^g Центр когнитивного старения и когнитивной эпидемиологии, Эдинбургский университет, Эдинбург, Великобритания

¹ Первые авторы.

Поступила 19.11.2018; Пересмотрено 11 февраля 2019 г .; Принято 27 февраля 2019 г.

Это статья в открытом доступе по лицензии CC BY (http://creativecommons.org/licenses/by/4.0/).

Abstract

Предпосылки

Дифференциальная количественная оценка атрофии головного мозга, гиперинтенсивности белого вещества (WMH) и поражений при инсульте важна в исследованиях инсульта и деменции.Однако наличие поражений при инсульте обычно не замечается автоматическими методами обработки нейровизображений и современными схемами глубокого обучения, в которых отсутствует достаточное количество аннотированных данных. Мы исследуем использование радиомики для определения того, принадлежит ли магнитно-резонансная томография (МРТ) головного мозга человеку, перенесшему инсульт, или нет.

Материалы и методы

Мы использовали 1800 наборов трехмерных данных МРТ из трех проспективных исследований: одного из механизмов инсульта и двух когнитивного старения, оценили 114 текстурных особенностей в WMH, спинномозговой жидкости, темно-сером и нормальном белом веществе и попытался классифицировать отсканированные изображения с использованием случайного леса и классификаторов векторных машин поддержки с выбором признаков и без него.Мы оценили дискриминационную силу каждого признака независимо в каждой популяции и скорректировали результат с учетом ошибок первого типа. Мы также оценили влияние клинических параметров на результаты классификации.

Результаты

Подтипы ишемических инсультов (т. Е. Лакунарные против кортикальных) не могут быть различимы с помощью радиомики, но наличие поражения типа инсульта может быть установлено с точностью от 0,7

Ключевые слова: Анализ текстуры, радиомика, инсульт, болезнь мелких сосудов, гиперинтенсивность белого вещества

1. Введение

1.1. Важность автоматического определения наличия / отсутствия предыдущего инсульта

Дифференциальная количественная оценка атрофии головного мозга, гиперинтенсивности белого вещества (WMH) и поражений инсульта (т.е. острых или старых, симптоматических или бессимптомных) важна в исследованиях инсульта и деменции. Однако поражения при инсульте на магнитно-резонансных изображениях (МРТ) могут иметь такую ​​же интенсивность сигнала, как WMH и спинномозговая жидкость (CSF) (т.е. прокси для атрофии головного мозга), и может случайно считаться WMH или CSF методами обработки изображений. Разделение влияния каждого из них на когнитивные показатели и показатели здоровья имеет решающее значение для индивидуального прогноза исходов инсульта и для понимания патофизиологии инсульта и старения. Например, хотя наиболее серьезным последствием инсульта является гибель нейронов, показатели нейрофибриллярной дегенерации были связаны с 1-летней постинсультной атрофией головного мозга (Ihle-Hansen et al., 2017) по данным МРТ. Атрофия мозговой ткани и ударный объем поражения, но не объем WMH, были названы нейровизуализационными детерминантами когнитивных функций после инсульта (Puy et al., 2018). С другой стороны, есть свидетельства того, что объем очага поражения, а не старый ударный объем, связан с атрофией мозга и снижением когнитивных функций при нормальном старении (Habes et al., 2016; Valdés-Hernández et al., 2013).

Дифференциальная оценка этих маркеров визуализации (т. Е. WMH, инсульта и атрофии головного мозга) также необходима при планировании клинических испытаний, в которых эти параметры используются в качестве измерений результатов для оценки размера выборки.Последнее обусловлено мерой «неопределенности» в оценке результатов измерений, а также абсолютной разницей между этими измерениями в группах лиц, участвовавших в исследованиях. Исследование показало, что неспособность исключить ударный объем поражения из объема, представленного как WMH, добавляет неопределенность в 20%, что может вызвать увеличение размера выборки и, как следствие, повлиять на продолжительность и стоимость исследования (Wang et al., 2012) . Принятие решения о реакции на лечение на увеличение / уменьшение WMH вместо поражения при инсульте из-за неправильного расчета их истинных объемов потенциально может привести к пропуску эффективных методов лечения или сделать неэффективное лечение полезным.В том же исследовании было обнаружено, что для отдельных пациентов отсутствие учета потери ткани из-за инсульта при измерении атрофии головного мозга может увеличить видимую потерю объема головного мозга на 21,25 мл больше, что в 4 раза больше, чем истинное значение.

1.2. Современные методы нейровизуализации для распознавания инсульта

Нейровизуализационные исследования инсульта выигрывают от использования диффузно-взвешенных изображений, которые являются частью стандартных клинических протоколов нейровизуализации инсульта, поскольку они облегчают идентификацию поражений при инсульте.Однако сообщалось, что эти изображения не идентифицируют наличие инсульта примерно у трети пациентов, обращающихся в клиники с инсультом, не приводящим к инвалидности (Makin et al., 2015). Кроме того, они не всегда являются частью протокола нейровизуализации для исследований старения и деменции. В последние несколько десятилетий рост вычислительной мощности доступных компьютерных платформ дал толчок в применении методов машинного обучения к анализу медицинских изображений. Недавний обзор методов машинного обучения применим только к изучению деменции с помощью МРТ (Pellegrini et al., 2018), было найдено 5747 исследований, за исключением обзоров и исследований на животных, опубликованных до января 2016 года. Начиная с 2016 года, методы глубокого обучения, в основном сверточные нейронные сети (CNN), преобладали в достижениях в этой области (Litjens et al., 2017; Шен и др., 2017). Однако требования к все еще дорогому оборудованию и большому количеству аннотированных данных ограничивают их применимость, отдавая предпочтение применению более традиционных (Giger, 2018). Более того, CNN, превосходный метод глубокого обучения в области компьютерного зрения, значительно теряет производительность в следующих сценариях: 1) при наличии патологий, которые отличаются от патологий в обучающем наборе, 2) с наборами данных, полученными с помощью различных протоколов визуализации. , или используя разные последовательности (т.е. область задачи изменяется), 3) при выполнении задач, которые связаны, но не совпадают с тем, с которыми они были обучены (например, сегментация поражения по сравнению с оценкой поражения) (Rachmadi et al., 2018). Чтобы преодолеть эти ограничения, существует несколько способов повысить производительность архитектур CNN без изменения самой архитектуры. Они известны как «расширенные методы обучения» и включают: 1) изменение входных данных путем добавления информации, полученной из внутренних и внешних источников (т.е. увеличение данных), и / или 2) перенацеливание модели, обученной для одной задачи, для выполнения второй связанной задачи (т. е. переноса обучения). Чтобы эти методы были успешными, важно понимать, какие функции визуализации актуальны для машины, и интегрировать эти «предметные» знания при (пере) обучении CNN (Liu et al., 2018).

