Разное

Toolbox image processing: Image Processing Toolbox — MATLAB

Содержание

Image Processing Toolbox

Выполните обработку изображений, визуализацию и анализ

Image Processing Toolbox™ обеспечивает исчерпывающий набор ссылочно-стандартных алгоритмов и приложений рабочего процесса для обработки изображений, анализа, визуализации и разработки алгоритмов. Можно выполнить сегментацию изображений, повышение качества изображения, шумоподавление, геометрические преобразования, и отобразить регистрацию с помощью глубокого обучения и традиционных методов обработки изображений. Обработка поддержек тулбокса 2D, 3D, и произвольно больших изображений.

Приложения Image Processing Toolbox позволяют вам автоматизировать общие рабочие процессы обработки изображений. Можно в интерактивном режиме сегментировать данные изображения, сравнить регистрационные методы изображений и пакетно обработать большие наборы данных. Функции визуализации и приложения позволяют вам исследовать изображения, 3D объемы и видео; настройте контраст; создайте гистограммы; и управляйте видимыми областями (ROIs).

Можно ускорить алгоритмы путем выполнения их на многоядерных процессорах и графических процессорах. Много функций тулбокса поддерживают генерацию кода C/C++ для развертывания системы компьютерного зрения и анализа прототипа.

Изучите основы Image Processing Toolbox

Импорт и экспорт данных изображения, преобразование типов изображения и классов

Интерактивные инструменты для отображения изображений и исследования

Масштабируйте, вращайте, выполните другие преобразования N-D и выровняйте изображения с помощью корреляции интенсивности, соответствия функции или отображения контрольной точки

Контрастная корректировка, морфологическая фильтрация, deblurring, основанная на ROI обработка

Анализ области, анализ структуры, пиксель и статистика изображений

Выполните задачи обработки изображений, такие как удаление шума изображения и создание изображений с высоким разрешением от изображений низких разрешений, с помощью сверточных нейронных сетей (требует Deep Learning Toolbox™),

Фильтр, сегмент, и выполняют другие операции обработки изображений на 3-D объемных данных

Импортируйте, экспортируйте, обработайте и визуализируйте гиперспектральные данные

Сгенерируйте код С, HDL-код и MEX-функции, и запустите код обработки изображений по графическому процессору (GPU)

MathWorks Image Acquisition Toolbox и Image Processing Toolbox

Модуль Image Acquisition Toolbox существенно облегчает загрузку и анализ изображений. С помощью этого модуля пользователь сможет подключать и настраивать оборудование для работы с изображениями, запускать предварительный просмотр видеоряда и обеспечивать потоковую загрузку изображений в пакет MATLAB для анализа и визуализации. Пакет также устраняет необходимость в дорогостоящем специальном оборудовании, для загрузки графической информации в пакет MATLAB вполне достаточно стандартного ПК-совместимого видеоадаптера с функциями захвата изображений.

Модуль Image Acquisition Toolbox способен напрямую подключаться к аналоговым и цифровым устройствам захвата изображений компаний Matrox и Data Translation. Кроме того, обеспечивается полная поддержка лабораторных камер со стандартными интерфейсами USB and FireWire (IEEE-1394), а также web-камер, различных видеоадаптеров с функциями захвата изображений и видеокамер стандарта DV. Новый модуль предусматривает предварительный просмотр видеопотока во время записи. Задачи по загрузке и обработке изображений могут выполняться параллельно.

Поддерживая репутацию отраслевого стандарта де-факто, новая версия модуля Image Processing Toolbox 4 обладает повышенной скоростью работы и более эффективно использует память. По результатам внутренних испытаний, проведенных в лаборатории компании MathWorks, скорость выполнения некоторых функций возросла более чем в 20 раз. Приятной новостью стало уменьшение расхода памяти при выполнении большинства операций, которое составляет в разных функциях от 15% до 100%.

В новой версии модуля Image Processing Toolbox реализованы новые функции, среди которых возможность отображения метаданных, а также средства увеличения, панорамирования, прокрутки и быстрого просмотра крупных изображений с огрублением мелких деталей. Расширенные возможности работы с цветовым пространством позволяют считывать цветовые профили ICC и преобразовывать импортированные изображения в аппаратно-независимую цветовую гамму. Также в состав новой версии включены дополнительные функции ретуширования изображений и модернизированные инструменты экспорта данных в формате DICOM, широко распространенном в медицинской сфере.

Использование библиотеки алгоритмических примитивов Intel Performance Primitives Library позволило значительно повысить скорость исполнения алгоритмов обработки графических данных.

Если у вас возникли дополнительные вопросы — свяжитесь с менеджером отдела продаж Виталием Ананьевым по тел. (095) 232-0023 или e-mail: [email protected]

Вывод изображения на экран средствами Image Processing Toolbox

Для вывода изображения на экран существует специальная функция imshow из состава пакета Image Processing Toolbox. Функция imshow(I, n) выводит на экран полутоновое изображение I, используя при выводе n уровней серого. Если при вызове функции опустить параметр n, то когда MATLAB запущен в графическом режиме TrueColor, для вывода полутонового изображения используется 256 градаций серого или 64 градации серого, когда MATLAB запущен в графическом режиме с меньшим количеством цветов.

Функция imshow(I, [low high]) выводит на экран полутоновое изображение I, дополнительно контрастируя выводимое изображение. Пиксели изображения I, яркость которых меньше либо равна low, отображаются черным цветом. Пиксели, яркость которых больше либо равна high, отображаются белым цветом. Пиксели, яркость которых имеет значение между low и high, отображаются серым цветом. Все уровни серого равномерно распределены от low до high. Если вызвать функцию imshow(I, [ ]), указав вторым аргументом пустой массив, то low будет присвоено минимальное значение в I(low = min(I(:))), а high будет присвоено максимальное значение в I(max = max(I(:))).

Функция imshow(BW) выводит на экран бинарное изображение BW. Пиксели, значение которых равно 0, отображаются черным цветом. Пиксели, значение которых равно 1, отображаются белым цветом.

Функция imshow(X, map) выводит на экран палитровое изображение Х с палитрой mар.

Функция imshow(RGB) выводит па экран полноцветное изображение RGB.

    1. Базовые возможности matlab по созданию, вводу-выводу, отображению и обработке изображений Задания к работе

Освоить базовые возможности среды MATLAB по вводу-выводу, отображению и обработке изображений. Для этого выполнить следующую последовательность действий.

  1. Сгенерировать изображение по заданной функции распределения. В качестве функции распределения использовать гауссиану с параметрами

    σ = 4, A = 28. Изображение сгенерировать как матрицу M размера N×N (N = 200). Центр гауссианы (x = 0, y = 0) должен быть в центре изображения, а ее область определения . Отобразить полученную матрицу как индексированное изображение (использующее палитру по умолчанию) при помощи базовой функции image, как изображение в виде оттенков серого (grayscale) при помощи функций imshow и subimage из Image Processing Toolbox. При помощи функции imshow отобразить результат преобразования матрицы как индексированного изображения для палитры ‘hsv‘ в изображение в виде оттенков серого и для палитры ‘hot‘ в черно-белое изображение. При помощи функции imshow отобразить цветное RGB изображение, у которого красный цвет представлен значениями матрицы
    M
    , зеленый – матрицы 256–M и синий – матрицы . Для сравнения все изображения должны быть отображены в одном графическом окне.

  2. Создать изображение 200×200 пикселей в виде трех квадратов основных цветов (размера 100×100), смещенных друг относительно друга (см. рис. 1.1 .1). Отобразить полученную матрицу как изображение.

Рис

1.1.1

. Изображение в виде трех квадратов

  1. Ввести цветное изображение из файла с изображением, предложенного преподавателем (board.tif или peppers.png) или выбранного самостоятельно, в виде информации о трех основных цветах (RGB-формат) в среду MATLAB. Отобразить введенную информацию средствами среды MATLAB на экране как изображение, а также отобразить распределение информации о каждом из трех основных цветов. Ввести из файла с изображением также информацию об изображение и отобразить ее в командном окне MATLAB. Затем преобразовать это изображение в изображение в виде информации об оттенках серого, а также в черно-белое изображение. Отобразить полученные изображения на экране рядом с цветным изображением.

  2. На базе исходного цветного изображения построить три новых, у каждого из которых интенсивность одной из трех составляющих цвета больше истинного в 1.5 раза. Исходное изображение и три его модификации отобразить рядом.

  3. Создать изображение (200×200) в виде трех смещенных по диагонали друг относительно друга кругов разных цветов (см. рис. 1.1 .2). Диаметр одного круга должен составлять 100 пикселей, расстояние между краем изображения и кругом должно быть не менее 20 пикселей. Сохранить полученное изображение в виде файла ‘Circles.tiff‘ в формате TIFF (Tagged Image File Format). Выполнить кадрирование полученного изображения, обрезав его по краям (сверху, снизу, слева и справа) на 10 % (т.е. убрать поля). Отобразить исходное и кадрированное изображение рядом. Уменьшить объем памяти, выделяемый под кадрированное изображение, путем прореживания (децимации) элементов матрицы, хранящей изображение, и отобразить уменьшенное изображение рядом с исходным. Увеличить размер децимированного изображения в 2 раза и отобразить рядом с исходным. Повернуть при помощи операций с матрицами кадрированное изображение на 90º, а также выполнить поворот его на 45º. Оба полученных изображения отобразить рядом с исходным.

Рис

1.1.2

. Изображение в виде трех кругов

Набор инструментов для обработки изображений

Документация

Выполнение обработки, визуализации и анализа изображений

Image Processing Toolbox ™ предоставляет полный набор стандартных алгоритмов и рабочего процесса приложения для обработки, анализа, визуализации и разработки алгоритмов изображений. Ты можешь выполнять сегментацию изображения, улучшение изображения, уменьшение шума, геометрические преобразования, и регистрация изображений с использованием глубокого обучения и традиционных методов обработки изображений.В Toolbox поддерживает обработку 2D, 3D изображений и изображений произвольного размера.

