Мультимодальна візуалізація даних перфузійних досліджень з використанням гліфів

Размещено на http://www.allbest.ru/

Національний технічний університет України «Київський політехнічний інститут ім. Ігоря Сікорського»

Мультимодальна візуалізація даних перфузійних досліджень з використанням гліфів

Алхімова Світлана Миколаївна кандидат технічних наук, доцент кафедри біомедичної кібернетики,

Озеров Максим Євгенійович студент 4го курсу кафедри біомедичної кібернетики

м. Київ

Анотація

В останні роки перфузійні комп'ютерні та магнітно- резонансні томографічні дослідження широко використовуються для діагностики цереброваскулярних захворювань та дослідження ангіогенезу різних пухлин. З аспекту візуалізації даних перфузійних томографічних досліджень потенційно привабливими є підходи, що можуть забезпечити відображення даних кількох перфузійних характеристик одночасно. Це дозволить зменшити витрати часу на аналіз та покращить інтерпретацію отриманих результатів. Наведений аналіз сучасних підходів до візуалізації результатів перфузійних томографічних досліджень дозволяє виокремити підхід, який заснований на гліфах, з точки зору надання їм мультипара- метричності для відображення даних. Дане дослідження спрямоване на аналіз можливості використання гліфів для відображення результатів перфузійних томографічних досліджень із одночасним відображенням щонайменше трьох різних наборів даних: даних двох перфузійних карт і даних зображення для розуміння анатомічної складової. В основі запропонованого у даному дослідженні підходу мультимодальної візуалізації лежить використання гліфів у формі кругів. Для одночасного кодування даних двох перфузійних карт використовується два параметри гліфів обраної форми. Першим параметром є діаметр круга, що визначає розмір гліфа, а другим - колір. Для аналізу запропонованого підходу мультимодальної візуалізації у цьому дослідженні використовуються зображення із колекції TCGA мультиформної гліобластоми відкритої бази даних. Результати дослідження демонструють переваги використання різнокольорових гліфів у формі кругів різних розмірів для швидкого оцінювання значень двох перфузійних карт одночасно у певній ділянці. Обрана форма гліфів зменшує ризик перекриття об'єктів у просторі та зменшує вірогідність втрати корисної інформації.

Ключові слова: перфузійні параметри, кількісна перфузія, медична візуалізація, мультипараметрична візуалізація, візуальний аналіз.

Abstract

Alkhimova Svitlana Mykolaivna PhD, associate professor at the Department of Biomedical Cybernetics, National Technical University of Ukraine «Igor Sikorsky Kyiv Polytechnic Institute», Kyiv

Ozerov Maksym Yevheniiovych student of the 4th course at the Department of Biomedical Cybernetics, National Technical University of Ukraine «Igor Sikorsky Kyiv Polytechnic Institute», Kyiv

MULTIMODAL PERFUSION DATA VISUALIZATION BASED ON GLYPH USAGE

In recent years, perfusion computer and magnetic resonance imaging studies have been widely used to diagnose cerebrovascular diseases and the study of angiogenesis of various tumors. From the perspective of data visualization of perfusion tomographic studies, approaches that can provide data display of several perfusion characteristics simultaneously are potentially attractive. The mentioned approaches can reduce the time spent on the analysis and improve the interpretation of the results. The given analysis of modern approaches to the visualization of the results of perfusion tomographic studies allows us to highlight an approach based on glyphs from the point of view of providing them with multiparametric properties for displaying data. This study aims to analyze the possibility of using glyphs to visualize the results of perfusion tomographic studies with the simultaneous display of at least three different data sets: data from two different perfusion maps and image data for anatomical component understanding. The multimodal visualization approach proposed in this study operates glyphs in the form of circles. We use two parameters of the circular glyphs for simultaneous data encoding of two perfusion maps. The first parameter is the circle diameter, which determines the glyph size, and the second parameter is the circle color. This study uses images from the TCGA glioblastoma multiforme open database collection to analyze the proposed multimodal imaging approach. This study's results demonstrate the advantages of using multi-colored circular glyphs of different sizes to quickly evaluate the values of two perfusion maps simultaneously in a particular region. The selected form of glyphs reduces the risk of overlapping objects in space and losing meaningful information.

Keywords: perfusion parameters, quantitative perfusion, medical visualization, multiparameter visualization, visual analysis.