1.3. Пригодность радиомики для определения наличия / отсутствия предыдущего инсульта

Радиомика — многообещающая область, которая направлена ​​на повышение точности диагностики, оценки прогноза или прогнозирования реакции на лечение путем извлечения большого количества количественных дескрипторов из данных медицинской визуализации.Практика радиомики основана на гипотезе о том, что медицинские изображения содержат ценную информацию на уровне ткани / органа (макроскопический уровень), которая отражает лежащую в основе патофизиологию ткани (микроскопический уровень), и что эти отношения могут быть выявлены с помощью функций количественной визуализации (Gillies et al., 2016; Lambin et al., 2012, 2017). Особенности текстуры — это функции визуализации, наиболее широко используемые в радиомике, поскольку они доказали свою эффективность при описании взаимосвязей вокселей и распределений уровней серого в изображениях, что позволяет количественно оценить внутреннюю неоднородность (vs.однородность), которые могут не восприниматься визуально, что облегчает характеристику и классификацию различных тканей (Castellano et al., 2004). Эти параметры могут быть коррелированы или объединены с другой медицинской информацией, такой как демографические, клинические, гистологические или геномные данные, чтобы улучшить задачи принятия решений (Avanzo et al., 2017; Kumar et al., 2012; Larue et al., 2017 ). Анализ текстуры может применяться к различным / множественным модальностям визуализации, и выбор соответствующей техники для исследования каждого заболевания или поражения зависит от нескольких факторов.В последнее время популярность МРТ в радиомических исследованиях возросла благодаря ее растущему включению в повседневную клиническую практику и ее способности создавать высококачественные изображения (Larroza et al., 2016). Специально для изучения СВД и поражений после инсульта в нескольких исследованиях, в которых использовалась МРТ, успешно применялся анализ текстуры для решения различных задач (González-Castro et al., 2017; Kassner et al., 2009; Leite et al., 2015; Valdés-Hernández et al., 2017; Viksne et al., 2015). Один из них обнаружил, что текстура в тканях с нормальным внешним видом перспективна для стратификации пациентов в соответствии с их нагрузкой на ВЗД и ВГБ (Valdés-Hernández et al., 2017).

1.4. Обоснование исследования, гипотезы и вопросы исследования

Как нормальная ткань может быть оценена с помощью хорошо зарекомендовавших себя инструментов автоматической обработки изображений (например, SPM (https://www.fil.ion.ucl.ac.uk/spm/), FSL (https://fsl.fmrib.ox.ac.uk/fsl/fslwiki/), FreeSurfer (https://surfer.nmr.mgh.harvard.edu/), BrainVisa (http://brainvisa.info/web /index.html), чтобы упомянуть лишь некоторые из них) с высоким уровнем точности и с учетом эффекта, который, как известно, оказывает удар не только на пораженную область, но и на здоровую ткань, мы исследовали возможность использования анализа текстуры в тканях, обычно идентифицируемых на структурных МРТ-изображениях для определения наличия / отсутствия предыдущего инсульта.Более того, поскольку WMH (т. Е. Средство для автоматической идентификации поражений ишемического инсульта) было определено как имеющее в основном сосудистое происхождение (Wardlaw et al., 2013), мы также проанализировали, может ли текстура в WMH помочь повысить вероятность точного выявление наличия крупного очага ишемического инсульта. Поэтому мы предположили, что обычный классификатор, который использует текстурные особенности в WMH и тканях, обычно сегментированных с помощью современных методов автоматической обработки изображений, может отличать МРТ головного мозга людей, перенесших инсульт, от тех, у кого его не было, поэтому в качестве этапа постобработки для удаления эффект обводки может быть выполнен, хотя тип обводки (т.е. кортикальный или лакунарный) бывает трудно определить. В частности, к нашим исследовательским вопросам относятся: 1) Может ли автоматический классификатор на основе текстуры отличить обычное клиническое МРТ структурного мозга пациента с недавним лакунарным инсультом от МРТ головного мозга пациента с недавним легким кортикальным инсультом? 2) Может ли автоматический классификатор на основе текстуры отличить данные МРТ человека, перенесшего инсульт, от человека того же возраста, у которого никогда не было инсульта? Мы также исследовали влияние возраста на классификацию.

2. Материалы и методы

2.1. Субъекты

Чтобы ответить на два наших исследовательских вопроса, мы использовали данные МРТ лиц, включенных в два различных проспективных исследования: одно исследование механизмов инсульта (Wardlaw et al., 2017) и одно исследование когнитивного старения (Taylor et al., 2018). Выборка из первого исследования включала данные МРТ от 100 пациентов (54 женщины и 46 мужчин, средний возраст 65,3 года, стандартное отклонение 11 лет), у которых был лакунарный (n = 50) или мягкий (т.е. mRS <3) кортикальный (n = 50) ишемический инсульт менее чем за 2 недели до МРТ (т.е.е. пост-острая стадия). Выборка из второго исследования включала данные МРТ 100 человек из когорты года рождения (53 женщины и 47 мужчин, средний возраст 73,2 года, стандартное отклонение 0,6 года), которые либо не имели инсульта (n = 50), либо имели предшествующий ишемический инсульт в неострой (т. е. хронической) фазе, идентифицируемый при визуализации (n = 50). Выбор данных производился случайным образом и полностью автоматически, только с учетом того, что четыре подгруппы (т.е. 1) недавний лакунарный инсульт, 2) недавний кортикальный инсульт, 3) отсутствие инсульта, 4) старый инсульт) были одинакового размера.Чтобы оценить влияние возраста на классификацию снимков с инсультом или без него, мы использовали данные МРТ головного мозга 36 человек из другой когорты года рождения. Они также были включены в исследование когнитивного старения (Taylor et al., 2018) (20 женщин и 16 мужчин, средний возраст 91 стандартное отклонение 0,5 года). Из этой выборки у 22 из 36 человек никогда не было инсульта (то есть, по крайней мере, идентифицируемых при визуализации).

Все исследования, в которых были представлены данные и в которых участвовали люди, были проведены в соответствии с Хельсинкской декларацией 1964 года и более поздними поправками к ней, с протоколами и этическими стандартами, утвержденными следующими комитетами по этике исследований Шотландии: Комитет по этике исследований Лотиана (09 / S1101 / 54, LREC / 2003/2/29, REC 09/81101/54), отдел исследований и разработок NHS Lothian (2009 / W / NEU / 14) и многоцентровый комитет по этике исследований Шотландии (MREC / 01/0 / 56) (Вальдес-Эрнандес и др., 2015а, б; Wardlaw et al., 2017).

2.2. Протокол визуализации

Все данные МРТ головного мозга были получены на клиническом сканере GE Signa LX 1,5 Тл (General Electric, Милуоки, Висконсин), оборудованном самозащитным набором градиентов, а производитель предоставил лечебную катушку с восьмиканальной фазированной решеткой. Протоколы получения МРТ исследований, которые предоставили данные для этих анализов, различались. Последовательности МРТ, рассматриваемые в этой работе, представляли собой трехмерные T1-взвешенные (T1W) инверсионные изображения мозга, подготовленные для восстановления испорченного градиента (SPGR), аксиальные 2D T2-взвешенные (T2W) и аксиальные 2D-изображения восстановления с инверсией с ослабленным флюидом (FLAIR).Для исследования инсульта T1W имел TR / TE / TI = 7,3 / 2,9 / 500 мс, угол поворота 8 °, 33 × 21,5 см. ² поле зрения (FoV), матрица сбора данных 256 × 146, 100 × 1,8 мм срезов, последовательность T2W имела захват пропеллера с TR / TE = 6000/90 мс, поле зрения 24 × 24 см, матрицу сбора данных 384 × 384, срезы 28 × 5 мм, промежуток между срезами 1 мм, а FLAIR имел TR / TE / TI = 9000/153/2200 мс, поле зрения 24 × 24 см, матрица сбора данных 384 × 224, срезы 28 × 5 мм, промежуток между срезами 1 мм. Оба когортных исследования года рождения (нормальное старение) имели одинаковый протокол получения МРТ: T1W имел TR / TE / TI = 9.7 / 3,984 / 500 мс, 25,6 × 25,6 см ² FoV, 192 × 192 матрица сбора данных, размер вокселя 1 × 1 × 1,3 мм ³ , T2W имел TR / TE = 11320/102 мс, поле зрения 25,6 × 25,6, Матрица сбора данных 256 × 256, срезы 80 × 2 мм, без промежутка между срезами; и FLAIR имел TR / TE / TI = 9000/140/2200 мс, матрицу сбора данных 256 × 192 и срезы 40 × 4 мм. Все снимки были заполнены нулями и повторно дискретизированы до матриц с разрешением в плоскости 256 × 256 или 512 × 512.

