάβουμε τις γραμμές κωδικών από τα βήματα 4 και 5 του οδηγού από τη διάμεση γραμμή φίλτρου μέχρι τη γραμμή εμφάνισης (Ι). Μετά, χρησιμοποιήστε την εντολή άθροισμα (I (:)) για να προσθέσετε όλα τα εικονοστοιχεία που αποτελούν τα αιμοφόρα αγγεία και να τα αντιστοιχίσετε σε μια ξεχωριστή μεταβλητή. Ονομάστε μια νέα μεταβλητή NormalBloodVessels (i) και ορίστε την ίση με τη μεταβλητή από την εντολή sum (I (:)). Αυτό προσθέτει τα δεδομένα στη μήτρα.

Τερματίστε τον βρόχο και επαναλάβετε αλλά για τις MRA των εγκεφάλων που επηρεάζονται από τη Moyamoya. Ονομάστε τη μεταβλητή στο τέλος MoyaMoyaBloodVessels (i) για να μην τη συγχέετε με τις κανονικές MRA του εγκεφάλου.

Βήμα 8: Εκτελέστε ένα ανεξάρτητο δείγμα T-test

Δεδομένου ότι υπάρχουν δύο ανεξάρτητα δείγματα και ένας μικρός πληθυσμός, εκτελέστε ένα ανεξάρτητο δείγμα t-test.

Δημιουργήστε και ονομάστε μια συνάρτηση που εκτελεί ένα ανεξάρτητο δείγμα t-test για να διαπιστώσετε εάν η ποσότητα των αιμοφόρων αγγείων στις MRA των φυσιολογικών εγκεφάλων είναι σημαντικά ίση ή όχι με εκείνη των MRA των εγκεφάλων που επηρεάζονται από τη Moyamoya.

Εμφανίστε την υπόθεση που έχει οριστεί για τη δοκιμή χρησιμοποιώντας την εντολή disp ('X'). Στην πρώτη γραμμή, εμφανίστε την ένδειξη "Υποθέσεις για δύο δείγματα t test". Στη δεύτερη γραμμή, οθόνη, "H0 = Η ποσότητα των αιμοφόρων αγγείων ενός φυσιολογικού εγκεφάλου ισούται με την ποσότητα των αιμοφόρων αγγείων ενός εγκεφάλου με τη νόσο Moyamoya", για να δηλώσει την μηδενική υπόθεση. Στην τρίτη γραμμή, οθόνη, "HA = Η ποσότητα των αιμοφόρων αγγείων ενός φυσιολογικού εγκεφάλου δεν ισούται με την ποσότητα των αιμοφόρων αγγείων ενός εγκεφάλου με τη νόσο Moyamoya." να δηλώσει την εναλλακτική υπόθεση.

Χρησιμοποιώντας ένα διάστημα εμπιστοσύνης 95% και ένα μέγεθος δείγματος 3, υπολογίστε τη βαθμολογία t χρησιμοποιώντας την εντολή tinv ([0,025 0,975], 2) και αντιστοιχίστε στη μεταβλητή t. Χρησιμοποιήστε την εντολή var (NormalBloodVessels) και var (MoyaMoyaBloodVessels) και αντιστοιχίστε τις σε μεταβλητές για να υπολογίσετε τις αποκλίσεις και των δύο συνόλων δεδομένων.

Ελέγξτε εάν οι αποκλίσεις είναι κοντά στο ίδιο ή όχι. Κάνετε αυτό δημιουργώντας μια πρόταση if/else με την εντολή if, else. Για την κατάσταση στη δήλωση if, γράψτε A / B == [0,25: 4], όπου A είναι η μεταβλητή που αντιπροσωπεύει τη διακύμανση των φυσιολογικών αιμοφόρων αγγείων και Β είναι η μεταβλητή που αντιπροσωπεύει τη διακύμανση των αιμοφόρων αγγείων Moyamoya. Τα 0,25 και 4 προέρχονται από μια γενική εκτίμηση για τον προσδιορισμό του εάν οι αποκλίσεις είναι ίσες ή όχι. Στη συνέχεια, εκτελέστε τη δοκιμή δύο δειγμάτων t με [h, p] = ttest2 (A, B, 0,05, «και τα δύο», «ίσα»), με τα A και B να είναι οι ίδιες μεταβλητές όπως αναφέρθηκε προηγουμένως. Για τη δήλωση else, χρησιμοποιήστε [h, p] = ttest2 (A, B, 0,05, «και τα δύο», «άνισα») για να εκτελέσετε ένα τεστ δύο δειγμάτων t στην περίπτωση που οι αποκλίσεις δεν είναι ίσες. Τερματίστε τη δήλωση if/else. Αυτό θα υπολογίσει το p.

Δημιουργήστε μια πρόταση if/else που θα εμφανίζει ένα συμπέρασμα με βάση την τιμή του p. Η συνθήκη για την πρόταση if θα είναι p> 0,05. Δεδομένου ότι συνήθως αποτυγχάνουμε να απορρίψουμε την μηδενική υπόθεση όταν η τιμή του p είναι μεγαλύτερη από 0,05, χρησιμοποιήστε την εντολή disp ('X') για να εμφανίσετε "Επειδή η τιμή p είναι μεγαλύτερη από 0,05, αποτυγχάνουμε να απορρίψουμε την μηδενική υπόθεση," και " Επομένως, δεν μπορούμε να απορρίψουμε ότι η ποσότητα των αιμοφόρων αγγείων ενός φυσιολογικού εγκεφάλου ισούται με εκείνη ενός εγκεφάλου με τη νόσο Moyamoya ». Στη δήλωση else, επειδή συνήθως απορρίπτουμε την μηδενική υπόθεση όταν η τιμή του p είναι κάτω από 0,05, χρησιμοποιήστε την εντολή disp ('X') για να εμφανίσετε "Επειδή η τιμή p είναι μικρότερη από 0,05 απορρίπτουμε την μηδενική υπόθεση," και " Επομένως, αποτυγχάνουμε να απορρίψουμε ότι η ποσότητα των αιμοφόρων αγγείων ενός φυσιολογικού εγκεφάλου δεν είναι ίση με εκείνη ενός εγκεφάλου με τη νόσο Moyamoya ». Τερματίστε τη δήλωση if/else.