Pyradiomics: [FEAT EXTRACTION] वोकेल-आधारित सुविधा निष्कर्षण विवेकाधीन डिब्बे सीमा के साथ कैसे काम करता है?

को निर्मित 27 जुल॰ 2020 · 6टिप्पणियाँ · स्रोत: AIM-Harvard/pyradiomics

नमस्ते।

सवाल
मैं यह समझना चाहूंगा कि कैसे वोकेल-आधारित निष्कर्षण विवेकाधीन डिब्बे सीमा से निपटता है।
मैं समय के लिए सीटी छवियों पर तय बिन आकार (आकार = 10) के साथ काम करता हूं।
जब हम रिसेलेशन रेंज को लागू नहीं करते हैं, या जब लागू रिसेलेशन रेंज सीमा छवि के वास्तविक निरंतर मूल्यों की सीमा से बड़ी होती है, तो मैं देख सकता हूं कि विवेकाधिकार 0 से लागू किया जाता है, ताकि छवि की न्यूनतम और अधिकतम सीमा उन मूल्यों के अनुरूप है जिन्हें वास्तविक न्यूनतम और अधिकतम में डाला जा सकता है। इस मामले में, विच्छेदित डिब्बे की सीमा एक छवि से दूसरे में भिन्न हो सकती है, भले ही हम पुनर्वित्त लागू करें। इस तरह, यह उदाहरण के लिए GLCM में बहुत सारे संभावित शून्य से बचा जाता है। सहज रूप से मैं कहूंगा कि सुविधाओं के लक्ष्य के बाद से यह अच्छा है क्योंकि छवि में मौजूद जानकारीपूर्ण जानकारी का पता लगाना है। इसलिए हम अपने विश्लेषण के लिए जीएलसीएम में "बेकार" शून्य को पेश करने से बचना चाहते हैं।
लेकिन मैं इस बारे में बहुत सहज नहीं हूं कि यह कैसे स्वर-आधारित निष्कर्षण में किया जाता है। वास्तव में, अगर हम क्रिया को अधिकतम पर सेट करते हैं, तो हम देख सकते हैं कि मल्टिपल जीएलसीएम मेट्रिसेस (प्रत्येक स्वर और पड़ोसियों के लिए) के निष्कर्षण से पहले किया जाता है। तो जीएलसीएम मैट्रिसेस में लगता है कि एक मरीज में सभी स्वरों के लिए एक ही प्रकार की सीमा है। लेकिन हम कल्पना कर सकते हैं कि ट्यूमर (स्वर और पड़ोसियों) में बहुत स्थानीय वातावरण में, बहुत सारे डिब्बे खाली होंगे और इसलिए जीएलसीएम में पहले उल्लेखित "बेकार" शून्य शामिल होगा?
क्या आप मेरी मदद कर सकते हैं कि मैं इस विकल्प को स्वरों के बीच की सीमाओं को ठीक करने में समझ सकूं लेकिन कृपया रोगियों के बीच नहीं? या आप समझा सकते हैं कि क्या मुझे कोई गलतफहमी है?
मैं यह पूछता हूं क्योंकि मैं एक वॉक्सेल-आधारित मशीन सीखने के मॉडल को फिट करना चाहता हूं, इसलिए मैं एक ही रोगी के अंदर voxels को तुलनात्मक होना चाहूंगा, लेकिन रोगियों के बीच भी voxels।

पहले से ही बहुत - बहुत धन्यवाद।

PyRadiomics कॉन्फ़िगरेशन
छवि प्रकार:
मूल: {}

स्थापना:
बिनविदथ: १०
resampledPixelSpacing: [1, 1, 1]
preCrop: सच है
पैडडिस्टेंस: 20
resegmentRange: [-10, 60]

सुविधा वर्ग:
glcm: []

विषाक्तता:
कर्नेलराडियस: ४
नकाबपोश: सच है
initValue: 0
voxelBatch: 30000

PyRadiomics लॉग फ़ाइल बिना किसी पुनरावृत्ति श्रेणी के साथ
Log_no_reseg.txt

PyRadiomics बड़ी पुन: प्राप्ति रेंज के साथ लॉग फ़ाइल
Log_large_range_reseg.txt

PyRadiomics लॉग फ़ाइल पतली रीसेलेशन रेंज के साथ
Log_thin_range_reseg.txt

संस्करण (कृपया निम्नलिखित जानकारी पूरी करें):

OS: उबंटू 20.04
अजगर संस्करण: अजगर 3.6.10 :: एनाकोंडा, इंक।
PyRadiomics संस्करण: pyradiomics v3.0

question

स्रोत

Thibescobar

सबसे उपयोगी टिप्पणी

मैंने voxel- आधारित निष्कर्षण के लिए कोड को नहीं देखा है, लेकिन मुझे लगता है कि प्रत्येक रोगी के लिए पूरी छवि glcm के समान ही है। या आप कह रहे हैं पड़ोस glcms _between_ रोगियों का आकार समान है?