2.3. Обработка изображений

Сегментация тканей и структур головного мозга была выполнена в соответствии с протоколом, описанным в (Valdés-Hernández et al., 2015а, б). Вкратце, двоичные маски нормального белого вещества (NAWM) и WMH были получены с использованием метода мультиспектральной сегментации (Valdés-Hernández et al., 2010) (www.sourceforge.com/projects/bric1936) с последующим ручным редактированием для исправления возможных ошибки. Структуры базальных ганглиев и таламуса были полностью автоматически извлечены с использованием комбинации трех инструментов из программной библиотеки FMRIB (FSL) (https://fsl.fmrib.ox.ac.uk/fsl/fslwiki) (Jenkinson et al. , 2012): наименьшее единственное ядро, ассимилирующее сегмент (SUSAN), инструмент регистрации линейных изображений FMRIB (FLIRT) и инструмент сегментации / регистрации на основе модели (FIRST), объединенные в автоматическом конвейере, разработанном собственными силами, и при необходимости исправленные вручную .Бинарные маски NAWM, WMH и подкорковых структур были сопоставлены с последовательностями T1W, T2W и FLAIR, как показано в

наборе изображений, полученных у каждого пациента. В этом типичном случае T1-взвешенное (T1W), T2-взвешенное (T2W) и ослабленное жидкостью инверсионное восстановление (FLAIR) изображения мозга нормально выглядящего белого вещества (NAWM), гиперинтенсивности белого вещества (WMH) и подкорковых структур (SS) пациента с лакунарным инсультом.

2.4. Анализ трехмерной текстуры

Текстурные особенности были извлечены из всего 1800 наборов трехмерных изображений (2 проспективных исследования × 100 индивидуальных данных × 3 последовательности МРТ × 3 ткани / структуры головного мозга).Был реализован простой подход к захвату объемной информации каждого трехмерного изображения: сначала мы извлекли признаки двухмерной текстуры из каждого среза каждого трехмерного изображения, а затем характеристики трехмерной текстуры изображения были получены путем вычисления среднего значения всех значений. ломтики. Этот процесс проиллюстрирован на. При таком подходе распределения уровней серого в третьем измерении не рассматриваются; однако было показано, что признаки, вычисленные с помощью этого метода двумерного усреднения, более различаются, чем признаки, извлеченные из одного среза (Larroza et al., 2016). Кроме того, все функции были стандартизированы до нулевого среднего и единичной дисперсии, чтобы улучшить численную стабильность в процессе обучения модели. Кроме того, по той же причине были удалены предикторы с нулевой и близкой к нулю дисперсией (Kuhn and Johnson, 2013b). Наконец, некоторые функции не смогли дать допустимое числовое значение для некоторых пациентов (например, при попытке вычислить на небольших кластерах WMH), поэтому эти функции также были удалены, чтобы избежать вычислительных проблем в процессе обучения.

Процесс извлечения трехмерных характеристик FLAIR-изображения NAWM.Тот же процесс применяется ко всем изображениям каждого метода МРТ (FLAIR, T1W и T2W) и каждой ткани / структуры (NAWM, WMH и SS).

Процесс извлечения признаков был выполнен в MATLAB (R2015b; The MathWorks Inc., Натик, Массачусетс, США), взяв за образец код, реализованный в (Alegre et al., 2012).

2.5. Дескрипторы текстуры

В общей сложности из каждого из 1800 трехмерных изображений было извлечено 114 элементов и сгруппировано в пять различных наборов текстурных элементов в соответствии с используемым методом анализа текстуры: элементы матрицы совместной встречаемости на уровне серого (GLCM: 13 параметров), Возможности матрицы длин серий на уровне серого (GLRLM: 11 параметров), функции локальных двоичных шаблонов (LBP: 40 параметров), статистические функции вейвлетов (WSF: 26 параметров) и функции одновременного появления вейвлетов (WCF: 24 параметра).показывает все текстурные особенности, извлеченные из каждого метода.

Таблица 1

Элементы текстуры извлечены.

2.5.1. Характеристики матрицы совместной встречаемости на уровне серого

Матрица совместной встречаемости на уровне серого (GLCM) — это метод анализа текстуры второго порядка, основанный на статистической матрице, который впервые был предложен (Haralick et al., 1973) для описания локальной неоднородности. информация в изображениях. Этот метод количественно определяет взаимосвязь между уровнями серого в изображении путем подсчета пар пикселей, разделенных предварительно определенным расстоянием (d) и направлением (θ), которые имеют одинаковое распределение значений уровней серого. Каждый пиксель результирующей матрицы представляет количество раз, когда на изображении видны уровень серого опорного пикселя и уровень серого соседнего пикселя на предварительно определенном расстоянии d и направлении θ.Следовательно, размер GLCM будет Ng × Ng, т.е. Ng — количество уровней серого в изображении. Некоторые статистические данные, представляющие однородность или неоднородность изображения, могут быть математически вычислены с помощью GLCM.

В нашем исследовании изображения были равномерно квантованы до Ng = 32 уровня серого, чтобы снизить вычислительные затраты на процесс выделения признаков и улучшить соотношение сигнал / шум (Гиббс и Тернбулл, 2003). Расстояние d = 1 пиксель было выбрано для улучшения в основном локальных свойств при вычислении GLCM.Для достижения инвариантности вращения были усреднены характеристики, извлеченные из GLCM в четырех направлениях двумерного пространства (θ = 0 °, 45 °, 90 ° и 135 °). Инвариантность вращения важна в контексте нашей работы, потому что некоторые методы текстуры, такие как GLCM, зависят от направления, и при повороте изображения могут быть получены разные значения текстуры, что влияет на результаты, когда изображения разных пациентов имеют разную ориентацию (Ларроза и др. ., 2016). В итоге из GLCM каждого изображения было извлечено 13 текстурных элементов, как показано на.Уравнения для вычисления этих характеристик и более подробную информацию можно найти в (Haralick et al., 1973).

2.5.2. Матрица длин серий на уровне серого — особенности

Матрица длин серий на уровне серого (GLRLM) — это также метод анализа текстуры на основе статистической матрицы более высокого порядка, чем GLCM, который описывает информацию о региональной неоднородности. Этот метод, впервые предложенный (Galloway, 1975) и расширенный (Chu et al., 1990) и (Dasarathy and Holder, 1991), исследует время, в течение которого каждое значение уровня серого последовательно отображается на изображении в заданном направлении.GLRLM создается путем обнаружения и подсчета серий (последовательностей последовательных пикселей с одним и тем же уровнем серого) разных уровней серого и длины в изображении. Каждая строка GLRLM представляет уровень серого, а каждый столбец представляет определенную длину, поэтому каждый пиксель матрицы указывает количество прогонов определенного уровня серого и длину в изображении. Характеристики, извлеченные из GLRLM, могут использоваться для определения тонких текстур (преобладают короткие серии) или грубой текстуры (преобладают более длинные серии) (Nailon, 2010).

Для вычисления GLRLM изображения были предварительно квантованы до Ng = 32 уровня серого, как в случае GLCM. На характеристики GLRLM также влияет ориентация изображения, поэтому элементы, извлеченные из GLCM в четырех направлениях 2D-пространства (θ = 0 °, 45 °, 90 ° и 135 °), были усреднены для достижения инвариантности вращения. Всего было вычислено 11 характеристик GLRLM, как показано на, а дополнительные подробности можно найти в (Chu et al., 1990; Dasarathy and Holder, 1991; Galloway, 1975).

