Usindikaji wa Picha ya Moyamoya: Hatua 8

2025 Mwandishi: John Day | [email protected]. Mwisho uliobadilishwa: 2025-01-23 15:11

Moyamoya, "uvutaji wa moshi," ni ugonjwa nadra ambao unasababishwa na kuziba kwa mishipa kwenye basal ganglia, ambayo ni eneo chini ya ubongo. Ugonjwa huo ni ugonjwa unaoendelea wa ubongo ambao huathiri watoto zaidi. Dalili za moyamoya ni pamoja na kiharusi cha kwanza, viboko vya mara kwa mara, udhaifu wa misuli, kupooza, au mshtuko kama matokeo ya kupungua kwa mishipa. Bila matibabu, moyamoya itasababisha shida na hotuba, kuharibika kwa hisia, na fahamu iliyoharibiwa. Katika mradi wetu, tutatumia MATLAB ili kutayarisha picha ya MRI au MRA kwa kutumia vichungi anuwai ili kupunguza kelele ndani ya picha ili kupata eneo lililoathiriwa. Kwa kuongeza, tutatumia nyongeza ya huduma kupata maeneo yaliyoathiriwa kwa usahihi zaidi. Kwa kuongezea, basi tutafanya sampuli huru t-mtihani kubaini ikiwa kuna tofauti kubwa kati ya kiwango cha mishipa ya damu kwenye ubongo wa kawaida ikilinganishwa na ubongo ulioathiriwa na moyamoya.

Hatua ya 1: Pata Uchunguzi wa MRI na MRA wa Ubongo wa Kawaida na Ubongo ulioathiriwa na Moyamoya

Picha hizi ni skani tulizotumia kwa mradi ambao tumepata mkondoni. Picha mbili zilizo na mishipa ya damu iliyoko katikati ni skan za MRA, wakati picha zingine mbili ni skan za MRI.

Viunga vifuatavyo ndipo picha hizi zinapatikana:

static.cambridge.org/resource/id/urn:cambr…

static.cambridge.org/resource/id/urn:cambr…

Hatua ya 2: Pakia Picha kwenye MATLAB na Wape Picha kwa anuwai ya Kuonyesha Picha

Kuanza mchakato, anza kwa kusafisha dirisha la amri, funga takwimu na grafu zote zinazowezekana ambazo zinaweza kuwa tayari wazi na wazi vigeuzi ambavyo tayari vimepewa katika nafasi yako ya kazi.

Baada ya, tengeneza kitanzi kutoka 1 hadi 2 ukitumia amri i = [1: 2]

Baada ya, pakia picha za MRA ukitumia amri imread (sprintf ('filename%.filetype', i)) kusoma picha kutoka kwa faili zilizoainishwa na jina la faili ikifuatiwa na nambari inayotumiwa kwa kitanzi ukitumia sprintf kwa kupakia batch na kugawa ni kwa kutofautisha.

Kisha kuonyesha picha kwenye kielelezo, tumia amri imshow (I).

Ili kugawa rangi ya kijivu, tumia safu ya amri (kijivu).

Ili kuondoa kabisa rangi na kubadilisha matrix ya 3D kwa picha kuwa 2D, tumia amri rgb2gray (I) na uipe kwa tofauti tofauti.

Kisha pakia picha za MRI kwa kutumia amri iliyosemwa hapo awali au imread (sprintf ('filename%.filetype', i)) na uipe kwa ubadilishaji mpya

Rudia amri ya rgb2gray na anuwai mpya inayotumika kwa picha za MRI.

Ikiwa ni lazima, unaweza kubadilisha picha kwa kutumia amri imresize (A, wadogo) na upe tofauti tofauti.

Hatua ya 3: Kuongeza Miundo Iliyoongezwa katika Picha ya Ukali na Uchujaji wa Multiscale

Kutumia ubadilishaji mpya, tumia amri ya nyuzi (A) kuongeza muundo wa tubular kwenye picha

Pamoja na ubadilishaji wa hapo awali, tumia amri histeq (B) kuongeza usawazishaji wa histogram kwa kubadilisha ukubwa wa picha na kuipatia tofauti mpya.

Onyesha histogram kwa kutumia amri imhist (B)

Unda ubadilishaji mpya kuunda kizingiti cha kichungi. Katika kesi hii toa ubadilishaji wa hapo awali> 0.875, kuchuja kiwango cha pikseli chini ya thamani ya 0.875

Baada ya, tengeneza takwimu mpya na tumia amri imshow (A) kuonyesha picha mpya iliyochujwa.

