Differences

This shows you the differences between two versions of the page.

--- neuroimagen:bioface_atn [2021/08/24 14:23]
osotolongo [Naive Bayes]
+++ neuroimagen:bioface_atn [2021/09/12 10:23] (current)
osotolongo [Métodos no lineales]
@@ Line 42: / Line 42: @@
 | {{ :neuroimagen:hist_ent.png?600 |}} | {{ :neuroimagen:hist_ent_adj.png?600 |}} |
+===== Otras ROI en ADNI DB =====
+<code>
+   UCSFVOLs <- c("FLDSTRENG", "FSVERSION", "IMAGEUID", "Ventricles",
+        "Hippocampus", "WholeBrain", "Entorhinal", "Fusiform",
+        "MidTemp", "ICV")
+</code>
+<code>
+        ucsfvol$ICV <- ucsfvol$ST10CV
+        ucsfvol$Hippocampus <- (ucsfvol$ST29SV + ucsfvol$ST88SV)
+        ucsfvol$Entorhinal <- (ucsfvol$ST24CV + ucsfvol$ST83CV)
+        ucsfvol$Fusiform <- (ucsfvol$ST26CV + ucsfvol$ST85CV)
+        ucsfvol$MidTemp <- (ucsfvol$ST40CV + ucsfvol$ST99CV)
+        ucsfvol$Ventricles <- (ucsfvol$ST30SV + ucsfvol$ST37SV +
+            ucsfvol$ST89SV + ucsfvol$ST96SV)
+        ucsfvol$WholeBrain <- apply(ucsfvol[, c("ST128SV", "ST17SV",
+            "ST18SV", "ST61SV", "ST16SV", "ST53SV", "ST42SV",
+            "ST29SV", "ST12SV", "ST11SV", "ST65SV", "ST76SV",
+            "ST77SV", "ST120SV", "ST75SV", "ST112SV", "ST101SV",
+            "ST88SV", "ST71SV", "ST70SV", "ST124SV", "ST147SV",
+            "ST148SV", "ST150SV", "ST151SV")], 1, sum)
+</code>
+Usando el diccionario en [[http://adni.loni.usc.edu |ADNI]] podemos hacer algo como,
+<code>
+Fusiform =  rh.fusiform.GrayVol + lh.fusiform.GrayVol
+MidTemp = rh.middletemporal.GrayVol + lh.middletemporal.GrayVol
+</code>
+y entonces,
+<code>
+pop$ND = ifelse(pop$DX == "Dementia", 1, 0)
+xt <- pop[, c("Hippocampus", "Entorhinal", "Ventricles", "Fusiform", "MidTemp","AGE","ICV","DX")]
+</code>
 ===== Naive Bayes =====
@@ Line 48: / Line 86: @@
 <code>
 > library("e1071")
-> library("caTools")
+> library("caret")
 > library("caTools")
 > library("ADNIMERGE")
@@ Line 113: / Line 151: @@
 > base$Hippocampus = base$Left.Hippocampus + base$Right.Hippocampus
 > base$Entorhinal = base$lh.entorhinal.GrayVol + base$rh.entorhinal.GrayVol
-> base$Ventricles = base$X3rd.Ventricle +  base$X4th.Ventricle + base$X5th.Ventricle + base$Left.Lateral.Ventricle + base$Right.Lateral.Ventricle
+> base$Ventricles <- base$Left.Inf.Lat.Vent + base$Right.Inf.Lat.Vent + base$Left.Lateral.Ventricle + base$Right.Lateral.Ventricle
 > base$ICV = base$eTIV
@@ Line 124: / Line 162: @@
 > base$ND <- predict(classifier_cl, newdata = base)
 </code>
+A ver como queda,
+<code>
+> plot(base$AGE, base$Hippocampus, main = "Hippocampus Volume versus Age", xlab="Age", ylab="HV", pch=19, col=ifelse(base$ND==1,"red","blue"))
+</code>
+{{ :neuroimagen:neurodegeneration_classifier.png?600 | my pretty cool neurodegeneration classifier output}}
+**Nice!**
+===== What we got so far =====
+A partir de la base de datos de ADNI, tomo los sujetos diagnosticados como //Dementia// y //CN// en el baseline, así como su edad y ciertos valores calculados a partir de la segmentacion. Tomo el diagnostico de //Dementia// como positivo en neurodegeneracion y negativo en caso contrario.
+<code>
+library("e1071")
+library("caret")
+library("caTools")
+library("ADNIMERGE")
+pop <- adnimerge[adnimerge$VISCODE=="bl" & (adnimerge$DX=="Dementia" | adnimerge$DX=="CN"),];
+pop$ND = as.factor(ifelse(pop$DX == "Dementia", 1, 0))
+xt <- pop[, c("Hippocampus", "Entorhinal", "Ventricles", "MidTemp", "AGE", "ICV", "ND")]
+</code>
+Con estos datos, entreno el clasificador,
+<code>
+classifier_cl <- naiveBayes(ND ~ ., data = xt)
+</code>
+Ahora, tomo un proyecto y reuno los datos de segmentacion y demograficos. No es neceario todo pero la edad y la segmentacion basica si. Esto puede cambiar de proyeto en proyecto pero es mas o menos asi, (lo repito por tenerlo todo junto)
+<code bash>
+xnat_pullfs.pl -s aseg -x bioface19 -o bf_base_aseg.csv
+xnat_pullfs.pl -s aparc -x bioface19 -o bf_base_aparc.csv
+join -t, bf_base_aseg.csv bf_base_aparc.csv > bf_base.csv
+awk -F"," '{print $3","$5}' bioface_np.csv | sed 's/Subjecte/Subject_ID/; s/Edad/AGE/' > bf_age.csv
+join -t, bf_base.csv bf_age.csv > bf_data.csv
+</code>
+Cargo estos datos y construyo las variables identicas a la de los datos de ADNIMERGE.
+<code>
+setwd("/home/data/bioface")
+base <- read.csv("bf_data.csv")
+base$Hippocampus = base$Left.Hippocampus + base$Right.Hippocampus
+base$Entorhinal = base$lh.entorhinal.GrayVol + base$rh.entorhinal.GrayVol
+base$Ventricles <- base$Left.Inf.Lat.Vent + base$Right.Inf.Lat.Vent + base$Left.Lateral.Ventricle + base$Right.Lateral.Ventricle
+base$MidTemp = base$lh.middletemporal.GrayVol + base$rh.middletemporal.GrayVol
+base$ICV = base$eTIV
+</code>
+Ahora puedo calcular el valor de //(N)//,
+<code>
+base$ND <- predict(classifier_cl, newdata = base)
+</code>
+o la probabilidad de que exista neurodegeneración
+<code>
+base$post <- predict(classifier_cl, newdata = base, type="raw")
+</code>
+^ Clasificación ^ Probabilidades de N+ ^
+| {{ :neuroimagen:bioface_nplus_classifier.png?600 | my pretty cool neurodegeneration classifier output }} | {{ :neuroimagen:nplus_probabilities_histogram.png?600 | how the probabilities are distributed? }} |
+Y esto voy a hacerlo para FACEHBI también para compararlo,
+<code>
+setwd("/home/data/facehbi")
+read.csv("face_data.csv") -> face
+face$Hippocampus = face$Left.Hippocampus + face$Right.Hippocampus
+face$Entorhinal = face$lh.entorhinal.GrayVol + face$rh.entorhinal.GrayVol
+face$Ventricles <- face$Left.Inf.Lat.Vent + face$Right.Inf.Lat.Vent + face$Left.Lateral.Ventricle + face$Right.Lateral.Ventricle
+face$MidTemp = face$lh.middletemporal.GrayVol + face$rh.middletemporal.GrayVol
+face$ICV = face$eTIV
+face$ND <- predict(classifier_cl, newdata = face)
+face$post <- predict(classifier_cl, newdata = face, type="raw")
+</code>
+^ Clasificación ^ Probabilidades de N+ ^
+| {{ :neuroimagen:facehbi_nbayes_classifier.png?600 | my pretty cool neurodegeneration classifier output (FACEHBI)}} | {{ :neuroimagen:facehbi_nplus_prob_histogram.png?600 |how the probabilities are distributed?}} |
+==== Métodos no lineales ====
+Vamos a intentar con métodos no lineales. Ojo, estos  métodos no tienen interpretación probabilistica. Son construcciones matemáticas que funcionan.
+=== random Forest ===
+** BIOFACE **
+<code>
+rf_cl <- randomForest(ND ~ ., data = xt, na.action = na.omit)
+base$ND <- predict(rf_cl, newdata = base)
+base$post <- predict(rf_cl, newdata = base, type="prob")
+plot(base$AGE, base$Hippocampus, main = "Hippocampus Volume versus Age", xlab="Age", ylab="HV", pch=19, col=ifelse(base$ND==1,"red","green"))
+hist(base$post[,2], col="red", density = 50, probability=TRUE, breaks = 10, main="Probabilities profile", xlab = "Probability of N+")
+</code>
+^ Clasificación ^ Probabilidades de N+ ^
+| {{ :neuroimagen:rf_classifier_bioface.png?600 |}} | {{ :neuroimagen:rf_prob_profile_bioface.png?600 |}} |
+**FACEHBI**
+<code>
+face$ND <- predict(rf_cl, newdata = face)
+face$post <- predict(rf_cl, newdata = face, type = "prob")
+plot(face$AGE, face$Hippocampus, main = "Hippocampus Volume versus Age", xlab="Age", ylab="HV", pch=19, col=ifelse(face$ND==1,"red","green"))
+hist(face$post[,2], col="red", density = 50, probability=TRUE, breaks = 10, main="Probabilities profile", xlab = "Probability of N+")
+</code>
+^ Clasificación ^ Probabilidades de N+ ^
+| {{ :neuroimagen:rf_classifier_facehbi.png?600 |}} | {{ :neuroimagen:rf_prob_profile_facehbi.png?600 |}} |
+=== support-vector machine ===
+**BIOFACE**
+<code>
+svm_cl <- svm(ND ~ ., data = xt, na.action = na.omit)
+base$ND <- predict(svm_cl, newdata = base)
+plot(base$AGE, base$Hippocampus, main = "Hippocampus Volume versus Age", xlab="Age", ylab="HV", pch=19, col=ifelse(base$ND==1,"red","green"))
+</code>
+{{ :neuroimagen:svm_classifier_bioface.png?600 |}}
+** FACEHBI **
+<code>
+face$ND <- predict(svm_cl, newdata = face)
+plot(face$AGE, face$Hippocampus, main = "Hippocampus Volume versus Age", xlab="Age", ylab="HV", pch=19, col=ifelse(face$ND==1,"red","green"))
+</code>
+{{ :neuroimagen:svm_classifier_facehbi.png?600 |}}

Detritus Wiki

User Tools

Site Tools

Differences

Page Tools