Press "Enter" to skip to content

Bio+Med+Vis Spring School Day 3

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

2021年5月19日,生物和医学可视化春季学校Bio+Med+Vis第三天,来自林克平大学的Ingrid Hotz教授,印度科学研究所的Vijay Natarajan教授,犹他大学的Alex Lex教授,卑尔根大学和霍克兰德大学附属医院的Noeska Smit副教授,马格德堡大学的Gabriel Mistelbauer研究员讲授相关内容。

 

生物医学可视化领域的拓扑数据分析的基础(Foundations of Topological Data Analysis for the BioMedVis Domain)

 

来自瑞典林克平大学的Ingrid Hotz教授介绍了生物医学应用中流场可视化的相关内容。Hotz教授首先介绍流场可视化的基础知识。流场中的每个点都可以用一个向量来表示,因此可以通过图标的形式以箭头图这种直接可视化方法来展示流场。它适合于提供概览以及局部探索,然而,不同的采样方法会带来不同的问题,比如稀疏采样会导致丢失细节,而基于网格的采样会导致杂乱。流线是一种基于几何的可视化方法,其思想是在流场中的指定位置和时刻释放一定数量的无质量粒子, 然后追踪这些粒子在流场中的运动轨迹。它的挑战在于撒种策略。密集撒种企图展示所有的内容,然而由于遮挡和杂乱等原因导致实际展示的信息并不多。我们可以使用基于特征的撒种来得到更好的效果。线积分卷积是基于纹理的可视化方法,它计算出一个纹理,用于生成流的密集表示。

 

上述可视化方法均针对定常流场,非定常流场因包含时变属性,其复杂度大大提高。非定常流场中常用的可视化方法是迹线,它是在给定时间点和给定位置撒入流场的无质量粒子的轨迹。迹线可能相互交错非常混乱,因此我们需要在时间和空间上的撒种策略。我们还可以通过迹线聚类的方法来减少杂乱。迹线聚类的挑战体现在考虑什幺是类似的以及使用哪种度量两方面。Hotz教授建议我们可以在自动聚类的基础上通过交互等手段来手动调整结果,以获得更好的聚类效果(图1)。

图1:通过交互改进自动聚类结果。

最后Hotz教授介绍了流场分析中的典型问题。它们包括流的混合与分离、输运效率以及漩涡结构。连接临界点的分离线在类似流线行为的区域内划分领域。拟序图突出了具有类似流行为的区域,可用于迹线聚类。它还显示了无法进行有意义的聚类的区域,并给出了拟序流的总体概况。旋涡是流体围绕核心线的旋转、螺旋运动。许多旋涡提取方法可以通过对派生标量场的拓扑数据分析来实现。

 

来自印度科学研究所的Vijay Natarajan教授介绍了在生物分子可视化中的拓扑数据分析,其中拓扑主要指分子的形状以及分子间的连通关系。拓扑分析可以帮助测绘分子的几何、模拟分子的运动、蛋白质之间的交互和酶在蛋白质上的匹配等。有许多用来展示生物分子的方法,例如空间填充模型,动画,球棍模型等。这次报告中主要介绍alpha shape模型,首先Vijay Natarajan介绍了相关的拓扑学知识。

 

在二维平面中,维诺图是一种常见划分各个个体区域的方法,在维诺图的对偶三角图中,在每个个体的权重半径的基础上增长alpha后,被全部包含在个体的三角形就被叫做alpha complex(图2),这一概念可以用来反应多个个体之间的联合性。

图2:拓扑学中Alpha Complex的概念,反映了多个体的联合性。

通过将alpha complex这一方法运用在分子的切片二维图上,可以帮助定位到分子结构中的中空、孔隙、隧道等结构(图3),在ChExVis [Masood et al., BMC Bioinformatics 2015]中就使用了这样的方法来实现分子中的通道提取。类似地,可以通过定位分子中的不连通空洞,将其相连从而提取出通道 [Masood and Natarajan, PacificVis 2016]。在近几年还有一些与分子拓扑相关的工作,例如MS3ALIGN [Shivashankar et al., BMC Bioinformatics 2016]和Summary Viewer [Thomas and Natarajan, IEEE SciVis 2014],都表明了几何学帮助理解蛋白质的结构起到了重要的作用,而几何的特征分析就是拓扑分析。

图3:使用Alpha complex找到分子结构中的通道。

组学数据可视化(Visualizing Omics Data)

 

来自犹他大学的Alex Lex教授为我们讲述在组学可视化。组学(Omics)是指从整体上考虑与研究人类基因,蛋白及其分子间相互的作用等方面,通过整体分析反映人体组织器官功能和代谢的状态的学科。在这一次的讲座中,Alex Lex教授主要从基因,表格数据和网络三个主题介绍了组学可视化中的一些知识与技术(图4)。

