Laboratorium Technik Obrazowania

Podobne dokumenty
Laboratorium Technik Obrazowania

Tomografia emisyjna pojedynczych fotonów (SPECT) w medycynie nuklearnej: technika skanowania i rekonstrukcji obrazu.

Restauracja a poprawa jakości obrazów

Metoda największej wiarygodności

Estymacja parametrów, przedziały ufności etc

Estymacja parametrów, przedziały ufności etc

Modelowanie i Analiza Danych Przestrzennych

Metody iteracyjne rozwiązywania układów równań liniowych (5.3) Normy wektorów i macierzy (5.3.1) Niech. x i. i =1

Sterowanie napędów maszyn i robotów

(u) y(i) f 1. (u) H(z -1 )

Prawdopodobieństwo i statystyka

( ) + ( ) T ( ) + E IE E E. Obliczanie gradientu błędu metodą układu dołączonego

O ŚREDNIEJ STATYSTYCZNEJ

KADD Metoda najmniejszych kwadratów funkcje nieliniowe

Tomografia emisyjna pojedynczych fotonów (SPECT) w medycynie nuklearnej: technika skanowania i rekonstrukcji obrazu.

Weryfikacja hipotez statystycznych, parametryczne testy istotności w populacji

Metody probabilistyczne

UKŁADY ALGEBRAICZNYCH RÓWNAŃ LINIOWYCH

Analiza obrazów - sprawozdanie nr 2

STATYSTYKA MATEMATYCZNA WYKŁAD 4. Testowanie hipotez Estymacja parametrów

Komputerowa analiza danych doświadczalnych

WSKAZÓWKI DO WYKONANIA SPRAWOZDANIA Z WYRÓWNAWCZYCH ZAJĘĆ LABORATORYJNYCH

STATYSTYKA

Laboratorium Przetwarzania Sygnałów Biomedycznych

O ŚREDNIEJ STATYSTYCZNEJ

Spis treści 3 SPIS TREŚCI

Metoda największej wiarogodności

A. Cel ćwiczenia. B. Część teoretyczna

Komputerowa analiza danych doświadczalnych

Metrologia Techniczna

Komputerowa Analiza Danych Doświadczalnych

RACHUNEK PRAWDOPODOBIEŃSTWA WYKŁAD 5.

Metody probabilistyczne Rozwiązania zadań

Badanie stacjonarności szeregów czasowych w programie GRETL

Rozwiązywanie układów równań liniowych metody przybliżone Materiały pomocnicze do ćwiczeń z metod numerycznych

Ważne rozkłady i twierdzenia c.d.

wtedy i tylko wtedy, gdy rozwiązanie i jest nie gorsze od j względem k-tego kryterium. 2) Macierz części wspólnej Utwórz macierz

Komputerowa analiza danych doświadczalnych

Zależność. przyczynowo-skutkowa, symptomatyczna, pozorna (iluzoryczna),

Statystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory

Wykład 6 Estymatory efektywne. Własności asymptotyczne estym. estymatorów

Algorytmy graficzne. Metody binaryzacji obrazów

Wnioskowanie statystyczne. Statystyka w 5

Weryfikacja hipotez statystycznych

O nauczaniu oceny niepewności standardowej

STATYSTYKA MATEMATYCZNA

LABORATORIUM PODSTAW TELEKOMUNIKACJI

ROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH

Metody numeryczne. Instytut Sterowania i Systemów Informatycznych Wydział Elektrotechniki, Informatyki i Telekomunikacji Uniwersytet Zielonogórski

Matematyka stosowana i metody numeryczne

Estymacja punktowa i przedziałowa

Wykład 1. Andrzej Leśniak KGIS, GGiOŚ AGH. Cele. Zaprezentowanie praktycznego podejścia do analizy danych (szczególnie danych środowiskowych)

METODY STATYSTYCZNE W BIOLOGII

Metody optymalizacji nieliniowej (metody programowania nieliniowego) Ewa Niewiadomska-Szynkiewicz Instytut Automatyki i Informatyki Stosowanej