पूर्व के मामले को मानते हुए, आप यह जानना चाहते हैं कि प्रति-शून्यता को फिर से कम करने के विपरीत ऐसा क्यों किया जाता है? बिन-चौड़ाई के मामले में, मुझे लगता है कि वे बनावट मैट्रिक्स में बराबर, अनुगामी / अग्रणी शून्य हैं, फसल हो जाएगी, लेकिन रेडियोएमिक विशेषताएं शायद इससे प्रभावित नहीं होती हैं।

jvanlunenburg 28 जुल॰ 2020

👍2

सभी 6 टिप्पणियाँ

आप मानते हैं कि एक विरल जीएलसीएम एक बुरी चीज है ("बेकार शून्य")। क्या आप व्यख्या कर सकते हैं? यह संभव है कि प्रति-पड़ोस बिनिंग करना संभव हो, लेकिन मुझे यकीन नहीं है कि इसका क्या लाभ होगा। अधिकांश पड़ोस बहुत बड़े नहीं हैं, इसलिए जब तक आप बहुत कम बींकाउंट के साथ विवेक नहीं करते हैं, तब भी आप एक विरल जीएलसीएम के साथ समाप्त होंगे।

मैं एक ही रोगी के अंदर voxels की तुलना करना चाहूंगा, लेकिन रोगियों के बीच voxels भी

फिर प्रत्येक स्वर के लिए एक ही डिब्बे का उपयोग करना, जैसा कि वर्तमान में करता है, उपयुक्त है।

यदि आप अलग-अलग इंटरपिएंट सीटी श्रेणियों के बारे में चिंतित हैं, जो बिनिंग भिन्नता पैदा करते हैं, तो बस सीटी को सामान्य करें? मान लें कि वे सभी हू में हैं आप सरल रैखिक सामान्यीकरण कर सकते हैं।

वैकल्पिक रूप से, बिनक्वाउन के बजाय बैंडविड्थ का उपयोग करने से रेडियोडायमिक विचरण को कम किया जा सकता है, लेकिन फिर कुछ रोगियों में दूसरों की तुलना में अधिक डिब्बे होंगे।

jvanlunenburg 28 जुल॰ 2020

👍2

नमस्कार, आपके उत्तर के लिए बहुत बहुत धन्यवाद।

आप मानते हैं कि एक विरल जीएलसीएम एक बुरी चीज है ("बेकार शून्य")। क्या आप व्यख्या कर सकते हैं?

मेरे कहने का मतलब यह नहीं है कि यह एक बुरी बात है, मुझे खेद है (मैं फ्रेंच हूं)। अपने आप को समझाने के लिए, आइए एक ही विपरीत पैमाने पर विषमता का अध्ययन करने के लिए एक निश्चित बिन आकार के साथ, सुविधाओं के वैश्विक / पूरे ट्यूमर निष्कर्षण (नहीं voxel- वार) के संदर्भ में खुद को रखें:

मैंने देखा है कि बिनिंग को इस तरह से किया जाता है कि बिनिंग के बाद न्यूनतम और अधिकतम गैर-रिक्त डिब्बे के अनुरूप होता है, भले ही पुनर्निर्धारण मूल्यों की सीमा को चुना गया हो। इसलिए यदि किसी छवि के मानों को चुने गए पुनरोद्धार श्रेणी में शामिल किया जाता है, तो द्विभाजन के बाद की छवि का अधिकतम बिन और अधिकतम बिन, चुने गए मूल्य-निर्धारण मूल्य सीमा के अनुरूप नहीं है, बल्कि न्यूनतम और अधिकतम " "छवि का संस्करण। इसका मतलब यह है कि कोहॉर्ट में एक छवि से दूसरे में, जीएलसीएम में समान आयाम (डिब्बे की संख्या) नहीं होते हैं।

सहज रूप से, मैं कहूंगा कि जीएलसीएम में जो शून्य मौजूद हैं, वे इस तरह से सूचनात्मक हैं क्योंकि उनका मतलब है "दो मान आसन्न नहीं हैं (डी = 1 के लिए) हालांकि वे छवि में मौजूद हैं", जो है जीएलसीएम का लक्ष्य।

यदि सभी GLCM को समान आयामों के लिए "मजबूर" किया गया था, तो शून्य का एक "नया प्रकार" उनमें से कई में मौजूद होगा, क्योंकि बड़ी संख्या में खाली डिब्बे स्पष्ट रूप से इस तथ्य के परिणामस्वरूप होंगे कि अनुपस्थित खोजने की संभावना है? छवि में मूल्य, कुछ अन्य मूल्य के निकट, स्पष्ट रूप से शून्य है। इसलिए उद्धरण में मेरा शब्द: "बेकार", इसका मतलब यह नहीं है कि एक विरल जीएलसीएम एक बुरी चीज है।

इन तथ्यों से मुझे लगता है कि उनकी / उनकी विशेषताओं की तुलना करने के लिए छवियों के बीच समान आयामों का GLCM होना आवश्यक नहीं है। लेकिन शायद मुझे कुछ गलत समझ में ...

अब अगर हम उलटी-पड़ी बात करते हैं:

स्वर-आधारित निष्कर्षण में, पहले वर्णित "रोगी-स्तर" बिनिंग पहले किया जाता है और इसलिए सभी रोगियों में समान संख्या में डिब्बे नहीं होते हैं। फिर, GLCM की गणना छवि में सभी voxels पड़ोस के लिए समान आयामों के साथ की जाती है, इसलिए जैसा कि आपने कहा था, किसी दिए गए चित्र में प्रत्येक voxel के लिए समान डिब्बे का उपयोग करना।

मेरा प्रश्न यह समझने का था कि मरीज के स्तर पर GLCM के समान आयाम आवश्यक क्यों नहीं हैं, लेकिन वे जो करते हैं, उसी स्तर पर?
एक और बात, कुछ जीएलसीएम सुविधाओं के फार्मूले को देखते हुए, क्योंकि उनमें से अधिकांश गैर-खाली डिब्बे से निपटने के लिए लगता है, शायद इस सब का सुविधाओं पर कोई प्रभाव नहीं पड़ता है और मैं खुद से बेकार सवाल पूछता हूं?

यदि आप अलग-अलग इंटरपिएंट सीटी श्रेणियों के बारे में चिंतित हैं, जो बिनिंग भिन्नता पैदा करते हैं, तो बस सीटी को सामान्य करें? मान लें कि वे सभी हू में हैं आप सरल रैखिक सामान्यीकरण कर सकते हैं।

मैं पसंद नहीं करता क्योंकि यह रोगियों के बीच पूर्ण भिन्नता को मिटा देगा।

फिर से धन्यवाद।

Thibescobar 28 जुल॰ 2020

jvanlunenburg 28 जुल॰ 2020

👍2

मैंने voxel- आधारित निष्कर्षण के लिए कोड को नहीं देखा है, लेकिन मुझे लगता है कि प्रत्येक रोगी के लिए पूरी छवि glcm के समान ही है। या क्या आप कह रहे हैं कि मरीजों के बीच पड़ोस की झलक समान आकार की होती है?

हां, रोगियों के बीच, आयाम अलग-अलग हैं, और रोगियों में स्वरों के बीच, वे वही हैं जो शून्य में मौजूद मानों के समान नहीं हैं।

पूर्व के मामले को मानते हुए, आप यह जानना चाहते हैं कि प्रति-शून्यता को फिर से कम करने के विपरीत ऐसा क्यों किया जाता है?

हाँ, यह मेरा सवाल था।

बिन-चौड़ाई के मामले में, मुझे लगता है कि वे बनावट मैट्रिक्स में बराबर, अनुगामी / अग्रणी शून्य हैं, फसल हो जाएगी, लेकिन रेडियोएमिक विशेषताएं शायद इससे प्रभावित नहीं होती हैं।

मैं बिन-चौड़ाई का उपयोग कर रहा हूं इसलिए आपने मेरे प्रश्न का उत्तर दिया। यह सच है कि अगर हम फीचर्स के फॉर्मूले को देखें तो शून्य का कोई प्रभाव नहीं दिखता है।

