Differences

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

--- neuroimagen:centiloid [2019/04/16 09:18] – [Usando el cluster] osotolongo
+++ neuroimagen:centiloid [2020/08/04 10:58] (current) – external edit 127.0.0.1
@@ Line 144: / Line 144: @@
 </code>
-Ahora, las imagenes PEt vieen en formato distinto al usado habitualmente (1 solo slice de 20 min) por lo que hay que retocar el script //fbbtemp_reg.sh// un poco para añadirle la posibilidad de proesar esto correctamente.
+Ahora, las imagenes PET vienen en formato distinto al usado habitualmente (1 solo slice de 20 min) por lo que hay que retocar el script //fbbtemp_reg.sh// un poco para añadirle la posibilidad de proesar esto correctamente.
 <code bash fbbtemp_reg.sh>
@@ Line 275: / Line 275: @@
 Tengo un ajuste con $r^2 = 0.97$ y una pendiente de $0.85 \pm 0.02$. La diferencia en los procedimientos esta en que en nuestra pipeline, siguiendo el metodo de ADNI, se toma como region de referencia la materia gris del cerebelo y en el caso de GAAIN se toma todo el cerebelo. No obstante la correspondencia entre las mediciones es buena.
+Vamos a comprobarlo. Cambio la normalizacion para que normalice por el cerebelo completo y de paso incluyo todos los sujetos,
+<code bash>
+[osotolongo@detritus centiloid]$ awk -F ";" '{print $1,$3}' centiloid_fbb_fs_suvr_roisi_wcb.csv > calcs_wcb.dat
+[osotolongo@detritus centiloid]$ awk -F ";" '{print $1,$4}' FBB_suvr_centiloid.csv | sed 's/Y1/7/' > reference.dat
+[osotolongo@detritus centiloid]$ join calcs_wcb.dat reference.dat
+<code>
+Reviso el modelo en R,
+<code>
+> d <- read.csv("toreview.dat", sep = " ", header = TRUE)
+> m <- lm(d$Global ~ d$WC_suvr)
+> summary(m)
+Call:
+lm(formula = d$Global ~ d$WC_suvr)
+Residuals:
+      Min        1Q    Median        3Q       Max
+-0.073212 -0.028196  0.000229  0.026218  0.079672
+Coefficients:
+            Estimate Std. Error t value Pr(>|t|)
+(Intercept)  0.04626    0.02573   1.798   0.0817 .
+d$WC_suvr    0.98001    0.01894  51.731   <2e-16 ***
+---
+Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
+Residual standard error: 0.04017 on 32 degrees of freedom
+Multiple R-squared:  0.9882,    Adjusted R-squared:  0.9878
+F-statistic:  2676 on 1 and 32 DF,  p-value: < 2.2e-16
+</code>
+ y miro el ajuste entre los datos en gnuplot,
+<code>
+gnuplot> f(x) = m*x +n
+gnuplot> fit f(x) "toreview.dat" u 2:3 via m,n
+After 4 iterations the fit converged.
+final sum of squares of residuals : 0.0531383
+rel. change during last iteration : -3.75201e-12
+degrees of freedom    (FIT_NDF)                        : 32
+rms of residuals      (FIT_STDFIT) = sqrt(WSSR/ndf)    : 0.0407501
+variance of residuals (reduced chisquare) = WSSR/ndf   : 0.00166057
+Final set of parameters            Asymptotic Standard Error
+=======================            ==========================
+m               = 1.00834          +/- 0.01949      (1.933%)
+n               = -0.0311848       +/- 0.02683      (86.03%)
+correlation matrix of the fit parameters:
+               m      n
+m               1.000
+n              -0.965  1.000
+</code>
+Tengo una pendiente de $1.01 \pm 0.02$ y un ajuste con $R^2 = 0.9878$, lo cual esta muy bien. Este resultado valida el metodo de obtencion de SUVR de nuestra pipeline.
+{{:neuroimagen:wcbl_fit.png|}}
+**Nota:** El SUVR se debe calcular tomando como referencia la materia gris del cerebelo si los valores se van a comparar con datos de ADNI ya que esta es la metodologia que usan pero si se va a calcular centiloides debe tomarse como referencia el cerebelo completo.
 ==== Implementando pipeline Centiloid =====
@@ Line 636: / Line 700: @@
      devel fbb2std_ osotolon  R       0:01      1 brick01
 </code>
+A ver esos resultados,
+<code bash>
+[osotolongo@detritus centiloid]$ sed 's/;/ /g; s/  / /g' centiloid_fbb_cl.csv > centiloid_fbb_cl.dat
+[osotolongo@detritus centiloid]$ join centiloid_fbb_cl.dat reference.dat > toreview.dat
+</code>
+Compruebo el modelo,
+<code>
+> d <- read.csv("toreview.dat", sep = " ", header = TRUE)
+> m <- lm(d$SUVR ~ d$WC_suvr)
+> summary(m)
+Call:
+lm(formula = d$SUVR ~ d$WC_suvr)
+Residuals:
+      Min        1Q    Median        3Q       Max
+-0.077423 -0.020244 -0.007479  0.020566  0.074633
+Coefficients:
+            Estimate Std. Error t value Pr(>|t|)
+(Intercept)  0.07059    0.02185   3.231  0.00286 **
+d$WC_suvr    0.94779    0.01609  58.921  < 2e-16 ***
+---
+Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
+Residual standard error: 0.03411 on 32 degrees of freedom
+Multiple R-squared:  0.9909,    Adjusted R-squared:  0.9906
+F-statistic:  3472 on 1 and 32 DF,  p-value: < 2.2e-16
+</code>
+y el ajuste,
+<code>
+gnuplot> f(x) = m*x +n
+gnuplot> fit f(x) "toreview.dat" u 2:4 via m,n
+iter      chisq       delta/lim  lambda   m             n
+3.4203670136e+01   0.00e+00  1.19e+00    1.000000e+00   1.000000e+00
+3.2574055507e-01  -1.04e+07  1.19e-01    7.952201e-01   2.956239e-01
+4.1098565887e-02  -6.93e+05  1.19e-02    1.042966e+00  -5.844827e-02
+4.1072773521e-02  -6.28e+01  1.19e-03    1.045444e+00  -6.184558e-02
+4.1072773521e-02  -5.95e-07  1.19e-04    1.045444e+00  -6.184591e-02
+iter      chisq       delta/lim  lambda   m             n
+After 4 iterations the fit converged.
+final sum of squares of residuals : 0.0410728
+rel. change during last iteration : -5.9486e-12
+degrees of freedom    (FIT_NDF)                        : 32
+rms of residuals      (FIT_STDFIT) = sqrt(WSSR/ndf)    : 0.0358263
+variance of residuals (reduced chisquare) = WSSR/ndf   : 0.00128352
+Final set of parameters            Asymptotic Standard Error
+=======================            ==========================
+m               = 1.04544          +/- 0.01774      (1.697%)
+n               = -0.0618459       +/- 0.02406      (38.9%)
+correlation matrix of the fit parameters:
+                m      n
+m               1.000
+n              -0.967  1.000
+</code>
+Con lo que tengo una pendiente de $1.05 \pm 0.02$ y una $R^2 = 0.9906$ que esta bastante bien.
+{{:neuroimagen:c_fit.png|}}