Приложения Image Processing Toolbox позволяют автоматизировать стандартные рабочие процессы обработки изображений. Вы можете в интерактивном режиме сегментировать данные изображений, сравнивать методы регистрации изображений и обрабатывать большие наборы данных в пакетном режиме. Функции и приложения визуализации позволяют исследовать изображения, трехмерные объемы и видео; регулировать контраст; создавать гистограммы; и манипулировать интересующими областями (ROI).

Вы можете ускорить свои алгоритмы, запустив их на многоядерных процессорах и графических процессорах.Многие функции набора инструментов поддерживают генерацию кода C / C ++ для создания прототипов настольных компьютеров и встроенного машинного зрения развертывание системы.

Изучите основы Image Processing Toolbox

Импорт и экспорт данных изображения, преобразование типов и классов изображений

Интерактивные инструменты для отображения и исследования изображений

Масштабирование, поворот, выполнение других N-D преобразований и выравнивание изображений с помощью корреляция интенсивности, сопоставление функций или отображение контрольных точек

Регулировка контрастности, морфологическая фильтрация, удаление размытости, на основе ROI обработка

Анализ областей, анализ текстуры, статистика пикселей и изображений

Выполнение задач обработки изображений, таких как удаление шума изображения и создание изображения с высоким разрешением из изображений с низким разрешением, используя сверточный нейронные сети (требуется Deep Learning Toolbox ™)

Фильтрация, сегментирование и выполнение других операций обработки изображений в трехмерном пространстве. объемные данные

Импорт, экспорт, обработка и визуализация гиперспектральных данных

Создание кода C, кода HDL и функций MEX, а также выполнение обработки изображений код на графическом процессоре (GPU)

Image Processing Toolbox — обзор

1.5 Наш подход: организация книги

Эта книга имеет двоякий смысл. Во-первых, читатель изучит все функции, которые предоставляются через Parallel Computing Toolbox и другие наборы инструментов MATLAB для вычислений на GPU. Это позволит читателю напрямую реализовать свои приложения на графических процессорах без специальных знаний о программировании на графических процессорах. В этой части книги будут рассмотрены концепции встроенных функций MATLAB с поддержкой графического процессора, поэлементных операций на графических процессорах и использования преимуществ нескольких графических процессоров на многоядерной машине или на разных машинах, среди прочего.Наконец, читатель получит более продвинутые знания, используя код CUDA C / C ++ в MATLAB или профилируя и оптимизируя свои приложения GPU.

Основное внимание в этой книге уделяется двум аспектам:

Функции, которые MATLAB по своей сути предоставляет для программирования графических процессоров. Эта часть разделена на три части:

(1)

Встроенные функции MATLAB с поддержкой графического процессора, для которых требуется наличие Parallel Computing Toolbox.

(2)

Поэлементные операции для графических процессоров, для которых не требуется наличие Parallel Computing Toolbox.

(3)

MATLAB с поддержкой графического процессора работает на нескольких наборах инструментов, кроме Parallel Computing Toolbox, таких как набор инструментов системы связи, набор инструментов обработки изображений, набор инструментов нейронной сети, набор инструментов системы фазированных массивов, набор инструментов обработки сигналов и статистика и машинное обучение. Ящик для инструментов.

Связывание MATLAB с кодами CUDA C / C ++ либо когда MATLAB не может выполнить существующий фрагмент кода на графических процессорах, либо когда вы хотите использовать высокооптимизированные библиотеки с ускорением CUDA.

Основная целевая группа этой книги —

Студенты и аспиранты, которые проходят курс программирования на GPU и хотят использовать MATLAB для использования параллелизма в своих приложениях.

Ученые, которые разрабатывают или поддерживают приложения в MATLAB и хотели бы ускорить свои коды с помощью графических процессоров, не теряя при этом многих преимуществ, предлагаемых MATLAB.

Инженеры, которые хотят ускорить свои ресурсоемкие вычисления в MATLAB без необходимости переписывать их на другом языке, например CUDA C / C ++ или CUDA Fortran.

Читатели этой книги имеют некоторый или большой опыт кодирования MATLAB, но они не знакомы с параллельными архитектурами. Некоторые расширенные функции, такие как ядра CUDA и файлы MEX, описанные в конце этой книги, предназначены только для тех, кто знаком с CUDA C / C ++.

Обратите внимание, что эта книга имеет дело только с программированием GPU в MATLAB. Мы также сделаем краткое введение в параллельные возможности MATLAB через его Parallel Computing Toolbox и дадим несколько советов по настройке производительности MATLAB, но мы не собираемся подробно освещать эти темы.Есть несколько хороших книг, которые охватывают возможности параллельного программирования и настройки производительности в MATLAB [6–8].

Остальная часть книги организована следующим образом. В главе 2 представлено программное и аппаратное обеспечение, необходимое для программирования GPU в MATLAB. Этапы установки представлены для пользователей Windows, Linux и MAC.

В главе 3 представлен набор инструментов для параллельных вычислений. В частности, читатель может получить полную картину параллельных возможностей MATLAB с помощью Parallel Computing Toolbox.Репрезентативные дидактические примеры приведены в каждом разделе этой главы.

Глава 4 охватывает одну из наиболее важных тем этой книги — встроенные функции программирования графического процессора, которые предоставляет MATLAB. В частности, в главе 4 представлены массивы графических процессоров, массивы, которые хранятся на графических процессорах. Эти массивы могут использоваться в вычислениях с помощью встроенных функций MATLAB для графических процессоров и поэлементных операций MATLAB. Глава 4 включает множество примеров, как дидактических, так и реальных.

Глава 5 направлена ​​на изучение функций MATLAB с поддержкой графического процессора на нескольких наборах инструментов, отличных от Parallel Computing Toolbox, таких как набор инструментов системы связи, набор инструментов обработки изображений, набор инструментов нейронной сети, набор инструментов системы фазированных массивов, набор инструментов обработки сигналов и статистика и машинное обучение Ящик для инструментов. В главе 5 представлены функции этих наборов инструментов с поддержкой графического процессора с множеством реальных примеров.

Глава 6 посвящена горячей теме использования нескольких графических процессоров. В главе 6 представлено использование нескольких графических процессоров как на многоядерной машине, так и на разных машинах.Несколько графических процессоров используются для повышения производительности кодов параллельных задач или данных, а также при работе с данными, которые не помещаются в памяти одного графического процессора. Глава 6 включает множество примеров, как дидактических, так и реальных.

Глава 7 объясняет, как создать исполняемое ядро ​​для кода CUDA C / C ++ или кода PTX и запустить это ядро ​​на графическом процессоре, вызвав его через MATLAB. Рассмотрены шаги по созданию и запуску исполняемого ядра для кода CUDA C или кода PTX. Кроме того, представлено краткое введение в CUDA C.Кроме того, представлены два классических примера: сложение векторов и умножение матриц.

Глава 8 объясняет, как создать файл MATLAB MEX, содержащий код CUDA, и запустить его на графическом процессоре, вызвав его через MATLAB. Рассмотрены шаги по созданию и запуску файла MATLAB MEX, который содержит код CUDA. Кроме того, представлены два классических примера: сложение векторов и умножение матриц.

Глава 9 представляет библиотеки с ускорением CUDA cuBLAS , cuFFT , cuRAND , cuSOLVER , cuSPARSE , NPP и Thrust , которые включены в CUDA Toolkit.Эти библиотеки предоставляют высоко оптимизированные алгоритмы, которые могут быть включены в приложения MATLAB через файлы MEX. Примеры представлены для каждой библиотеки.

В главе 10 представлены две расширенные темы для лучшего использования графических процессоров в вычислительно тяжелых приложениях: (i) профилирование кода, выполняемого на графических процессорах, и (ii) повышение производительности графического процессора. В этой главе приведены дидактические примеры, чтобы читатель мог понять эти темы. Кроме того, подробно обсуждаются передовые методы, которым вы должны следовать для повышения производительности графического процессора.

Программирование в Matlab — урок 5 5.1 Панель инструментов обработки изображений …

1 Программа в г в Matlab урок 5 ———————————————— —————— 5.1 Изображение Процесс в g Панель инструментов 5.1 Процесс изображения в g Панель инструментов Введение Процесс изображения в g Программное обеспечение Toolbox представляет собой набор функций, расширяющих возможности числовых вычислений MATLAB в g среде. Набор инструментов поддерживает широкий спектр операций обработки изображений in , in clud in g • • Преобразования пространственных изображений • • Морфологические операции • • Окрестности и блокирующие операции • • L в ухо, фильтр в g и дизайн фильтра • • Преобразования • • Анализ и улучшение изображения • • Изображение < / strong> Registration • • Deblurr in g • • Область in terest операций Image s в MATLAB Основные данные структура в MATLAB — это массив, упорядоченный набор реальных или сложных элементов.Этот объект естественно подходит для представления изображений, упорядоченных наборов цветов с действительными значениями или в данных о напряженности. MATLAB хранит большинство изображений в виде двумерных массивов (т. Е. Матриц), в которых каждый элемент матрицы соответствует как в пикселе в отображаемое изображение. (Пиксель является производным от элемента изображения и обычно обозначает точку s in на экране компьютера.Например, изображение, состоящее из 200 строк и 300 столбцов с разноцветными точками, будет сохранено в MATLAB как матрица размером 200 на 300. Некоторые изображения, такие как полноцветные изображения, требуют трехмерного изображения. массив, где первая плоскость в третьем измерении представляет красный пиксель в напряженности, вторая плоскость представляет собой зеленый пиксель в напряженности, а третья плоскость представляет собой синий пиксель в плотностях.Это соглашение делает работу в g с изображениями в MATLAB аналогичной работе в g с любыми другими типами матричных данных и делает MATLAB полностью доступным. доступно для обработки изображений в приложениях. Координата изображения в а / е Системная пиксельная координата в а. Как правило, это наиболее удобный метод для выразить в местоположениях в изображения — это использовать пиксельные координаты в элементах.В этой системе координат изображение рассматривается как сетка дискретных элементов, упорядоченных сверху вниз и слева направо, как показано на следующем рисунке g. Для пиксельных координат in ates первый компонент r (строка) in сгибается вниз, а второй компонентc (столбец) in сгибается до право. Координаты пикселей в элементах — это в числах и находятся в диапазоне от 1 до длины строки или столбца.