Hatua ya 4: Endesha Kichujio cha Kati cha 2D

Kutumia amri medfilt2 (A, [m n]), endesha kichujio cha wastani cha 2D, ambapo kila pikseli ya pato ina thamani ya wastani kwenye mpaka wa mxn karibu na pikseli husika kwenye picha ya ingizo.

Unda takwimu mpya na utumie imshow (A) kuonyesha picha iliyochujwa ya wastani.

Hatua ya 5: Ficha Picha

Kutumia picha iliyochujwa ya wastani, tumia amri [labeledImage, numberOfBlots] = bwlabel (A) kuhesabu idadi ya blots nyeupe kwenye picha

Kisha, tumia kazi za mkoa wa mkoa

Hawawajui maeneo yote katika moja kutofautiana

Kisha ukitumia ubadilishaji mwingine, hesabu idadi ya bloti ambazo zinazidi saizi 50

Baada, chagua bloti yoyote iliyo chini ya saizi 50 kwa mpangilio wa kushuka kwa kutumia amri

Halafu, ukitumia ubadilishaji mwingine, tumia amri ismember (labeledImage, sortedIndicies (1: numberToExtract)) kurudisha safu na vitu vya leboImage hupatikana katika vitambulisho vilivyopangwa kutoka nambari 1 hadi idadi ya mishipa ya damu ili kurudisha 1 ya kweli (kweli) au mantiki 0 (uwongo).

Pamoja na ubadilishaji katika hatua ya awali, pata alama ambazo ni za kweli (maadili> 0) na uunda safu ya kimantiki ili kutengeneza picha ya kibinadamu na kuipatia kutofautisha mpya.

Unda takwimu mpya na utumie imshow (A) picha mpya ya binary.

Kisha, geuza picha ukitumia kukamilisha amri (A) na uipe kwa tofauti tofauti.

Ili kuunda picha iliyofichwa, tumia ubadilishaji mpya na picha ya ukubwa wa amri. * Uint8 (invertedimage)

Unda takwimu mpya na utumie imshow (A) kuonyesha picha iliyofichwa.

Ili kumaliza nambari yote, hakikisha utumie amri 'end' kumaliza yote kwa kitanzi

Hatua ya 6: Chagua MRA Scans kwa Jaribio la Takwimu

Ili kujiandaa kwa upimaji wa takwimu, chagua skan za MRA ambazo zitatumika kwa sampuli huru t-test. Kwa sababu sampuli zetu mbili zitaathiriwa na Moyamoya, na akili za kawaida, chagua kiwango kizuri cha skan za MRA za kila kikundi.

Hatua ya 7: Hesabu Eneo la Vyombo vya Damu katika Maandalizi ya Upimaji wa Takwimu

Jaribio la takwimu litazingatia urefu au kiwango cha mishipa ya damu iliyoonyeshwa kwenye skana za MRA. Kwa hivyo, lazima tuhesabu eneo la mishipa ya damu kabla ya kulinganisha.

Anza kwa kuchuja MRA za ubongo wa kawaida na kuhesabu kiwango cha mishipa ya damu. Ili kufanya hivyo, endesha kitanzi. Kwa sababu kuna picha tatu, hali itakuwa i = [1: 3].

Fungua picha na amri ya imread na uipe kwa kutofautisha.

Ifuatayo, tengeneza taarifa ya if / else na if, amri nyingine. Kwa taarifa ya if, tumia saizi ya amri (A, 3) == 3, ambapo A ni tofauti inayotumika kufungua picha, kuunda taarifa ikiwa kipimo cha tatu cha safu ni 3. Kisha ubadilishe picha kwa 2D na uondoe rangi ukitumia amri rgb2gray (A) na uipe kwa ubadilishaji mpya. Tumia amri imresize (A, [m n]) kurekebisha picha. Katika kesi hii, tulibadilisha picha kuwa matrix 1024 x 1024. Ili kuongeza muundo wa tubular wa picha, tumia tena amri ya nyuzi, na uipe kwa ubadilishaji mpya.

Ifuatayo ni ya taarifa nyingine. Ikiwa picha sio tumbo la 3D, tunataka kuruka uongofu. Fanya sawa na taarifa if, lakini bila amri ya rgb2gray (A).

Unda ubadilishaji mpya, ukiweka sawa na ubadilishaji kutoka kwa hatua ya nyuzi kubwa kuliko 0.15. Hii inazuia picha kwa nguvu kubwa kuliko 0.15.

