Titelaufnahme

Titel
Application of unsupervised spectral unmixing techniques in medical image processing / Michael Mulyk
Weitere Titel
Application of unsupervised spectral unmixing techniques in medical image processing
VerfasserMulyk, Michael
Begutachter / BegutachterinPilz, Jürgen ; Stettner, Haro
Erschienen2011
Umfang122 Bl. : Ill., graph. Darst.
HochschulschriftKlagenfurt, Alpen-Adria-Univ., Diss., 2011
Anmerkung
Abweichender Titel laut Übersetzung der Verfasserin/des Verfassers
Zsfassung in dt. Sprache
SpracheEnglisch
Bibl. ReferenzKB2011 26 ; OeBB
DokumenttypDissertation
Schlagwörter (DE)spektrale Entmischung / Bayessche Statistik / unüberwachtes Lernen / medizinische Bildgebung / hyperspektrale Bildgebung
Schlagwörter (EN)spectral unmixing / Bayesian statistics / unsupervised learning / medical imaging / hyperspectral imaging
Schlagwörter (GND)Spektroskopie / Bildgebendes Verfahren / Bildauswertung / Bayes-Verfahren
URNurn:nbn:at:at-ubk:1-25129 Persistent Identifier (URN)
Zugriffsbeschränkung
 Das Werk ist frei verfügbar
Dateien
Application of unsupervised spectral unmixing techniques in medical image processing [3.8 mb]
Links
Nachweis
Klassifikation
Zusammenfassung (Deutsch)

Spectral imaging (SI) kann als Kombination von Bildgebung und Spektroskopie aufgefasst werden.Das Resultat eines SI-Aufnahmeprozesses ist ein dreidimensionaler Datensatz mit zwei rÃ$umlichen und einer spektralen Dimension, der oft auch als hyperspektraler WÃrfel bezeichnet wird. Als spectral unmixing (SU, dt. "spektrale Entmischung") wird die Zerlegung eines hyperspektralen WÃrfels in eine Menge von Grundspektren (genannt endmember) und eine Menge von zugehÃrigen Anteilen fÃr alle Pixel im Bild verstanden. ZunÃ$chst wird in dieser Arbeit eine EinfÃhrung in die Themen SI und SU gegeben (Kapitel 1). In Kapitel 2 wird in weiterer Folge eine Ébersicht Ãber existierende SU-Algorithmen gegeben. Das SU-Problem wird in der Regel auf der Grundlage des linear mixing models (LMM) betrachtet und kann in drei Teilaufgaben zerlegt werden. Dies sind die Berechnung der Anzahl der endmember, die Berechnung der spektralen Signaturen dieser endmember sowie schlieÃlich die Berechnung der zugehÃrigen Anteile. Klassische Algorithmen zum Berechnen der endmember-Signaturen betrachten jedoch nur die spektrale, nicht aber die rÃ$umliche Information die in solchen hyperspektralen Bildern enthalten ist. Aus diesem Grund haben Zortea und Plaza (2009b) vorgeschlagen, die endmember aus einem modifizierten Datensatz zu berechnen, wobei die Modifizierung auf rÃ$umlichen Gewichtsfaktoren beruht. In Kapitel 3 schlagen wir eine neue Methode zur Berechnung dieser Gewichtsfaktoren vor, die die Robustheit des Verfahrens gegenÃber AusreiÃern deutlich erhÃht.

Ein weiterer Nachteil dieser endmember-Berechnungsverfahren ist, dass sie die Existenz reiner Pixel in den Daten voraussetzen. Diese Annahme ist jedoch in Praxis nicht immer erfÃllt, was das anschlieÃende Berechnen der zugehÃrigen Anteile zusÃ$tzlich erschwert. Als Ausweg betrachtet man dieses Problem oft unter dem normal compositional model (NCM). Der Vorteil dabei ist, dass hier die endmember-Signaturen als normalverteilte Zufallsvektoren betrachtet werden, wohingegen sie im LMM als deterministische GrÃÃen angesehen wurden. Existierende Bayessche Verfahren zur SchÃ$tzung der Anteile unter dem NCM gehen jedoch davon aus, dass die Kovarianzstruktur dabei durch ein Vielfaches der Einheitsmatrix gegeben ist. In Kapitel 4 wird diese Annahme aufgegeben und auf allgemeinere Kovarianzstrukturen ausgedehnt. Trotzdem berÃcksichtigt auch das NCM nicht, dass die betrachteten spektralen Daten von Haus aus nicht-negativ sind. Aus diesem Grund werden in Kapitel 5 Bayessche Algorithmen vorgestellt, die auf alternativen Likelihood Funktionen beruhen. In dieser Arbeit werden reale hyperspektrale Fluoreszenz-DatensÃ$tze verwendet um die praktische Anwendbarkeit der vorgeschlagenen Algorithmen zu demonstrieren. Solche Bilder spielen in verschiedenen medizinischen Anwendungen eine Rolle, unter anderem bei der Diagnose von Prostatakrebs.

Zusammenfassung (Englisch)

Spectral imaging (SI) can be regarded as the combination of spectroscopy and imaging. The result of the SI aquisition process is a three-dimensional data set with two spatial and one spectral dimension, often called the hyperspectral cube. Spectral Unmixing (SU) is the decomposition of such a hyperspectral image into a collection of distinct spectra, called endmembers, and a set of associated proportions for every pixel in the scene. One of the aims of this thesis is to provide a general introduction into the topics SI and SU (Chapter 1).

Additionally, we provide a recent review of existing unmixing algorithms in Chapter 2. The contributions of this thesis are arranged in Chapters 3, 4 and 5. The unsupervised SU problem, which is usually considered on the basis of the linear mixing model (LMM), can be divided into three main steps, that are the calculation of the number of endmembers, the calculation of the spectral signatures of these endmembers (endmember extraction) and, finally, the calculation of the corresponding proportions for every pixel in the scene (inversion). However, nearly all practical endmember extraction algorithms (EEAs) consider a hyperspectral image as a set of unordered pixel spectra and therewith, they do not utilize the full spatial-spectral information provided by such an image.

Zortea and Plaza (2009b) suggested to extract the endmembers from an adjusted version of the original data cloud, where this modification is based on spatially-derived weighting factors.

Nevertheless, we will show that their approach is not able to overcome the sensitivity of EEAs with respect to outliers. The aim of Chapter 3 is to introduce new spatially-derived weighting factors to remove this defect. Furthermore, nearly all practicable EEAs rely on the supposition that there are pure (unmixed) pixels contained in the image. In practice this assumption may not hold and consequently the extracted endmember spectra differ from the true ones. A way out of this dilemma is to consider the inversion problem under the normal compositional model (NCM). Contrary to the LMM, the NCM treats the endmembers as random Gaussian vectors and not as deterministic quantities. Existing Bayesian approaches for estimating the proportions under the NCM are restricted to the case that the covariance matrix of the Gaussian endmembers is a multiple of the identity matrix. In Chapter 4, however, we handle the case of a completely unknown covariance structure. Since the NCM does not account for the nonnegativity of spectral data, we present a Bayesian approach to the inversion problem based on alternative likelihood functions in Chapter 5. Within this thesis, we consider real hyperspectral fluorescence spectroscopy data sets to emphasize the practical capability of the proposed unmixing algorithms. Such images play an important role in many medical applications, e.g. for the diagnosis of (prostate) cancer.

Statistik
Das PDF-Dokument wurde 14 mal heruntergeladen.