Ящик для инструментов DIPUM

DIPUM Toolbox Версия 2

ДИПУМ Toolbox 2 — это набор из почти 120 новых M-функций, разработанных в книге . Цифровая обработка изображений с использованием MATLAB, 2-е издание . Эти функции, которые обсуждаются и задокументированы в книге, требуют выпусков MathWorks ‘ MATLAB 6.5 или более поздней версии и MathWorks ‘ Image Обработка Toolbox 3.1 или более поздней версии, оба из которых работают под большинством операционных систем. системы.

Список функций Toolbox

В последняя версия DIPUM Toolbox — 2.0.1

В DIPUM Toolbox поставляется в двух форматах: P-Code Toolbox и Зарегистрирован Toolbox, как описано ниже.

The P-код DIPUM Toolbox

М-функции форматированный P-код полностью функционален, но исходный код не может быть видели или изменяли, и текст справки не может отображаться на рабочем столе MATLAB. Чтобы использовать эти функций, у вас должна быть копия книги, чтобы научиться используй их.Таким образом, P-code Toolbox приобретается в первую очередь отдельными лицами. кто уже купил книгу. Однопользовательская лицензия для P-кода Toolbox является частью пакета поддержки материалов (набор инструментов, изображения, проекты), которые можно загрузить бесплатно при покупке новой книги (нажмите здесь для получения подробной информации о том, как подать заявку на пакет поддержки).

Если у вас есть подержанная книга , вы можете приобрести P-Code Toolbox и остальные материалы в пакете поддержки DIPUM 2 / e за 39 долларов.95 долларов США. Пожалуйста, нажмите здесь купить.

В Зарегистрированный DIPUM Toolbox

Зарегистрированный DIPUM Toolbox содержит полный исходный код M-файла для почти все новые функции в книге. Этот набор инструментов покупают люди, которые заинтересованы в том, чтобы исходный код был доступен для экспериментов, использование функций DIPUM в качестве основы расширенного кода или просто для удобства доступа к помощи текст для каждой функции на Рабочий стол MATLAB.

Стоимость лицензии на одного пользователя для зарегистрированного DIPUM Toolbox составляет 29,95 долларов США. Пожалуйста, нажмите здесь купить.

————————————————— ————————————————

Сайт Также доступны лицензии Зарегистрированного DIPUM Toolbox.Напишите пожалуйста
продажи ~ на ~ gatesmark.com (введите @ вместо ~ at ~) для информации.

————————————————— ————————————————

Границы | Magia: надежный набор инструментов для автоматизированной обработки изображений и кинетического моделирования для нейроинформатики ПЭТ

Введение

Статистическая сила исследований нейровизуализации в последние годы широко подвергалась сомнению, что привело к призывам к значительно большему количеству выборок, чтобы избежать ложноположительных и отрицательных результатов (Yarkoni, 2009; Button et al., 2013; Cremers et al., 2017). Кроме того, роль степеней свободы исследователя, то есть субъективный выбор, сделанный в процессе от сбора данных до их анализа, была определена как важная причина плохой воспроизводимости многих результатов (Simmons et al., 2011). Следовательно, акцент в нейровизуализации сместился в сторону стандартизированных крупномасштабных подходов, основанных на нейроинформатике (Yarkoni et al., 2011; Poldrack and Yarkoni, 2016). Сегодня несколько стандартизированных и высокоавтоматизированных конвейеров предварительной обработки общедоступны для обработки функциональных магнитно-резонансных изображений (фМРТ; Esteban et al., 2019). Однако такие стандартизованные методы в настоящее время широко не используются для анализа данных позитронно-эмиссионной томографии (ПЭТ), хотя в последнее время стали доступны некоторые инструменты (Gunn et al., 2016; Funck et al., 2018).

По сравнению с предварительной обработкой фМРТ, предварительная обработка данных ПЭТ относительно проста, поскольку искажающие временные сигналы редко регрессируют из данных, и предварительная обработка, таким образом, состоит только из пространственных процессов, таких как перестройка кадра и совместная регистрация.Тем не менее, любой конвейер для комплексной обработки ПЭТ должен быть в состоянии обрабатывать множество кинетических моделей, чтобы поддерживать как можно больше радиоактивных индикаторов. Таким образом, в отличие от инструментов предварительной обработки фМРТ, конвейеры ПЭТ должны обрабатывать как предварительную обработку, так и кинетическое моделирование для множества индикаторов, что делает разработку комплексного конвейера ПЭТ сложной задачей.

Особо чувствительной задачей ПЭТ-анализа является требование функции ввода. В зависимости от индикатора, функция ввода может быть получена либо из образцов крови, либо непосредственно из изображений ПЭТ, например, если для индикатора доступна эталонная область.Образцы крови требуют ручной обработки, прежде чем по ним можно будет получить функцию ввода. В то время как популяционные атласы (Fischl et al., 2002; Tzourio-Mazoyer et al., 2002; Eickhoff et al., 2005) обеспечивают автоматический способ определения эталонных регионов (Yasuno et al., 2002; Schain et al., 2014; Tuszynski et al., 2016), они неоптимальны, потому что процесс требует деформации либо атласов, либо изображений ПЭТ. В идеале эталонная область должна быть определена отдельно для каждого человека до пространственной нормализации.Следовательно, ручное разграничение по-прежнему считается золотым стандартом для определения эталонных областей, что запрещает полностью автоматический анализ данных ПЭТ. Кроме того, ручное разграничение эталонной области занимает много времени и зависит от множества субъективных решений. Чтобы свести к минимуму дисперсию между исследованиями в результате выбора, зависящего от оператора (White et al., 1999), один человек должен очертить контрольные области для всех исследований в рамках проекта. Таким образом, ручное разграничение не подходит для крупномасштабных проектов, в которых обрабатываются сотни сканированных изображений, или для нейроинформатических подходов, где необходимо обрабатывать даже значительно большее количество сканированных изображений.

Чтобы решить эти проблемы, мы представляем Magia, которая позволяет автоматическое моделирование данных ПЭТ мозга с минимальным вмешательством пользователя. Основные преимущества этого подхода включают:

1. Гибкая параллелизируемая среда, подходящая для крупномасштабного стандартизованного анализа.

2. Полностью автоматизированная обработка данных ПЭТ головного мозга, начиная с необработанных изображений.

3. Визуальный контроль качества этапов обработки.

4. Централизованное управление и хранение метаданных исследования, методов обработки изображений и выходных данных для последующего повторного анализа и контроля качества.

В этом исследовании мы сравнили входные функции, производные Magia, и последующие показатели результатов с теми, которые были получены с использованием обычных ручных методов с четырьмя индикаторами, связывающимися с разными сайтами: [ 11 C] карфентанил, [ 11 C] раклоприд, [ 11 C] MADAM и [ 11 C] PiB. Мы также оценили согласие между экспертами в определении референсного региона и оценках освоения, а также в показателях результатов на региональном уровне и на уровне вокселов.

Материалы и методы

Обзор Magia

Magia 1 — это свободно доступный полностью автоматический конвейер анализа данных ПЭТ мозга.Работая на MATLAB (The MathWorks, Inc., Натик, Массачусетс, США), Magia объединяет методы из SPM12 и FreeSurfer — два свободно доступных и широко используемых инструмента — с собственным программным обеспечением, разработанным для кинетического моделирования. Magia была разработана вместе с централизованной базой данных, содержащей метаданные о каждом исследовании, что облегчает хранение данных и крупномасштабный ПЭТ-анализ нейроинформатического типа. Хотя реализация подобной базы данных настоятельно рекомендуется, Magia также можно установить и использовать без такой базы данных, если пользователь может ввести необходимую информацию об исследованиях.Magia работает только на Linux / Mac. Optimization Toolbox для MATLAB требуется для подгонки некоторых моделей. Magia была разработана с использованием MATLAB R2016b. В настоящее время Magia поддерживает упрощенную эталонную модель ткани, Logan (Logan, 2000) с вводом плазмы и вводом контрольной ткани, Patlak (Patlak et al., 1983) с вводом плазмы и вводом контрольной ткани, отношение SUV (Chen and Nasrallah, 2017; стандартизованное значение поглощения) и анализ фракционного коэффициента поглощения (FUR; Thie, 1995) для поздних сканирований с вводом плазмы.Кроме того, модель с двумя тканями может быть адаптирована к данным на региональном уровне.