2.5.3. Особенности локальных двоичных шаблонов

Локальные двоичные шаблоны (LBP) были представлены в (Ojala et al., 2002) и вскоре стали очень популярными благодаря своей высокой эффективности распознавания и простоте вычислений. LBP маркирует каждый пиксель анализируемого изображения, сравнивая его уровень серого с уровнями серого окружающих пикселей, а затем присваивая конкретное двоичное число. Это двоичное число для каждого пикселя получается путем присвоения значения 1 тем окружающим пикселям с более высоким значением уровня серого и 0 тем окружающим пикселям с более низким значением уровня серого.Первоначально LBP был определен для участков размером 3 × 3 пикселя, но позже он был расширен для блоков окружающих пикселей P и , разделенных расстоянием R . Принимая во внимание это обобщение и учитывая пиксель c с координатами (x _c , y _c ), двоичное число LBP, присвоенное каждому пикселю изображения, вычисляется с использованием уравнения. (1):

LBPR, P = ∑p = 0P − 1sgp − gc × 2p

(1)

, где g _c и g _p — значения уровня серого центрального пикселя. c и его соседний пиксель p , а функция s (g _p — g _c ) определяется как:

sgp-gc = 1, если gp-gc≥00, если gp-gc < 0

(2)

Как только уравнение.(1) применяется ко всем пикселям изображения, получается изображение LBP, и все ячейки гистограммы этого изображения используются в качестве элементов текстуры. Другие статистические данные могут быть извлечены из изображения LBP и использованы как функции текстуры, такие как среднее значение или дисперсия.

В этой работе оригинальный оператор LBP (участки размером 3 × 3 пикселя: P = 8, R = 1) использовался для сохранения анализа текстуры как можно более локальным, поскольку такие области, как WMH, не очень большие. Инвариантность вращения была достигнута путем выполнения круговой побитовой операции сдвига вправо (поворот набора соседних пикселей по часовой стрелке) и присвоения наименьшего двоичного числа LBP (Ojala et al., 2002). Используя этот подход, было получено 36 уникальных характеристик LBP на основе гистограмм, инвариантных к вращению, так как только 36 двоичных чисел LBP могут встречаться для P = 8. Кроме того, 4 статистики, полученные непосредственно из изображения LBP (медиана, дисперсия, асимметрия и эксцесс) были добавлены в набор функций LBP. МРТ-изображения не были квантованы для вычисления особенности текстуры LBP, поскольку подход LBP, инвариантный к вращению, устойчив к изменениям интенсивности (Unay et al., 2007).

2.5.4. Функции, основанные на вейвлет-преобразовании

Дискретное вейвлет-преобразование (DWT) — это метод, который исследует пространственные частотные шаблоны изображения в разных масштабах и частотных направлениях, учитывая, что частота прямо пропорциональна вариациям уровня серого в изображении.DWT, применяемый к изображению, создает четыре матрицы коэффициентов (суб-изображений), которые представляют приближения или низкие частоты (LL: низкий-низкий) и детали или высокие частоты по вертикали (LH: низкий-высокий), горизонтальной (HL : высокий-низкий) и диагональный (HH: высокий-высокий) направления. Пример этой матрицы показан на. DWT может повторяться последовательно для достижения основной декомпозиции изображения: первый уровень декомпозиции (LL ₁ , LH ₁ , HL ₁ и HH ₁ ) применяется к исходному изображению, как упоминалось ранее, и последующие уровни применяются к матрице приближений предыдущего уровня (LL _i , LH _i , HL _i и HH _i , где i — уровень разложение).DWT может использоваться в качестве метода анализа текстуры преобразования путем обработки этих субизображений для получения параметров, которые описывают информацию о пространственной частоте изображения. Эти параметры ранее использовались в некоторых исследованиях с успешными результатами (Alegre et al., 2012; Arivazhagan and Ganesan, 2003; González-Castro et al., 2017).

Первый уровень DWT разложения FLAIR-изображения ткани белого вещества (NAWM и WMH) одного среза головного мозга.

В этой работе мы исследовали две группы текстурных особенностей, полученных из DWT.Первой группой были статистические функции вейвлета (WSF), состоящие из 26 дескрипторов, которые представляют собой среднее значение и стандартное отклонение гистограмм исходного изображения и дополнительных изображений, полученных после трех уровней декомпозиции. Вторая группа — это функции совместного появления вейвлета (WCF), состоящие из 24 дескрипторов, которые получаются путем извлечения шести характеристик GLCM (энергия, контраст, корреляция, однородность, энтропия и дисперсия) из фрагментов изображений, полученных после первого Разложение DWT. Семейство вейвлетов Хаара использовалось для выполнения DWT-разложения.

2.6. Статистический анализ и классификационный подход

2.6.1. Оценка пригодности текстурных признаков

Был проведен предварительный статистический анализ для оценки различительной способности каждого признака независимо между популяциями. Его конечная цель состояла в том, чтобы оценить возможность использования этих характеристик индивидуально в качестве биомаркеров инсульта. Для сравнения распределения каждой текстурной особенности для каждого из классов был применен тест Манна-Уитни U .Этот непараметрический тест эквивалентен тесту t для независимых выборок, но без требования о нормальности и рекомендуется для относительно небольших размеров выборки (McDonald, 2014). По мере увеличения количества выполняемых статистических тестов тест на контрастность становится более разрешительным, тем самым более легко отвергая нулевую гипотезу и увеличивая количество ложноположительных результатов (McDonald, 2014). Чтобы противостоять этому эффекту, обычно известному как проблема множественных сравнений, мы решили применить поправку Холма-Бонферрони, прежде чем предполагать статистическую значимость характеристик.Этот относительно сильный (консервативный) метод контролирует частоту ошибок в семье, тем самым компенсируя ошибку типа I (неверно отвергая нулевую гипотезу) и пытаясь ограничить вероятность даже одного ложного открытия.

2.6.2. Классификационные модели

После статистического анализа мы применили алгоритмы машинного обучения для анализа групп элементов текстуры, не удаляя изначально какие-либо функции, поскольку функции, которые могут быть совершенно бесполезными сами по себе, могут обеспечить значительное повышение производительности в сочетании с другими в рамках машинного обучения. подход (Guyon and Elisseeff, 2003).Мы оценили производительность двух хорошо известных классификаторов: машины опорных векторов (SVM) с линейным ядром и случайного леса (RF). Классификатор SVM (James et al., 2013; S. Wang and Summers, 2012; Wu et al., 2008) в задаче двоичной классификации, подобной нашей, пытается максимизировать запасное расстояние между границей классификации (т.е. гиперплоскостью) и ближайших выборок обоих классов путем корректировки внутренних параметров в процессе обучения. Одним из этих параметров является стоимость C , которая контролирует компромисс между неправильной классификацией обучающих данных и размером полей.Значения C = 2 ^-3 , 2 ^-2 , 2 ^-1 , 1, 2, 2 ² и 2 ³ были настроены для получения оптимальных результатов классификации. Мы использовали линейное ядро ​​после первоначальной оценки, когда нелинейные ядра не дали заметно лучших результатов даже после длительного процесса обучения. RF-классификатор (Fernández-Delgado et al., 2014) объединяет результаты множества независимых и декоррелированных деревьев решений в процессе обучения, тем самым улучшая обобщение модели и устойчивость к переобучению в небольших выборках (т.е. наша выборка мала для алгоритмов машинного обучения). Одним из преимуществ модели RF является небольшая настройка параметров. Параметр mtry , который определяет количество случайных величин, используемых в каждом дереве, контролирует силу (насколько точны отдельные деревья) и корреляцию (зависимость между деревьями) модели RF. Другой параметр настройки — это количество деревьев, которые нужно построить. В этой работе были оценены значения mtry = 2, 4, 6, 8, 10 и 12, а количество деревьев было установлено на 250, поскольку более высокие значения этого параметра не дали заметно лучших результатов при предварительной оценке.