ALGEBRA Z GEOMETRIĄ ANALITYCZNĄ

DRGANIA WŁASNE RAM OBLICZANIE CZĘSTOŚCI KOŁOWYCH DRGAŃ WŁASNYCH

Programowanie wielocelowe lub wielokryterialne

Uogolnione modele liniowe

Obliczenia Naukowe. Wykład 12: Zagadnienia na egzamin. Bartek Wilczyński

Metody systemowe i decyzyjne w informatyce

Oznacza to, że chcemy znaleźć minimum, a właściwie wartość najmniejszą funkcji

LABORATORIUM PROMIENIOWANIE w MEDYCYNIE

PDF created with FinePrint pdffactory Pro trial version

Wprowadzenie Metoda bisekcji Metoda regula falsi Metoda siecznych Metoda stycznych RÓWNANIA NIELINIOWE

STATYSTYKA. Rafał Kucharski. Uniwersytet Ekonomiczny w Katowicach 2015/16 ROND, Finanse i Rachunkowość, rok 2

Zastosowanie metody PCA do opisu wód naturalnych

Weryfikacja hipotez statystycznych za pomocą testów statystycznych

WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 13 i 14 - Statystyka bayesowska

Sygnały stochastyczne

Prawdopodobieństwo i statystyka r.

Niech X i Y będą niezależnymi zmiennymi losowymi o rozkładach wykładniczych, przy czym Y EX = 4 i EY = 6. Rozważamy zmienną losową Z =.

Rozdział 2: Metoda największej wiarygodności i nieliniowa metoda najmniejszych kwadratów

Szacowanie optymalnego systemu Bonus-Malus przy pomocy Pseudo-MLE. Joanna Sawicka

Systemy pomiarowo-diagnostyczne. Metody uczenia maszynowego wykład II 2017/2018

METODY NUMERYCZNE. wykład. konsultacje: wtorek 10:00-11:30 środa 10:00-11:30. dr inż. Grażyna Kałuża pokój

Zawansowane modele wyborów dyskretnych

WYKŁAD 8 ANALIZA REGRESJI

Propagacja w przestrzeni swobodnej (dyfrakcja)

Analiza współzależności zjawisk

Prawdopodobieństwo i rozkład normalny cd.

Modelowanie rynków finansowych z wykorzystaniem pakietu R

Sposoby opisu i modelowania zakłóceń kanałowych

Natalia Neherbecka. 11 czerwca 2010

4. Weryfikacja modelu

Przestrzenne uwarunkowania lokalizacji źródeł sygnałów radiowych na bazie pomiaru częstotliwości chwilowej

ĆWICZENIE 11 ANALIZA KORELACJI I REGRESJI

Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)

STATYSTYKA MATEMATYCZNA WYKŁAD stycznia 2010

... i statystyka testowa przyjmuje wartość..., zatem ODRZUCAMY /NIE MA POD- STAW DO ODRZUCENIA HIPOTEZY H 0 (właściwe podkreślić).

Kolejny krok iteracji polega na tym, że przechodzimy do następnego wierzchołka, znajdującego się na jednej krawędzi z odnalezionym już punktem, w

Przykład zastosowania optymalnej alokacji w estymacji frakcji

Spis treści. Przedmowa... XI. Rozdział 1. Pomiar: jednostki miar Rozdział 2. Pomiar: liczby i obliczenia liczbowe... 16

Statystyka w analizie i planowaniu eksperymentu

Wykład 21: Studnie i bariery cz.1.

UKŁADY ALGEBRAICZNYCH RÓWNAŃ LINIOWYCH

Programowanie wielocelowe lub wielokryterialne

Statystyka w analizie i planowaniu eksperymentu

STATYSTYKA MATEMATYCZNA

STATYSTYKA I DOŚWIADCZALNICTWO Wykład 5

Transkrypt:

Laboratorium Techni Obrazowania Krzyszto Kacpersi Zała Fizyi Meycznej, Centrum Onoloii - Instytut im. Marii Słoowsiej-Curie

Dysretyzacja problem liniowy Problem: H Zmierzone Macierz Rozła projecje ane systemu atywności niewiaoma Uła równań liniowych i h i prawopoobieństwo etecji otonu z vosela i obietu w piselu etetora N i =,2,,D h i i Rozmiary obietów: : ~ 00x00x00 : ~ 00x00x00 H: ~ 0 6 x0 6