Блок-диаграмма, описывающая основные этапы обработки Magia, показана на рисунке 1. Magia начинает с предварительной обработки изображений ПЭТ. Предварительная обработка состоит из выравнивания кадров (коррекции движения) и совместной регистрации с МРТ. МРТ обрабатывается с помощью FreeSurfer для создания анатомических фрагментов для определения областей интереса (Schain et al., 2014) и эталонной области, если она требуется для выбранной кинетической модели.FreeSurfer присваивает анатомическую метку каждому вокселю мозга, и, таким образом, интересующие области (ROI) состоят из всех вокселей с одной и той же анатомической меткой. Magia выполняет двухэтапную коррекцию эталонной тканевой маски (см. Ниже) перед получением входной функции для моделирования; поправки делают эталонные области надежными для многих сканеров и отдельных лиц. МРТ также сегментирована на карты вероятности серого и белого вещества для пространственной нормализации (Ashburner and Friston, 2000). После моделирования параметрические изображения пространственно нормализуются и сглаживаются.В дополнение к параметрическим изображениям Magia также рассчитывает оценки параметров на уровне региона для каждого исследования. Наконец, результаты хранятся в централизованном архиве в стандартизованном формате вместе с показателями визуального контроля качества, что облегчает будущий анализ на уровне популяции.

Рисунок 1 . Конвейер Magia объединяет создание и парцелляцию кортикальной сетки FreeSurfer, сегментацию и нормализацию МР-изображений T1, автоматическое создание эталонной области и области интереса, а также кинетическое моделирование.

Вышеупомянутые шаги используются только тогда, когда они применимы. Например, для статических ПЭТ-изображений выравнивание кадров пропускается, и если нет соответствующей МРТ, то должен быть доступен шаблон радиоактивности для конкретного индикатора для нормализации изображений. Для всех трассировщиков, включенных в эту рукопись, такие шаблоны можно получить по адресу https://github.com/tkkarjal/magia/tree/master/templates. Magia также поддерживает трассеры, у которых нет эталонной области. Для таких исследований предварительно обработанные (т.е.g., должен быть доступен ввод плазмы с поправкой на распад, с поправкой на метаболиты и, возможно, экстраполяцией. В Magia есть настройки по умолчанию для предварительной обработки, моделирования и постобработки, которые хорошо себя зарекомендовали во время разработки. Однако Magia также является гибкой в ​​том смысле, что пользователь может при необходимости переопределить некоторые из этих параметров.

Проверочные данные

Для оценки надежности Magia мы использовали исторические контрольные данные с использованием четырех радиолигандов с разными мишенями и пространственным распределением сайтов связывания: дофамин D 2 антагонист рецептора R [ 11 C] раклоприд, агонист μ-опиоидного рецептора [ 11 C ] карфентанил, лиганд переносчика серотонина [ 11 C] MADAM и бета-амилоидный лиганд [ 11 C] PIB.Для каждого радиолиганда было отобрано 30 исследований (таблица 1). Мы сгенерировали эталонные области для всех индикаторов, используя традиционные ручные методы и новый автоматический метод, и сравнили результаты. Исследование было проведено в рамках основанного на регистрах исследования изображений мозга в ПЭТ-центре Турку. Согласно действующему законодательству Финляндии, полностью анонимные данные медицинского реестра (включая ПЭТ и МРТ) могут быть проанализированы в контексте исследования реестра без получения активного информированного согласия от лиц, включенных в реестр, если информация, идентифицирующая людей, не получена. .Протокол исследования был одобрен исследовательским советом больницы Университета Турку и законодательной группой.

Таблица 1 . Резюме исследований.

Обозначение справочной области вручную

Пять исследователей с хорошим знанием нейроанатомии человека очертили эталонные области для каждого исследования в соответствии с письменными и визуальными инструкциями (рис. 2А). Кора мозжечка использовалась в качестве эталонной области для [ 11 C] раклоприда (Gunn et al., 1997), [ 11 C] MADAM (Lundberg et al., 2005) и [ 11 C] PiB (Lopresti et al., 2005). Для [ 11 C] карфентанила использовали затылочную кору (Endres et al., 2003). Области были нарисованы с помощью CARIMAS на трех последовательных трансаксиальных срезах Т1-взвешенных МРТ изображений, что в настоящее время является стандартным ручным методом в ПЭТ-центре Турку. Ссылка на мозжечок была нарисована в сером веществе мозжечка в пределах серой зоны в периферической части мозжечка, дистальнее яркого сигнала белого вещества. Первый черепной срез помещали ниже затылочной коры, чтобы избежать проникновения радиоактивности.Обычно это срез, на котором височная доля четко отделена от мозжечка каменистой частью височной кости. Самый каудальный срез обычно располагался в самой каудальной части мозжечка. С боковой стороны венозные синусы избегали, чтобы избежать перетекания внутрь на ранних этапах сканирования. Сзади расстояние от поверхности мозжечка составляло около 5 мм, чтобы избежать эффекта вытекания. Спереди граница контрольной области была проведена примерно на 2 мм дистальнее границы белого и серого вещества мозжечка, за исключением самого каудального среза, где центральное белое вещество может больше не быть видно.

Рисунок 2. (A) Визуальные инструкции самого краниального среза вручную очерченных референтных областей мозжечка (слева) и затылочной (справа). Контрольные области были очерчены на трех последовательных трансаксиальных Т1-взвешенных МРТ-изображениях. Контрольная область мозжечка показана слева, а контрольная затылочная область — справа. (B) На схеме показано, как Т1-взвешенное МРТ-изображение мозга человека обрабатывается для получения окончательной эталонной области.Показанный пример взят из набора данных [ 11 C] карфентанил. Прямоугольники представляют этапы обработки между входами и выходами. На этапе FreeSurfer каждому вокселю МР-изображения, взвешенного по T1, назначается анатомическая метка. На этапе извлечения рентабельности инвестиций из результатов FreeSurfer извлекается заранее заданная рентабельность инвестиций. Анатомическая коррекция удаляет вокселы, которые, скорее всего, страдают от побочных эффектов; для данных [ 11 C] карфентанил это означает вокселы латеральнее боковых желудочков.На этапе исключения хвоста оценивается распределение радиоактивности в анатомически скорректированной эталонной области, и исключаются воксели, интенсивности которых находятся на хвостах распределения.

Затылочная референсная область была определена на трех последовательных трансаксиальных срезах, из которых самый каудальный срез был вторым по значению каудальным срезом перед мозжечком. Контрольная область была нарисована J-образной с медиальной и задней частями. Контрольная область была нарисована так, чтобы примерно повторять форму кортикальной поверхности, но не отдельных извилин.Контрольная область была нарисована примерно 1 см шириной с запасом около 2 мм к кортикальной поверхности, чтобы избежать эффекта вытекания. Передняя граница эталонной области располагалась примерно на полпути между задней кортикальной поверхностью и звездочкой мозолистого тела. Заднебоковая граница эталонной области приближалась к самой медиальной части заднего рога бокового желудочка.

Автоматическое создание опорной области

На рис. 2B показан обзор автоматизированного процесса создания эталонной области.Во-первых, T1-взвешенные МРТ-изображения были загружены в FreeSurfer для получения анатомических масок для конкретных субъектов мозжечковой и затылочной коры. Во-вторых, к маске эталонной области, созданной FreeSurfer, была применена анатомическая коррекция, чтобы удалить вокселы, которые, основываясь только на их анатомическом расположении, могут страдать от эффекта перетекания. Для коры мозжечка наиболее важными источниками побочных эффектов являются затылочная кора и венозные синусы. Таким образом, самые удаленные вокселы мозжечка были исключены при коррекции анатомической референсной области.Для затылочной коры вокселы, расположенные латеральнее боковых желудочков, были исключены. Это связано с тем, что наиболее латеральные части затылочной коры, генерируемой FreeSurfer, простираются до областей со специфическим связыванием [ 11 C] карфентанила, а боковые желудочки обеспечивают надежную анатомическую точку отсечения для определения порога. Наконец, было оценено распределение концентрации радиоактивности в анатомически скорректированной эталонной области, и хвосты распределения были исключены.Нижняя и верхняя границы для интенсивностей сигналов были определены путем вычисления полной ширины на полувысоте (FWHM) среднего распределения интенсивности сигнала ПЭТ. Этот шаг гарантирует, что эталонная область не будет содержать вокселей с атипично высокой или низкой радиоактивностью (например, сигнал извне головного мозга). Таким образом, автоматический процесс создания референсной области объединяет информацию из анатомических сканирований мозга и изображений ПЭТ, чтобы получить надежную оценку неспецифического связывания.

Количественная оценка изменчивости, зависящей от оператора

Сначала мы исследовали, как субъективный выбор при ручном разграничении эталонной области трансформируется в различия в масках эталонной области, кривых времени-активности (TAC) эталонной области и показателях результатов.Анатомические различия в масках эталонных областей оценивались двумя способами: во-первых, мы рассчитывали пространственное перекрытие в рамках исследования между эталонными областями, указанными вручную. Пространственное перекрытие рассчитывалось в два этапа: сначала оно рассчитывалось отдельно для всех различных пар референсных областей вручную, а затем эти числа были усреднены для получения сводной статистики для каждого исследования. Во-вторых, мы исследовали различия в объемах выделенных вручную референсных регионов с использованием внутриклассового коэффициента корреляции (ICC).Чтобы оценить ICC, мы сначала оценили модель случайных эффектов y ~ 1 + (1 | оператор) + (1 | исследование), где y — интересующая переменная, а затем вычислили долю дисперсии, объясняемую дисперсией компоненты случайного эффекта (Nakagawa et al., 2017). Рассчитанный таким образом ICC ограничивается диапазоном от 0 до 1. Пакет brms R использовался для оценки моделей, а производительность пакета R использовалась для оценки ICC.

Различия в TAC референсной области оценивали путем вычисления их площади под кривой (AUC).Перед анализом ICC мы стандартизировали все AUC со средней радиоактивностью в пределах объединения всех вручную выделенных референсных областей. Эта стандартизация устраняет различия между исследованиями, связанные с разными сканерами, массой тела и введенными дозами.