图4:Alex Lex教授介绍组学(Omics)。

首先在关于基因组学可视化方面,Alex Lex教授指出了当代基因组学发展面临的挑战以及巨大前景,随着基因测序成本的不断降低,基因数据的增长是十分惊人的,分析任务也变得更加困难,而可视化恰好能为解决这一挑战做出贡献。在介绍了一些生物医学中关于基因的知识之后,Alex Lex教授也总结了基因数据可视化中常见的可视化形式(图5),并现场展示了几个基因可视化的例子。

图5:基因可视化分类。

在表格数据可视化主题的介绍中,Alex Lex教授注重于讲述如何提高可视化的可扩展性。Alex主要从数据的聚合和基于像素的可视化技术两方面介绍。数据的聚合是指使用统计等方法将大量数据聚合起来进行可视化,例如小提琴图等,Alex Lex教授也推荐大家使用电子表格形式的可视化(图片6),这种可视化是以电子表格为框架,但每个格子内的内容是诸如条形图,散点图等可视化图示。在基于像素的大规模可视化方面,Alex Lex教授强调一定要在注意颜色的选取,要利用聚类效应(Clustering)充分展示数据中的特征与模式(图片6)。

图6:电子表格形式的可视化与具有较好聚类效应的热力度。

最后是关于网络数据的介绍,Alex Lex教授提到生物医学中有大量的网络数据,例如代谢网络,化学反应网络,生物信号网络等,但这些网络往往是多变量的(multivariant),为了应对这样的数据特性带来的挑战,可视化领域的研究者一直在努力尝试与改进对多变量网络的可视化(图7),也期待更多更好的技术与方法被提出。

图7:各种针对多变量网络数据的可视化策略。

多模态医疗可视化(Multimodal Medical Visualization)

 

来自卑尔根大学和霍克兰德大学附属医院的Noeska Smit副教授介绍了多模态医学可视化的相关内容。医学成像中的多模态存在不同的术语。多模态(multimodal)指由不同的硬件或扫描设备产生的数据,如PET和CT;多参数(multiparametirc)指通过使用相同硬件调整参数获得不同的结果,如MR序列。多模态的挑战体现在:

 

 

    1. 太多的信息。我们要选择不同模态的哪些信息需要被展示,这通常需要分割;

 

    1. 配准。多模态展示需要一个好的配准结果,并且在配准不准确的地方传达不确定性;

 

    1. 软件。不是所有软件都支持多模态医学成像可视化。此外,多模态也为体渲染带来更多挑战,尤其是整合非标准或很多模态时;

 

    1. 可视化评估。目前为止出现了大量的多模态可视化技术,然而缺少多模态可视化的评价方法。对于特定的数据、任务和用户,多模态可视化的最佳技术还不能确定;

 

    1. 不止是多模态。在多模态的基础上是,数据可能还有其他特性,比如随时间变化、多尺度等等。

 

 

接下来Smit副教授介绍了相关的多模态可视化技术。多模态可视化常出现感知问题,比如遮挡、深度感知、视觉混乱等。我们有多种方法来缓解这些问题。比如,我们可以使用focus+context技术,使用不同的方式来可视化其中一个模态中的重要信息(图8);使用解释性可视化(illustrative visualization)将细节抽象化;使用特殊阴影来增强形状感知并通过透明度减少遮挡(ghosted views);在体渲染中移除模态的一部分。

图8:多模态可视化中的Focus+Context技术。

血管结构可视化(Visualization of Vascular Structures)

 

来自马格德堡大学的Gabriel Mistelbauer研究员的报告题目是血管结构可视化。报告的内容一共分为三个部分:血管结构检测和可视化流水线、技术方法和实际应用。

 

血管结构检测的步骤包括血管过滤、提取骨架和血管树、筛选和选择(图9)。对于大量的血管数据,首先是加强不同大小的物体,然后将它们合并成一个体数据集,存储最大响应,并计算合并血管的中心线,得到血管的骨架。之后是血管树的构建。首先将血管分段,基于分段的长度、方向等信息重新连接分段,并对中心线进行平滑。在这个过程中,可以去除一些小分支,保留其主要结构。最后用户可以根据分段的大小、粗细、长度、深度、连通性筛选感兴趣的部分进行探索。

图9:血管结构检测和可视化流水线。

在技术方面,总体的目标是生成表面,空间位置和分支。在模型的支持下,截断锥体的方法沿着血管分段挤出椎体,在端点加入半球面;卷积表面的方法用低通滤波器卷积线段,并通过等值将隐式函数Marching cubes转化多边形;表面扫描使用样条曲线建模交叉区域,平滑轨迹的混合;加权混合方法是在前一方法的基础上采用不同权重。而无模型的方法通过表面在局部估计点云,然后通过混合局部表面进行全局估计。血管结构检测的应用包括弯曲平面重整形和主动脉夹层。

Be First to Comment

发表评论

您的电子邮箱地址不会被公开。 必填项已用*标注