Discussion :

[kamelcompte]

Bonjour à tous

j'utilise matlab, j'ai construit un volume 256*256*60 des images IRM cérébrales(dicom) par empilement des coupes en 2D, ma question c'est comment je peux visualiser l'histogramme de cet image en 3D et comment je peux avoir des approximations des composantes gaussiennes qui constituent l'histogramme à fin d'identifier les différents descripteurs statistiques des tissus cérébrales.

et merci d'avance

[Kangourou]

salut,

si tu as appele ton volume "VOl", par exemple, tu peux tracer son histogramme en N classes avec la fonction hist:

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

hist(VOL(:), N);

[kamelcompte]

Bonjour,
merci beaucoup pour la réponse mais si je tape la commande

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

hist(D(:),4);

le message que s'affiche c'est le suivant:

??? Error using ==> mtimes
Integers can only be combined with integers of the same class, or scalar doubles.

Error in ==> hist at 73
xx = miny + binwidth*(0:x);

[kamelcompte]

merci, ça va, j'ai pu visualiser l'histogramme du volume IRM, mais maitenant je cherche comment je peux avoir des approximations des composantes gaussiennes qui constituent l'histogramme afin d'identifier les différents descripteurs statistiques des tissus cérébrales.

et merci d'avance

[velkouby]

merci, ça va, j'ai pu visualiser l'histogramme du volume IRM, mais maitenant je cherche comment je peux avoir des approximations des composantes gaussiennes qui constituent l'histogramme afin d'identifier les différents descripteurs statistiques des tissus cérébrales.

et merci d'avance

Il te faut définir ton nombre de gaussienne, puis faire une descente de gradient sur les paramètres de tes gaussienne afin de minimiser la distance entre ton histo et tes gaussiennes.

Bon courage

[velkouby]

Salut,

Voila un code que j'ai trouvé sur le matlab file exchange et modifié. Il permet de faire ce que tu veux sur l'histogramme avec un algo EM:

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
function [mu,v,p,h]=EMHistoEstimation3d(ima,k)
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%
%   Expectation Maximization image segmentation
%
%   Input:
%          ima: grey color image
%          k: Number of classes
%   Output:
%          mu: vector of class means 
%          v: vector of class variances
%          p: vector of class proportions   
%
%   Example: [mu,v,p]=EMSeg(image,3);
%
%   Author: Prof. Jose Vicente Manjon Herrera
%    Email: <a href="mailto:jmanjon@fis.upv.es">jmanjon@fis.upv.es</a>
%     Date: 02-05-2006
%   
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
 
% check image
sima=size(ima);
%copy=ima;           % make a copy
ima=ima(:);         % vectorize ima
mi=min(ima);        % deal with negative 
ima=ima-mi+1;       % and zero values
m=max(ima);
s=length(ima);
 
% create image histogram
 
h=histogram(ima);
x=find(h);
h=h(x);
x=x(:);h=h(:);
 
% initiate parameters
 
mu=(1:k)*m/(k+1);
v=ones(1,k)*m;
p=ones(1,k)*1/k;
 
% start process
 
sml = mean(diff(x))/1000;
while(1)
        % Expectation
        prb = distribution(mu,v,p,x);
        scal = sum(prb,2)+eps;
        loglik=sum(h.*log(scal));
 
        %Maximizarion
        for j=1:k
                pp=h.*prb(:,j)./scal;
                p(j) = sum(pp);
                mu(j) = sum(x.*pp)/p(j);
                vr = (x-mu(j));
                v(j)=sum(vr.*vr.*pp)/p(j)+sml;
        end
        p = p + 1e-3;
        p = p/sum(p);
 
        % Exit condition
        prb = distribution(mu,v,p,x);
        scal = sum(prb,2)+eps;
        nloglik=sum(h.*log(scal));                
        if((nloglik-loglik)<0.0001) break; end;        
 
        clf
        plot(x,h);
        hold on
        plot(x,prb,'g--')
        plot(x,sum(prb,2),'r')
        drawnow
end
 
 
function y=distribution(m,v,g,x)
x=x(:);
m=m(:);
v=v(:);
g=g(:);
for i=1:size(m,1)
   d = x-m(i);
   amp = g(i)/sqrt(2*pi*v(i));
   y(:,i) = amp*exp(-0.5 * (d.*d)/v(i));
end
 
 
function[h]=histogram(datos)
datos=datos(:);
ind=find(isnan(datos)==1);
datos(ind)=0;
ind=find(isinf(datos)==1);
datos(ind)=0;
tam=length(datos);
m=ceil(max(datos))+1;
h=zeros(1,m);
for i=1:tam,
    f=floor(datos(i));    
    if(f>0 & f<(m-1))        
        a2=datos(i)-f;
        a1=1-a2;
        h(f)  =h(f)  + a1;      
        h(f+1)=h(f+1)+ a2;                          
    end;
end;
h=conv(h,[1,2,3,2,1]);
h=h(3:(length(h)-2));
h=h/sum(h);