【例会】Modified Quality Threshold Clustering for Temporal Analysis and Classification of Lung Lesions

主持人:程坤

参会老师:安宁  杨矫云  阙夏  吴玺

参会学生:韩朋、景波、江思源、唐晨、刘杰、刘硕、明鉷、唐晨、滕越、赵春阳

本次例会主要学习讨论了文章

Netto S M B, Diniz J O B, Silva A C, et al. Modified Quality Threshold Clustering for Temporal Analysis and Classification of Lung Lesions[J]. IEEE Transactions on Image Processing, 2019, 28(4): 1813-1823.

背景:

继皮肤癌之后,肺癌是美国男性和女性中最常见的癌症。2016年,美国癌症协会预测美国约有224,390例新发病例和158,080例肺癌死亡病例。由于肺癌很难预估,近年来许多早期检测和评估研究正在进行中。 当患者在症状出现之前参与筛查计划时,就会进行早期评估。许多病例是不确定的,可能是良性病变或者是恶性病变。在所有的病例中,都必须重复评估肺部病变以确定病变行为。

问题:

以前对病变纹理(Texture)的研究仅显示了随时间推移的简单纹理度量的行为或可能存在病变血管的区域。 而不能检测确定了受密度变化影响的所有区域。

假设:

作者提出了一种基于质量阈值(QT)聚类技术的方法。该聚类技术具有寻找理想数量的簇的特性,并且该特性用于模拟肺病变组织中的时间密度变化。

方法:
改进一: 第一个修改是包含评估簇质量的技术(jump method)。给定阈值的可能范围,jump method给出最佳簇数(k)。

改进二: 该第二修改包括找到k值,在该k值处,失真曲线(D)是与该曲线拟合的直红线(DEstimated)的最大距离

实验:

QT聚类算法为PLD数据库找到的阈值在19到191之间,平均值为59.42。对于HPE数据库,阈值的值在19到73之间,平均值为36.41。尽管具有相同的最小值,但治疗中病变的阈值变化更高。 数据库形成的簇数取决于阈值,PLD数据库的簇数范围为4到40,平均为18.67。同样,为HPE数据库找到的簇数范围为3到20,平均值为12.47

样本诊断的分类结果包括63个实例,17个良性病例(HPE数据库)和46个恶性病例(PLD数据库)在两种分类参数设置下,PLD数据库的案例20(恶性)被错误地分类。这种情况的体积变化很小。在这种情况下的密度变化可能与良性情况下的密度变化相似

结论:

该实验中使用的技术是QT聚类算法。该聚类技术经过特殊修改,用于病变密度的时间分析。该技术应用于两个CT图像数据库,一个用于恶性病变(PLD数据库),另一个用于良性病变(HPE数据库)。实验表明,在体积变化小的情况下,该技术能够增强密度变化。当属于一个簇的体素切换到另一个簇时,会发生此增强。结果,可以更清楚地看到哪些体素随时间变化。这证明即使在被认为是稳定的病变中,也会发生密度变化。对于这两个数据库,该方法提出了以前专家未能察觉的密度变化。对于恶性病变和良性(最初不确定的)病变,证实了这一事实。

未来工作:

在未来的工作中,为了向专家提供额外的帮助,我们打算结合基于恶性病变分层的分析,并将结果与​​医学临床数据相关联。此外,我们希望在单个图像中结合所有密度变化的可视化,基于位置诊断病变的密度变化分析以及变化预测。

 

anyShare分享到:
This entry was posted in 新闻动态. Bookmark the permalink.

发表评论