Saliency-based characterization of group differences for magnetic resonance disease classification

• Andrea Rueda ^[1] ; Fabio González ^[1] ; Eduardo Romero ^[1]
  1. [1] Universidad Nacional de Colombia

     Universidad Nacional de Colombia

     Colombia

     
• Localización: DYNA: revista de la Facultad de Minas. Universidad Nacional de Colombia. Sede Medellín, ISSN 0012-7353, Vol. 80, Nº. 178, 2013, págs. 21-28
• Idioma: inglés
• Títulos paralelos:
  • Caracterización de diferencias grupales basadas en saliencia para la clasificación de patologías en resonancia magnética
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    La variabilidad anatómica presente en los cerebros de pacientes limita la realización de análisis estadísticos acerca de la presencia o ausencia de una patología. En este artículo, presentamos una aproximación para la clasificación de imágenes de Resonancia Magnética (MR) cerebral de sujetos sanos y afectados por una patología. El enfoque se basa en un mapa de saliencia, el cual extrae regiones de cambio relativo en tres diferentes dimensiones: intensidad, orientación y bordes. Las regiones de interés obtenidas se utilizan como patrones para la clasificación de sujetos utilizando máquinas de vectores de soporte. El desempeño de la estrategia propuesta fue evaluado en un conjunto de 198 imágenes de MR extraídas de la base de datos OASIS y divididas en cuatro grupos, reportando una tasa de precisión promedio de 74.54% y una tasa de error igual (Equal Error Rate) promedio de 0.725

  • English

    Anatomical variability of patient's brains limits the statistical analyses about presence or absence of a pathology. In this paper, we present an approach for classification of brain Magnetic Resonance (MR) images from healthy and diseased subjects. The approach builds up a saliency map, which extract regions of relative change in three different dimensions: intensity, orientation and edges. The obtained regions of interest are used as suitable patterns for subject classification using support vector machines. The strategy's performance was assessed on a set of 198 MR images extracted from the OASIS database and divided into four groups, reporting an average accuracy rate of 74.54% and an average Equal Error Rate of 0.725