1 UVOD
Proces avtomatske zaznave sprememb med dvema
ali več magnetnoresonančnimi (MR) slikami glave
vključuje primerjanje lastnosti soležnih struktur v teh
slikah. Te lastnosti opišemo z značilnicami struktur,
pri čemer je najosnovnejša značilnica sivinska vrednost.
Značilnice so lahko tudi bolj kompleksne, kot na primer
oddaljenost opazovanega slikovnega elementa od ventri-
klov, histogram sivinskih vrednosti v okolici opazova-
nega slikovnega elementa, na podlagi prostorsko porav-
nanega atlasa določena a priori verjetnost, da opazovani
slikovni element pripada določeni možganski strukturi,
itn. Izbira primernega nabora značilnic je vselej pogo-
jena s konkretnim problemom, ki ga želimo rešiti.
Pri načrtovanju postopkov za analizo in razgradnjo
medicinskih slik se pogosto srečamo s tehničnimi
vprašanji, povezanimi s predobdelavo in pripravo
značilnic, kot na primer: Kakšen tip glajenja slik naj
uporabim? Katere MR-sekvence naj uporabim? Ali
naj slike predhodno preslikam v skupni prostor? V
kakšnem vrstnem redu naj izvedem te postopke? Tudi
s stališča klinične uporabe tehnologij analize slik se
porajajo pomembna vprašanja: Kateri protokoli zajema
slik so najustreznejši za poznejšo avtomatsko obdelavo?
Kakšna naj bo prostorska ločljivost zajema slik? Pri
majhnem začetnem naboru značilnic lahko optimalen
nabor značilnic poiščemo na preprost način, in sicer
s poizkušanjem vseh mogočih kombinacij značilnic.
Z večanjem začetnega nabora značilnic pa tak pristop
kaj hitro postane nepraktičen in računsko prezahteven,
86 LESJAK, LIKAR, PERNUŠ, ŠPICLIN
saj se prostor iskanja optimalnih značilnic z večanjem
začetnega nabora povečuje eksponentno. Iz teh razlogov
se pri večjem začetnem naboru značilnic poslužujemo
naprednejših postopkov za iskanje optimalnih značilnic.
Najpogosteje uporabljeni postopki za zaznavo spre-
memb v beli možganovini so tisti, ki temeljijo na
analizi sivinskih vrednosti soležnih slikovnih elementov.
Osnovi princip zaznave sprememb s temi postopki je
vrednotenje podobnosti vrednosti ene ali več značilnic
soležnih slikovnih elementov. V okviru tega dela bomo
na primerih lezij bele možganovine (LBM) pri bolnikih,
obolelih za multiplo sklerozo (MS), raziskali različne
načine za ocenjevanje pomembnosti značilnic za za-
znavanje sprememb bele možganovine. Kot osnovno
orodje za določitev pomembnosti značilnic in izbor
optimalnih značilnic bomo uporabili razvrščevalnik z
naključnimi gozdovi (ang. random forests). Nato bomo
z uporabo drugih razvrščevalnikov preverili zaneslji-
vost z naključnimi gozdovi ugotovljene pomembnosti
značilnic. Tako bomo ugotovili, ali dobljene zanesljivosti
lahko pripišemo posameznim značilnicam in ali izbrani
optimalni nabor značilnic na splošno lahko učinkovito
uporabimo z drugimi razvrščevalniki.
1.1 Izbiranje značilnic
Izbiranje značilnic (ang. feature selection) je proces
izbire optimalne podmnožice značilnic za čim boljše
razvrščanje. Iz (začetnega) nabora z izbiranjem značilnic
zmanjšamo dimenzijo prostora značilnic, ne da bi spre-
menili pomen značilnic. Ti postopki se razlikujejo od po-
stopkov za znižanje dimenzionalnosti prostora značilnic,
ki temeljijo na projekcijah (npr. metoda osnovnih kom-
ponent - ang. principal component analysis) ali kom-
presiji (npr. z uporabo teorije informacij). Izbiranje
značilnic prinese številne prednosti, od katerih so naj-
pomembnejše: 1. izognjenje prenasičenju (ang. over-
fitting) pri učenju razvrščevalnika in s tem povezano
izboljšanje razvrščanja, 2. pohitritev in poenostavitev
razvrščevalnika in 3. poglobljeno razumevanje pomemb-
nosti značilnic, uporabljenih za graditev razvrščevalnika.
Iskanje optimalnih značilnic vnese v proces gradnje
razvrščevalnika dodatno raven zahtevnosti. V naspro-
tju z gradnjo razvrščevalnika brez izbora značilnic,
kjer le naučimo oziroma poiščemo optimalne parametre
razvrščevalnika, moramo pri gradnji razvrščevalnika z
izborom značilnic razširiti dimenzijo prostora iskanja
z dodatnim podprostorom optimalnih značilnic. Tako
moramo pri učenju razvrščevalnika poiskati optimalne
parametre razvrščevalnika pri trenutni optimalni pod-
množici značilnic, pri tem pa se moramo zavedati, da
na splošno optimalni parametri razvrščevalnika s pol-
nim naborom značilnic niso nujno enaki optimalnemu
naboru značilnic pri razvrščevalniku, ki je zgrajen z
optimalno podmnožico značilnic [2]. Postopke izbora
značilnic delimo glede na to, kako poteka proces iskanja
optimalnega podprostora značilnic [11].