2.6.3. Оценка моделей классификации

Для оценки эффективности моделей классификации мы использовали подход 5-кратной перекрестной проверки (CV). Этот метод повторной выборки случайным образом разбивает каждый набор данных текстуры на пять подмножеств выборок или сверток одинакового размера, поддерживая сбалансированное количество обоих классов в каждой свертке. Затем были обучены и протестированы пять моделей, так что каждая из пяти складок использовалась один раз в качестве тестового набора, а четыре оставшихся складки использовались для обучения модели.Этот процесс был повторен десять раз, чтобы уменьшить дисперсию результатов перекрестной проверки и избежать возможной систематической ошибки при случайном разделении складок (Kuhn and Johnson, 2013c), поэтому в конце 50 моделей (5 тестовых складок × 10 повторений) были построены с использованием разных наборов пациентов для обучения и тестирования каждый раз. Эффективность классификации оценивалась с использованием усредненной площади под кривой (AUC) рабочей характеристики приемника (ROC), полученной в результате усреднения значений AUC, полученных в результате 50 итераций (среднее значение ± стандартное отклонение).Хорошие оценки производительности модели могут быть получены с использованием данных проверки, когда размер выборки невелик (Kuhn and Johnson, 2013c). Другие показатели, такие как чувствительность, специфичность и точность, также были получены для подтверждения результатов.

9000 комбинаций текстур (18 × 100 наборов изображений × 5 методов анализа текстуры) были сначала исследованы с помощью классификаторов без исключения каких-либо текстурных элементов, как упоминалось ранее. Однако комбинации текстур, которые обеспечили наивысшие значения AUC, были проанализированы снова с использованием той же структуры перекрестной проверки с этапом выбора характеристик, включенным в процесс построения модели, чтобы избежать переобучения (Ambroise and McLachlan, 2002).Таким образом, мы могли проверить, улучшило ли уменьшение количества признаков результаты классификации. Два метода отбора признаков были применены для получения ранжирования признаков на основе дискриминирующей способности каждого признака независимо без анализа взаимосвязи между признаками и без использования какой-либо прогнозной модели (Kuhn and Johnson, 2013a). В первом методе использовалось значение p , полученное с помощью теста Манна-Уитни U для независимых групп образцов. Второй метод использовал максимальный информационный коэффициент (MIC), который измеряет силу линейной или нелинейной связи между двумя переменными.

Процесс оценки модели был реализован с помощью пакета Caret (Kuhn, 2008) на языке R, версия 3.2.5 (R Development Core Team, Вена, Австрия), и проиллюстрирован на.

Структура перекрестной проверки, используемая для оценки 90 наборов данных текстуры. Все образцы каждого набора данных текстуры были случайным образом разделены R = 10 раз в F = 5 крат для оценки модели с усредненной AUC. Этот процесс был повторен для двух исследованных моделей (SVM с линейным ядром и RF) и для всех выбранных параметров настройки.Процесс выбора функций применялся только к тем наборам, которые давали наилучшие результаты для изучения влияния количества функций, используемых для обучения модели.

2.6.4. Влияние клинических показателей на работу классификаторов

Были определены пациенты, у которых лучшие модели показали хорошие результаты в 80% и более случаев. На основе этих лучших моделей также были идентифицированы пациенты, для которых оба классификатора (то есть SVM и RF) показали хорошие результаты в 80% или более раз.Для каждого пациента мы извлекли следующие данные: 1) доля случаев, когда изображения были правильно (и ошибочно) классифицированы, 2) доля случаев, когда оба классификатора правильно (и неправильно) классифицировали изображения с использованием одних и тех же дескрипторов, 3) клинические данные. классификация инсульта на отсутствие инсульта, большой кортикальный слой, малый кортикальный слой или лакунар, 4) возраст на момент сканирования, 5) общий фактор WMH, учитывающий визуальные оценки и вычислительные измерения, согласно (Aribisala et al., 2014), 6) процентное соотношение объемы пораженной и нормальной ткани во внутричерепном объеме, 7) процентная доля объема ткани мозга во внутричерепном объеме, 9) периваскулярные пространства, визуальные оценки в базальных ганглиях и в центральном семиовале.Мы рассчитали бутстрепные двумерные корреляции Пирсона между первыми двумя переменными (то есть результатами процессов классификации) и остальными (то есть клиническими переменными), чтобы оценить возможное влияние клинических биомаркеров и возраста на результаты схем классификации.

3. Результаты

3.1. Текстурные особенности для различения пациентов с кортикальным и лакунарным инсультом

Шестьдесят один текстурный элемент из 1026 элементов (114 элементов × 3 последовательности МРТ × 3 ткани / структуры головного мозга) статистически значимо различались ( p <0.05) между пациентами с постострым кортикальным и лакунарным инсультом, но только две характеристики, полученные из GLCM (FIMC и SIMC (см.), С p = 0,0218 и p = 0,0096 соответственно), были значимыми после применения метода Холма-Бонферрони. поправка на множественные сравнения. показывает распределение значимых признаков в соответствии с последовательностью МРТ и тканью / структурой головного мозга. Последовательности T1W кажутся более подходящими для использования текстурной информации для различения пациентов с кортикальным и лакунарным инсультом, особенно при анализе подкорковых структур головного мозга.Тем не менее, данные текстуры, извлеченные из этих изображений и этих тканей / структур головного мозга, по-видимому, не обладали достаточной различающей способностью, чтобы различать пациентов с кортикальным и лакунарным инсультом в целом.

Таблица 2

Количество значимых признаков ( p <0,05) для различения пациентов с кортикальным и лакунарным инсультом до (числитель) и после (знаменатель) поправки Холма-Бонферрони для множественных сравнений по последовательности МРТ и ткани / структуре мозга.

Таблица 3

Результаты классификационного анализа пациентов с кортикальным и лакунарным инсультом. Значения AUC, вычисленные путем усреднения результатов данных валидации (среднее ± стандартное отклонение), показаны для двух моделей (SVM с линейным ядром и RF) и для всех последовательностей МРТ и тканей / структур головного мозга при использовании функций текстуры, извлеченных из 5 методов текстурного анализа.Представленные значения получены для наилучшего параметра настройки в каждом случае.

3,2. Анализ текстуры для классификации людей с предыдущим штрихом и без него

Многие особенности текстуры продемонстрировали способность различать людей с «отсутствием мазка» и «старый штрих». В этом случае 349/1026 текстурных признаков (114 признаков × 3 последовательности МРТ × 3 ткани / структуры головного мозга) были статистически значимыми ( p <0.05) при применении U-критерия Манна-Уитни для независимых групп образцов, и 235 признаков оставались значимыми после применения поправки Холма-Бонферони для множественных сравнений. показывает распределение значимых признаков в соответствии с последовательностью МРТ и тканью / структурой головного мозга. Информация, собранная в этой таблице, указывает на то, что особенности текстуры, извлеченные из подкорковых структур головного мозга, более эффективны при различении между людьми «без инсульта» и «старый инсульт», независимо от используемой последовательности МРТ.

Таблица 4

Количество значимых признаков ( p <0,05) для различения лиц «без инсульта» и «старого инсульта» до (числитель) и после (знаменатель) поправки Холма-Бонферони для множественных сравнений на последовательность МРТ и головной мозг ткань / структура.