Объемное подобие ручных и автоматических опорных областей

Мы сравнили объемы эталонных областей, чтобы оценить, генерируют ли эти два метода эталонные области систематически разных размеров.Для каждого исследования мы рассчитали средний объем из всех вручную очерченных эталонных областей и сравнили его с объемом эталонной области, полученной из Magia. Мы также количественно оценили анатомическое перекрытие между референсными областями, полученными вручную и автоматически. Перекрытие определялось как соотношение между количеством общих вокселей и количеством ручных вокселей. Для каждого исследования перекрытие сначала рассчитывалось отдельно для каждой выделенной вручную эталонной области, после чего рассчитывалось среднее перекрытие.

Сходство концентраций радиоактивности в эталонной области

Функционально однородная область должна иметь примерно гауссовское распределение радиоактивности, измеренное с помощью ПЭТ (Теймуразян и др., 2013). Функциональная однородность оценивалась с использованием распределения радиоактивности в контрольных регионах. Маски эталонной области, полученные автоматически и вручную, использовались для извлечения распределения концентрации радиоактивности в эталонных областях. Ручные распределения для конкретных исследований были усреднены по ручным выдвижным ящикам, чтобы обеспечить единое ручное распределение для каждого исследования.Концентрации радиоактивности были преобразованы в SUV, после чего распределения были усреднены по исследованиям, чтобы получить распределения для конкретных индикаторов. Среднее значение, стандартные отклонения, мода и асимметрия распределений использовались для количественной оценки различий в распределениях.

Сходство кривых время-активность в эталонной области

Мы сравнили сходство автоматически и вручную выделенных TAC эталонной области. Для каждого исследования TAC референсной области вручную определялась как среднее значение для TAC вручную, чтобы свести к минимуму субъективную предвзятость при соблюдении инструкций по ручному разграничению референтной области.Активности выражали в виде стандартизованных значений поглощения (SUV, г / мл), которые были получены путем нормализации концентрации радиоактивности в тканях (кБк / мл) по общей введенной дозе (МБк) и массе тела (кг), что позволило сопоставить различные изображения друг с другом. . Чтобы оценить сходство форм TAC эталонной области, мы рассчитали корреляции Пирсона между вручную и автоматически очерченными TAC для каждого индикатора. Смещение оценивалось с использованием площади под кривой (AUC).

Оценка схожести результатов

Мы использовали неизменяемый потенциал связывания ( BP ND ) для количественной оценки поглощения [ 11 C] карфентанила, [ 11 C] раклоприда и [ 11 C] MADAM.Он отражает соотношение между специфическим и несменяемым связыванием в головном мозге. Потенциалы связывания были рассчитаны с использованием упрощенной эталонной модели ткани, использование которой было подтверждено для этих индикаторов (Gunn et al., 1997; Endres et al., 2003; Lundberg et al., 2005). Для количественной оценки поглощения [ 11 C] PiB использовали отношение SUV от 60 до 90 минут (Lopresti et al., 2005). Все исследования сначала обрабатывались с помощью Magia. Для получения результатов измерений, полученных из вручную очерченных эталонных областей, процедура была повторена с единственным исключением замены автоматически сгенерированных эталонных областей на вручную созданную эталонную область.Таким образом, единственные наблюдаемые различия в оценках потребления связаны с различиями в контрольных регионах. Мы оценили показатели результатов в одной репрезентативной области интереса для каждого индикатора, а также рассчитали параметрические изображения. Рентабельность инвестиций была извлечена из пакетов FreeSurfer.

Результаты

Вариант, зависящий от оператора

Влияние различных операторов на объемы эталонных регионов, AUC времени-активности в эталонных регионах и показатели результатов представлены для каждого индикатора в таблице 2.Пространственное перекрытие между масками, очерченными вручную, было умеренным, так как максимальное перекрытие составляло 41% для исследований [ 11 C] raclopride, тогда как перекрытие для других индикаторов составляло 14–22%. ICC для объемов эталонной области был от умеренного до хорошего (0,74… 0,83) для всех индикаторов, кроме [ 11 C] MADAM (ICC = 0,46). AUC ТАС эталонной области существенно различались, особенно для [ 11 C] карфентанила и [ 11 C] MADAM, в то время как для [ 11 C] оператор PiB имел небольшое влияние на AUC (ICC = 0.95). Оператор оказал наибольшее влияние на показатели результатов для [ 11 C] карфентанила и [ 11 C] MADAM. Для [ 11 C] raclopride и [ 11 C] PiB операторы мало влияли на показатели результатов (ICC ≥ 0,95).

Таблица 2 . Вызванные оператором вариации основных характеристик, полученных из масок эталонной области.

Различия между созданными вручную и автоматически эталонными областями

Различия в масках эталонной области

Сначала мы сравнили анатомическое сходство между автоматически и вручную выделенными референсными областями.Для каждого индикатора автоматические эталонные области были постоянно больше, чем контрольные области, полученные вручную (рисунок 3 и дополнительный рисунок S1). В четырех исследованиях [ 11 C] карфентанила по крайней мере одна из нарисованных вручную эталонных областей была больше, чем автоматически затылочная эталонная область. Референсные области мозжечка, генерируемые Magia, всегда были больше, чем средние референсные области ручного мозжечка. Автоматически созданные эталонные области, естественно, больше, чем очерченные вручную, потому что ручное очерчивание требует механической работы от высококвалифицированных специалистов, что приводит к увеличению затрат на размер областей.

Рис. 3. (A) Средние объемы контрольных областей, созданных Magia, по сравнению со средними объемами контрольных областей, очерченных вручную. (B) Визуальные примеры созданных Magia и вручную эталонных регионов для одного исследования.

Затем мы определили, перекрываются ли эталонные области, полученные из Magia, с нарисованными вручную эталонными областями. Автоматическая затылочная референсная область для [ 11 C] карфентанила перекрывалась только на 14% с затылочной референсной областью, полученной вручную.Низкое перекрытие объясняется существенной разницей между размерами вручную и автоматически сгенерированных затылочных областей интереса. Автоматические эталонные области мозжечка перекрывались с ручными эталонными областями на 55%, 59% и 61% для [ 11 C] раклоприда, [ 11 C] MADAM и [ 11 C] PiB соответственно.

Различия в распределении внедорожников в эталонных регионах

Перекрытие между ручным и автоматическим распределениями радиоактивности составляло приблизительно 90% для всех индикаторов (дополнительный рисунок S2).Все распределения были одномодальными и высокосимметричными для всех индикаторов. Средние значения распределений практически равны (максимальная разница 0,07%). Стандартные отклонения распределений различались на 14%, 11%, 12% и 18% для [ 11 C] карфентанила, [ 11 C] MADAM, [ 11 C] PIB и [ 11 C] raclopride соответственно. Режимы автоматически и вручную полученных распределений составляли 1,5 и 1,55 для [ 11 C] карфентанила, 1,95 и 2,05 для [ 11 C] MADAM, 1.65 и 1,70 для [ 11 C] PIB и 1,35 и 1,35 для [ 11 C] раклоприда. Таким образом, максимальная разница составила менее 5%. Асимметрия распределений, полученных из Magia и вручную, составляла 1,2 и 0,9 для [ 11 C] карфентанила, 1,3 и 1,2 для [ 11 C] MADAM, 2,0 и 1,6 для [ 11 C] PIB и 2,4. и 2,0 для [ 11 C] раклоприда.

Различия в кривых зависимости времени от активности для эталонных регионов

TAC, произведенные Magia, в среднем были очень похожи на средние TAC, рассчитанные на основе вручную очерченных эталонных регионов (Рисунок 4).Коэффициенты корреляции Пирсона были выше 0,99 для всех индикаторов. На дополнительном рисунке S3 показано, как AUC кривой время-активность референсной области, полученной из Magia, сравнивается с результатами, полученными вручную. Для [ 11 C] карфентанила средние значения AUC между исследованиями были практически идентичными (<1%). Контрольные области, произведенные Magia, имели AUC на 2,6%, 1,1% и 1,8% ниже, чем контрольные области для [ 11 C] раклоприда, [ 11 C] MADAM и [ 11 C] PiB, соответственно. .

Рисунок 4 . Кривые среднего времени-активности между участниками. Синий = Магия; красный = ручной.

Различия в показателях результатов

Коэффициенты корреляции Пирсона между средним значением ручных показателей результатов и результатами, полученными с помощью Magia, составили 0,79, 0,98, 0,84 и 0,99 для [ 11 C] карфентанила, [ 11 C] раклоприда, [ 11 C] MADAM и [ 11 C] PiB соответственно. Измерения результатов, полученные с использованием автоматических и ручных методов, визуализированы на рисунке 5 в одной репрезентативной области интереса, усредненные изображения результатов-измерений визуализированы на рисунке 6A, а относительное смещение во всем мозге между ними визуализировано на рисунке 6B.Для [ 11 C] карфентанила и [ 11 C] PiB Magia практически не давала смещения (менее 1%). Для [ 11 C] MADAM Magia произвела на 3-5% более высокие оценки потенциала связывания в областях с высокой специфичностью связывания. В областях коры с низким специфическим связыванием смещение составляло более 10%. Для [ 11 C] раклоприда Magia произвела примерно на 4–5% более высокие оценки потенциала связывания в полосатом теле. В таламусе смещение составляло 8–10%. В других частях мозга смещение значительно варьировалось от 13 до 20%.Для обоих [ 11 C] MADAM и [ 11 C] раклоприда относительное смещение значительно уменьшалось с увеличением потенциала связывания (фиг. 6C).

Рисунок 5 . Сравнение показателей результатов, полученных с помощью Magia, с полученными вручную.