Glede na način delovanja lahko postopke izbiranja
značilnic razdelimo na: 1. postopke s filtriranjem, 2. z
ovojem (ang. wrapper methods) in 3. z vgrajenim iz-
borom (ang. embedded methods). Postopki s filtriranjem
ocenijo ustreznost posameznih značilnic z intrinzičnimi
lastnostmi podatkov – najpogosteje z razvrščanjem
značilnic glede na neko oceno pomembnosti, pri čemer
so najmanj pomembne nato odstranjene iz začetnega
nabora značilnic. Prednosti teh postopkov so preprosta
implementacija, računska nezahtevnost in dobro skalira-
nje za visokodimenzionalen začetni nabor značilnic. Taki
postopki so neodvisni od razvrščevalnika, kar omogoča
predhodno izbiranje optimalnih značilnic, s katerimi
nato lahko preizkušamo različne razvrščevalnike. Tak
pristop je hkrati tudi njihova največja pomanjkljivost,
saj je izbor optimalnih značilnic na splošno vezan na
uporabljeni razvrščevalnik. Dodatna slabost teh postop-
kov je tudi to, da so v veliki večini univariatni, kar
pomeni, da pri izbiri optimalnih značilnic upoštevajo le
eno značilnico hkrati in zanemarijo njihove medsebojne
odvisnosti. Pozneje so bili razviti številni multivaria-
tni postopki, ki na račun višje računske zahtevnosti
upoštevajo tudi odvisnost med različnimi značilnicami.
Postopki za izbiro značilnic z ovojem delujejo tako, da
problem iskanja parametrov razvrščevalnika “ovijejo” z
dodatnim nivojem – iskanjem po prostoru vseh različnih
mogočih podmnožic polnega nabora značilnic. Tako mo-
ramo za vsako mogočo podmnožico značilnic ponovno
naučiti razvrščevalnik. Ker pri tem računska zahtev-
nost raste eksponentno s številom značilnic v začetnem
naboru, se za iskanje optimalnega nabora značilnic v
prostoru vseh podmnožic značilnic navadno uporablja
hevristično iskanje. Glavni prednosti teh postopkov sta
upoštevanje interakcije med podmnožicami značilnic in
razvrščevalnikom ter upoštevanje medsebojnih odvisno-
sti značilnic. V primerjavi s postopki s filtriranjem so
ti postopki izpostavljeni prenasičenju in računsko zelo
zahtevni.
Tretji razred postopkov za izbiro značilnic so postopki
z vgrajenim izborom, pri katerih je iskanje optimalnega
nabora značilnic že vgrajeno v sam razvrščevalnik. Tako
pri iskanju optimalnih parametrov razvrščevalnika hkrati
iščemo tudi optimalno podmnožico značilnic. Prednost
teh postopkov je v tem, da upoštevajo interakcijo med
razvrščevalnikom in podmnožico značilnic, hkrati pa so
računsko učinkovitejši kot postopki z ovojem. Pregled
postopkov za izbiro značilnic skupaj z njihovimi pred-
nostmi in slabostmi je prikazan v tabeli 1.
1.2 Izbor značilnic z uporabo naključnih gozdov
Naključni gozdovi so v zadnjih letih postali eno
glavnih orodij tako pri strojnem učenju na splošno, kot
tudi za specifične naloge, kot je obdelava medicinskih
slik [3], [5], [7]. V literaturi so se naključni gozdovi
za namen razvrščanja značilnic odrezali zelo dobro že
na številnih problemih, tudi pri razvrščanju nelinearnih
podatkov s kompleksnimi medsebojnimi interakcijami.
