Riassunto analitico
Partendo da immagini di risonanza magnetica dinamica cerebrali, lo scopo è stato quello di classificare ogni voxel, associando ad esso il tessuto a cui appartiene. In particolare ogni voxel è caratterizzato da una curva-segnale che indica il variare del suo valore durante la perfusione nel paziente di un agente di contrasto in grado di variare la suscettività. Il dataset di partenza presenta quindi i voxel come esempi e i valori che assumono in un determinato arco di tempo come variabili. Lo scopo è quello di creare un modello di apprendimento automatico in grado di imparare da voxel già etichettati e riuscire a classificare correttamente nuovi voxel. All'inizio del progetto sono stati etichettati alcuni voxel da esperti, successivamente i dati hanno avuto bisogno di un preprocessamento. Questo è stato necessario, poiché i valori dei voxel non hanno una scala standard. Il modello è stato poi allenato su diversi pazienti e testato su altri. Principalmente tre metodi sono stati utilizzati: Support Vector Machine con ottimizzazione del parametro di regolarizzazione, Metodi d'insieme con l'ottimizzazione del numero di classificatori e Random Forest. I risultati sono stati promettenti e si sono basati su un'analisi quantitativa, attraverso il calcolo dell'accuratezza che variava tra l'85% e il 95%, e un'analisi qualitativa di tipo visivo, cioè comparando le immagini in scala di grigi con le nuove immagini classificate ottenute. Rispetto agli strumenti utilizzati oggi dai medici per leggere i dati di immagini di Risonanza Magnetica con perfusione, cioè le mappe basate sul parametro rCBV, queste nuove classificazioni sono uno strumento in più per i medici che devono fare la diagnosi. In particolare, i modelli creati si sono dimostrati abili nel distinguere il tessuto tumorale da quello sano, aspetto non sempre chiaro nelle immagini in scala di grigi o nelle mappe rCBV.
|
Abstract
Starting from DSC MRI cerebral images, the aim was to classify each voxel with the tissue to which it belongs. In particular, each voxel is characterized by a signal-curve that indicates the variation of its value during the flowingof a contrast agent in the patient . The starting dataset therefore presents the voxels as samples and the values they assume in a given time frame as features. The purpose is to create a machine learning model that can learn from already labeled voxels and be able to correctly classify new voxels.
At the beginning of the project some voxels were labeled by experts, then the data needed a preprocessing phase.
This was necessary since the voxel values do not have a standard scale.
The model was then trained on several patients and tested on others.
Three methods were used: Support Vector Machine with optimization of the regularization parameter, Ensemble Methods with optimization of the number of classifiers, and Random Forest.
The results were promising and were based on a quantitative analysis, through the calculation of the accuracy that varied between 85% and 95%, and a qualitative analysis which consists of comparing the grayscale images with the obtained classified images.
Compared to the tools used by medical physicians today to interprete DSC MRI images, i.e., maps based on the rCBV parameter, these new classifications are an additional tool for medical physicians to make the diagnosis. In particular, the models created have proven adept at distinguishing tumor tissues from healthy tissues, an aspect not always clear in grayscale images or rCBV maps.
|