Рис. 6. (A) Визуализация распределений показателей результатов для каждого индикатора. (B) Карты, визуализирующие относительные отклонения показателей результатов, полученных с помощью Magia, по сравнению со средними значениями, полученными при ручном разграничении эталонных областей.Ручной метод здесь представлен как чистая правда, потому что ручной результат для каждого сканирования представляет собой среднее значение по пяти отдельным оценкам, в то время как результат Magia основан на единственной оценке. (C) Связь между величиной результата измерения и относительной систематической ошибкой.

Обсуждение

Мы установили, что автоматизированный конвейер Magia дает согласованные оценки поглощения радиоактивных индикаторов для всех протестированных лигандов с очень небольшим или даже без систематической ошибки в измерениях результатов.Как и ожидалось, метод ручного разграничения страдает от значительной вариабельности, зависящей от оператора, что подчеркивает важность стандартизации процесса. Последовательность в сочетании со значительным увеличением скорости обработки говорит о том, что Magia хорошо подходит для автоматического анализа данных ПЭТ мозга для крупномасштабных проектов нейровизуализации.

Показатели результата могут в значительной степени зависеть от того, кто определил референтную область

Мы оценили количество вариаций результатов, зависящих от оператора.Несмотря на то, что все операторы рисуют ROI с использованием одних и тех же инструкций (представленных как устно, так и в виде визуальных / письменных инструкций, доступных для справки во время работы), анализ ICC показывает, что для [ 11 C] карфентанила и [ 11 C] MADAM вариант производимые разными операторами, имеют большое значение, указывая на то, что для этих двух трассировщиков субъективные различия в ручном разграничении ROI (например, какие трансаксиальные срезы использовать, как определять границы ROI и т. д.) значительно влияют на величину оценок потенциала связывания.Из индикаторов, использующих кору мозжечка в качестве эталонной области, [ 11 C] MADAM имел самый низкий ICC — 76%. Для [ 11 C] раклоприда и [ 11 C] PiB ICC составляли более 95%, что указывает на то, что для этих индикаторов ручное определение референсных областей не может быть важным источником вариаций.

Эти различия между индикаторами, вероятно, отражают различия в однородности сигнала ПЭТ в контрольных областях. Если бы эталонная область была идеально однородной по отношению к сигналу ПЭТ, не имело бы никакого значения, какие воксели выбрать.В действительности, однако, сигнал ПЭТ очень неоднороден. Например, сигнал ПЭТ зависит от используемых трансаксиальных срезов. Предположительно, эти неоднородности существенны для [ 11 C] карфентанила и, в меньшей степени, для [ 11 C] MADAM, в то время как сигнал ПЭТ от коры мозжечка с использованием [ 11 C] раклоприда и [ 11 C] PiB значительно более однороден. Действительно, пространственное перекрытие между выделенной вручную эталонной областью было выше для [ 11 C] карфентанила (22%), чем для [ 11 C] PiB (14%), что позволяет предположить, что даже небольшие различия в пространственном перекрытии приводят к существенному различия в потенциале связывания для [ 11 C] карфентанила.

Влияние оператора на контрольные значения TAC AUC было еще больше. Для всех индикаторов ICC показателей результатов был выше, чем ICC для эталонных значений TAC AUC. Например, в то время как [ 11 C] raclopride BP ND практически не зависел от человека, вручную очерчивающего эталонную область, ICC для [ 11 C] эталонного TAC AUC раклоприда составлял только 80%, почти 20%. -единицы меньше, чем у БП НД . Таким образом, даже TAC эталонной области для [ 11 C] raclopride не были в значительной степени согласованы между операторами, что еще больше подчеркивает чувствительность процесса разграничения, несмотря на подробные письменные и визуальные инструкции.Эти результаты подчеркивают необходимость в процессах генерации эталонных областей, которые не страдают от субъективности.

Надежность оценок поглощения Magia

Важно отметить, что Magia произвела оценки параметров, соответствующие усредненным ручным оценкам (коэффициенты корреляции Пирсона> 0,78 для всех индикаторов). Это говорит о том, что: (i) хотя отдельные операторы дают разные выходные метрики, они выбираются из одного и того же истинного пространства параметров; что (ii), в свою очередь, точно отражается на выходе Magia.Не было систематической ошибки для [ 11 C] PiB SUVR и [ 11 C] карфентанила BP ND . Для [ 11 C] PiB разница между ручными и автоматическими оценками SUVR случайным образом колебалась около нуля. Поскольку SUVR использовался для количественной оценки поглощения [ 11 C] PiB, случайные колебания не зависели от области мозга. Для [ 11 C] карфентанила случайные колебания были немного больше в областях с низким уровнем связывания (но все еще в пределах ± 5%).В отличие от [ 11 C] PiB и [ 11 C] карфентанила, наблюдались систематические различия между ручными и автоматическими оценками потенциала связывания для [ 11 C] раклоприда и [ 11 C] MADAM. Для обоих индикаторов смещение уменьшалось в зависимости от специфического связывания, а в областях с высоким уровнем связывания ( BP ND > 1,5) смещение было менее 5%. Даже если смещение резко возрастает с уменьшением потенциала связывания, проблемные области обычно не считаются очень интересными из-за их плохого отношения сигнал / шум.

Систематическая погрешность для [ 11 C] MADAM и [ 11 C] раклоприда также отражается в небольших различиях в отношении тканевых TAC. Для индикаторов, использующих референсную область мозжечка, TAC эталонных тканей, полученных из Magia, имели на 2–3% более низкие AUC. Пики ОДУ также были немного ниже. Для [ 11 C] PiB смещение не распространялось на показатели результатов, поскольку отношение SUV рассчитывалось между 60 и 90 мин, когда в TAC не было смещения. Поскольку потенциал связывания отражает соотношение между специфическим связыванием и неспецифическим связыванием (полученным из эталонной ткани), эталонные значения TAC AUC напрямую влияют на смещения в потенциалах связывания.Таким образом, эти данные показывают, что Magia может давать несколько более высокие оценки потенциала связывания, чем традиционные методы, по крайней мере, если кора мозжечка используется в качестве эталонной области. Эти данные, однако, не означают, что смещение следует рассматривать как ошибку: на самом деле Magia дает значительно большие эталонные области, и, следовательно, TAC эталонной ткани менее шумны. Это желательно, потому что шум во входной функции влияет на подгонку модели. Однако смещение также означает, что оценки, произведенные Magia, не следует комбинировать с оценками, полученными с помощью других методов.

Функциональная однородность эталонных областей

Мы проверили, выполняется ли предположение о гомогенном связывании в пределах эталонных областей как для автоматических, так и для ручных эталонных областей. Область однородного источника должна давать унимодальные и приблизительно симметричные распределения радиоактивности 21. Средние распределения между исследованиями были унимодальными и симметричными для всех индикаторов как для ручных, так и для автоматических методов. Средние распределения были практически идентичны, но для Magia режимы были на 1-2% выше.Ручные распределения были немного шире (стандартные отклонения были примерно на 15% больше), потому что Magia сокращает хвосты распределения. Ручное распределение также было немного менее искажено. Поскольку усредняющие распределения имеют тенденцию делать их более гауссовскими, это различие, вероятно, возникает из-за того, что ручные распределения, которые использовались при сравнении, были определены как среднее по пяти распределениям, очерченным независимыми операторами. Перекрытие распределения для всех индикаторов составило примерно 90%.В целом, эти результаты показывают, что генерируемые Magia распределения радиоактивности эталонных областей удовлетворяют требованию функциональной однородности.

Кривые время-активность контрольной ткани

Несмотря на их топографические различия, автоматически и вручную созданные эталонные регионы дали очень похожие ОДУ. Для всех индикаторов коэффициент корреляции Пирсона между средними автоматическими и ручными эталонными ОДУ ткани был выше 0,99. Таким образом, формы TAC отлично согласовывались.Для [ 11 C] карфентанила AUC ТАС контрольной области также были очень похожими. AUC мозжечковых TAC были на 2–3% ниже для Magia, что указывает на то, что автоматические TAC мозжечка были немного отрицательно смещены по сравнению с их ручными аналогами. Источник этой разницы неизвестен, но она может быть результатом, например, гетерогенного неспецифического связывания в коре мозжечка или из-за эффектов перетекания или перетекания. Что бы ни объясняло небольшую разницу, эти данные не указывают напрямую, какой метод позволил получить более реалистичные ОДУ.Однако, поскольку эталонные области мозжечка, сгенерированные Magia, без исключения были существенно больше, чем их ручные аналоги, TACs Magia предположительно имеют более высокое отношение сигнал / шум, что позволяет предположить, что полученные из Magia показатели могут выгодно отличаться от показателей, полученных вручную. .

Решение временных ограничений при обработке данных ПЭТ

В среднем рисование эталонной области для одного объекта занимало около 15 минут, и без какой-либо автоматизации моделирование и пространственная обработка изображений с помощью стандартных инструментов (например,g., программное обеспечение для моделирования PMOD или Turku PET Center) в среднем занимает 45 мин. Напротив, для запуска Magia для одного исследования требуется менее 5 минут. Хотя временное преимущество — примерно час на исследование — полученное от автоматизации, все еще невелико в небольших исследованиях (например, три 8-часовых рабочих дня для исследования с 24 участниками), эффект быстро масштабируется, и ручное моделирование базы данных всего 400 исследований займет уже 50 дней. Это значительные вложения человеческих ресурсов, в частности, если позже придется повторить анализ, например, с другими параметрами моделирования, требующими повторения хотя бы некоторых частей процесса.

