用于PACS存储库聚类的深度嵌入聚类算法
图像与视频处理
2022-06-28 v1 计算机视觉与模式识别
摘要
由于采集和存储标准的差异，从多个来源创建医学放射图像的大型数据集可能具有挑战性。控制和/或评估图像选择过程的一种可能方式是通过医学图像聚类。然而，这需要一种有效的方法来学习潜图像表示。在本文中，我们解决了仅使用像素数据的医学图像完全无监督聚类问题。我们测试了几种基于卷积自编码器（CAE）构建的当代方法的性能——卷积深度嵌入聚类（CDEC）和卷积改进深度嵌入聚类（CIDEC）——以及三种基于预设特征提取的方法——方向梯度直方图（HOG）、局部二值模式（LBP）和主成分分析（PCA）。CDEC和CIDEC是端到端聚类解决方案，涉及潜表示和聚类分配的同时学习，而其他方法依赖于来自固定嵌入的k-means聚类。我们在30,000张图像上训练模型，并使用由8,000张图像组成的独立测试集进行测试。我们从里耶卡临床医院中心的PACS存储库档案中采样数据。对于评估，我们在两个与目标参数密切相关的常用DICOM标签——模态和解剖区域（调整后的BodyPartExamined标签）上使用轮廓系数、同质性分数和归一化互信息（NMI）。CIDEC在解剖区域上获得0.473的NMI分数，CDEC在模态标签上获得0.645的NMI分数——均优于其他常用特征描述符。
引用
@article{arxiv.2206.12417,
title = {Deep embedded clustering algorithm for clustering PACS repositories},
author = {Teo Manojlović and Matija Milanič and Ivan Štajduhar},
journal= {arXiv preprint arXiv:2206.12417},
year = {2022}
}