SLO: Članek je bil poslan in sprejet v objavo v letu 2015, objavljen pa januarja 2016 v reviji NeuroImage, IF= 6.357, RX - neuroimaging ; 1/14; četrtina: 1. Natančna razgradnja lezij bele možganovine (LBM) na osnovi magnetno resonančnega (MR) slikanja ima vedno večjo vlogo pri diagnozi in vodenju zdravljenja raznih nevroloških bolezni. S postopki avtomatske analize slik lahko LBM razgradimo objektivno in učinkovito. Razgradnja LBM vključuje modeliranje porazdelitve sivinskih vrednosti celotne možganovine, ki pa je lahko zaradi raznih motilnih vplivov zelo kompleksna in heterogena. Zanesljivo modeliranje te porazdelitve je zato zelo zahtevno. V tem članku predlagamo nov pristop modeliranja porazdelitve sivinskih vrednosti s porazdeljenimi modeli mešanic, pri čemer je ključna predpostavka, da je možno te porazdelitve v lokalnih, manjših regijah glave zelo dobro opisati z enostavnimi modeli. Na klinični zbirki 30 slik pacientov z multiplo sklerozo smo uspeli pokazati, je predlagane porazdeljene modele možno zanesljivo prilegati, kljub motilnim vplivom kot so LBM, ki so značilne za te paciente. Združevanje teh porazdeljenih modelov omogoča zapis modela porazdelitve sivinskih vrednosti za celotno možganovino, ki ga za razgradnjo lezij izrablja večina nenadzorovanih postopkov za razgradnjo LBM. Predlagani model smo vgradili v tri različne nenadzorovane postopke za razgradnjo LBM in pokazali, da uporaba predlaganega modela izboljša natančnost razgradnje LBM.
COBISS.SI-ID: 11198292
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: 10969940
Lezije bele možganovine so povezane z večjim številom bolezni, katere lahko karakteriziramo z nevrološkimi biomarkerji pridobljenimi z analizo magnetno resonančnih (MR) slik. Natančna avtomatska razgradnja lezij in njihova kvantifikacija lahko omogoči izboljšanje karakterizacije nevroloških biomarkerjev. V tem članku predstavljamo novo metodo za razgradnjo lezij, ki temelji na avtomatski predizbiri potencialnih območij lezij, na katerih nato poteka nadzorovano učenje in razvrščanje z naključnimi gozdovi. Naučeno razvrščanje na podlagi preprostih značilnic pridobljenih iz intenzitet MR slik omogoča natančno klasifikacijo med zdravim in nezdravim tkivom. Vsak slikovni element je bil razvrščen glede na značilnice, ki so bile pridobljene na osnovi intenzitete slikovnega elementa in elementov v njegovi neposredni okolici. Predizbor večje množice potencialnih lezij je omogočil hitrejše učenje naključnih gozdov in uporabo preprostejših značilnic v primerjavi z uveljavljenimi metodami. Vrednotenje metode na 18-ih slikah pacientov z multiplo sklerozo je pokazalo, da je s pomočjo predlaganega postopka mogoča natančna razgradnja lezij bele možganovine.
COBISS.SI-ID: 11182420