DOLOČITEV OPTIMALNIH ZNAČILNIC ZA ZAZNAVO SPREMEMB BELE MOŽGANOVINE 87
Tabela 1: Razvrstitev in pregled postopkov za izbiro značilnic ter njihove splošne prednosti in slabosti
Razred Prednosti Slabosti Ime postopka
Filtriranje (uni-
variatno)
Hitri, dobro skaliranje, ne-
odvisni od razvrščevalnika
Ne upoštevajo medsebojnih
odvisnosti značilnic
χ2, evklidska razdalja
Filtriranje (mul-
tivariatno)
Upoštevajo medsebojno od-
visnost značilnic, neodvisni
od razvrščevalnika
Računsko zahtevni, slabo
skaliranje
Korelacijska izbira značilnic,
Markov blanket filter
Postopki z ovo-
jem
Preprosti, upoštevajo razvr-
ščevalnik, upoštevajo med-
sebojne odvisnosti značilnic
Računsko zahtevni, občut-
ljivi na prenasičenje
Sequential forward selection,
Beam search, Simulated anne-
aling, Genetic algorithms
Postopki z vgra-
jenim izborom
Upoštevajo razvrščevalnik,
upoštevajo medsebojne od-
visnosti značilnic
Izbor odvisen od izbranega
razvrščevalnika
Odločitvena drevesa, uteženi
naiven Bayesov razvščevalnik,
uteženi vektorski SVM
Naključni gozdovi spadajo med skupinske metode
(ang. ensamble methods), ki za vsak problem razvrščanja
uporabijo več posameznih odločitvenih dreves. Posa-
mezna odločitvena drevesa so zgrajena na podlagi na-
ključne podmnožice učnih podatkov (ang. bootstraping).
Tako je vsako drevo zgrajeno z različnim, naključno
izbranim naborom značilnic. Razvrščanje oziroma na-
povedno vrednost, ki pomeni verjetnost razvrstitve z na-
ključnimi gozdovi, dobimo tako, da združimo razvrstitve
posameznih dreves v gozdu. V primerjavi z uporabo
posameznih odločitvenih dreves se naključni gozdovi
izkažejo za natančnejše in bolj zanesljive. Žal pa se
njihove strategije razvrščanja v nasprotju s posamičnimi
odločitvenimi drevesi ne da tako preprosto interpretirati.
Pri posameznih odločitvenih drevesih lahko pomemb-
nost posamezne značilnice hitro razberemo že iz njenega
hierarhičnega položaja v odločitvenem drevesu, pri na-
ključnih gozdovih pa moramo za določitev pomembnosti
značilnic uporabiti druge pristope.
Najpreprostejši pristop za določitev pomembnosti
značilnic v naključnem gozdu je preštevanje uporabe
posamezne značilnice uporabljene prek vseh dreves v
gozdu. Ta pristop na splošno ni najbolj primeren, saj
moramo za zanesljivo oceno pomembnosti poleg pojav-
nosti posameznih značilnic v gozdu odločitvenih dreves
upoštevati še: 1. število vzorcev, ki jih razvrsti posa-
mezna razvejitev v drevesu, in 2. kakovost razvrščanja
posamezne razvejitve. Naprednejši pristop za določitev
pomembnosti značilnic dobimo, če s številom vzorcev
uteženo povprečimo sposobnost ločevanja posameznih
značilnic za vse razvejitve vseh dreves v gozdu [6]. Pri
tem lahko sposobnost ločevanja merimo z izboljšanjem
koeficienta Gini oziroma z zmanjšanjem entropije, od
koder izhaja tudi ime ocene pomembnosti: pomembnost
Gini (ang. Gini Importance - GI).
Najnaprednejša mera za izračun pomembnosti
značilnic s pomočjo naključnih gozdov je tako
imenovana pomembnost točnosti s permutacijo
(ang. Permutation Accuracy Importance - PAI). Za
oceno pomembnosti po tem postopku potrebujemo
dodatno validacijsko zbirko podatkov X. Nato
posamezen stolpec, ki pomeni eno značilnico v vhodnih
podatkih Xj, naključno premešamo in tako izničimo
njen vpliv na napovedno vrednost Y. Pomembnost
posamezne permutirane značilnice nato določimo
tako, da podatke s permutirano značilnico uporabimo
na naključnem gozdu in opazujemo spremembo
napovednih vrednosti Y. Pomembnost permutirane
značilnice lahko tako definiramo kot relativno razliko
v točnosti napovednih vrednosti Y pred permutacijo
in po njej, pri čemer lahko za definicijo točnosti
izberemo različne validacijske metrike. Ta postopek
ponovimo za vsako posamezno značilnico, katere
pomembnost želimo oceniti. Prednost postopka PAI je,
da ni specifičen za naključne gozdove, in ga lahko zato
uporabljamo za oceno pomembnosti značilnic različnih
razvrščevalnikov.
2 MATERIALI IN METODE
Za določitev pomembnosti značilnic za zaznavo spre-
memb bele možganovine smo uporabili postopek z vgra-
jenim izborom značilnic, ki temelji na razvrščanju vzor-
cev z naključnimi gozdovi. Le-ta nam namreč že po svoji
zasnovi omogoča določanje pomembnosti posameznih
značilnic.
2.1 Validacijska zbirka slik
Za učenje in validacijo naučenega naključnega gozda
smo uporabili javno objavljeno longitudinalno zbirko
MR-slik z referenčnimi obrisi sprememb LBM [8].