Сравнение Magia с существующими инструментами

Уже существует несколько инструментов для обработки данных ПЭТ мозга. MIAKAT (Gunn et al., 2016) — еще один инструмент на основе MATLAB, который сочетает в себе предварительную обработку и кинетическое моделирование. По сравнению с Magia, MIAKAT не поддерживает двухкомпонентную модель ткани, SUV-ratio, а также FUR-анализ. APPIAN (Funck et al., 2018) — еще одна недавняя разработка, которая, в отличие от Magia, включает частичную коррекцию объема. Однако в APPIAN отсутствует коррекция движения, а также поддерживается меньше кинетических моделей, чем в Magia, и, как и MIAKAT, APPIAN также использует нейроанатомические атласы для определения области интереса.Оба этих инструмента, а также все другие существующие инструменты ограничены в том смысле, что они требуют данных как МРТ, так и ПЭТ. Magia, напротив, также может обрабатывать данные ПЭТ мозга без МРТ, если доступен шаблон для конкретного индикатора. Magia также поставляется с опциями моделирования по умолчанию для нескольких трассировщиков. Соответственно, Magia в настоящее время является наиболее гибким инструментом с открытым исходным кодом для автоматизированной обработки данных ПЭТ мозга.

Ограничения

SMagia в настоящее время полностью автоматическая только для трассеров, для которых существует эталонная область.Однако даже для входных данных на основе крови Magia требует минимального вмешательства пользователя, поскольку Magia может считывать данные в функции ввода из соответствующего места. Изначально Magia была разработана с предположением, что Т1-взвешенное МРТ-изображение доступно для каждого объекта (для определения границ эталонной области и пространственной нормализации). Поскольку это предположение ограничивало применимость подхода к повторному анализу некоторых исторических данных, Magia теперь может также использовать нейроанатомические атласы для определения области интереса и шаблоны радиоактивности, специфичные для индикаторов, для пространственной нормализации.Шаблоны для каждого из индикаторов, используемых в этой рукописи, доступны по адресу https://github.com/tkkarjal/magia/tree/master/templates, и Magia может использовать любые шаблоны, доступные пользователю. Таким образом, наличие МРТ не обязательно, но настоятельно рекомендуется, потому что большая часть тестирования проводилась с обработкой на основе МРТ, и потому что ROI, а также эталонные области могут быть затем сгенерированы в естественном пространстве. Недостаток создания ROI на основе FreeSurfer заключается в том, что он относительно медленный (~ 10 часов).Частичная коррекция громкости в настоящее время не реализована в Magia, но эта функция будет добавлена ​​в будущих выпусках. Наконец, Magia обрабатывает исследования независимо друг от друга. В рамках предметного дизайна было бы полезно рассмотреть несколько изображений для каждого участника, но в настоящее время это невозможно.

Заключение

Magia — это стандартизированный и полностью автоматический конвейер анализа для обработки данных ПЭТ мозга. Стандартизируя процесс создания эталонной области, Magia устраняет зависимость от оператора при выработке показателей результатов.Для [ 11 C] карфентанила, который использует затылочную кору в качестве эталонной области, уменьшенная дисперсия не требует затрат на смещение в BP ND . Оценки SUVR также были несмещенными для [ 11 C] PiB. [ 11 C] раклоприд и [ 11 C] MADAM BP ND были немного завышены. Однако по сравнению с дисперсией, возникающей из-за зависимости оператора, это смещение было незначительным и может фактически способствовать Magia. В любом случае систематическая ошибка не имеет смысла в большинстве анализов на уровне населения.Magia обеспечивает стандартизированный анализ данных ПЭТ головного мозга, облегчая переход к более крупным образцам и более удобный обмен данными между исследовательскими центрами.

Заявление о доступности данных

Наборы данных, созданные для этого исследования, не будут общедоступными. Текущие правила обмена данными запрещают публикацию данных. Однако сам Magia-pipeline находится в свободном доступе по адресу https://github.com/tkkarjal/magia.

Заявление об этике

Исследование было проведено как часть основанного на регистрах исследования изображений мозга в ПЭТ-центре Турку.Согласно действующему законодательству Финляндии, полностью анонимные данные медицинского реестра (включая ПЭТ и МРТ) могут быть проанализированы в контексте исследования реестра без получения активного информированного согласия от лиц, включенных в реестр, если информация, идентифицирующая людей, не получена. . Протокол исследования был одобрен исследовательским советом больницы Университета Турку и законодательной группой.

Авторские взносы

TKar разработал Magia, проанализировал данные и написал рукопись.JT участвовал в разработке Magia и редактировал рукопись. SS вручную очертил контрольные области, внес свой вклад в анализ данных и отредактировал рукопись. Ткан участвовал в анализе данных и редактировал рукопись. МБ внес свой вклад в позднюю разработку Magia и отредактировал рукопись. LT внес свой вклад в раннюю разработку Magia и отредактировал рукопись. JHir планировал статистический анализ и редактировал рукопись. JHie и JR предоставили данные и отредактировали рукопись. LN предоставила данные, внесла свой вклад в разработку Magia и отредактировала рукопись.

Финансирование

Работа поддержана грантами № 265915 и № 294897 Академии Финляндии LN. Фонд Сигрид Джуселиус предоставляет отдельные гранты LN и JR. Фонд Пяйвикки и Сакари Зольберг перед TKar. Финский культурный фонд Варсинаис-Суоми Региональный фонд TKar. Государственное финансирование исследований (VTR) Университетской больницы Турку для TKar. Государственное финансирование исследований (VTR) университетской больницы Турку JR.

Конфликт интересов

Авторы заявляют, что исследование проводилось при отсутствии каких-либо коммерческих или финансовых отношений, которые могут быть истолкованы как потенциальный конфликт интересов.

Благодарности

Эта рукопись частично включает работу из диссертации Сантавирты «Магия: надежная платформа автоматизированного моделирования и обработки изображений для нейроинформатики домашних животных» (Сантавирта, 2018). Рукопись также была выпущена в качестве препринта на выставке biorXiv (Karjalainen et al., 2019).

Сноски

  1. https://github.com/tkkarjal/magia
  2. www.fil.ion.ucl.ac.uk/spm/
  3. https: //surfer.nmr.mgh.harvard.edu/
  4. http://aivo.utu.fi
  5. http://turkupetcentre.fi/carimas/
  6. https://cran.r-project.org/package=brms
  7. https://easystats.github.io/performance/index.html

Дополнительные материалы

Дополнительные материалы к этой статье можно найти в Интернете по адресу: https://www.frontiersin.org/articles/10.3389/fninf.2020.00003/full#supplementary-material.

Список литературы

Баттон, К.С., Иоаннидис, Дж. П. А., Мокрыш, К., Носек, Б. А., Флинт, Дж., Робинсон, Э. С. Дж. И др. (2013). Сбой питания: почему небольшой размер выборки подрывает надежность нейробиологии. Нат. Rev. Neurosci. 14, 365–376. DOI: 10.1038 / nrn3475

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Чен, Ю. Дж., И Насралла, И. М. (2017). Подходы к интерпретации ПЭТ амилоида мозга: от визуальной оценки в клинике до количественного фармакокинетического моделирования. Clin.Пер. Imaging 5, 561–573. DOI: 10.1007 / s40336-017-0257-4

CrossRef Полный текст | Google Scholar

Эйкхофф, С. Б., Стефан, К. Э., Мольберг, Х., Грефкес, К., Финк, Г. Р., и Амунтс, К. (2005). Новый набор инструментов SPM для объединения вероятностных цитоархитектонических карт и данных функциональной визуализации. NeuroImage 25, 1325–1335. DOI: 10.1016 / j.neuroimage.2004.12.034

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Эндрес, К. Дж., Бенчериф, Б., Хилтон, Дж., Мадар, И., и Фрост, Дж. Дж. (2003). Количественная оценка мю-опиоидных рецепторов мозга с помощью [11C] карфентанила: методы эталонной ткани. Nucl. Med. Биол. 30, 177–186. DOI: 10.1016 / s0969-8051 (02) 00411-0

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Эстебан О., Маркевич К. Дж., Блэр Р. В., Муди К. А., Исик А. И., Эррамуспе А. и др. (2019). fMRIPrep: надежный конвейер предварительной обработки для функциональной МРТ. Нат. Методы 16, 111–116.DOI: 10.1038 / s41592-018-0235-4

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Фишл, Б., Салат, Д. Х., Буса, Э., Альберт, М., Дитрих, М., Хазельгроув, К., и др. (2002). Сегментация всего мозга: автоматическая маркировка нейроанатомических структур человеческого мозга. Нейрон 33, 341–355. DOI: 10.1016 / s0896-6273 (02) 00569-x

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Funck, T., Larcher, K., Toussaint, P.-J., Evans, A.К. и Тиль А. (2018). APPIAN: автоматизированный конвейер для анализа изображений ПЭТ. Фронт. Нейроинформ. 12:64. DOI: 10.3389 / fninf.2018.00064

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Ганн Р., Коэльо К. и Сирл Г. (2016). Набор инструментов для молекулярной визуализации и кинетического анализа (MIAKAT) — пакет программ для количественного анализа данных нейровизуализации ПЭТ. J. Nucl. Med. 57, 1928–1928.

Google Scholar

Ганн, Р.Н., Ламмерцма А. А., Хьюм С. П. и Каннингем В. Дж. (1997). Параметрическая визуализация связывания лиганд-рецептор в ПЭТ с использованием упрощенной модели референсной области. NeuroImage 6, 279–287. DOI: 10.1006 / nimg.1997.0303

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Карьялайнен Т., Сантавирта С., Кантонен Т., Туйску Дж., Туоминен Л., Хирвонен Дж. И др. (2019). Magia: надежный набор инструментов для автоматизированного моделирования и обработки изображений для нейроинформатики ПЭТ. bioRxiv [Препринт]. DOI: 10.1101 / 604835

CrossRef Полный текст | Google Scholar

Лопрести, Б. Дж., Клунк, В. Э., Матис, К. А., Хоге, Дж. А., Зиолко, С. К., Лу, X. и др. (2005). Упрощенная количественная оценка исследований ПЭТ с визуализацией амилоида соединения B в Питтсбурге: сравнительный анализ. J. Nucl. Med. 46, 1959–1972.

