megkönnyíti: Pedro Pérez

science

Motiváció

A nukleáris orvostudomány diagnosztikai képeit a szervezetbe beépített radionuklidok által kibocsátott röntgensugarak detektálásával állítják elő. Ezek a radionuklidok olyan molekulákhoz kapcsolódnak, amelyeket hordozónak neveznek, amelyek a radioaktív elemet az általuk tervezett érdeklődésre számot tartó területekre szállítják. Így például vannak olyan hordozómolekulák, amelyek olyan területekre jutnak, ahol magasabb a glükóz koncentrációja. Ezeket a radionuklidokat két általános célra használják: a különböző patológiák, köztük a rák diagnosztizálására és kezelésére.

A radionuklidok eloszlása ​​az emberi testben több tényezőtől függ, elsősorban a beteg anyagcseréjétől és a hordozómolekulától. Saját elemeinek köszönhetően ez az eloszlás nem homogén, és nem is teljesen koncentrálódik a test azon területén, ahová besugározni kívánják, sőt az idő függvényében változik. Így például egy radionuklidot koncentrálhatunk egy tumor területén, 4: 1 arányban, a test többi részében lévő koncentrációval.

Ez a technika és alkalmazásai folyamatosan bővülnek, és egyre inkább alkalmazzák őket minden életkorban és jellemzőben. A diagnózishoz hagyományosan használt radionuklid röntgensugarak nem jelentenek nagy veszélyt a betegre, ha alkalmi tanulmányokhoz használják őket. De ezeknek a sugaraknak a kezelésére (nagyobb energia és más részecskék, például elektronok vagy alfa-részecskék) vagy időszakos rutinellenőrzésekben történő alkalmazása nagy dózislerakódásokkal járhat a beteg testében, ami nem kívánt következményeket okozhat a szervekben vagy az érzékenyebb szövetekben, és ezek nem kell kezelni. Ehhez a dozimetria a nukleáris orvostudományban ma alapvető eszköz az egyes szervek/szövetek energiájának megismerésére, és ezáltal a kockázatok felmérésére.

Ez a projekt a klaszteranalízis alkalmazását javasolja a 3D-s dozimetriában történő alkalmazásokhoz, mint automatizálási módszert az inhomogenitások azonosítására. A Voxeleket funkcionális tulajdonságaik szerint hozzákapcsolják az érdeklődő mennyiségekhez, és ehhez klaszterezési technikákat fognak használni, hogy ezután meghatározhassák a 2D és 3D dozimetriai számítások elvégzéséhez szükséges felhalmozott aktivitási térképeket.

Bevezető bibliográfia

a probléma leírása

Szükség van a térbeli dóziseloszlások becslésére voxel-alapú 3D közelítések alkalmazásával. A 3D-s dozimetriás alkalmazásokhoz olyan klaszterelemzésre van szükség, amely automatizálja az inhomogenitások azonosításának módját azáltal, hogy a voxeleket csoportosítja az érdeklődésre számot tartó térfogaton belül, funkcionalitásuk szerint.

A k-mean módszertant kezdetben alkalmazzák, a betegek 3D és 4D képeire alkalmazzák és szimulálják. Az érdekelt régión belüli olyan kistérségeket, amelyeknek voxeljei bizonyos jellemzőkkel rendelkeznek, megkeresjük, hogy a halmozott centrumok beállításával és a fürtözött kép térképként történő felhasználásával elkészítsük a felhalmozott tevékenység térképeit. Hasonlóképpen azonosítják a felvételi hibák által okozott túlzott zajterületeket. Végül elemzik a javasolt módszer előnyeit és korlátait, és tanulmányozzák azokat a más gépi tanulási technikákat, amelyek képesek kezelni az első által felvetett korlátokat.

Az orvosi képalkotásban az eredmények intuitív bemutatása központi szerepet játszik az orvossal való kommunikációban. Az orvosfizikusnak képesnek kell lennie az eredmények bemutatására, anatómiai és anyagcsere-információkkal együtt, ugyanazon a képen. Az elemzés és a vizualizáció során kimutatják a kiugró értékeket, meghatározzák az érdeklődési területeket és tanulmányozzák az anatómiai és metabolikus képek egyeztetési formáit bemutatásukhoz.

