对动态全身PET图像分析的无监督集群算法的定量评估
Oona Rainio1, Maria K Jaakkola1, Riku Klén1
1Turku PET Centre, University of Turku and Turku University Hospital, Turku, Finland.
Journal of medical engineering & technology
|February 20, 2025
概括
高斯混合模型 (GMM),模糊c-means (FCM) 和使用小批量K-means的独立组件分析 (ICA) 显示出动态全体PET分析的前景,在分类时间活动曲线中实现高精度.
科学领域:
- 医疗成像医学成像
- pozitron 发射断层扫描 (PET) 是一个技术.
- 数据分析 数据分析
背景情况:
- 动态全身PET成像是一种由新型扫描仪技术实现的近期进步.
- 对处理动态全身PET数据的聚类算法的系统评估是有限的.
研究的目的:
- 为了比较15种无监督集群方法的性能,用于处理动态全身PET图像.
- 在动态PET数据中识别有效的算法来分类时间活动曲线 (TAC).
主要方法:
- 在30名患者的动态全身15O水PET图像上对比了15个无监督的集群算法.
- 使用的K-平均值,PCA,ICA,GMM,FCM,聚合集群和光谱集群.
- 从特定的器官和组织每张图像分类5000个TAC,以评估准确性.
主要成果:
- 高斯混合模型 (GMM) 实现了89%的中位精度.
- 模糊的c-平均值 (FCM) 实现了83%的中位精度.
- ICA与小批量K-means相结合,实现了81%的中位精度,处理时间小于0.5秒.
结论:
- 具有小批量K介质的GMM,FCM和ICA对动态全体PET分析具有前景.
- 这些方法提供了有效和准确的TAC分类.
- 对这些算法的进一步研究可以推进动态全身PET数据处理.
