Visualizing large medical image datasets using the 3D scale-invariant feature transform (SIFT)

Rokooie, Marzieh (2020). Visualizing large medical image datasets using the 3D scale-invariant feature transform (SIFT). Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

Prévisualisation	PDF Télécharger (5MB) | Prévisualisation
Prévisualisation	PDF Télécharger (749kB) | Prévisualisation

Résumé

This thesis proposes an image classification paradigm where instead of fully automatic classification, the goal is to generate a highly-informative visual summary of class-related information for human interpretation. Rather than providing a single classification, we provide a visualisation highlighting the information relevant to group differences. In this particular research, we provide a survey of instance-based classification and visualization. A probabilistic framework is developed for classification and visualization, based on the 3D scale-invariant feature transform (SIFT) format. We propose a novel kernel density bandwidth estimator for SIFT feature densities, based on hypothesis testing, where the bandwidth minimizes the p-value of Fisher’s exact test. We also propose a method of of ranking features based on the false discovery rate (FDR). An existing implementation of the SIFT-Rank method Toews & Wells (2013) is used for feature extraction, and classification and visualization are implemented in MATLAB. We validate our approach on 3D magnetic resonance image (MRI) data of the adult human brain from the Open Access Series of Imaging Studies (OASIS) dataset Marcus et al. (2007). Experiments investigated classification and visualisation of three binary categories: age (young, old), gender (male, female), and disease (Alzheimer’s disease vs. healthy). The highest classification accuracy was 94.71% for age (old vs. young), and the method may prove useful for understanding the aging process. The method is generally applicable to arbitrary 3D medical image modalities and conditions, for example computed tomography (CT) lung scans.

Titre traduit

Visualisation de grands ensembles d’images médicales utilisation de la transformation de caractéristique invariante à l’échelle 3D (SIFT)

Résumé traduit

Ce mémoire propose un paradigme de classification des images dans lequel, au lieu d’une classification entièrement automatique, l’objectif est de générer un résumé visuel des informations d’image relatives aux classes. Audela de fornir un simple classification, ex. malade ou en santé dans le contexte d’imagérie médicale, notre approche fournit une visualisation des informations liées à la classification. Dans cette recherche particulière, nous fournissons une étude de la classification et de la visualisation basées sur les caractéristiques locales 3D « Scale-Invariant Transform » (SIFT). Nous avons développé un cadre probabiliste bayésien permettant de classer une nouvelle image et de visaliser la probabilité de la classe étant donné l’endroit spatiale dans l’image. Un nouvel estimateur de la variance est proposé basé sur le test exact de Fisher. Nous avons utilisé l’implementation SIFT-Rank Toews & Wells (2013) pour l’extraction des caractéristiques 3D SIFT et implémenté les techniques de classification et visualisation en code MATLAB. Nous avons démontré l’utilité de notre méthode avec une analyse des images de résonance magnétiques (IRM) des cerveaux humains adults à partir des données « Open Access Series of Imaging Studies » (OASIS) Marcus et al. (2007), sur trois catégories binaires: âge (jeune, vieux), sexe (mâle femelle) et maladie (maladie d’Alzheimer, contrôles normaux). La plus discriminante de ses catégories fut celle de l’age avec une taux de classification de 94.71%. La méthode présenté pourrait donc trouver application dans la suivi du vieillissement du cerveau, et pourrait s’appliquer de façon générale aux autres modalités d’images et régions d’intéret, ex. imagerie par tomodensitométrie (TDM) du poumon.

Type de document:	Mémoire ou thèse (Mémoire de maîtrise électronique)
Renseignements supplémentaires:	"Thesis presented to École de technologie supérieure in partial fulfillment for a master's degree with thesis in electrical engineering". Comprend des références bibliographiques (pages 71-81).
Mots-clés libres:	visualisation d’images médicales, apprentissage automatique, classification, données massives, images cérébrales
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Toews, Matthew
Programme:	Maîtrise en ingénierie > Génie électrique
Date de dépôt:	22 juill. 2020 20:41
Dernière modification:	22 juill. 2020 20:41
URI:	https://espace.etsmtl.ca/id/eprint/2508

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt