Durch den technischen Fortschritt in der medizinischen Bildgebung und der täglich steigenden Zahl an Untersuchungsbildern ist eine Entlastung des medizinischen Fachpersonals hinsichtlich der Bildanalyse dringend notwendig. Hierbei ist die Bildsegmentierung ein wesentlicher Bestandteil. Anhand von Clusteringmethoden können Muster in den Bildern aufgedeckt und diese in verschiedene Regionen unterteilt werden. Anhand einer State-of-the-Art Analyse soll in der vorliegenden Arbeit untersucht werden, ob die Anwendung von harten, wie die des k-means Algorithmus, oder unscharfen Clusteringmethoden, wie die des Fuzzy c-means Algorithmus, bevorzugt werden soll. Dies wird an den wichtigsten drei medizinischen Bildarten, nämlich der Magnetresonanztomographie, der Computertomographie sowie anhand von Ultraschallbildern untersucht. Festzustellen ist hierbei eine generelle Tendenz zur Verwendung unscharfer Clusteringverfahren sowie ein Mangel an Vergleichbarkeit durch quantitative Maße. Teilweise erreichen die Segmentierungsergebnisse die qualitativen Resultate manuell vorgehender Radiologen.
Inhaltsverzeichnis
1 Motivation
2 Abgrenzung
2.1 Definition und Abgrenzung Segmentierung
2.2 k-means Algorithmus
2.3 Fuzzy c-means Algorithmus
2.4 Medizinische Bilder
2.4.1 Magnetresonanztomographie
2.4.2 Computertomographie
2.4.3 Ultraschall
2.4.4 Bildbearbeitung
3 Methodisches Vorgehen
4 Literaturanalyse und Diskussion
4.1 Analyse der Literatur
4.1.1 Magnetresonanztomographie
4.1.2 Computertomographie
4.1.3 Ultraschall
4.2 Diskussion
4.2.1 Modifikationen des Fuzzy c-means bei Magnetresonanztomographien
4.2.2 Schwere Vergleichbarkeit von Computertomographien
4.2.3 Fehlen aktueller Beiträge bei Ultraschallbildern
5 Schlussfolgerung
Zielsetzung & Themen
Das primäre Ziel dieser Arbeit ist die Untersuchung der Eignung harter Clusteringverfahren (wie dem k-means Algorithmus) im Vergleich zu unscharfen Methoden (wie dem Fuzzy c-means Algorithmus) für die Segmentierung medizinischer Bilder aus der Magnetresonanztomographie, Computertomographie und dem Ultraschall, um eine Entscheidungshilfe für die klinische Praxis zu bieten.
- Vergleich von harten vs. unscharfen Clustering-Ansätzen
- Analyse der Eignung bei MRT, CT und Ultraschallbildern
- Bewertung von Modifikationen klassischer Algorithmen (z.B. Einbezug räumlicher Informationen)
- Untersuchung der Relevanz von Vorbearbeitungsschritten zur Artefakt-Reduktion
- Diskussion der Vergleichbarkeit von Forschungsresultaten in der medizinischen Bildsegmentierung
Auszug aus dem Buch
2.2 k-means Algorithmus
Der k-means Algorithmus wurde voneinander unabhängig durch mehrere Forscher in unterschiedlichen Wissenschaftsdisziplinen publiziert (Jain 2010, S. 3). MacQueen veröffentlichte die Methode im Jahr 1967 und stellte fest, dass das Hauptanwendungsgebiet des Algorithmus vermutlich die Gruppierung gleicher Daten sei, also das Clustering (MacQueen 1967, S. 288). Das heute standardmäßig als k-means Algorithmus bezeichnete Verfahren wurde von Forgy (1965) entwickelt und wird in der Literatur unter diversen Bezeichnungen geführt (Bacher et al. 2010, S. 300–301). Im folgenden Verlauf der Arbeit wird unter dem Begriff des k-means Algorithmus immer das nachstehend beschriebene Verfahren subsumiert.
Der k-means Algorithmus gehört zu den partitionierenden Clusteringverfahren (Jain 2010, S. 3). Er teilt N Datenpunkte g in K Cluster ein (Bacher et al. 2010, S. 299). Anschließend wird jeder Datenpunkt einem Clusterzentrum zugeteilt (Bacher et al. 2010, S. 299), wobei man die Clusterzentren samt zugeordneter Datenpunkte als Cluster bezeichnet (Tan et al. 2006, S. 497). Nachdem alle Datenpunkte einem Clusterzentrum zugeteilt wurden, wird dieses aufgrund der zugeordneten Datenpunkte neu berechnet (Bacher et al. 2010, S. 299). Der Algorithmus determiniert, sobald die Clusterzentren sich nicht mehr ändern, also eine Neuberechnung zu denselben Clusterzentren führt (Bacher et al. 2010, S. 300).
Zusammenfassung der Kapitel
1 Motivation: Einführung in das Thema Clustering und Begründung der Relevanz der Bildsegmentierung in der modernen medizinischen Diagnostik.
2 Abgrenzung: Theoretische Definition der Segmentierung, Einführung der Algorithmen k-means und Fuzzy c-means sowie Erläuterung der medizinischen Bildgebungsverfahren.
3 Methodisches Vorgehen: Beschreibung der systematischen Literaturrecherche in Datenbanken wie IEEE Xplorer und ScienceDirect sowie der Auswahlkriterien für die untersuchten Publikationen.
4 Literaturanalyse und Diskussion: Detaillierte Auswertung der Literatur zu den drei Bildarten unter Berücksichtigung von konventionellen und modifizierten Algorithmen, inklusive kritischer Diskussion.
5 Schlussfolgerung: Zusammenführende Bewertung der Ergebnisse mit dem Fazit, dass unscharfe Methoden bei medizinischen Bildern tendenziell zu bevorzugen sind, wobei eine generelle Vergleichbarkeit aufgrund der Datenheterogenität limitiert bleibt.
Schlüsselwörter
Clustering, Segmentierung, k-means Algorithmus, Fuzzy c-means, Medizinische Bildgebung, Magnetresonanztomographie, Computertomographie, Ultraschall, Data Mining, Bildrauschen, Bildartefakte, Algorithmen-Modifikation, Literaturanalyse, Diagnostik, Bildbearbeitung
Häufig gestellte Fragen
Was ist das übergeordnete Thema dieser Bachelorarbeit?
Die Arbeit befasst sich mit der automatisierten Segmentierung medizinischer Bilder durch verschiedene Clustering-Methoden, um das medizinische Fachpersonal bei der Bildanalyse zu entlasten.
Welche Hauptthemenbereiche deckt die Arbeit ab?
Die Arbeit umfasst die theoretischen Grundlagen der Clustering-Algorithmen k-means und Fuzzy c-means, deren Anwendung auf medizinische Bilder (MRT, CT, Ultraschall) sowie eine kritische Literaturanalyse.
Was ist das zentrale Ziel der Untersuchung?
Es soll herausgefunden werden, ob bei der Segmentierung spezifischer medizinischer Bildarten harte (k-means) oder unscharfe (Fuzzy c-means) Clustering-Algorithmen bessere beziehungsweise bevorzugte Ergebnisse liefern.
Welche wissenschaftliche Methodik wurde angewandt?
Der Autor führt eine systematische Literaturanalyse durch, bei der 32 relevante Publikationen aus Datenbanken wie IEEE Xplorer und ScienceDirect ausgewählt und in einer Ergebnismatrix klassifiziert wurden.
Was sind die inhaltlichen Schwerpunkte des Hauptteils?
Im Hauptteil werden die gefundenen Studien analysiert, wobei besonders auf Modifikationen der Algorithmen zur Rauschunterdrückung und den Einbezug räumlicher Informationen eingegangen wird.
Welche Schlüsselbegriffe charakterisieren diese Arbeit?
Zentrale Begriffe sind neben Clustering und Segmentierung vor allem die Algorithmen k-means und Fuzzy c-means sowie der Kontext der medizinischen Diagnostik (MRT, CT, Ultraschall).
Warum wird in der Arbeit eine Modifikation der Algorithmen gefordert?
Da herkömmliche Algorithmen oft an Bildartefakten und Rauschen scheitern, wurden Modifikationen entwickelt, um räumliche Informationen einzubeziehen und robustere Ergebnisse zu erzielen.
Inwiefern ist die Vergleichbarkeit der Ergebnisse eingeschränkt?
Die Arbeit stellt fest, dass eine Vergleichbarkeit der verschiedenen Studien schwierig ist, da sich sowohl die untersuchten medizinischen Bildgebungsziele als auch die verwendeten quantitativen Maße stark voneinander unterscheiden.
- Quote paper
- Daniel Nusser (Author), 2017, Technische Anwendungsgebiete des Clustering, Munich, GRIN Verlag, https://www.grin.com/document/388549
