Nový toolbox pro MATLAB sloužící k extrakci příznaků a klasifikaci: Aplikace na obrazech mozků z magnetické rezonance

Mgr. Radomír Kůs

Rigorózní práce

A Novel MATLAB Feature Extraction & Classification Toolbox: Application to Brain MRI Data

Anotace:

Tato práce představuje nový toolbox, FEATbox, pro programové prostředí MATLAB. V toolboxu jsou jednak implementovány jednorozměrné a vícerozměrné metody extrakce příznaků, jednak prostředky pro klasifikaci. Představitelem jednorozměrných extrakčních metod je testování pomocí Mannova-Whitneyova testu. Mezi zástupce vícerozměrných přístupů pak patří mezisubjektová analýza hlavních komponent, K-SVD algoritmus a morfometrie založená na vzorech. Pro klasifikaci toolbox poskytuje klasifikační schéma využívající lineární variantu algoritmu podpůrných vektorů s křížovou validací „leave-one-out“. S použitím implementovaných metod extrakce příznaků lze vytvořit také klasifikační schéma vlastní. Ke zhodnocení a srovnání úspěšnosti klasifikace jednotlivých přístupů je v toolboxu zahrnuto několik klasifikačních měr s možností jejich grafické vizualizace. Ke snížení výpočetního času toolbox nabízí techniku redukce dimenzionality v podobě náhodných projekcí. Možné scénáře využití toolboxu jsou demonstrovány ve 3 instruktážních demech. První část práce se věnuje možnému uplatnění FEATboxu na reálných datech. V rámci této části je uvedena studie týkající se klasifikace 52 pacientů s první epizodou schizofrenie a 52 zdravých dobrovolníků. Subjekty jsou odlišovány na základě T1-vážených obrazů mozku z magnetické rezonance předzpracované pomocí morfometrie založené na voxelech a morfometrie založené na deformacích. Díky použití několika klasifikačních schémat studie poukazuje na rozdíly v rámci metod extrakce příznaků v souvislosti s neurozobrazovacími daty a metodami morfometrie mozku. Druhá část práce pak detailně popisuje samotný toolbox.

Abstract:

This rigorosum thesis introduces a novel MATLAB toolbox, FEATbox, providing a set of various feature extraction and classification tools. Namely, Mann-Whitney testing is implemented as a representative of univariate feature extraction approaches alongside multivariate methods such as intersubject PCA, the K-SVD algorithm, and pattern-based morphometry. Next, the toolbox provides embedded leave-one-out cross-validated linear support vector machine classifier or a possibility to exploit implemented feature extraction techniques to create own classification schemes. To assess and compare their performances, several classification measures and their graphical visualization are included. The toolbox also supplies a dimensionality reduction technique, random projection, in order to reduce computation times. Prospective usage scenarios of the toolbox are demonstrated in 3 tutorial demos. In order to illustrate possible FEATbox's employment on real-world data, the first part of the thesis provides a study on classification of 52 first-episode schizophrenia patients and 52 healthy volunteers. The subjects are distinguished on the basis of T1-weighted magnetic resonance images of their brains preprocessed by the means of voxel-based and deformation-based morphometry. As several classification scenarios are utilized, the differences among feature extraction methods with respect to neuroimaging data and brain morphometry techniques are stressed. The second part of the thesis is dedicated to a detailed description of the toolbox.

Keywords

Feature extraction, Classification, Machine learning, intersubject Principal Component Analysis, K-SVD, Pattern-based morphometry, Brain morphometry, Computer-aided diagnosis, Magnetic resonance imaging, Schizophrenia Extrakce příznaků, Klasifikace, Strojové učení, Mezisubjektová analýza hlavních komponent, Morfometrie založená na vzorech, Morfometrie mozku, Počítačem podporovaná diagnostika, Zobrazování pomocí magnetické rezonance, Schizofrenie

Jazyk práce: angličtina

Datum vytvoření / odevzdání či podání práce: 29. 9. 2016

Obhajoba závěrečné práce

• Obhajoba proběhla 8. 2. 2017
• Oponent: RNDr. Eva Koriťáková, Ph.D., Ing. Jan Odstrčilík, Ph.D.

Masarykova univerzita

Přírodovědecká fakulta

Rigorózní řízení / obor:
Experimentální biologie / Matematická biologie