对动态全身3D物图像的自动细分和预处理方法的比较,使用不同的物追踪器
Maria K Jaakkola1, Marcela Xiomara Rivera Pineda2, Rafael Díaz2
1Turku PET Centre, University of Turku, Åbo Akademi University, and Turku University Hospital, Turku, Finland. maria.jaakkola@utu.fi.
Journal of imaging informatics in medicine
|May 27, 2025
概括
大多数无监督的细分方法都在与大型,现代的全身PET图像作斗争. 高斯混合模型和k-means集群显示出 PET 图像分析未来发展的前景.
科学领域:
- 医学成像医学成像
- 图像分析 图像分析
- 计算科学是一种计算科学.
背景情况:
- 自动细分对于PET图像分析至关重要,但对于现代大型数据集而言,几乎没有工具.
- 现有的自动化方法往往过时,为较小的图像而设计,并且缺乏可用的实现.
研究的目的:
- 在大型,现代的全身PET图像上评估常用的无监督细分方法的可行性.
- 识别有前途的算法,用于未来的发展,在自动化PET图像细分.
主要方法:
- 在5个数据集的动态全身PET图像上测试了17个无监督细分算法.
- 包括各种预处理技术和细分方法.
- 通过使用Jaccard指数,子得分,精度和回忆来验证与手动细分的结果.
主要成果:
- 在17种方法中,只有6种方法对大型PET图像具有计算可行性.
- 层次聚类和HDBSCAN表现最低.
- 高斯混合模型 (GMM) 和k-means集群实现了0.58的Jaccard指数中位数,GMM在人类数据上表现优于k-means.
结论:
- 大多数无监督细分方法对于现代PET成像是计算不可行的.
- 高斯混合模型和k-means是进一步开发的最有前途的候选者.
- 预处理,特别是denoising,改善了结果,但细分小器官仍然具有挑战性.
更多相关视频
07:45Author Spotlight: Standardizing Mouse In Vivo PET Imaging with Body Conforming Molds and Automated Analysis
Published on: October 25, 2024
783
09:55Radiosynthesis, Quality Control, and Small Animal Positron Emission Tomography Imaging of 68Ga-Labelled Nano Molecules
Published on: October 4, 2024
873