Zbirka vsebuje referenčne in kontrolne MR-preiskave
20 MS bolnikov. Slike so bile zajete na 1,5T Phi-
lips MR-napravi v Univerzitetnem kliničnem centru
v Ljubljani. Vsaka MR-preiskava vsebuje 2D T1w
(spin echo sequence, TR=600 ms, TE=15 ms, FA=90◦,
vzorčenje 0,9×0,9×3 mm brez razmika med rezinami),
2D T2w (spin echo sequence, TR=4500 ms, TE=100
ms, FA=90◦, vzorčenje 0,45×0,45×3 mm brez razmika
med rezinami) in 2D FLAIR sliko (TR=11000, TE=140,
TI=2800, FA=90, vzorčenje 0,9×0,9×3 mm brez raz-
mika med rezinami).
88 LESJAK, LIKAR, PERNUŠ, ŠPICLIN
V tabeli 2 so prikazani demografski podatki o bolni-
kih, njihovo bolezensko stanje in trenutna terapija. Čas
med zaporednimi MR-preiskavami bolnikov je bil od
81 do 723 dni (mediana: 311, IQR: 223). Vsi bolniki
so podali pisno soglasje za uporabo slik za namen
tega dela, njihove slike pa so bile pred računalniško
obdelavo anonimizirane. Referenčni obrisi sprememb
LBM so bili zgrajeni na podlagi slike razlik in so kot taki
zaradi visoke občutljivosti dobro orodje za validacijo
postopkov zaznave sprememb LBM [8].
Slike iz zbirke smo psevdonaključno ločili v dve
skupini, pri čemer je testna skupina vsebovala 66 %
vseh slik, validacijska skupina pa preostalih 33 % slik.
Pri razporejanju slik bolnikov smo pazili, da sta bili
obe skupini uravnoteženi v smislu enake porazdelitve
skupnega volumna LBM pri posameznih bolnikih.
2.2 Začetni nabor značilnic
Iz vsakega para dveh zaporednih MR-preiskav smo
izločili naslednji nabor začetnih značilnic: a) šest eno-
stavnih značilnic sivinskih vrednosti referenčnih in kon-
trolnih T1w, T2w in FLAIR slik, b) dve značilnici odda-
ljenosti opazovanega slikovnega elementa od stene ven-
triklov oziroma možganske skorje in c) sedem značilnic,
ki so pomenile vse možne kombinacije slike podobnosti
STI različnih MR-sekvenc [8]:
DMSTI (xi) = ‖FM (xi)− BM (xi)‖ , (1)
pri čemer se BM in FM nanašata na predobdelano
referenčno oziroma kontrolno MR-sliko sekvence M,
xi je sivinska vrednost slikovnega elementa i, ‖·‖ pa
L2 norma razlik istoležnih slikovnih elementov. Skupaj
smo iz vsakega para zaporednih MR-preiskav izločili 15
značilnic.
Začetni nabor preprostih in pomenljivih značilnic nam
omogoča preprosto vrednotenje in interpretacijo rezul-
tatov, zaradi njihovega relativno nizkega števila pa je
obvladljiva tudi računska zahtevnost.
2.3 Učenje naključnega gozda
Pri učenju naključnega gozda moramo izbrati številne
parametre, kot so: število odločitvenih dreves v gozdu,
največja globina odločitvenih dreves, število vzorcev,
upoštevanih pri vsakem razcepu odločitvenega drevesa,
itn. V našem primeru smo začetne parametre izbrali
na podlagi relevantne literature, in sicer take, ki so
se pri podobnih problemih izkazali za ustrezne [1],
[9]. Parametre smo v poskusih prilagodili. Ustreznost
izbranih parametrov smo kvalitativno preverili z opa-
zovanjem Diceovega podobnostnega koeficienta (DSC
– ang. Dice similarity coefficient) razvrščevalnika na
učni in validacijski zbirki slik pri različnih vrednostih
parametrov (število dreves, maksimalna globina dreves
itd.), med učenjem in po njem. V poskusih uporabljeni
parametri so prikazani v tabeli 3.
Naključni gozd smo učili postopoma, in sicer tako, da
smo za vsakega od n bolnikov naučili po k odločitvenih
dreves. Celoten gozd je tako obsegal n×k odločitvenih
dreves. Ker je lahko vseh dreves veliko in s tem učenje
računsko zelo zahtevno, hkrati pa lahko pride do pre-
nasičenja, smo po končanem učenju obdržali le t po
kakovosti razvrščanja najboljših dreves, preostala pa
smo zavrgli. Za določitev najboljših odločitvenih dreves
smo uporabili vzorce iz slik istih bolnikov kot za učenje,
le da vzorcev nismo decimirali, za kriterij zmožnosti
oziroma kakovosti razvrščanja dreves pa smo uporabili
metriko DSC. Ustreznost modela smo na koncu ovre-
dnotili z izračunom občutljivosti (ang. true positive rate
- TPR), nespecifičnosti (ang. false positive rate - FPR)
in metriko DSC na validacijski zbirki slik.