Tutarudia mistari ya nambari kutoka hatua ya 4 na 5 ya inayoweza kufundishwa kutoka kwa laini ya kichungi cha wastani hadi mstari wa imshow (I). Baada ya, tumia jumla ya amri (I (:)) kuongeza saizi zote zinazounda mishipa ya damu, na kuipatia tofauti tofauti. Taja vibadilishaji vipya vya NormalBloodVessels (i) na uweke sawa na tofauti kutoka kwa jumla (I (:)) amri. Hii inaongeza data kwenye tumbo.

Maliza kitanzi na rudia lakini kwa MRA za akili zilizoathiriwa na Moyamoya. Taja anuwai mwisho MoyaMoyaBloodVessels (i) ili usiichanganye na MRA za kawaida za ubongo.

Hatua ya 8: Endesha Sampuli za Kujitegemea T-mtihani

Kwa kuwa kuna sampuli mbili huru, na idadi ndogo ya watu, tumia sampuli huru t-test.

Unda na kutaja kazi inayotumia sampuli huru t-mtihani kubaini ikiwa kiwango cha mishipa ya damu kwenye MRAs ya akili za kawaida ni sawa au sio ile ya MRA za akili zilizoathiriwa na Moyamoya.

Onyesha nadharia iliyowekwa kwa jaribio kwa kutumia amri disp ('X'). Kwenye laini ya kwanza, onyesha, "Hypotheses for two samp t t test." Kwenye mstari wa pili, onyesha, "H0 = Kiasi cha mishipa ya damu ya ubongo wa kawaida ni sawa na kiwango cha mishipa ya damu ya ubongo na ugonjwa wa Moyamoya," kusema nadharia isiyo ya kweli. Kwenye mstari wa tatu, onyesha, "HA = Kiasi cha mishipa ya damu ya ubongo wa kawaida hailingani na kiwango cha mishipa ya damu ya ubongo na ugonjwa wa Moyamoya." kusema nadharia mbadala.

Kutumia muda wa kujiamini wa 95% na saizi ya sampuli ya 3, hesabu alama t kwa kutumia tinv ya amri ([0.025 0.975], 2) na upe kwa t tofauti. Tumia amri var (NormalBloodVessels) na var (MoyaMoyaBloodVessels) na uwape kwa vigeuzi kuhesabu utofauti wa seti zote za data.

Angalia ikiwa tofauti ni karibu sawa au la. Fanya hivi kwa kuunda taarifa ya if / else na if, amri nyingine. Kwa hali katika taarifa ya if, andika A / B == [0.25: 4], ambapo A ni ubadilishaji ambao unachangia utofauti wa mishipa ya kawaida ya damu na B ni tofauti ambayo inasababisha utofauti wa mishipa ya damu ya Moyamoya. 0.25 na 4 hutoka kwa makadirio ya jumla ya kuamua ikiwa tofauti ni sawa au la. Kisha tumia sampuli mbili t mtihani na [h, p] = ttest2 (A, B, 0.05, 'both', 'equal'), na A na B zikiwa vigeuzi sawa na vile ilivyotajwa hapo awali. Kwa taarifa nyingine, tumia [h, p] = ttest2 (A, B, 0.05, 'both', 'unequal') kuendesha sampuli mbili t katika kesi ambapo tofauti hazilingani. Maliza taarifa ya if / else. Hii itahesabu p.

Unda taarifa ya if / mwingine ambayo itaonyesha hitimisho kulingana na thamani ya p. Hali ya taarifa hiyo ikiwa p> 0.05. Kwa kuwa kwa kawaida tunashindwa kukataa nadharia batili wakati thamani ya p ni kubwa kuliko 0.05, tumia amri ya disp ('X') kuonyesha "Kwa sababu p thamani ni kubwa kuliko 0.05 tunashindwa kukataa nadharia isiyo ya kweli," na " Kwa hivyo tunashindwa kukataa kwamba kiwango cha mishipa ya damu ya ubongo wa kawaida ni sawa na ile ya ubongo na ugonjwa wa Moyamoya. " Katika taarifa nyingine, kwa kuwa tunakataa nadharia isiyo ya kweli wakati thamani ya p iko chini ya 0.05, tumia amri ya disp ('X') kuonyesha "Kwa sababu p thamani ni chini ya 0.05 tunakataa nadharia isiyo ya kweli," na " Kwa hivyo tunashindwa kukataa kwamba kiwango cha mishipa ya damu ya ubongo wa kawaida sio sawa na ile ya ubongo na ugonjwa wa Moyamoya. " Maliza taarifa ya if / else.