PubMed Аннотация | Google Scholar

Лундберг, Дж., Одано, И., Олссон, Х., Халлдин, К., и Фарде, Л. (2005).Количественная оценка связывания 11C-MADAM с переносчиком серотонина в головном мозге человека. J. Nucl. Med. 46, 1505–1515.

PubMed Аннотация | Google Scholar

Накагава, С., Джонсон, П.С.Д., и Шилцет, Х. (2017). Коэффициент детерминации R 2 и коэффициент внутриклассовой корреляции из обобщенных линейных моделей смешанных эффектов пересмотрены и расширены. J. R. Soc. Интерфейс 14: 20170213. DOI: 10.1098 / rsif.2017.0213

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Патлак, К.С., Бласберг, Р. Г., и Фенстермахер, Дж. Д. (1983). Графическая оценка констант переноса из крови в мозг на основе данных многократного приема. J. Cereb. Blood Flow Metab. 3, 1–7. DOI: 10.1038 / jcbfm.1983.1

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Полдрак Р. А., Яркони Т. (2016). От карт мозга до когнитивных онтологий: информатика и поиск ментальной структуры. Annu. Rev. Psychol. 67, 587–612. DOI: 10.1146 / annurev-psycho-122414-033729

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Сантавирта, С.(2018). Magia: надежная платформа автоматизированного моделирования и обработки изображений для нейроинформатики ПЭТ. Турку: Университет Турку.

Google Scholar

Счейн, М., Варнас, К., Челени З., Халлдин, К., Фарде, Л., и Варроне, А. (2014). Оценка двух автоматизированных методов анализа области интереса ПЭТ. Нейроинформатика 12, 551–562. DOI: 10.1007 / s12021-014-9233-6

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Симмонс, Дж.П., Нельсон, Л.Д., Симонсон, У. (2011). Ложноположительная психология: скрытая гибкость в сборе и анализе данных позволяет представить все как значимое. Psychol. Sci. 22, 1359–1366. DOI: 10.1177 / 0956797611417632

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Теймуразян, А., Риаука, Т., Янс, Х.С., Робинсон, Д. (2013). Свойства шума в изображениях позитронно-эмиссионной томографии, восстановленных с помощью алгоритма максимального правдоподобия с фильтрованной обратной проекцией и строкового действия. J. Digit. Imaging 26, 447–456. DOI: 10.1007 / s10278-012-9511-5

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Tuszynski, T., Rullmann, M., Luthardt, J., Butzke, D., Tiepolt, S., Gertz, H.-J., et al. (2016). Оценка программных инструментов для автоматической идентификации нейроанатомических структур при количественной ПЭТ-визуализации β-амилоида для диагностики болезни Альцгеймера. Eur. J. Nucl. Med. Мол. Imaging 43, 1077–1087. DOI: 10.1007 / s00259-015-3300-6

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Цурио-Мазойе, Н., Ландо, Б., Папатанассиу, Д., Кривелло, Ф., Этар, О., и Делкруа, Н. (2002). Автоматическая анатомическая маркировка активаций в SPM с использованием макроскопической анатомической парцелляции головного мозга одного пациента MNI MRI. NeuroImage 15, 273–289. DOI: 10.1006 / nimg.2001.0978

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Уайт, Д. Р. Р., Хьюстон, А. С., Сэмпсон, В. Ф. Д. и Уилкинс, Г. П. (1999). Внутриоператорные и межоператорские вариации в изображении интересующей области и их влияние на измерение скорости клубочковой фильтрации. Clin. Nucl. Med. 24, 177–181. DOI: 10.1097 / 00003072-1990-00008

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Яркони, Т. (2009). Большая корреляция в небольших исследованиях: завышенные корреляции фМРТ отражают низкую статистическую мощность — комментарий к Vul et al. (2009). Перспективы психологической науки 4, 294–298. DOI: 10.1111 / j.1745-6924.2009.01127.x

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Яркони, Т., Полдрак, Р. А., Николс, Т. Е., Ван Эссен, Д. К., и Вейджер, Т. Д. (2011). Масштабный автоматизированный синтез данных функциональной нейровизуализации человека. Нат. Методы 8, 665–670. DOI: 10.1038 / Nmeth.1635

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Ясуно Ф., Хаснин А. Х., Сухара Т., Ичимия Т., Судо Ю., Иноуэ М. и др. (2002). Метод на основе шаблонов для множественных объемов представляющих интерес изображений ПЭТ человеческого мозга. NeuroImage 16, 577–586.DOI: 10.1006 / nimg.2002.1120

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Набор инструментов для обработки изображений

— MathWorks — Каталоги в формате PDF | Техническая документация

Image Processing Toolbox Выполняет обработку изображений, анализ и разработку алгоритмов. Image Processing Toolbox ™ предоставляет полный набор эталонных алгоритмов и графических инструментов для обработки, анализа, визуализации и разработки алгоритмов изображений. Вы можете выполнять улучшение изображения, устранение размытости изображения, обнаружение функций, уменьшение шума, сегментацию изображения, геометрические преобразования и регистрацию изображения.Многие функции набора инструментов являются многопоточными, что позволяет использовать преимущества многоядерных и многопроцессорных компьютеров. Image Processing Toolbox поддерживает разнообразный набор типов изображений, включая широкий динамический диапазон, разрешение гигапикселей, встроенный профиль ICC и томографию. Графические инструменты позволяют исследовать изображение, исследовать область пикселей, регулировать контрастность, создавать контуры или гистограммы и управлять интересующими областями (ROI). С помощью алгоритмов набора инструментов вы можете восстанавливать ухудшенные изображения, обнаруживать и измерять особенности, анализировать формы и текстуры и настраивать цветовой баланс.Основные характеристики ▪ Улучшение изображения, фильтрация и устранение размытости ▪ Анализ изображения, включая сегментацию, морфологию, выделение признаков и измерение ▪ Пространственные преобразования и регистрацию изображений ▪ Преобразования изображений, включая БПФ, DCT, радоновую и веерно-лучевую проекцию ▪ Рабочие процессы для обработки , отображение и навигация произвольно больших изображений ▪ Модульные интерактивные инструменты, включая выбор области интереса, гистограммы и измерения расстояний ▪ Управление цветом ICC ▪ Обработка многомерных изображений ▪ Последовательность изображений и отображение видео ▪ Импорт и экспорт DICOM Начало работы с Image Processing Toolbox 4: 44 Изучите возможности Image Processing Toolbox ™ для сегментации, морфологии, статистики изображений и преобразования Хафа.Импорт и экспорт изображений Image Processing Toolbox поддерживает изображения, генерируемые широким спектром устройств, включая цифровые камеры, спутниковые и бортовые датчики, медицинские устройства визуализации, микроскопы, телескопы и другие научные инструменты. Вы можете визуализировать, анализировать и обрабатывать эти изображения во многих типах данных, включая числа с плавающей запятой одинарной и двойной точности, а также 8-битные, 16-битные и 32-битные целые числа со знаком и без знака. Есть несколько способов импортировать и экспортировать изображения в среду MATLAB® и из нее для обработки.Вы можете использовать Image Acquisition Toolbox ™ для получения изображений в реальном времени с веб-камер, устройств захвата кадров, камер DCAM, камер GigE Vision и других устройств. Используя Database Toolbox ™, вы можете получить доступ к изображениям, хранящимся в ODBC-совместимых или JDBC-совместимых базах данных.

Image Processing Toolbox для SciPy · GitHub

Image Processing Toolbox для SciPy · GitHub

Репозитории

  • документы

    Документация scikit-image сгенерирована html

    5 1 0 0 Обновлено 23 июля 2021 г.
  • CC0-1.0 7 2 0 0 Обновлено 8 июля 2021 г.
  • HTML 7 2 1 0 Обновлено 30 июня 2021 г.
  • Python 23 7 11 0 Обновлено 30 июня 2021 г.
  • skimage-учебники

    skimage-tutorials: сборник руководств для пакета scikit-image.

    Блокнот Jupyter 347 420 6 2 Обновлено 24 июня 2021 г.
  • Python 8 2 2 0 Обновлено 4 июня 2021 г.
  • Python 20 13 1 2 Обновлено 18 февраля 2021 г.
  • песочница В архиве

    Сервер для выполнения удаленных сниппетов (используется в галерее примеров)

    Python 4 1 10 0 Обновлено 18 февраля 2021 г.
  • скимейдж-демо

    Примечание: это репо активно не поддерживается и может быть устаревшим.

    Блокнот Jupyter 23 32 3 0 Обновлено 18 февраля 2021 г.
  • skimage-media

    Размещает материалы для СМИ, такие как раздаточные материалы или плакаты, а также их источник.

    TeX BSD-3-Clause 6 2 1 0 Обновлено 18 февраля 2021 г.
  • Makefile 5 0 0 0 Обновлено 18 февраля 2021 г.
  • Оболочка 14 7 6 1 Обновлено 18 февраля 2021 г.
  • Python BSD-3-Clause 8 4 1 3 Обновлено 18 февраля 2021 г.
  • Оболочка 65 1 0 0 Обновлено 1 октября 2018 г.
Наиболее часто используемые темы

Загрузка…

Вы не можете выполнить это действие в настоящее время.Вы вошли в систему с другой вкладкой или окном. Перезагрузите, чтобы обновить сеанс. Вы вышли из системы на другой вкладке или в другом окне. Перезагрузите, чтобы обновить сеанс. .

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *