Moderní metody pro analýzu obrazových dat v neuropsychiatrickém výzkumu

Bc. Eva Janoušová, Ph.D.

Master's thesis

Modern methods for image data analysis in neuropsychiatric research

Abstract:

Tato práce je věnována návrhu a implementaci metod pro rozpoznávání obrazů z magnetické rezonance využitelných v diagnostice neuropsychiatrických poruch. Vstupem do implementovaných algoritmů jsou obrazy intenzit, deformací a hustoty šedé mozkové hmoty, které jsou získány při předzpracování obrazů pomocí morfometrie založené na deformacích a optimalizované morfometrie založené na voxelech. Ze vstupních obrazů jsou vybrány příznaky pomocí výsledků z morfometrie založené na deformacích nebo pomocí výsledků ze strukturální morfometrie či pomocí dvou modifikací analýzy hlavních komponent, kterými jsou dvojrozměrná analýza hlavních komponent (2DPCA) a analýza hlavních komponent založená na kovarianční matici subjektů (pPCA). Vybrané příznaky jsou následně klasifikovány prostřednictvím čtyř klasifikačních algoritmů, jimiž jsou centroidová metoda, metoda průměrné vazby, diskriminační analýza MLDA a její modifikace, jež byla v této práci navržena. Výsledkem metod rozpoznávání obrazů je zařazení obrazu do jedné z klasifikačních tříd. Implementované algoritmy jsou testovány na simulovaných obrazech geometrických útvarů a na reálných datech pacientů se schizofrenií a kontrolních subjektů.

Abstract:

This work is dedicated to the design and implementation of methods for automated recognition of magnetic resonance images in the diagnostics of neuropsychiatric disorders. The intensity images, the gray matter density images and the deformation data are processed in the implemented algorithms. The data are acquired with the use of deformation-based morphometry and optimized voxel-based morphometry during the image preprocessing phase. Afterwards, feature selection is applied using results of deformation-based morphometry, results of source-based morphometry or results of two modifications of the principal component analysis. The two modifications are the 2-dimensional principal component analysis (2DPCA) and the principal component analysis based on the covariance matrix of persons (pPCA). The selected features are classified with the use of four classification algorithms which are the centroid method, the average linkage method, the maximum uncertainty linear discriminant analysis (MLDA) and its proposed modification. The result of the image recognition is a group identifier. The implemented algorithms are tested in experiments with simulated images of geometric figures and with the real image data of schizophrenia patients and healthy controls.

Keywords

Rozpoznávání obrazů, klasifikace, centroidová metoda, metoda průměrné vazby, diskriminační analýza MLDA, analýza hlavních komponent PCA, výpočetní neuroanatomie, deformace, magnetická rezonance, schizofrenie, pattern recognition, classification, centroid method, average linkage method, discriminant analysis MLDA, principal component analysis PCA, computational neuroanatomy, deformations, magnetic resonance imaging, schizophrenia.

Language used: Czech

Date on which the thesis was submitted / produced: 24. 5. 2010

Thesis defence

• Date of defence: 16. 6. 2010
• Supervisor: doc. Ing. Daniel Schwarz, Ph.D.

Masaryk University

Faculty of Science

Master programme / field:
Biology / Mathematical Biology