Metoy statystyczne Problem estymacji: H Próba statystyczna wetor losowy Macierz systemu ana stała Parametry moelu zmienna szuana Znaleźć wetor parametrów ˆ - estymator, tóry najlepiej pasuje o zmierzonej próby losowej Metoy ryteria wyznaczania estymatorów: Metoa momentów Metoa najmniejszych waratów ˆ : ˆ N h i ar min i D ˆ i E[ N ] i h i i 2 FBP, ART WLS Metoa najwięszej wiaryoności maximum lielihoo ML ˆ ar max P ; MLEM

Pożąane cechy estymatorów: Metoy statystyczne nieobciążoność zoność ˆ E[ˆ] ^ 5 4 3 2 0 9 8 7 6 5 0 5 0 5 20 25 30 35 40 45 50 eetywność eˆ var ˆ max var ˆ e Twierzenie nierówność Cramera-Rao: Wariancja owolneo estymatora nieobciążoneo var ˆ i ln P, E i i I var ˆ i 2 max e i ˆ spełnia nierówność: Estymator masymalnej wiaryoności jest estymatorem nieobciążonym, zonym, o masymalnej eetywności I inormacja Fishera

Statystya rozpaów promieniotwórczych Śrenia liczba zliczeń w piselu etetora: Rozła Poissona prawopoobieństwa zliczeń : i Funcja wiaryoności : ˆ ar max P ; MLEM

Metoa ML-EM Ja obliczyć estymator masymalnej wiaryoności? Alorytm EM expectation maximisation: Dempster, Lair, Rubin 977 Estymacja na postawie nieompletnych anych statystycznych ro E: s i liczba otonów wyemitowanych z vosela i zarejestrowanych w piselu etetora ane ompletne Oblicz wartość oczeiwaną uncji wiaryoności: ro M: Kolejną estymację wybierz jao: ˆ n ar max E[ Można poazać, że alorytm EM zwięsza uncję wiaryoności w ażym rou, tzn. P ; ˆ P ; ˆ n n N i s i E[ i ln P s; s ; ˆ n ] s ; ˆ E[ s ] h i ln P s; n ] i i

Metoa ML-EM Rozwiązanie - wzór iteracyjny: n n D h D h N j h j n j Nowa estymacja obrazu Poprzenia estymacja obrazu Norma Zmierzona projecja Estymowana projecja Śrenia ważona po wszystich projecjach

Reonstrucja iteracyjna ML-EM Obraz początowy n-ta estymacja Projecje estymacji Projecja nie Zbieżność? Projecja wsteczna Porównanie N j h j n j ta Obraz zreonstruowany Zmierzone projecje

Reonstrucja iteracyjna ML-EM Iteracje: 2 3 5 0 20 50 Funcja wiaryoności: Pr ; ˆ n E[ D ] Pr D! ; ˆ exp E[ n ] lo[pr ] -.0E+06 -.5E+06-2.0E+06 0 0 20 30 40 50 E[ ] N i h i n ˆ i -2.5E+06 iteracja

Metoa ML-EM - właściwości D N j n j j D n n h h h

MLEM vs FBP analityczne Filtrowana projecja wsteczna FBP oparta na transormacji Fouriera liniowa szyba załaa uproszczony moel izyczny arteaty prążowe przy małej liczbie zliczeń statystyczne iteracyjne Metoa ML-EM uwzlęnia statystyczny charater zmierzonych anych pozwala uwzlęnić ołany moel izyczny znacznie lepsza jaość obrazu mniejszy szum nieliniowa Wolna; wymaa użej mocy obliczeniowej

