Multilevel principal component analysis(mPCA) in shape analysis

Multilevel principal component analysis (mPCA) in shape analysis: A feasibility study in medical and dental imaging

تجزیه و تحلیل چند سطحی مولفه های اصلی (mPCA): مطالعه امکان سنجی این روش در تصویربرداری پزشکی و دندانی

زمینه و هدف:

روش مورد استفاده در پردازش تصویر باید بازتاب دهنده هر گونه سازه چند سطحی ذاتی وطبیعی در مجموعه داده های تصویر باشد  و یا پیش برنده ریسک و خطر مرتبط به عملکرد ناقص باشد. هدف ما بررسی و ازمودن امکان پذیری تحلیل چند سطحی اجزای اصلی (PCA) برای ساخت مدل های شکلی فعال (ASM) برای مواردی است که مربوط به تصویربرداری پزشکی و دندانی می باشند.

مواد و روش ها:

PCA چند سطحی برای انجام برازش مدل نسبت به مجموعه هایی از نقاط برجسته بنام landmark points مورد استفاده واقع شده است و با نتایج حاصل از PCA استاندارد قیاس شده است. اثبات اصل با استفاده از mPCA به منظور مدل سازی احساسات اساسی یا  expressions  اطراف دهان بنام perioral  مورد آزمایش قرار گرفت (از جمله شاد، بی طرف بودن، غمگین) که مقارب با محل اتصال یا ارتباطی در بین دهان / لب است. شبیه سازی های مونت کارلو به منظور ایجاد داده هایی اجرا شده اند که اکتشاف مسائل مربوط به اجرای عملی را مانند تعدادی از نقاط برجسته بنام landmark ، تعدادی از تصاویر، و تعدادی از گروه ها امکان پذیر ساختند. برای آزمایش بیشتر درستی و دقت این روش، mPCA به یک مجموعه از داده های تصویربرداری دندانی با استفاده نقاط برجسته فوق الذکر (قرار داده شده توسط پزشکان مختلف) در راستای مرز استخوان فک پایین در رادیوگرافی های پانورامیک چهره تخصیص داده شد.

نتایج:

تغییرات حالت یا احساسات بنام expression  که در بین گروه ها، متنوع می باشند در یک سطح از این مدل مدلسازی شده اند و تغییرات در عرض لب که در گروه ها متفاوت می باشند در مجموعه داده های مونت کارلو مدلسازی شده اند. موارد خاص در مجموعه داده آزمون توسط mPCA به جز PCA  استاندارد مدلسازی شده اند. همچنین، تنوع در شکل استخوان توسط یک سطح از mPCA مدلسازی شده اند و تغییرات در نظرات بین کارشناسان برای مجموعه داده های رادیوگرافی پانورامیک ارائه شده اند. نتایج جستجو برای mPCA قابل قیاس با نتایج  PCA استاندارد برای خطاهای نقطه به نقطه از طریق آزمایش miss-one-out  برای این مجموعه داده ها می باشند. این خطاها با افزایش تعداد مقادیر ویژه کاهش می یابند (طبق انچه که انتظار می رود).

نتیجه گیری:

نشان داده شده است که از mPCA می توان در مدل های مرتبط به پردازش تصویر دندانپزشکی و پزشکی استفاده کرد.mPCA  ارائه دهنده کنترل و انعطاف پذیری بیشتر در مقایسه با   PCA استاندارد است. در کل، mPCA  بهتر از PCA  استاندارد است به ویژه زمانی که سطوح مختلف به طور طبیعی در مجموعه داده رخ می دهند.

مقدمه

روش های استفاده شده در پردازش تصویر باید بازتاب دهنده ساختارهای اساسی، نه تنها در خود تصاویر بلکه در بین تصاویر باشند. این امر به ، ویژه، برای تصاویر تکرار شده و برگرفته از همان شخص و یا بخش ها و قسمت هایی از همان تصویر، مهم می باشد. روش هایی که بازتاب دهنده این روابط  در بین تصاویر در سطوح مختلف می باشند باید عملکرد کارآمدی بیش از انهائی داشته باشند که مدل های (ASMS) و مدل های ظاهر فعال AAM) ] را شکل نمی دهند که تماما به عنوان روش معمول پردازش تصویر می باشند که از انها برای جستجو برای ویژگی های خاص و یا اشکال خاص استفاده شده است. نکته مهم این روش تحلیل مولفه های اصلی (PCA) مجموعه های "نقاط عطفی بنام" “landmark” points  است که دال بر یک شکل خاص در مجموعه ای از تصاویر است. اغلب این مجموعه از نقاط برای تصاویر مورد نظر مشخص شده اند و یا توسط یک متخصص یا متخصصان با استفاده از یک رابط کاربر گرافیکی (GUI) معین شده اند. به عنوان مثال، شکل 1 حاکی از تصاویر پزشکی و رابط کاربری گرافیکی برای یک رادیوگرافی پانوراما دندانی است.

