Članek je bil oddan v recenzijo v letu 2014 in v začetku leta 2015 sprejet v objavo v revijo IEEE Transactions Pattern Analysis and Machine Intelligence - IF=5.694; IQ - engineering, electrical & electronic ; 5/248 ; četrtina: 1 Modeli porazdelitev se ponavadi uporabljajo za kompaktno predstavitev vzorcev iz heterogenih virov. Pri tem predstavljajo problem neznani deleži osamelcev ter neurovnoteženi vzorci, ki jih generirajo viri. Neuravnoteženi modeli mešanic pri vzorcih z osamelci zahtevajo robustno ocenjevanje. V članku predstavljamo novo metodo za robustno ocenjevanje modelov porazdelitev, ki izključuje osamelce na osnovi vrstnega reda zaupanja modela. Predlagano metodo smo ovrednotili in primerjali s sodobno FAST-TLE metodo s pomočjo dveh slikovnih baz. Prvo so sestavljali sintetični vzorci z različnimi deli osamelcev in z različnimi utežmi mešanic, medtem ko so drugo bazo sestavljale magnetno resonančne slike možganov s tumorji različnih volumnov. Dobljeni rezultati kažejo, da predlagana metoda uspešno robustno ocenjuje neuravnotežene modele pri različnih delih osamelcev v vzorcih. Zato je metoda uporabna na realnih vzorcih, pri katerih deleža osamelcev ni mogoče vnaprej napovedati.
COBISS.SI-ID: 9795156
Avtomatska segmentacija MR slik možganov se često uporabljaja pri obsežnih nevroloških raziskavah. Za segmentacijo se pogosto uporabljajo nenadzorovane metode, ker so uporabne pri slikah, ki so zajete z različnimi MR sekvencami in ki vsebujejo različne patologije. Nenadzorovane metode modelirajo intenzitete normalnih možganskih struktur z mešanico normalnih porazdelitev, katerih parametre je potrebno robustno oceniti iz MR podatkov, ki vsebujejo tudi osamelce – nenormalne strukture. V članku predstavljamo novo robustno metodo za oceno parametrov modelov porazdelitev, ki detektira osamelce kot vzorce z nizko signifikanco ustrezne komponente modela in iterativno ocenjuje delež osamelcev. Rezultati na sinteničnih in kliničnih MR slikah možgan kažejo, da je predlagani postopek robustnejši od uveljavljene metode FAST-TLE in to pri pri različnih deležih izklučenih vzorcev. To je še posebej pomembno pri razgradnji slik možganov s patologijami, katerih obsežnost je težko vnaprej predvideti.
COBISS.SI-ID: 10527316
Zaznava longitudinalnih sprememb v možganih se pogosto uporablja pri ocenjevanju bolezenskega stanja pri cerebrovaskularnih in nevrodegenerativnih boleznih, ki se manifestirajo v obliki pojavljajočih in izginjajočih lezij v beli možganovini (LBM). Spremembe v LBM se običajno kvantificirajo s pomočjo ročnega obrisovanja in primerjavo med longitudinalnimi magnetno resonančnimi (MR) slikami možganov. Ker je ročno obrisovanje 3D slik subjektivno, časovno zahtevno in nenatančno je bilo predlaganih kar nekaj avtomatskih metod zaznave sprememb. Vendar pa je zaradi pomankanja javno dostopnih sintetičnih ali kliničnih MR baz z zlatim standardom validacija teh metod zelo subjektivna. V tem prispevku je predstavljena validacija in primerjava treh metod za zaznavo sprememb LBM, ki temeljijo na primerjavi sivinske informacije. Za objektivno primerjavo je bila na podlagi strokovnih obrisov LBM 22-ih pacientov s pomočjo generativnega modela lezij zgrajena sintetična baza. Validacija je bila izvedena tudi na klinični bazi pacientov z multiplo sklerozo. Zmogljivost metod smo ocenili na podlagi občutljivosti in Dice-evega koeficienta med izračunanimi maskami sprememb in zlatim standardom. Dobljeni Dice-evi koeficienti so se gibali v območju 0,40 – 0,77. Primerjava metod je pokazala, da je metoda, ki temelji na subtrakciji slik enako zmogljiva kot metoda, ki temelji na analizi vektorjev sprememb in za zaznavo uporablja 2 MR modaliteti. Tretja primerjana metoda je temeljila na lokalnih usmerjenih jedrih in je izkazala največjo stabilnost tako na sintetični kot tudi na realni bazi.
COBISS.SI-ID: 10811220