从多器官CT图像中获得的3D形状的尺寸缩小和异常检测
Michael Selle1, Magdalena Kircher2, Cornelia Schwennen3
1Institute of Animal Genomics, University of Veterinary Medicine Hannover, Hannover, Germany. michael.selle@tiho-hannover.de.
BMC medical informatics and decision making
|February 14, 2024
概括
多重协同惯性分析 (MCIA) 有效地聚合了多器官3D数据,以进行可靠的患者异常值检测. 这种方法比PCA或t-SNE对于高维度医疗数据集更可靠.
科学领域:
- 医学成像分析 医学成像分析
- 计算生物学 计算生物学
- 统计学学习 统计学学习
背景情况:
- 无监督聚类和异常值检测对于了解医学研究中患者人群分布至关重要.
- 来自每个患者多个器官的高维数据对传统的聚类和异常检测方法提出了挑战.
- 当现有方法应用于每个患者的多个高维数据集时,可能会产生不一致的结果.
研究的目的:
- 评估多重协同惯性分析 (MCIA) 在分析多器官3D数据的有效性,用于患者聚类和异常发现.
- 在处理高维,多器官数据集时,将MCIA与主要组件分析 (PCA) 和t分布式静态邻居嵌入 (t-SNE) 进行比较.
- 根据多器官特征,确定最可靠的方法来评估患者在人口中的分布位置.
主要方法:
- 利用计算机断层扫描 (CT) 从公共数据集中扫描数据,在多个器官上执行点集注册.
- 每个器官提取了数百个形状特征,创建了高维特征矩阵.
- 应用主要组件分析 (PCA),t分布式静态邻居嵌入 (t-SNE) 和多重协同惯性分析 (MCIA),结合袋图,用于分布式分析.
主要成果:
- MCIA 独特地将所有器官的数据投射到一个单一的,共享的低维空间.
- 根据患者属于内/外50%的频率或在多个器官中是异常值的频率来分类患者.
- 使用MCIA和PCA可以检测出异常值;MCIA和t-SNE在确定患者分布位置方面表现出比PCA更强大的稳定性.
结论:
- 在处理每个患者的多个高维数据集时,MCIA是判断患者分布位置的最合适和最稳健的方法.
- 建议将PCA或t-SNE与MCIA并行应用,以分析个体器官的分布特征.
- 在复杂的医学成像研究中,MCIA提高了患者分层和异常者识别的可靠性.
