сприяє: Педро Перес

інструменти

Мотивація

Діагностичні зображення в ядерній медицині отримують шляхом виявлення рентгенівських променів, випромінюваних радіонуклідами, що входять в організм. Ці радіонукліди приєднані до молекул, які називаються носіями, які транспортують радіоактивний елемент до цікавих для них областей, для яких вони були розроблені. Так, наприклад, є молекули-носії, які спрямовуються в райони, де є більш висока концентрація глюкози. Ці радіонукліди використовуються для двох загальних цілей: діагностики та лікування різних патологій, включаючи рак.

Розподіл радіонуклідів в організмі людини залежить від кількох факторів, головним чином від метаболізму пацієнта та молекули-носія. Через свої особливості цей розподіл не є однорідним, а також не повністю зосереджений в тілі тіла, куди бажано опромінювати, і навіть змінюється залежно від часу. Так, наприклад, ми можемо знайти радіонуклід, сконцентрований в області пухлини, у співвідношенні 4: 1 з його концентрацією в решті тіла.

Ця методика та її застосування постійно розширюються і все частіше застосовуються у пацієнтів різного віку та особливостей. Енергії рентгенівського випромінювання, що традиційно використовуються для діагностики, не становлять великої небезпеки для пацієнта, якщо їх використовують для випадкових досліджень. Але використання цих променів для лікування (вищої енергії та інших частинок, таких як електрони або альфа-частинки) або в періодичних планових контролях може включати великі відкладення доз в організмі пацієнта, що може спричинити небажані наслідки в органах або більш чутливих тканинах, і вони не потрібно лікувати. Для цього дозиметрія в ядерній медицині сьогодні є фундаментальним інструментом для пізнання енергії, що передається кожному органу/тканині, і, отже, здатності оцінювати ризики.

Цей проект пропонує використовувати кластерний аналіз для застосувань у 3D-дозиметрії як метод автоматизації для виявлення неоднорідностей. Вокселі будуть пов'язані з обсягами, що представляють інтерес, відповідно до їх функціональних властивостей, і для цього будуть використані методи кластеризації, які зможуть потім визначати накопичені карти активності, необхідні для виконання 2D та 3D дозиметричних розрахунків.

Вступна бібліографія

опис проблеми

Необхідна оцінка просторового розподілу дози за допомогою 3D-наближень на основі вокселів. Для застосувань 3D-дозиметрії необхідний кластерний аналіз, який автоматизує спосіб виявлення неоднорідностей шляхом групування вокселів у межах об’єму, що цікавить, відповідно до їх функціональних можливостей.

Методика k-mean буде впроваджена спочатку, застосовуватиметься до 3D та 4D-зображень пацієнтів та змоделюватиметься. Будуть шукати субрегіони в межах цікавої області, вокселі яких мають певні характеристики, щоб створити накопичені карти активності шляхом регулювання центроїдів кластерів та використання кластерного зображення як карти. Так само будуть виявлені ділянки надмірного шуму, спричиненого помилками запису. Нарешті, буде проведено аналіз переваг та обмежень запропонованого методу та вивчено інші методи машинного навчання, які можуть враховувати обмеження, встановлені першим.

У медичній візуалізації інтуїтивне представлення результатів є центральним для спілкування лікаря. Медичний фізик повинен мати можливість представити результати, надаючи як анатомічну, так і метаболічну інформацію на одному і тому ж зображенні. При аналізі та візуалізації будуть виявлені викиди, визначені сфери інтересів та вивчені форми узгодження анатомічних та метаболічних зображень для їх презентації.

У цьому полі буде важливо "очистити" зображення від можливих ефектів через електронні шуми або небажані ефекти, що виникають внаслідок фізичних властивостей випромінювання та деяких геометричних наслідків.

Методи машинного навчання будуть використані для визначення неоднорідностей за допомогою воксельної класифікації.

Практика аналізу та візуалізації

У медичній візуалізації інтуїтивне представлення результатів є центральним для спілкування лікаря. Медичний фізик повинен мати можливість представити результати, надаючи як анатомічну, так і метаболічну інформацію на одному і тому ж зображенні. При аналізі та візуалізації виявлятимуться відхилення, визначатимуться цікаві області та спостерігатимуться певні характеристики зображень.

У цьому проекті ми проведемо пошукову роботу над набором 2 зображень ядерної медицини на вибір студента. Кожне зображення буде представляти собою набір даних.

Набір даних

Набір даних 1

Знайдіть 2D-зображення ядерної медицини (це може бути гамма-камера або фрагмент зображення 3D-техніки). Зображення повинно бути отримано в різні моменти часу і перед використанням його слід анонімувати. Нижче наведено приклад серії з 3 моментів, коли було отримано одне і те ж зображення.

Набір даних 2

Знайдіть тривимірне зображення, також ядерної медицини, зроблене в різні моменти часу (4D).

Загальні міркування

Обидва набори даних повинні відповідати зображенням ядерної медицини, тобто отриманим при виявленні фотонів від викидів радіонуклідів, які раніше надходили пацієнту.

Обидва набори даних повинні бути анонімізованими і належати або до публічної бази даних для освіти/досліджень, або до медичної клініки, яка надає їх анонімізації, та з письмовою згодою на ці цілі (рекомендується для того, щоб мати зображення для решти суб’єктів та мати можливість обговорити набір даних із тим, хто їх надає, загалом зацікавленим у вивченні цих характеристик).

Гасла

Частина 1

Виконайте дослідницький аналіз кожного набору даних.

  1. Знайдіть у кожному випадку розподіл значень кожного пікселя та його еволюцію в часі.
  2. Виконайте описовий статистичний аналіз даних як в одній, так і в кількох змінних. Режим, середнє, середнє та стандартне відхилення певного товару.
  3. Визначте якимось чином інформацію, яку можна вважати «шумом», і знайдіть викиди.
  4. Чи існує умовна ймовірність між значеннями пікселів між різними часом отримання? Чи слід приймати значення пікселів безпосередньо, чи переважно групувати їх у групи? Обґрунтуйте.
  5. Групуйте дані для кожного зображення у число, яке вважаєте прийнятним, і шукайте коефіцієнти кореляції між групами того самого часу та групами різного часу. Визначений набором пікселів у групі на першому зображенні, ця група пікселів повинна належати до тієї самої групи у наступні часи.
  6. Визначте критерій, щоб мати можливість розділити дані кожного зображення на підрегіони, які ви можете вважати "однорідними".
  7. Графікуйте в кожному випадку попередні пункти та зробіть візуалізацію, яку ви вважаєте найбільш оптимальною. Обґрунтуйте вибір дисплея.

Частина 2

З результатів, отриманих у Довідковому матеріалі 1, нанесіть схему інтерактивного візуального спілкування результатів, що описує основні аспекти обраного набору даних (викиди, шуми, однорідні субрегіони тощо).

Спілкування має бути спрямоване на технічну аудиторію, але без знання конкретного предмету, наприклад, на однокласників.

Доставка

Використовуйте Plotly, Bokeh або Dash (рекомендується), щоб представити результати.
Кінцевий термін: 15 днів після закінчення теми аналізу та візуалізації.