Pri učenju naključnih gozdov moramo biti pozorni
na razpršenost vzorcev in razmerje med številom vzor-
cev v posameznih razredih. Ker je prostornina spre-
memb LBM v primerjavi s prostornino celotne bele
možganovine izjemno majhna, smo morali posebno po-
zornost nameniti tudi ustrezni izbiri učnih vzorcev pri
posameznem bolniku. Izkaže se, da naključni gozdovi
delujejo najbolje, če sta obe skupini vzorcev enako-
merno zastopani. Zato smo pri učenju razvrščevalnika
poleg celotnega nabora pozitivnih vzorcev (tj. LBM)
za vsakega bolnika izbrali še enako število negativnih
vzorcev (z območja zdrave bele možganovine). Da bi
zajeli večji del variabilnosti negativnih vzorcev, smo za
vsakega bolnika vzorce vzorčili večkratno, pri čemer
smo pozitivne vzorce preprosto pomnogoterili, medtem
ko so bili negativni vzorci vselej izbrani naključno.
Ker so bili vzorci normalizirani že kot del postopka
predobdelave pri pripravi zbirke slik [8], končnih iz-
branih vzorcev za učenje izbora značilnic in učenje
razvrščevalnika nismo dodatno normalizirali.
2.4 Analiza zanesljivosti in posplošljivosti
S pomočjo naučenega in validiranega naključnega
gozda smo nato opazovali pomembnost posameznih
značilnic z dvema različnima postopkoma: GI in PAI.
Zanimalo nas je, kako stabilne oziroma zanesljive so
tako pridobljene ocene pomembnosti značilnic, zato
smo naključni gozd naučili večkrat, pri čemer smo pri
posameznem procesu učenja odstranili po eno značilnico
iz celotnega začetnega nabora in s pomočjo korelacije
opazovali, kako se kot posledica odstranitve značilnice
spremeni ocena pomembnosti preostalih značilnic.
Ker se v praksi pogosto uporabljajo različni
razvrščevalniki, smo v nadaljevanju preverili, ali se ugo-
tovljene pomembnosti značilnic z uporabo naključnih
gozdov lahko posplošijo na druge razvrščevalnike.
Vprašali smo se: “Ali so značilnice, ki so po-
membne za razvrščanje z uporabo naključnih gozdov,
enako pomembne tudi, če uporabimo druge postopke
razvrščanja?”. Da bi odgovorili na to vprašanje, smo
na enaki učni zbirki slik naučili nekatere od pogosto
uporabljenih razvrščevalnikov: kvadratična diskriminan-
tna analiza (ang. Quadratic Discriminant Analysis –
QDA), Adaboost in naivni Bayes (ang. Naive Bayes).
DOLOČITEV OPTIMALNIH ZNAČILNIC ZA ZAZNAVO SPREMEMB BELE MOŽGANOVINE 89
Tabela 2: Demografski podatki bolnikov in trenutna terapija
Spol Starost Tip bolezni MS Terapija
14 žensk
6 moških
od 19 do 50 let
mediana: 34 let
1 sekundarno–progresivna
14 recidivno–remitentna
5 neznano
2 brez zdravil
6 Gilenya
2 Copaxon
2 Tysabri
1 Tecfidera
1 Aubagio
6 neznano
Tabela 3: Parametri, uporabljeni pri graditvi naključnih gozdov
Opis parametra Vrednost Omejitve
št. odločitvenih dreves na bolnika (k) št. značilnic min 15, maks 40
št. značilnic, upoštevanih za razcep
√
št. značilnic
maksimalna globina odločitvenih dreves
√
št. značilnic min 3
končno število odločitvenih dreves 150
min. št. vzorcev za razcep 300
min. št. vzorcev v listu 50
Tabela 4: Metrike kakovosti razgradnje slik z naključnim
gozdom na učni in validacijski zbirki slik.
Zbirka
slik
TPR† FPR‡ DSC
Učna 0,834 0,055 0,882
Validacijska 0,823 0,080 0,863
†občutljivost, ‡specifičnost
Zanimalo nas je tudi, kako sprememba parametrov
razvrščevalnika vpliva na oceno pomembnosti značilnic,
zato smo ponovno naučili nov naključni gozd, tokrat s
spremenjenimi parametri glede na tabelo 3: maksimalna
globina drevesa 5, minimalno število vzorcev za razcep
2, minimalno število vzorcev v listu 1 in 150 dreves
v gozdu, pri čemer so bila drevesa izračunana na pod-
lagi slik vseh bolnikov. Za vse naučene razvrščevalnike
smo izračunali metriko pomembnosti značilnic PAI, pri
čemer smo za kakovost razvrščanja uporabili metriko
DSC. S korelacijo PAI novih razvrščevalnikov in ori-
ginalnega naključnega gozda pa smo primerjali, ali so
ocene pomembnosti, pridobljene z naključnim gozdom,
prenosljive na druge razvrščevalnike.
