Estudiante: Julian Camilo Daza R.

Presentación del tema: "Estudiante: Julian Camilo Daza R."— Transcripción de la presentación:

1 Patrones Basados en Saliencia para imágenes de Resonancia Magnética Cerebral
Estudiante: Julian Camilo Daza R. Director: Andrea del Pilar Rueda Olarte

2 Introducción Saliencia Visual: Cualidad perceptual subjetiva que permite que objetos en el mundo resalten en comparación a sus vecinos y llamen nuestra atención. Nuestra atención es atraída por estímulos visuales.

3 Introducción Color Orientación Conjunción Movimiento Contextual
L. Itti, C. Koch, E. Niebur, A Model of Saliency-Based Visual Attention for Rapid Scene Analysis, IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 20, No. 11, pp , Nov 1998. [1998 impact factor: 1.417]

4 Problema Saliencia Visual esta aplicada a Imágenes Naturales.
La aplicación de Saliencia en Imágenes Médicas es un proceso complicado. La información relevante es una mezcla compleja de patrones globales y locales. El sistema visual Humano convencional no esta entrenado para encontrar este tipo de patrones.

5 Problema Hipótesis Objetivo General
Tener en cuenta información de Saliencia en imágenes médicas permite mayor discriminación entre patrones asociados a patologías. Objetivo General Adaptar modelos de Saliencia para imágenes de Resonancia Magnéticas Cerebrales con el fin de mejorar la clasificación de cerebros de pacientes con probable Alzheimer.

6 Objetivos Específicos
Problema Objetivos Específicos Investigar conceptos y métodos propuestos para generación de mapas de Saliencia en imágenes naturales y médicas. Experimentar y seleccionar un conjunto de modelos de Saliencia Visual. Diseñar y adaptar los modelos de Saliencia para imágenes de resonancia magnética cerebral. Analizar y verificar las modificaciones de los modelos de Saliencia ante una clasificación previa basada en Saliencia en cerebros de pacientes con probable Alzheimer.

7 Fase 1: Investigación y Experimentación de modelos de Saliencia en Imágenes Naturales
Selección de implementaciones de modelos de Saliencia [1] SALICON Boolean Map based Saliency (BMS) Judd Model CovSal Graph-Based Visual Saliency (GBVS) * Fast and Efficient Saliency (FES) Attention based on information maximization (AIM) IttiKoch Condiciones Existe una explicación formal de la descripción del modelo. El modelo posee una implementación libre al publico y posible de descargar. El código de la implementación del modelo ha sido realizada en MATLAB [1] MIT Saliency Benchmark , Zoya Bylinskii and Tilke Judd and Ali Borji and Laurent Itti and Fr{\'e}do Durand and Aude Oliva and Antonio Torralba

8

9

10

11 Fase 2.1: Implementación de modelos de Saliencia en Imágenes Medicas
OASIS data set Formato Analize75 Publicado por la Clínica Mayo Encabezado Hdr Data Imagen Img Ejecución Inicial de Saliencia a cortes específicos en Imágenes MRI Cerebrales Variación de parámetros propios de cada método de Saliencia

12 AIM

13 CovSal

14 FES

15 GBVS

16 Experimentación en Imágenes Medicas
Experimentación en Imágenes Naturales Investigación Inicial SALICON Boolean Map based Saliency (BMS) Judd Model CovSal Graph-Based Visual Saliency (GBVS) Fast and Efficient Saliency (FES) Attention based on information maximization (AIM) IttiKoch CovSal Graph-Based Visual Saliency (GBVS) Boolean Map based Saliency (BMS) CovSal

17 Fase 2.2: Calculo de diferencias de Saliencia
Seleccionan 2 pacientes en base al Clinical Dementia Rating (CDR) 1 Paciente diagnosticado con Alzheimer CDR = 1 1 Paciente normal CDR = 0 Diferencias entre las regiones de Saliencia calculadas para cada paciente.

18 AIM

19 CovSal

20 FES

21 Fase 3: Volúmenes de Saliencia
Ejecución de los 4 modelos de Saliencia en una imagen completa MRI cerebral 40 pacientes seleccionados en base al Clinical Dementia Rating (CDR) 15 Pacientes diagnosticados con Alzeheimer CDR=0.5,1 25 Pacientes normales CDR = 0 Para cada paciente se procesa un volumen de Saliencia por cada eje (axial,coronal,sagital).

22 Fase 4: Clasificador Support Vector Machine (SVM)
Proceso de entrenamiento Kernel de clasificación k(xi , xj ). Utiliza el conjunto de volúmenes de Saliencia pre- calculados en la fase anterior. Se obtiene un Kernel para cada eje por cada modelo de Saliencia Intersección del histograma 0 no hay coincidencias exactamente iguales

23 CovSal 1 Pacientes Normales Pacientes con Alzeheimer

24 FES 1 Pacientes Normales Pacientes con Alzeheimer

25 GBVS 1 Pacientes Normales Pacientes con Alzeheimer

26 Resumen de Avance Los objetivos propuestos para TG1 se cumplieron en un 80% Se inicia el desarrollo de la etapa clasificación (propuesta para TG2). ¾ de los Volúmenes de Saliencia han sido calculados satisfactoriamente para todo el conjunto de pacientes.