基于概率滑块的医学体数据分类不确定性可视化方法技术

一种基于概率滑块的医学体数据分类不确定性可视化方法，包括以下步骤：步骤一：对医学体数据进行亮度变换操作以获得转化后的医学体数据；步骤二：给定亮度变换后的医学体数据后，接着是对其应用空间模糊c均值SFCM分类方法，从而获得N个分类的概率体数据，每个分类对应一种医学材料；步骤三：在给定了N个分类的概率体数据的情况下，生成的彩色体数据；步骤四：给定了由步骤三生成的彩色体数据，对它们应用光线投射体绘制算法以获得2D图像。本发明专利技术生成的结果可以定量地表示任意一种医学材料的发生概率；能够揭示任意一种材料的极端情况，从而作为边界条件进行决策；使医学专家能够做出更准确的诊断或术前决策。更准确的诊断或术前决策。更准确的诊断或术前决策。

【技术实现步骤摘要】
基于概率滑块的医学体数据分类不确定性可视化方法


[0001]本专利涉及可视化和可视分析领域，涉及一种利用概率滑块来对医学体数据的分类进行不确定性可视化的方法。

技术介绍

[0002]不确定可视化领域是可视化研究的主要挑战之一，有许多贡献这一领域的技术已经被提出。Brodlie等人和Potter等人在总结和分类最新的不确定性可视化技术方面提出了两篇综述(参考文献[1]Brodlie,K.,Osorio,R.A.,Lopes,A.A Review of Uncertainty in Data Visualization.Expanding the Frontiers of Visual Analytics and Visualization,pp.81
–
109.Springer London,2012.即Brodlie,K.,Osorio,R.A.,Lopes,A.数据可视化中的不确定性综述.扩展视觉分析和可视化的前沿,pp.81
–
109.伦敦施普林格,2012)(参考文献[2]Potter,K.,Rosen,P.,Johnson,C.R.From Quantification to Visualization:A Taxonomy of Uncertainty Visualization Approaches.Uncertainty Quantification in Scientific Computing,Vol.377,pp.226
‑
249.Springer Berlin Heidelberg,2012.即Potter,K.,Rosen,P.,Johnson,C.R.从量化到可视化:不确定性可视化方法的分类.科学计算中的不确定度量化,377,pp.226
‑
249.斯普林格柏林海德堡,2012)这两篇综述都根据要可视化的数据的维数(0D～3D)和类型(标量、多场、矢量、张量)对这些技术进行了分类。但是，由于它们的分类工作是基于数据的特征而不是技术的特征，因此可以根据不同的数据对本质上相同的技术进行划分。相比之下，Lei等人发表了一篇综述，根据不确定性可视化技术的特点对其进行了总结和分类。(参考文献[3]Lei H.,Chen H.D.,Xu J.Y.,Wu X.Y.,Chen W.,A Survey on Uncertainty Visualization[J],Journal of Computer
‑
Aided Design&Computer Graphics,2013,25(3):294
–
303.即Lei H.,Chen H.D.,Xu J.Y.,Wu X.Y.,Chen W.,不确定度可视化研究综述.计算机辅助设计与图形学杂志,2013,25(3):294
–
303)他们的工作将最先进的技术分为以下四大类：
[0003]符号法——该方法首先对符号的不确定性进行编码，然后在数据上显示这些符号的分布。这种方法最经典和最简单的例子是误差条，它使用诸如误差的平均值、下限和上限等统计数据来编码误差条，然后将它们分布并显示在数据上。另一个典型的例子是箱形图，其最基本的形式是使用上界、下界、上四分位数、下四分位数和中位数五种汇总统计信息对箱形图进行编码，然后在数据上进行分布和显示。符号法方法的优点是简单易懂，缺点是容易造成视觉混乱等问题。
[0004]视觉变量编码——该方法使用各种视觉变量，如位置、形状、亮度、颜色、纹理、方向等来编码不确定性。例如，颜色是最常见的视觉变量之一，它可以通过将不确定性映射到不同的不确定性来编码。另一个例子是透明度，它也可以被用来编码不确定性，映射到不同的不确定性。视觉变量编码方法的优点是可以让用户快速识别不确定性的大小和区域，缺点是需要仔细选择视觉变量才能有效表达不确定性。
[0005]几何学——这种方法使用生成的几何图形(点、线、面、网格、体积等)的分布或属
性来编码不确定性。例如由Potter等人提出的意大利面图，它利用组成意大利面图的线的分布来编码集成数据的不确定性。(参考文献[4]Potter K.,Wilson A.,Bremer P.T.,Williams D.,Doutriaux C.,Pascucci V.,Johnson C.R.,Ensemble
‑