3 REZULTATI
Tabela 4 kaže metrike, ki jih naučeni naključni gozd
dosega na validacijski zbirki slik. Vidimo, da se rezultati
med učno in validacijsko zbirko slik le malo razlikujejo,
kar kaže na to, da je naključni gozd dobro naučen in da
ne prihaja do občutnega prenasičenja.
V tabeli 5 in na sliki 1 so prikazane vrednosti metrik
GI in PAI (mediana in IQR), ki vrednotita pomembnost
posameznih značilnic. Mediana in IQR sta bili upora-
bljeni namesto srednje vrednosti in standardne deviacije,
ker je bilo mogoče že kvalitativno oceniti, da porazdeli-
tve vrednosti GI in PAI niso normalne. Izračun mediane
in IQR je bil narejen na posameznih razredih vzorcev iz
validacijske zbirke.
Oba postopka za določitev pomembnosti kot najboljšo
značilnico izbereta STIFLAIR, kar se ujema z ugotovi-
tvami v strokovni literaturi, kjer se STIFLAIR pogosto
uporablja za zaznavanje sprememb LBM [4], [10]. Na-
povedi GI in PAI se, kljub določenim odstopanjem dobro
ujemata tudi za druge značilnice (korelacija Pearson
r = 0, 82). Opazimo tudi, da pri določenih značilnicah
PAI dosega negativne vrednosti. Pri teh značilnicah
je kljub skrbni izbiri parametrov in validaciji prišlo
do rahlega prenasičenja razvrščevalnika. Posledično se
rezultati razgradnje sprememb LBM in s tem vrednost
validacijske metrike izboljšajo, ko pri izračunu PAI
“izklopimo” to značilnico.
Stabilnost ocene pomembnosti značilnic GI in PAI,
določena kot korelacija GI/PAI med naključnim gozdom,
ki je bil naučen na polni učni zbirki, in naključnim
gozdom, ki je bil naučen na učni zbirki, ki smo ji
odstranili določeno značilnico, je prikazana v tabeli 6.
Iz rezultatov vidimo, da je GI izjemno stabilna, saj
znaša njena povprečna korelacija 0,991 in se ne glede
na to, katero značilnico odstranimo iz nabora začetnih
značilnic, le malo spremeni (minimalna vrednost kore-
lacije rmin = 0, 978). Pomembnost z metriko PAI izka-
zuje nižjo stabilnost (povprečna korelacija r̄ = 0, 822)
in večjo variabilnost le-te, pri čemer je padec korelacije
s PAI večji za značilnice, ki so pomembnejše. Med
padcem korelacije s PAI in pomembnostjo značilnice
90 LESJAK, LIKAR, PERNUŠ, ŠPICLIN
Tabela 5: Ocene pomembnosti značilnic glede na metriki GI in PAI. Značilnice so urejene glede na padajoče vrednosti mediane
GI.
Ime značilnice
Mediana GI
(×10−2)
GI IQR
(×10−2)
Mediana PAI
(×10−2)
PAI IQR
(×10−2)
STIFLAIR 5,08 29,01 1,17 3,35
STIFLAIR+T2w 4,69 29,23 0,93 0,59
STIFLAIR+T1w 1,97 14,64 0,07 1,23
dVENT 0,99 5,80 0,84 0,85
FLAIR2 0,66 4,25 0,31 0,54
FLAIR1 0,38 3,27 0,45 0,53
STIT1w 0,00 0,00 0,00 0,02
STIFLAIR+T2w+T1w 0,00 0,04 -0,04 0,13
T1w1 0,00 0,13 0,01 0,08
T1w2 0,00 0,26 -0,02 0,10
STIT1w+T2w 0,00 0,63 -0,05 0,16
T2w1 0,00 0,80 0,14 0,23
T2w2 0,00 1,05 0,14 0,27
STIT2w 0,00 1,36 -0,07 0,35
dIC 0,00 1,46 0,34 0,19
dVENT – oddaljenost od ventriklov, dIC – oddaljenost od roba možganov
Pomembnost
Slika 1: Pomembnosti značilnic glede na metriki GI in PAI.
Značilnice so urejene glede na padajoče vrednosti mediane GI.
po GI lahko namreč opazimo relativno visoko negativno
korelacijo r = −0, 798.
Predno lahko analiziramo zmožnost prenosa
pridobljenih ocen pomembnosti značilnic na druge
razvrščevalnike, je le-te treba ustrezno naučiti.
Uspešnost učenja razvrščevalnikov smo preverili na
enak način kot pri učenju originalnega naključnega
gozda. Relativne razlike naučenih razvrščevalnikov
med učnim in validacijskim setom niso presegale 4 %
glede na DSC. Za vsak posamezni razvrščevalnik smo
s pomočjo validacijske zbirke izračunali tudi PAI, ki
smo ga s pomočjo korelacije primerjali s PAI in GI iz
naključnega gozda. Iz tabele 7 in slike 2 je razvidno,
da se različni razvrščevalniki kljub temu, da dosegajo
primerljive zmožnosti v smislu validacijskih metrik
(npr. DSC), zanašajo na različne kombinacije značilnic.
