Visualizing large medical image datasets using the 3D scale-invariant feature transform (SIFT)

Résumé

Ce mémoire propose un paradigme de classification des images dans lequel, au lieu d’une classification entièrement automatique, l’objectif est de générer un résumé visuel des informations d’image relatives aux classes. Audela de fornir un simple classification, ex. malade ou en santé dans le contexte d’imagérie médicale, notre approche fournit une visualisation des informations liées à la classification. Dans cette recherche particulière, nous fournissons une étude de la classification et de la visualisation basées sur les caractéristiques locales 3D « Scale-Invariant Transform » (SIFT). Nous avons développé un cadre probabiliste bayésien permettant de classer une nouvelle image et de visaliser la probabilité de la classe étant donné l’endroit spatiale dans l’image. Un nouvel estimateur de la variance est proposé basé sur le test exact de Fisher. Nous avons utilisé l’implementation SIFT-Rank Toews & Wells (2013) pour l’extraction des caractéristiques 3D SIFT et implémenté les techniques de classification et visualisation en code MATLAB. Nous avons démontré l’utilité de notre méthode avec une analyse des images de résonance magnétiques (IRM) des cerveaux humains adults à partir des données « Open Access Series of Imaging Studies » (OASIS) Marcus et al. (2007), sur trois catégories binaires: âge (jeune, vieux), sexe (mâle femelle) et maladie (maladie d’Alzheimer, contrôles normaux). La plus discriminante de ses catégories fut celle de l’age avec une taux de classification de 94.71%. La méthode présenté pourrait donc trouver application dans la suivi du vieillissement du cerveau, et pourrait s’appliquer de façon générale aux autres modalités d’images et régions d’intéret, ex. imagerie par tomodensitométrie (TDM) du poumon.

Date	8 avr. 2020
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Matthew Toews (Directeur(-trice))