利用函数回归混合模型对双能 CT 扫描进行光谱图像聚类
图像与视频处理
2022-02-01 v1 机器学习
统计方法学
摘要
双能计算机断层扫描（DECT）是一种先进的 CT 扫描技术，能够实现传统 CT 扫描无法实现的材料表征。它允许在每个三维图像体素处重建能量衰减曲线，表示在不同有效扫描能级下变化的图像衰减。本文开发了新颖的函数数据分析（FDA）技术，并将其调整应用于 DECT 衰减曲线的分析。更具体地说，我们构建了在混合权重中整合空间上下文的函数混合模型，其混合分量密度是在作为函数观测值的能量衰减曲线上构建的。我们通过为模型参数的最大似然估计开发专门的期望最大化（EM）算法，设计了无监督聚类算法。据我们所知，这是第一篇调整统计 FDA 工具和基于模型的聚类以利用 DECT 提供的完整光谱信息的文章。我们在 91 例头颈部癌症 DECT 扫描上评估了我们的方法。我们将我们的无监督聚类结果与放射科医生手动勾画的肿瘤轮廓以及几种基线算法进行了比较。鉴于即使是专家在勾画头颈部肿瘤时也存在评估者间差异，且肿瘤本身周围组织反应的潜在重要性，我们提出的方法有望在基于头颈部癌症 DECT 数据的临床结果预测等下游机器学习应用中增加价值。
引用
@article{arxiv.2201.13398,
title = {Spectral image clustering on dual-energy CT scans using functional regression mixtures},
author = {Segolene Brivet and Faicel Chamroukhi and Mark Coates and Reza Forghani and Peter Savadjiev},
journal= {arXiv preprint arXiv:2201.13398},
year = {2022}
}
备注
submitted to IEEE Transactions on Medical Imaging