Tabela 6: Stabilnost ocene pomembnosti značilnic glede na
metriki GI in PAI. Večja vrednost korelacije kaže na večjo
stabilnost.
Odstranjena Korelacija Korelacija
značilnica z GI s PAI
T1w1 0,983 0,819
T1w2 0,988 0,799
T2w1 0,988 0,826
T2w2 0,996 0,848
FLAIR1 0,995 0,867
FLAIR2 0,986 0,858
STIT1w 0,997 0,833
STIT2w 0,996 0,849
STIFLAIR 0,978 0,589
STIT1w+T2w 0,990 0,868
STIFLAIR+T1w 0,997 0,862
STIFLAIR+T2w 0,996 0,729
STIFLAIR+T2w+T1w 0,994 0,819
dVENT 0,995 0,890
dIC 0,991 0,876
Povprečje 0,991 0,822
dVENT – oddaljenost od ventriklov
dIC – oddaljenost od roba možganov
Tabela 7: Korelacija PAI različnih razvrščevalnikov s PAI in
GI naključnega gozda.
Razvrščevalnik Korelacija s GI Korelacija s PAI
QDA 0,332 0,287
Adaboost -0,042 0,470
Naivni Bayes 0,550 0,543
Naključni gozd 0,096 0,535
DOLOČITEV OPTIMALNIH ZNAČILNIC ZA ZAZNAVO SPREMEMB BELE MOŽGANOVINE 91
dVENT
dIC
FLAIR1
STIFLAIR
STIFLAIR+T1w
STIFLAIR+T2w
FLAIR2
Naključni gozd
Adaboost
QDA
Naivni Bayes
Slika 2: Tri najpomembnejše značilnice glede na metriko PAI
za vsakega od štirih različnih razvrščevalnikov: naivni Bayes,
Adaboost, QDA in naključni gozd.
4 RAZPRAVA
V okviru tega poglavja smo proučili enega od računsko
relativno nezahtevnih postopkov za določanje pomemb-
nosti značilnic za zaznavo sprememb LBM iz longitu-
dinalnih MR-preiskav glave. Pri tem smo se osredinili
zlasti na stabilnost oziroma zanesljivost postopka izbora
optimalnih značilnic ter prenosljivost teh značilnic na
druge postopke razvrščanja. Splošen in zanesljiv po-
stopek za določitev pomembnih značilnic za zaznavo
sprememb LBM bi namreč pripomogel k boljšemu ra-
zumevanju problema oziroma kritične informacije za za-
znavo teh sprememb, kar bi lahko posledično privedlo do
novih, izboljšanih postopkov zaznave sprememb LBM
ter do bolj optimalnega izbora in nastavitev slikovnih
sekvenc zajema MR-preiskave.
Primerjali smo dve različni metriki (GI in PAI) za vre-
dnotenje pomembnosti značilnic. S tem namenom smo
naučili naključni gozd na naboru petnajstih značilnic,
ki so bile v relevantni literaturi pogosto uporabljene v
postopkih za zaznavo sprememb LBM, temelječih na
primerjavi sivinske informacije: intenzitete referenčnih
in kontrolnih T1w, T2w in FLAIR slikovnih sekvenc ter
intenzitete različnih kombinacij STI (slika podobnosti
sekvenc). Dodali pa smo tudi značilnice o anatomskem
položaju na podlagi oddaljenosti opazovanega slikov-
nega elementa od ventriklov in od roba možganske
skorje.
Analiza pomembnosti značilnic je kot najpomemb-
nejšo značilnico za zaznavanje sprememb LBM poka-
zala STIFLAIR, kot pomembni pa sta se izkazali tudi
STIFLAIR+T2w in razdalja med opazovanim slikovnim ele-
mentom in ventrikli. Te ugotovitve sovpadajo z doseda-
njimi ugotovitvami nevroradiologov in drugih strokov-
njakov, saj se razlike v lezijah najlepše opazijo na STI-
sliki podobnosti sekvenc FLAIR ali T2w, najpogosteje
pa se pojavljajo v neposredni okolici ventriklov [10].
Oceno pomembnosti z GI dobimo inherentno že
iz naučenega naključnega gozda, medtem ko PAI
izračunamo s pomočjo dodatne validacijske zbirke in je
kot taka uporabna tudi za oceno pomembnosti značilnic
drugih razvrščevalnikov. Pomembnost GI se izkaže kot
izjemno robustna na rahle spremembe v naboru upora-
bljenih značilnic, medtem ko PAI izkazuje rahlo nižjo
robustnost, zlasti če iz nabora značilnic odstranimo
pomembnejše značilnice. Kljub temu je korelacija med
ocenami pomembnosti GI in PAI, pridobljenimi z origi-
nalnim naključnim gozdom in naključnimi gozdovi, ki
so jim bile odstranjene specifične značilnice, visoka in
v povprečju dosega 0,991 za GI in 0,822 za PAI.