vis:AFramework for the Statistical Visualization of Ensemble Data[C],IEEE Workshop on Knowledge Discovery from Climate Data:Prediction,Extremes.2009:233
‑
240.即Potter K.,Wilson A.,Bremer P.T.,Williams D.,Doutriaux C.,Pascucci V.,Johnson C.R.集成
‑
可视化:集成数据的统计可视化框架,IEEE气候数据知识发现研讨会:预测,极端.2009:233
‑
240.)该方法的优点是直观、易于理解，可以使用复杂的几何图形对多个不确定性进行编码。其缺点是生成的几何图形容易遮挡特定数据的可视化结果。
[0006]动画——该方法使用与动画相关的参数如速度、运动范围、运动顺序等来确定编码的不确定性，用户需要持续地观察动画来确定不确定性的大小和区域。一个典型的例子是Brown提出的动态视觉振动技术，它利用曲面的振幅来确定编码的不确定性。(参考文献[5]Brown R.,Animated Visual Vibrations as An Uncertainty Visualization Technique[C],International Conference on Computer Graphics and Interactive Techniques in Australasia and South East Asia,2004:84
‑
89.即Brown R.,动画视觉振动作为一种不确定性可视化技术,在大洋洲和东南亚举行的计算机图形和互动技术国际会议,2004:84
‑
89.)动画的优点是它更生动地表达了不确定性。它的缺点是与静态不确定性可视化技术相比，用户需要花费更长的时间才能理解；此外，由于动画的运动和闪烁，可能会使用户感到视觉疲劳。
[0007]如上所述，虽然已经提出了许多工作，但是从医学成像步骤到几个数据处理步骤，再到最后的渲染步骤，只有很少的工作专注于医学数据的不确定性可视化上。而这些问题对医学专家做出更准确的诊断具有极其重要的意义。Lundstrom等人提出了一项利用动画的显示速度使医学专家能够可视化医学体数据中的分类不确定性的工作。(参考文献[6]Lundstrom C.,Ljung P.,Persson A.,and Yn本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于概率滑块的医学体数据分类不确定性可视化方法，其特征在于，所述方法包括如下步骤：步骤一：对医学体数据进行亮度变换操作以获得转化后的医学体数据，对于变换后的医学体数据中的每个体素(x,y,z)，其变换后的强度值为i'(x,y,z)，亮度变换步骤是分类前的预处理操作，使用三种亮度变换方法对原始的医学体数据进行变换，如下所示：1.1Sigmoid函数Sigmoid函数也称为Logistic函数，将其表示为式(1)：式中，i表示原始医学体数据的强度值；i'表示变换后的强度值；c为常数，表示变换后的强度值可以下降的范围；ω和σ是该函数中可由用户调节的参数，分别代表了原始医学体数据亮度值分布的中心和宽度；1.2自动对比最佳化自动对比最佳化方法有两种变化，第一种是通过从直方图的两边移除总体素的相同百分比，来形成新数据的最大值和最小值边界，百分比的大小由用户指定；第二种是从直方图的左边移除一个用户指定百分比的总体素，从直方图的右边移除另一个用户指定百分比的总体素，从而形成新数据的最大值和最小值边界；1.3交互式亮度传递函数。设计一个亮度传递函数界面，用户通过移动、添加或删除他们的节点来形成任何TFs，将原始医学体数据的直方图作为背景，引导用户形成TFs；步骤二：给定亮度变换后的医学体数据后，接着是对其应用空间模糊c均值SFCM分类方法，从而获得N个分类的概率体数据，每个分类对应一种医学材料，这里的N代表由用户指定的分类数量，它取决于变换后的医学体数据中包含的医学材料的数量，在分类过程中，将变换后的医学体数据中每个体素的亮度值i
′
(x,y,z)变换为概率值p(i
′
(x,y,z)∈M
A
),
…
,p(i
′
(x,y,z)∈M
N
)，这表示这个体素的亮度值属于每个材料的可能性为M
A
,
…
,M
N
；在分类方面，空间模糊c均值(SFCM)聚类方法，并将其应用到体数据上，步骤如下：2.1)为每个集群中心分配一个初始值c
i
；2.2)由步骤2.1)得到每个聚类中心c
i
，使用式(2)更新属于每个聚类c
i
的每个体素的亮度值v
j
的概率值p
ij
，也称为隶属度值；式中N为簇数，一个簇对应一个分类；m是一个常数参数，它控制分类结果的模糊性；‖‖指的是范数；2.3)给定了步骤2.2)的概率值p
ij
，使用式(3)计算每个聚类c
i
中每个体素的亮度值v
j
的空间函数h
ij
：其中NB(v
j
)表示以体素i为中心的立方体窗口的亮度值为v...

【专利技术属性】
技术研发人员：马骥，陈金金，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：