MLEM vs FBP FBP MLEM FBP + iltr MLEM + iltr 30 min 9 iter. 25 iter. 5 min

Reularyzacja obrazów Surowe metoy reonstrucji zarówno analityczne ja i statystyczne ają zwyle obraz wysoce zaszumiomy. Potrzebne są metoy reucji szumu, zwyle osztem możliwie niewielieo poorszenia zolności rozzielczej ostrości obrazu. Filtrowanie w ziezinie współrzęnych obrazu lub częstotliwości przestrzennych - w ziezinie częstotliwości przestrzennych - w ziezinie współrzęnych obrazu splot z uncją jąrem iltującą - post-iteracyjne - śróiteracyjne Wyonanie niewieliej liczby iteracji Reonstrucja statystyczna MAP maximum a posteriori

Filtrowanie W ziezinie współrzęnych obrazu W ziezinie częstotliwości FFT. FFT -

Filtrowanie Post-reonstrucyjne: D N j n j j D n n h h h Mięzy-iteracyjne: D N j n j j D n n h h h inal inal w n w

Tylo ilrt rampowy FBP - reularyzacja x,y 2 0 F, Namierny szum P Filrt Butterwortha, c =0.25 N Filrt olnoprzepustowy Butterworth: Shepp-Loan x,y W 2 c 2 W sinc rect c 2 0 F W P, c W 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0, 0 0 0,2 0,4 0,6 0,8 Ramp Butterworth Shepp-Loan

Reularyzacja - reonstrucja MAP Maximum a Posteriori ar max ˆ P P P P P P P D N j n j j D n n U h h h exp U Z P j i j i ij w V U, 2 x x V Funcja osztu Gibbsa: Alorytm MAP: MAP: ML: ; ar max ˆ P } lo ar max{lo ˆ P P

Przyspieszanie alorytmów iteracyjnych Alorytm OSEM Orere Subsets Expectation Maximisation ML-EM OSEM RBI - EM RAMLA P zmierzonych projecji zielimy na K pozbiorów zwyle równej wielości, rozłącznych Pozbiory powinny być zrównoważone być reprezentatywną próbą pełneo zbioru projecji Obliczając estymację obrazu w n-tej iteracji używamy tylo projecji z -teo pozbioru szybość zbieżności jest prawie ientyczna ja przy wyorzystaniu pełneo zbioru projecji n przyspieszenie liczba pozbiorów projecji ip n h i ip h i N j h i ij,2,..., K j

Przyspieszanie alorytmów iteracyjnych Alorytm OSEM Orere Subsets Expectation Maximisation ML-EM OSEM Problemy: Bra warancji zbieżności; możliwe cyle perioyczne Możliwe zerowanie voseli w obszarach o b. małej liczbie zliczeń Problemy przy niezrównoważonych pozbiorach n ip n h i ip h i N j h i ij,2,..., K j

Eety izyczne wpływające na obrazowanie Osłabienie promieniowania y Rozproszenia s Funcja opowiezi olimatora/etetora * * x iealny Osłabienie + rozmycie olimatora + rozproszenia

Eety izyczne wpływające na obrazowanie Osłabienie promieniowania Rozproszenia Funcja opowiezi olimatora/etetora FBP ieał y s * * x iealny rozmycie olimatora Osłabienie + rozmycie olimatora

Oziaływanie promienoiwania w tanach 40 ev

Osłabienie promienoiwania w tanach 40 ev 0,9 5 ev 0,8 0,7 N/N0 0,6 0,5 0,4 0,3 0,2 0, 0 0 0 20 30 40 50 60 [cm]

Osłabienie promienoiwania w tanach 0, 0 0 20 30 40 50 60 PET SPECT N/N0 0,0 0,00 40 ev 5 ev 0,000 [cm]

Korecja osłabienia PET Osłabienie promieniowania : s y 5 ev l Zmierzone projecje: x p, s exp x', y' l' x, y exp x', y' l' x, y l l 5 ev Czynni orecji zmierzony np. w CT

Korecja osłabienia - SPECT Zmierzone projecje: p, s exp x ', y' l' x, y l l s y l x Reonstrucja Zreonstruowany obraz: Korecja osłabienia nietrywialna ˆ x, y [ p, s, x, y] x, y -Mapa współczynniów osłabienia znana Do nieawna nie był znany wzór na owrotną transormatę Raona z osłabieniem Noviov 2000 Sompliowany wzór Silne wzmacnianie szumów!