Ugotovili smo, da neposredna posplošitev izbora op-
timalnih značilnic z uporabo naključnih gozdov na
druge razvrščevalnike ni mogoča. Primerjava z dru-
gimi razvrščevalniki je pokazala, da se pomemb-
nost posameznih značilnic spreminja od razvrščevalnika
do razvrščevalnika (slika 2). Do razlik v oceni po-
membnosti značilnic pa lahko pride že v posame-
znih razvrščevalnikih, kot smo to pokazali na pri-
meru naključnih gozdov. S spreminjanjem parametrov
razvrščevalnika namreč hitro dobimo drugačno oceno
pomembnosti značilnic, zato moramo biti pri učenju
razvrščevalnika previdni ter ga vselej dobro validirati.
Eden od ciljev določitve pomembnosti značilnic za
longitudinalno zaznavo sprememb LBM je vsekakor
tudi izboljšanje oziroma optimizacija zajema MR-slik
v klinični praksi. V zadnjem času se namreč radiologi
na klinikah vse pogosteje srečujejo s problemom izbire
ustreznih MR-sekvenc in njihovih parametrov za čim
bolj optimalen zajem slik bolnika. Katere in koliko
različnih sekvenc je treba zajeti, kakšno naj bo vidno
polje in kako tanke naj bodo rezine zajetih 3D MR-
slik? Vsi ti parametri zajema so kompromis med časom
zajema slik in njihovo kakovostjo. V klinični praksi
še danes zajete MR-slike pogosto pregledujejo ročno,
rezino za rezino. Za tak način pregledovanja se slike
navadno zajemajo v debelejših rezinah (npr. 3 mm
ali celo 5 mm), saj radiolog v praksi zaradi časovnih
omejitev stežka pregleda slike z večjim številom rezin.
Kljub temu pa zadnje klinične smernice za zaznavanje
sprememb LBM iz MR-slik priporočajo zajem 3D izo-
tropnih MR-slik s prostorsko ločljivostjo 1 mm [12]. V
literaturi namreč poročajo, da izotropno zajete MR-slike
s prostorsko ločljivostjo 1 mm ali manj občutno pripo-
morejo k natančnosti avtomatske analize slik. Sklepamo
lahko, da bi slike višje ločljivosti izboljšale tudi postopke
zaznave sprememb LBM. Zanimivo bi bilo ovrednotiti
vpliv ločljivosti slik na zaznavanje sprememb LBM, za
kar bi potrebovali razširjeno zbirko slik, ki vsebuje slike,
zajete pri različnih prostorskih ločljivostih. Če bi se
izkazalo, da so za avtomatsko zaznavo sprememb LBM
potrebne slike višje ločljivosti, ki za zajem potrebujejo
dalj časa, bi bilo smiselno proučiti tudi, ali lahko ka-
tero od MR-sekvenc opustimo. Za rutinsko spremljanje
bolnikov z MS se namreč uporabljajo številne MR-
92 LESJAK, LIKAR, PERNUŠ, ŠPICLIN
sekvence, kot so T1- in T2-utežene slike, T1-utežene
slike s kontrastom, FLAIR, DWI itn. Rezultati analize
pomembnosti posameznih slikovnih sekvenc kažejo, da
je za avtomatsko zaznavanje sprememb LBM daleč
najpomembnejša sekvenca FLAIR, posredno pa tudi T1-
utežena sekvenca, saj se uporablja za razgradnjo zdravih
možganskih struktur (npr. možganska skorja, ventrikli).
Zajem preostalih sekvenc bi lahko opustili in s tem
skrajšali čas, ki ga potrebujemo za kontrolno slikanje
MS bolnika, kar bi lahko zmanjšalo tudi s tem povezane
stroške obravnave teh bolnikov.
Treba pa se je zavedati, da optimalni protokol zajema
MR-slik za zaznavo sprememb LBM nikakor ni zadosten
za rutinsko spremljanje tako kompleksne bolezni, kot
je MS. LBM so namreč le eden izmed pomembnih
slikovnih biomarkerjev bolezni MS. Za druge biomar-
kerje, kot so na primer lezije ob možganski skorji ali
pa meritve atrofije posameznih predelov možganov, bi
bil optimalen izbor MR-sekvenc za avtomatsko analizo
gotovo drugačen. Za optimalen nabor protokolov za
MR-preiskavo bolnikov z MS bi tako morali oceniti
vpliv različnih MR-sekvenc na postopke za zaznavo
sprememb številnih različnih pomembnih slikovnih bi-
omarkerjev ter pri tem upoštevati časovne in finančne
omejitve, s katerimi se srečujemo v klinični praksi.
ZAHVALA
Raziskavo je omogočila Javna agencija za raziskovalno
dejavnost Republike Slovenije v okviru projektov J7-
6781, J2-7211 in J2-7118.