आपकी मदद के लिए बहुत बहुत शुक्रिया।

Thibescobar 28 जुल॰ 2020

जीएलसीएम मैट्रिसेस में स्पैरिस्टी का स्वयं के मूल्यों पर कोई प्रभाव नहीं है, यह केवल अधिक गणना समय जोड़ता है। वास्तव में एक प्रदर्शन उपाय के रूप में, "खाली ग्रे मान" मैट्रिक्स गणना के बाद हटाए जाते हैं लेकिन सुविधा गणना से पहले।

अधिकांश GLCM में बिन मानों की भरपाई होती है (अर्थात अग्रणी डिब्बे हैं या नहीं) इससे कोई फर्क नहीं पड़ता (क्योंकि वे अक्सर भिन्नता का वर्णन करने के किसी न किसी रूप से निपटते हैं और i और j का अंतर देखते हैं। i और j स्वयं का मूल्य नहीं)। हालांकि, कुछ विशेषताओं के लिए i / j (सबसे स्पष्ट रूप से संयुक्त लाभ और स्वायत्तता) के पूर्ण मूल्य का प्रभाव है। फिर भी, इन बाद के मामलों में यह केवल प्रमुख बिन्स की संख्या है जो किसी भी प्रभाव की है और यह हमें यह निर्धारित करने की एक निश्चित समस्या के साथ पेश करती है कि कैसे डिब्बे को व्यवस्थित किया जाए। मुख्य बाधाएं हैं कि i नकारात्मक होने की अनुमति नहीं है, इसलिए बस उन्हें 0 के आसपास उन्मुख करने से काम नहीं होता है।

यहां तक कि पुनर्वितरण का उपयोग करते हुए निचला स्थान केवल मूल छवि के लिए काम करेगा, क्योंकि फ़िल्टर तीव्रता को इस तरह से बदल सकते हैं कि वे पुनर्वितरण सीमा से बाहर हो जाएं। आप पुन: प्राप्ति को फिर से लागू कर सकते हैं, लेकिन 1) वह नहीं है जो प्रतिधारण है (यह मूल डेटा में बाह्य / अमान्य मानों को बाहर करने के लिए है) और 2) आपको प्रत्येक फ़िल्टर (और सब-लिटर), जैसे कि वेहलेट में LHL ) का है।

इसलिए, PyRadiomics में हमने एक तरह का समझौता किया। एक निश्चित बिन चौड़ाई / आकार का उपयोग करके परिभाषित बीन्स को व्यवस्थित किया जाता है, ताकि पहले बिन में छवि में न्यूनतम मान हो (यह मूल या एक फ़िल्टर किया गया हो), अतिरिक्त संरेखण के साथ 0 (यानी निचला किनारे हमेशा विभाज्य होता है) यह सुनिश्चित करता है कि मरीजों के बीच, भले ही हमेशा i का वास्तविक मूल्य भिन्न हो, भले ही ग्रे वैल्यू पूरी तरह से गठबंधन हो।
इस दृष्टिकोण का अर्थ है कि PyRadiomics में बनावट की विशेषताओं में केवल ग्रे मानों के बीच विपरीत के बारे में जानकारी होगी, न कि उनका पूर्ण परिमाण (जिसमें बिन रेंज शुरू करने के लिए यह निर्धारित करने के लिए कुछ निरंतर मूल्य की आवश्यकता होगी)। IMHO, पूर्ण परिमाण की अनदेखी वास्तव में सुविधाओं की कमजोरी नहीं है, लेकिन अधिक ताकत है, क्योंकि बनावट के साथ हम स्थानिक विपरीत में सबसे अधिक रुचि रखते हैं, और इतना परिमाण नहीं है। अगर हम जिस रेडियोमिक्स विशेषताओं का उपयोग करके निर्माण करना चाहते हैं, उसके लिए पूर्ण परिमाण महत्वपूर्ण है, तो यह जानकारी पहले क्रम की सुविधाओं में एन्कोडेड है और इसे उस तरह से मॉडल में शामिल किया जा सकता है।

JoostJM 28 जुल॰ 2020

👍1

आपके बिलकुल स्पष्ट और पूर्ण उत्तरों के लिए बहुत-बहुत धन्यवाद। यह अब मेरे लिए बहुत स्पष्ट है।

Thibescobar 28 जुल॰ 2020

क्या यह पृष्ठ उपयोगी था?

0 / 5 - 0 रेटिंग्स

Pyradiomics: [FEAT EXTRACTION] वोकेल-आधारित सुविधा निष्कर्षण विवेकाधीन डिब्बे सीमा के साथ कैसे काम करता है?

सबसे उपयोगी टिप्पणी

सभी 6 टिप्पणियाँ

संबंधित मुद्दों