Ezen a területen fontos lesz a képek "megtisztítása" az elektronikus zaj vagy a sugárzás fizikai tulajdonságai és egyes geometriai következmények miatti nem kívánt hatások miatt.

A gépi tanulási technikákat fogják használni az inhomogenitások definiálására voxel osztályozással.

Elemzés és vizualizáció gyakorlata

Az orvosi képalkotásban az eredmények intuitív bemutatása központi szerepet játszik az orvos kommunikációjában. Az orvosfizikusnak képesnek kell lennie az eredmények bemutatására, anatómiai és anyagcsere-információkkal együtt, ugyanazon a képen. Az elemzés és a vizualizáció során kimutatják a kiugró értékeket, meghatározzák az érdeklődési területeket és megfigyelik a képek sajátos jellemzőit.

Ebben a projektben a hallgató által választott 2 nukleáris orvosi képsoron feltáró munkát végzünk. Minden kép önmagában adatkészletet képez.

Adatkészlet

1. adatkészlet

Keressen egy 2D nukleáris gyógyászati ​​képet (lehet Gamma kamera vagy egy 3D technika képszelete). A képnek különböző időpontokban kellett megszereznie, és használat előtt névtelenné kell tenni. Az alábbiakban egy példa három időpillanat sorozatára, amelyekben ugyanazt a képet szereztük.

2. adatkészlet

Keressen egy 3D képet, szintén a nukleáris orvostudományról, amelyet időben különböző pillanatokban készítettek (4D).

Általános szempontok

Mindkét adatkészletnek meg kell felelnie a nukleáris gyógyszerképeknek, vagyis a páciensnek korábban leadott radionuklidok kibocsátásából származó fotonok detektálásával.

Mindkét adathalmaznak névtelennek kell lennie, és vagy az oktatás/kutatás nyilvános adatbázisához, vagy egy olyan orvosi klinikához kell tartoznia, amely anonimizálja őket, és erre a célra írásos beleegyezéssel rendelkezik (ajánlott annak érdekében, hogy képek legyenek a többi alany számára, és képesek legyenek megvitassák az adatkészletet azzal, aki megadja őket, általában érdekli ezeket a jellemzőket tanulmányozni).

Szlogenek

1. rész

Végezzen feltáró elemzést minden egyes adathalmazon.

  1. Minden esetben keresse meg az egyes pixelek értékeinek eloszlását és evolúcióját az idő múlásával.
  2. Végezze el az adatok leíró statisztikai elemzését, egy és több változóban egyaránt. Egy adott termék módja, középértéke, mediánja és szórása.
  3. Valamilyen módon határozza meg azokat az információkat, amelyek "zajnak" tekinthetők, és találjon kiugró értékeket.
  4. Van-e feltételes valószínűség a pixelértékek között a különböző felvételi idők között? A pixelértékeket közvetlenül kell venni, vagy inkább csoportokba kell csoportosítani őket? Indokolja.
  5. Csoportosítsa az egyes képek adatait egy olyan számra, amelyet elfogadhatónak tart, és keresse meg a korrelációs együtthatókat az azonos és a különböző idők csoportjai között. Meghatározott pixelkészlet egy csoporton belül az első képen, ennek a képpontcsoportnak a következő időkben ugyanahhoz a csoporthoz kell tartoznia.
  6. Adjon meg egy kritériumot annak érdekében, hogy az egyes képek adatait fel tudja osztani olyan részrégiókra, amelyeket "homogénnek" tekinthet.
  7. Grafikon, az előző pontok mindegyikén, és végezze el a legoptimálisabbnak vélt megjelenítést. Indokolja a kijelző választását.

2. rész

Az 1. referenciában kapott eredmények alapján ábrázolja az eredmények interaktív vizuális kommunikációját, amely leírja a választott adatkészlet fő szempontjait (kiugró értékek, zaj, homogén kistérségek stb.).

A kommunikációnak a technikai közönséget kell megcéloznia, de az adott tantárgy, például osztálytársai ismerete nélkül.

Szállítás

Használja a Plotly, a Bokeh vagy a Dash (ajánlott) elemeket az eredmények bemutatásához.
Határidő: 15 nappal az elemzés és vizualizáció tantárgy befejezése után.