Согласно полученным значениям AUC, определенные группы текстур позволили с хорошей степенью точности классифицировать индивидуумов «без мазка» и «старый штрих».показывает усредненную AUC (среднее ± стандартное отклонение), полученную в результате 50 итераций при изучении всех наборов данных текстуры с двумя моделями (SVM с линейным ядром и RF), а также для всех последовательностей МРТ и тканей / структур головного мозга. Хорошие результаты (т.е. AUC> 0,7) не были достигнуты со всеми группами текстур. Особенности локальных бинарных паттернов, извлеченные из T2W и FLAIR изображений подкорковых структур, дали хорошие результаты, как и ожидалось из предыдущего статистического анализа (см.). Однако другие наборы данных функций, такие как функции GLRLM, извлеченные из изображений FLAIR WMH или функций WCF, извлеченных из изображений FLAIR NAWM, дали удовлетворительные результаты, хотя предыдущий статистический анализ не был очень оптимистичным с функциями, извлеченными из этих групп изображений ().Следует отметить, что параметры, извлеченные из изображений T1W, а также параметры, полученные из GLCM, в любом случае не обеспечивали значений AUC выше 0,7. Прогностическая модель, использованная для классификации пациентов, повлияла на результаты, но не было однозначного вывода о том, какая модель лучше, поскольку SVM лучше работал с некоторыми наборами данных текстуры, а RF — с другими.

Таблица 5

Результаты классификационного анализа для лиц с «перенесенным инсультом» и «без инсульта». Значения AUC, вычисленные путем усреднения результатов данных валидации (среднее ± стандартное отклонение), показаны для двух моделей (SVM с линейным ядром и RF) и для всех последовательностей МРТ и тканей / структур головного мозга при использовании функций текстуры, извлеченных из 5 методов текстурного анализа.Представленные значения получены для наилучшего параметра настройки в каждом случае.

Мы применили два метода выбора признаков фильтра к пяти наборам данных текстуры, которые дали хорошие результаты (т.е. AUC> 0,7), чтобы увидеть, улучшатся ли результаты классификации при уменьшении количества функций. Ранжирование характеристик, основанное на максимальном информационном коэффициенте (MIC) и значении p , полученном с помощью теста Манна-Уитни U , вычислялось из обучающих складок в каждой из 50 итераций процедуры CV. показывает новые значения AUC, полученные при уменьшении количества функций в соответствии с вычисленными рейтингами в лучших наборах данных текстуры. В целом, лучшие значения AUC были получены при уменьшении количества функций.В частности, примечательно существенное улучшение, достигнутое для параметров LBP, извлеченных из T2W-изображений подкорковых структур при использовании модели SVM: окончательное значение AUC = 0,828 ± 0,075 было получено при использовании только 7 более важных характеристик LBP в соответствии с Коэффициент MIC. показывает значения AUC, полученные для всех возможных подмножеств функций в соответствии с рейтингом MIC и кривыми ROC, предоставленными моделью при использовании всех функций и при использовании оптимального количества функций.

Таблица 6

Значения AUC, полученные при анализе лучших наборов данных текстуры с применением и без применения выбора признаков, то есть с использованием всех функций набора данных (Все) и уменьшением количества функций на основе двух показателей: p — значение ( p -val) и максимальный информационный коэффициент (MIC).

Результаты применения метода выбора признаков на основе MIC к набору данных текстуры признаков LBP, извлеченных из T2W-изображений подкорковых структур (SS) при обучении модели SVM со стоимостью C = 8. Полученный профиль значений AUC для всех возможных подмножеств функций в соответствии с рейтингом MIC показано в (а).Кривые ROC, представленные моделью при использовании всех функций (14 функций) и при использовании оптимального количества функций (7 функций), показаны на (b).

3.2.2. Влияние возраста на результаты классификации

показывает результаты, полученные с включением и без включения данных изображения от пожилых людей (т.е. возраст ~ 91 год) в наборы данных текстуры, которые показали лучшие результаты (т.е. AUC> 0,7) в предыдущем анализе. Результаты показывают, что эффективность классификации ухудшилась при представлении пожилых пациентов в целом, что позволяет предположить, что возраст влияет на результаты классификации, увеличивая частоту ошибочной классификации.

Таблица 7

Значения AUC, полученные при анализе лучших наборов данных текстуры (без выбора признаков) с включением и без включения текстур, извлеченных у дополнительных пациентов старшего возраста.

3.3. Клиническая оценка результатов моделей

Ни один из проанализированных клинических биомаркеров не коррелировал с долей случаев, когда изображения были правильно (и ошибочно) классифицированы, а также с долей раз, когда оба классификатора правильно (и неправильно) классифицировали изображения. изображения, использующие одни и те же дескрипторы. Только возраст достоверно коррелировал с этими измерениями ( p ≤ 0.001). Однако сила значимости составила только r = 0,31 и r = 0,39 соответственно.

Схема выполнения классификации различных типов изображений (например, отсутствие инсульта, большой кортикальный инсульт, малый кортикальный инсульт, лакунарный инсульт) была аналогичной независимо от используемого классификатора (т.е. SVM и RF) и когда анализ учитывал, учитывались ли изображения были правильно (или неправильно) классифицированы обоими классификаторами: изображения «без штриха» достигли наибольшей доли хорошо классифицированных, за ними следуют «лакунарный», «малый кортикальный» и «большой кортикальный» ().

Схема эффективности классификации лучших моделей (т. Е. Для которых точность была выше 80%) на подтип инсульта (т. Е. Без инсульта, большой кортикальный, малый кортикальный или лакунарный) (слева) и на возникновение инсульта (т. Е. Имел инсульт или не правильно).

4. Обсуждение

В этой статье эффективность нескольких текстурных особенностей, извлеченных из различных тканей и структур головного мозга (например, NAWM, WMH и подкорковых структур) в различных структурных последовательностях МРТ (т.е.е. FLAIR, T2W и T1W) был проанализирован с использованием двух традиционных подходов к машинному обучению, чтобы определить наличие инсульта на изображениях пациентов, перенесших острый инсульт, и людей с нормальным возрастом. Была изучена дифференциация постострых кортикальных и лакунарных подтипов инсульта с использованием анализа текстуры, а также классификация изображений с хроническими инсультами и без них.

Только две текстурные особенности подкорковых структур на изображениях T1W привели к высокой дифференцирующей способности между изображениями постострой лакунарной икорковый инсульт. Эти характеристики были первой и второй информационной мерой корреляции (FIMC и SIMC), полученной из GLCM, которые количественно определяют линейную зависимость или корреляцию между интенсивностями, таким образом представляя однородность, но добавляя некоторые желательные свойства, которые не представлены исходным дескриптором корреляции, извлеченным из GLCM (Haralick et al., 1973). Можно поставить под сомнение причину использования всех функций Haralick в наших моделях, учитывая, что некоторые из них могут быть коррелированы, неся повторяющуюся информацию.Обзор методов выбора признаков (Guyon and Elisseeff, 2003) соглашается с тем, что идеально коррелированные переменные действительно избыточны в том смысле, что при их добавлении не может быть получена дополнительная информация, поэтому удаление идеально коррелированных переменных не повлияет отрицательно на эффективность обучения. Однако авторы также заявляют, что очень высокая корреляция переменных (или антикорреляция) не означает отсутствие взаимодополняемости переменных: функции, которые сами по себе не несут какой-либо дискриминационной или дополнительной ценности, могут обеспечить значительное улучшение производительности в сочетании с другими в пределах подход машинного обучения.