به محض معین شدن یک عکس است که اجزای اصلی باعث شکل دهی مدل توزیع نقطه ای می شوند و فرد می تواند از ان اطلاعات برای تشخیص اشکال در تصاویر جدید استفاده کند. مزیت متمایز ASMS این است که می توان انواع اشکالی را محدود ساخت که در هر جستجوی تصویر ، مجاز می باشند. این مساله با ممکن نمودن عبور هر تصویر و جستجوی تصویر در راستای مسیرهای معین شده توسط بردارهای ویژه ، بر اساس PCA، به عنوان مثال، برای ASMS، ماتریس کوواریانس برای مجموعه ای از نقاط برجسته ان به دست می اید. بنابراین، هر شکل موجود در عکس جدید با استفاده از این روش زمانی بسیار مهم می باشد که با مجموعه آموزشی مقایسه شده باشد، که برای تصاویر پزشکی سودمند است که برای انها، تصنعات و سر و صدا بسیار معمول هستند. اگر خوشه و یا ساختارهای داده های چند سطحی در مجموعه داده ها وجود داشته باشد، پس به طور طبیعی، بردارهای ویژه و مقادیر ویژه از PCA تنها ، تا حدی، منعکس کننده تغییر واقعی در مجموعه ای از اشکال مربوطه خواهند بود. مدل سازی چند سطحی به عنوان یک روش آماری است که به طور گسترده از ان برای مدل سازی خوشه های طبیعی و مکرر در داده ها و یا مدل سازی اثرات اقدامات یا سنجش های تکرار شده در مطالعات طولی استفاده می شود. کاربرد قبلی mPCA در  ASMs برای تقسیم بندی و بخش بندی ستون فقرات انسان بوده است. نتایج حاصل از این مطالعه نشان داد که mpca دال بر انعطاف پذیری بیشتر است که تغییر شکل هایی را ممکن می سازد که مدل های آماری کلاسیک نمی تواند باعث شکل گیری انها باشند. نظر به اینکه mpca در مورد تجزیه داده ها به جز درون فردی و بین فردی است پس می توان مزایای تجزیه و تحلیل تصاویر چند سطحی را دید. این مطالعه در پی استفاده از شبیه سازی های مونت کارلو و داده های پروژه به منظور بررسی کاربرد و استفاده از mPCA تا حل مسائل عملی است. هدف پروژه OSTEODENT بررسی ارتباط بین اندازه گیری ها یا سنجش های دندانی (به عنوان مثال، رادیوگرافی پانورامیک) و پوکی استخوان است. خواننده گان می توانند در مورد این مساله به منابع 8 و 10 برای کسب اطلاعات بیشتر مراجعه کنند.

مطالعه حاضر در پی استفاده از تجزیه و تحلیل های قبلی در مورد خطاهای مرتبط به جایگیری نقاط برجسته یا landmark points برای مجموعه داده های OSTEODENT است. هدف این مطالعه قبلی استفاده از داده های OSTEODENT و داده های شبیه سازی شده به منظور کشف اثرات خطاهای اندازه گیری بر روی ASM ها است. اگر چه شباهت هایی با این کار قبلی وجود دارد، اما mPCA به عنوان روش صحیح برای آن مواردی است که سطوح مختلف به طور طبیعی در داده رخ می دهند، و همچنین می توان از PCA در مدل های مرتبط به اشکال استفاده کرد. برای پروژه OSTEODENT، mPCA توصیف کننده علائم  یا نشانه های landmark points (بنام نقاط برجسته) در این تصاویر برای همه نمونه ها به عنوان یک سطح در داده ها است. این علائم یا نشانه توسط دو کارشناس مستقل برای این تصاویر مهیا شده اند که بر حسب این امر می توان گفت که هدف "کارشناسان" ارائه یا معرفی سطح بعدی بوده است. رویکرد mPCA که در منبع 9 ارائه شده است برای بررسی و مطالعه اثرات سطوح مختلف در تصاویر دندانی استفاده شده است. هدف ان بررسی یا تست این مساله است که ایا می توان از این نوع روش ها در در دندانپزشکی بهره برد و ایا نتایج بالینی زمان قیاس با نتایج PCA استاندارد تک سطحی قابل دسترسی می باشند یا نه. در نهایت، هدف ما بررسی مسائل عملی مربوط به mPCA است مانند این که چگونه تعدادی از نقاط نشانه گذاری، تعداد اشکال، و تعدادی از گروه ها بر روی نتایج اکتشاف اثر خواهند گذاشت. فرمالیسم mPCA در بخش روش ها ارائه شده است و محاسبه صریح و روشن ماتریس های کوواریانس و mPCA در ضمیمه برای یک مثال بسیار ساده ارائه شده اند. نتایج استفاده از mPCA به "لبخند" تخصیص داده شده اند و مجموعه داده های OSTEODENT نیز نشان داده شده اند. همچنین هدف ما در پایان ارائه نتیجه گیری در بخش نهایی است.

Articles :multilevel principal components analysis (mPCA)