Korecja osłabienia metoa Chana Metoa przybliżona post-reonstrucyjna x, y -Mapa współczynniów osłabienia znana y l x Korecja rzęu zero: Korecja rzęu n: Oblicz projecję n- Oblicz błą - n- aa Zreonstruuj obraz błęu n = n- + TF Rec - n-

Korecja otonów rozproszonych Metoa TEW Triple Enery Winow S scatter S H S 2 L

Reonstrucja iteracyjna moelowanie eetów izycznych H h i prawopoobieństwo etecji otonu z vosela i obietu w piselu etetora i Wszystie eety izyczne można uwzlęnić w macierzy systemu H Attenuation correction AC Scatter correction Collimator resolution moellin Collimator-etector response moellin Resolution recovery

Reonstrucja iteracyjna moelowanie eetów izycznych H Jaość reonstucji Czas obliczeń Liczba elementów moelu

Implementacja alorytmów iteracyjnych Obliczanie projecji i Ray tracin Oparte na obrotach obrazu Obliczenie macierzy systemu precompute + Fast iterations Lare RAM require Slow isc access compute on the ly + Less RAM require iterations Slow iterations

Ocena jaości obrazów Problem złożony lasyiacja estymacja Parametry ilościowe: Optymalnie: Miary jaości onoszące się o onretneo problemu liniczneo Zolność rozzielcza ontrast Poziom szumu: Wariancja; współczynni zmienności Śreni błą waratowy Wimo mocy; SNR Analiza ROC Receiver Operatin Characteristics Obserwatorzy numeryczni Obserwator anałowy Hotellina Metoy statystyczne są nieliniowe Parametry ilościowe zależą o obrazu

Ocena jaości obrazów Otworzenie synału Zolność rozzielcza: Oryinał y max atywność 2 y max FWHM x Reonstrucja Szeroość połówowa FWHM Full With at Hal Maximum Dla uncji Gaussa: FWHM 2.35

Ocena jaości obrazów Otworzenie synału Kontrast: tło C NL NB NB NL śrenia amplitua w obszarze obietu uza, eetu obiet NB śrenia amplitua w obszarze tła Współczynni otworzenia ontrastu: Contrast recovery coeicient CRC C C rec or

Ocena jaości obrazów Poziom szumu: Śrenie ochylenie stanarowe: la pojeynczeo vosela M j j M 2 Po zespole statystycznym M opiach obrazu różniących się realizacją szumu Współczynni zmienności: Coeicient o Variation COV Śreni COV na wybranym obszarze: COV L COV NL

Ocena jaości obrazów Poziom szumu Przybliżenie: Dla obszaru o jenoronej atywności śrenie ochylenie stanarowe i wartość śrenią możemy liczyć po obszarze na jenym obrazie, zamiast po M opiach obrazu zespole statystycznym Śrenie ochylenie stanarowe: Współczynni zmienności: Coeicient o Variation

Ocena jaości obrazów synał + szum: Śreni błą waratowy: il rec i i MSE or 2 il i or 2 Stosune synału o szumu SNR, Stosune ontrastu o szumu CNR:

ontrast/crc Kompromis: rozzielczość - szum; rzywe ontrast-szum Goo system Ba system poziom szumu

Krzywe ontrast-szum

Krzywe ontrast-szum HR 30 min. HR 0 min. HS9 30 min. HS9 0 min.

Metooloia ROC Ocena jaości obrazu oparta na ryterium suteczności ianostycznej, onosząca się o onretneo problemu liniczneo Obiet Metoa Metoa 2 Złoty stanar Klasyiacja Obraz normalny Patoloia Analiza ROC Receiver Operatin Characteristics

Metooloia ROC Obiet Metoa Metoa 2 l l 2 l >l c Pró ecyzyjny Obraz normalny Patoloia

Metooloia ROC Możliwe wynii: TP true positive TN true neative FP alse positive FN alse neative

Metooloia ROC Możliwe wynii: TP true positive TN true neative FP alse positive FN alse neative Krzywe ROC Receiver Operatin Characteristics Miara jaości metoy: AUC area uner curve

Nowe technoloie sprzętowe w meycynie nulearnej