В предыдущем исследовании, в котором оценивалось использование анализа текстуры в качестве альтернативы для характеристики ВЗД и оценки возможной утечки гематоэнцефалического барьера (Valdés-Hernández et al., 2017), сообщалось о различиях в текстуре глубокого серого вещества FLAIR между пост-острыми состояниями. пациенты с лакунарным и кортикальным инсультом, но только с пограничным значением. Это исследование показало, что текстура глубокого серого вещества была более «однородной» у пациентов с недавним лакунарным инсультом по сравнению с пациентами с кортикальным типом.Статистически значимые различия между изображениями FLAIR, полученными от обеих групп пациентов, были обнаружены только в текстурных особенностях, измеренных в очагах поражения после острого инсульта. Нашей мотивацией было изучить, может ли текстура в условно сегментированных тканях (то есть нормальных и аномальных) обладать достаточной дискриминирующей способностью для использования в схемах машинного обучения для определения подтипа инсульта, а также наличия инсульта. Обычно очаги ишемического инсульта и артефакты, имитирующие WMH, включаются в нагрузку WMH с помощью автоматических методов сегментации WMH.Реальный сценарий заключался бы в оценке результатов современных методов сегментации CNN WMH. Однако искажение аномального сигнала WMH с неравномерным бременем изменений сигнала по другим причинам привело бы к искажению результатов. Поэтому мы тщательно исключили очаги инсульта из бремени гиперинтенсивного сигнала на основе T2W и не анализировали текстуру в них. Наш анализ обнаружил особенности с пограничной статистической значимостью для различения пациентов с кортикальным и лакунарным инсультом в данных МРТ T1W, но не смог найти традиционную модель машинного обучения для точной классификации этих пациентов.Причина этих результатов может заключаться в том, что во многих случаях оба типа инсульта могут наблюдаться одновременно, как сообщает (Xu, 2014).

Изображения пациентов «без инсульта», как правило, лучше определялись классификаторами по сравнению с изображениями с «большими корковыми» хроническими поражениями после инсульта, в результате чего они были менее хорошо классифицированы, и вместо этого были классифицированы. как отсутствие инсульта. Это может показаться противоречивым, учитывая, что изображения людей с хроническими лакунарными поражениями (т.е. Небольшие поражения, главным образом в области, пересекаемой кортикоспинальными путями (Valdés-Hernández et al., 2015a, b), которые могут быть смешаны с WMH, были вторыми наиболее классифицированными. Однако лакунарные, а не крупные кортикальные инсульты были связаны с нарушением гематоэнцефалического барьера, что проявлялось в аномальной внеклеточной утечке (Wardlaw et al., 2017). Также сообщалось, что текстурные особенности в нормальных и аномальных тканях полезны для обнаружения тонких различий, вызываемых этим механизмом.

Одним из ограничений этой работы является невозможность объединения наборов данных об инсульте и старении для анализа того, можно ли отличить изображения, показывающие недавние кортикальные или лакунарные инсульты, от изображений пациентов без инсульта и пациентов со старым поражением после инсульта. Это связано с тем, что вариации в параметрах сбора данных могут приводить к различиям в результатах текстуры, которые не связаны с лежащими в основе биологическими характеристиками тканей, выраженными текстурой (Mayerhoefer et al., 2009; Schad, 2004).Методы нормализации изображения помогают уменьшить различия в настройках получения изображений, но некоторые остаточные эффекты не могут быть полностью подавлены, таким образом скрывая истинные различия текстуры только из-за свойств ткани. Следовательно, объединение функций текстуры, извлеченных из обеих баз данных в оцениваемом конвейере машинного обучения, может привести к чрезмерно оптимистичным результатам, вызванным различиями в протоколах получения изображений. Другое ограничение настоящей работы состоит в подходе к анализу трехмерной текстуры, основанном на медиане характеристик двумерной текстуры.Хотя чистый анализ трехмерной текстуры обычно предпочтительнее, поскольку он позволяет получить больше информации о неоднородности анализируемой ткани, этот подход не всегда осуществим, особенно когда толщина среза изображений очень велика по сравнению с разрешением в плоскости (Depeursinge et al. ., 2014), как и в нашем случае. В этих ситуациях рекомендуются подходы к использованию двухмерной текстуры или подходы, подобные тому, что мы использовали.

В этой работе мы провели очень подробное исследование с анализом текстуры для выявления и характеристики ишемических поражений инсульта в данных структурной МРТ головного мозга, рассматривая несколько областей или тканей и проверяя большое количество количественных дескрипторов текстуры.Количество пациентов в группе было достаточно большим, чтобы делать надежные выводы, а конвейер машинного обучения был разработан так, чтобы избежать чрезмерно оптимистичных и переобученных результатов. Мы достигли многообещающих результатов, которые предположили, что особенности текстуры могут помочь в обнаружении предыдущих поражений при инсульте, и определили текстурные особенности, которые выглядят многообещающими при выполнении этой задачи, чтобы их можно было оценить в схемах трансферного обучения с помощью искусство глубоких CNN. Кроме того, была исследована корреляция наших результатов с клиническими параметрами, чтобы найти клинические паттерны или характеристики, которые могли быть отражены в текстурных особенностях, которые оказались многообещающими для оцениваемых задач классификации.

Конфликт интересов

Все авторы заявляют об отсутствии конфликта интересов, о котором следует сообщать.

Финансирование исследования

Эта работа финансировалась благотворительным фондом Row Fogo Charitable Trust (MVH, VGC), грант No. BRO-D.FID3668413 и Wellcome Trust (набор пациентов, сканирование, первичное исследование, Ref No. 088134 / Z / 09). Исследование проводилось независимо от спонсоров, которые не владеют данными и не участвовали в дизайне или анализе исследования.

Lothian Birth Cohort 1936 финансируется Age UK (грант Disconnected Mind) и Советом по медицинским исследованиям (MRC; MR / M01311 / 1, G1001245, 82800), а последний поддерживает BSA.IJD поддерживался Центром когнитивного старения и когнитивной эпидемиологии, который финансируется MRC и Исследовательским советом биотехнологии и биологических наук (MR / K026992 / 1).

Дэвид Мораталь благодарит за финансовую поддержку со стороны Министерства экономики и конкуренции Испании (MINECO) и фондов FEDER в рамках гранта BFU2015-64380-C2-2-R, а также со стороны Conselleria d’Educació, Investigació, Cultura i Esport, Generalitat Valenciana ( гранты AEST / 2017/013 и AEST / 2018/021).

Рафаэль Ортис-Рамон получил поддержку грантом ACIF / 2015/078 и грантом BEFPI / 2017/004 от Conselleria d’Educació, Investigació, Cultura i Esport Валенсийского сообщества (Испания).

Благодарности

Мы благодарим участников исследований, предоставивших данные для этого исследования, рентгенологов и персонал Эдинбургского центра визуализации мозга (http://www.bric.ed.ac.uk/), SINAPSE (Шотландия). Imaging Network A Platform for Scientific Excellence, www.sinapse.ac.uk/) центр сотрудничества. Мы особенно благодарим следующих членов исследовательских групп, которые внесли свой вклад в набор, сбор данных или обработку изображений в первичных исследованиях, но не участвовали в анализе или написании этого отчета:Сусана Муньос Маньега, доктор Натали Ройл, миссис Элени Сакка, мисс Кэтрин Мюррей, мисс Кирстен Шулер.

Список литературы

21 БЕСПЛАТНАЯ анимация, нарисованная вручную кистью

С помощью этих БЕСПЛАТНЫХ нарисованных вручную мазков кисти и анимации вы можете легко добавить немного изюминки и текстуры в свои видео и анимации.

Когда вы создаете титры или анимационную графику, добавление небольшой дополнительной анимации или текстуры может иметь большое значение, чтобы придать вашему проекту индивидуальный вид, сделанный вручную. Особенно, если эти дополнения сделаны на заказ и сделаны вручную.

С помощью этих простых, но эффективных рисованных вручную линейных анимаций, форм и другой рисованной графики вы можете перетащить дополнительную текстуру и движение на любую сцену или графику. Все эти элементы предварительно запрограммированы и готовы к работе. Просто добавьте их поверх всего, что требует чего-то дополнительного.

Этот пакет из 21 БЕСПЛАТНОЙ графики с мазками кисти включает следующее:

• 21 5-секундный файл Quicktime .mov в Prores 444, предварительно заданные (с альфа-каналом) анимированные мазки кисти.
• 11 различных типов линейной анимации, включая толстую, блеклую, пунктирную и другие.
• 3 различных анимации круга с разным внешним видом.
• 7 различных форм и анимаций символов, таких как стрелки, крестики и галочки.
• Купон Shutterstock на скидку 15%

Загрузите 21 БЕСПЛАТНУЮ графику с мазками кисти

Нажмите кнопку ниже, чтобы загрузить бесплатный набор из 21 рисунка с мазками кисти.В загрузке вы найдете все, что вам нужно, чтобы начать работу. Эти анимированные изображения можно использовать в любых личных или коммерческих проектах. Загружая, вы соглашаетесь не перепродавать и не распространять эти бесплатные ресурсы.

СКАЧАТЬ 21 БЕСПЛАТНЫЙ ГРАФИК КИСТИ

Как использовать эту бесплатную графику для рисования

Эти бесплатные графические мазки кисти предварительно настроены и чрезвычайно просты в использовании.

Эти БЕСПЛАТНЫЕ мазки кистью чрезвычайно просты в использовании.

Все они предварительно настроены с помощью альфа-канала, поэтому нет необходимости делать что-либо с режимами передачи или матами яркости. Вы можете перетащить их на отснятый материал и использовать как хотите.

Есть одно предостережение: все эти файлы имеют длину 5 секунд. Это означает, что если вам нужно, чтобы они были длиннее, вам нужно будет удлинить их в своем программном обеспечении для редактирования.

Продление анимации в премьере

Нажав «Вставить сегмент удержания кадра» в Premiere, вы сможете удлинить анимацию.

Чтобы удлинить графику в Premiere, просто добавьте свой элемент на шкалу времени и разместите его с помощью вкладки движения в элементах управления эффектами.

Как только вы разместите его там, где вам нравится, вы можете щелкнуть правой кнопкой мыши элемент на временной шкале с курсором воспроизведения к концу клипа (на самом деле не имеет значения, где, пока анимация работает своим чередом) , а затем выберите «Вставить сегмент удержания кадра».

Это даст вам расширяемый зажим, который может прослужить столько, сколько вам нужно.

Удлинение анимации в After Effects

Нажав «Стоп-кадр на последнем кадре» в After Effects, можно увеличить продолжительность анимации.

В After Effects еще проще получить нужную длину.

После того, как вы разместили свой элемент в композиции, вы можете просто щелкнуть его правой кнопкой мыши и перейти к раскрывающемуся меню «время». Там вы увидите опцию «Заморозить на последнем кадре».

Выберите это, и After Effects теперь проиграет начальную часть анимации и остановит ее на последнем кадре.Таким образом, вы можете удлинить зажим вручную.

Хотите увидеть некоторые из этих элементов в действии? Посмотрите это видео.

Ищете дополнительные бесплатные ресурсы? Проверьте это.

Краска и текстура: гениальные мазки

Свежий слой краски оживляет комнату с помощью простой и недорогой косметической операции. Несколько дополнительных декоративных ступеней могут вывести пространство за рамки основного, добавив художественного измерения.

Приемы декоративной окраски, такие как трафарет, тиснение, текстурирование и искусственная отделка, также могут отвлекать от неровностей комнаты, скрывать недостатки стен и даже маскировать грязь.

Но для большинства декоративная роспись — это эстетика и создание красивого, приятного пространства. Приложив немного практики и твердую руку, вы можете персонализировать акцентную стену или всю комнату.

Fall мотивирует тех, кто занимается своими руками, заниматься домашними и садовыми проектами. Для тех, кто хочет перенести природу, техника декоративной росписи раскатывает прямо на стене немного природы. Приложение Artisan Impressions Leaf от Sherwin-Williams добавляет изысканный, но причудливый вид окаменевшей листвы ванной или гостиной.Узоры Rollerwall, вдохновленные природой, имитируют обои с лесными пейзажами или повторяющейся листвой. Инструменты для текстурирования древесины O-Gee Paint придают стене или мебели вид искусственного дерева.

Такие техники могут быть тонкими или драматичными, в зависимости от выбора цвета. Джеки Джордан, директор по цветному маркетингу Sherwin-Williams, говорит, что цветовые тенденции последнего десятилетия меняются. «Мы возвращаемся к нейтральным нейтральным оттенкам. Нельзя сказать, что этот цвет уходит, но мы наблюдаем небольшой сдвиг.«

Модные цвета, такие как синий и сапфиры, по-прежнему популярны. По словам Джордана, в прогнозе тенденций на 2011 год присутствует несколько голубых оттенков. Они вдохновлены природными элементами, такими как небо и вода. И деним.

«Мы — обычное общество», — говорит Джордан. «Нам нравится чувствовать себя комфортно».

Green продолжает оставаться популярным и созвучным экологическим сообщениям. «Оранжевый» все еще присутствует, добавляет она, но в следующем году он будет снижен.

Начать

Готовы придать своим стенам декоративный вид?

Возьмите салфетку и соберите свои инструменты. Наряду с краской вам понадобятся валики, кисти и скотч. Внимательно прочтите инструкции к продукту и потренируйтесь, доводя до совершенства свой рисунок на плакатном картоне, прежде чем приступить к стене. Обратите внимание, как аппликатор распределяет краску. Если дурак, легко перекрасить.

Мы нашли эти три метода на удивление простыми.

Искусственные оттиски

Серия Faux Impressions от Sherwin-Williams предлагает различные виды отделки под металлик, кварцевый камень, гипс или отделку ручной работы. Хотя приложение Leaf в группе Artisan Impressions требовало нескольких дополнительных шагов, это не было сложным проектом.

Нанести базовое покрытие из матового латекса с помощью валика с полудюймовым ворсом было просто и быстро. Пока краска была липкой, мы беспорядочно и плотно нажимали на декоративные рельефные листья (продаются отдельно; также доступны в магазинах для рукоделия).После высыхания мы накатали еще один слой и дали больше времени для высыхания.

Для особой отделки мы смешали латексную глазурь в соотношении 1-1 и латексную матовую краску второго цвета, затем смешали их вдоль стены с помощью рукавицы для глазури из морской губки (также продается отдельно) случайными круговыми движениями.

Подождите около четырех часов, чтобы покрыть 400 квадратных футов пространства стены, не считая времени на высыхание. Краска стоит 17,49 доллара за кварту; глазурь стоит 14,99 доллара.

Обои Faux

Если повесить обои устрашающе, возможно, настенная печать удовлетворит ваши потребности.

Компания Джима Дугласа, www. Rollerwall.com предлагает множество шаблонов. Мы попробовали лесной олень и мотив листьев. Печать стен — это двухэтапный процесс. Мы нанесли базовое покрытие из плоского латекса, дали ему высохнуть и раскатали по естественному узору в полуглянцевом состоянии.