Постановка проблеми

Швидкий прогрес технологій створює нагальну потребу в ефективних методах інтерпретації та візуалізації складних перфузійних даних, отриманих під час томографічних досліджень [1-3]. Методи візуалізації мають не тільки допомагати у діагностиці та плануванні лікування різних захворювань, але й прокладати шлях для інноваційних досліджень і розробок у галузі медичної візуалізації. перфузійний комп'ютерний резонансний томографічний

За допомогою сучасних томографічних сканерів гемодинамічні параметри перфузії можна вимірювати з високою просторовою та часовою роздільною здатністю. Сучасне програмне забезпечення для аналізу та візуалізації даних перфузійних томографічних досліджень надає інформацію за різними перфузійними характеристиками, найпоширенішими серед яких є кровотік (англ. blood flow, BF), об'єм крові (англ. blood volume, BV), середній час проходження (англ. mean transit time, MTT), час надходження контрасту (англ. time to arrival, TTA) та час до максимуму імпульс-функції залишку (Tmax) [2]. Така інформація надає вагому підтримку для коректної та вчасної діагностики ішемічного інсульту та оцінки різних типів і стадій пухлин головного мозку [4, 5].

З аспекту візуалізації даних розуміння взаємозв'язку між перфузійними характеристиками, що отримують в результаті аналізу томографічних даних перфузійного дослідження, та фізіологічними параметрами пацієнта має вирішальне значення для успішної діагностики захворювань головного мозку.

Візуалізація перфузійної характеристики в площині зрізу має назву перфузійної карти. Однак для коректної інтерпретації отриманих даних перфузійного дослідження у більшості випадків необхідний аналіз декількох перфузійних характеристик одночасно. Незважаючи на те, що радіологи навчені рухатися крізь зрізи та розпізнавати структури, які змінюються протягом цього процесу, аналіз набору перфузійних карт для кожного зрізу може займати багато часу. З огляду на вище сказане потенційно привабливим є візуалізація, що могла б відображувати дані кількох перфузійних характеристик одночасно. При цьому бажаною залишається підтримка відображення додаткового набору анатомічних даних для полегшення ідентифікації та інтерпретації аномалій в контексті анатомічної картини.

Аналіз останніх досліджень і публікацій

Наразі візуалізація перфу- зійних карт здебільшого виконується з використанням методу кольорового моделювання [6]. Перехід від сірошкального подання перфузійних карт до кольорового виконують з використанням таблиць відповідності кольорів, які прийнято називати LUT схемами [7]. Як правило, більш теплі кольори, такі як червоний або жовтий, представляють вищі значення, тоді як більш холодні, такі, як синій або зелений, вказують на нижчий рівень показників певної перфузійної характеристики.

З метою підвищення якості діагностичної складової різними авторами були запропоновані підходи для визначення та візуалізації лише певних ділянок перфузійних карт: візуалізація так званих гарячих вогнищ за високими значеннями карти об'єму крові, що вказують на зростання пухлини [8], аналіз гістограми даних карти об'єму крові для візуалізації за граничними значеннями [9], різні підходи для створення та візуалізації репрезентативних ділянок дослідження за даними різних клінічних випадків [10-12].

Візуалізація перфузійних характеристик є корисною лише для обмежених ділянок, в яких відбувається перфузія. Однак візуалізація інших анатомічних структур, таких як кістки, може надати важливу інформацію щодо діагностично значущих регіонів. Таким чином популярним підходом візуалізації є кодування перфузійних даних у кольорі з наданням прозорості та відображення у фоні сірошкальних даних за анатомією пацієнта [6].

Додаткові можливості для покращення розуміння анатомічної складової під час перфузійного аналізу надають підходи, які об'єднують візуалізацію перфузійних карт із тривимірною візуалізацією [13].

Для підвищення якості діагностичної складової перфузійного дослідження привабливими є підходи візуалізації, що інтегрують дані кількох перфу- зійних характеристик на одному зображенні. Задачу одночасної візуалізації даних кількох вихідних зображень вирішують підходи мультимодального рендерінгу [7]. Однак такі базові підходи мультимодального рендерінгу як розподілення кольорів або метод шахової дошки не є найкращим вибором у випадку необхідності об'єднання даних перфузійних карт [6]. Це пояснюється тим, що дані кожної окремої карти мають свій розподіл кольорів, а зведення їх у єдиний колірний простір не сприймається однорідним.

З метою уникнення зазначеної проблеми були запропоновані декілька підходів.

Підхід із поєднанням візуалізації висот і кольорового моделювання (англ. colored height fields), в якому в тривимірному просторі висоти відповідають значеннями одного набору даних, а колір висот використовується для позначення зміни даних другого набору даних [14].

Підхід з використанням вікна перегляду, так званої лінзи (англ. viewing lenses або magic lenses), дозволяє відображувати дані додаткового набору даних лише в обмеженій зоні [6]. Зручність підходу з вікном перегляду полягає у можливості швидкої зміни положення вікна, а отже швидкому фокусуванні між двома наборами даних. Підхід може бути розширений застосуванням декількох зон перегляду одночасно: широко використовується порівняння даних між анатомічно симетричними ділянками мозку [14]. У поєднанні із методом надання прозорості [6], дані фону або дані вікна перегляду можуть об'єднувати два набори даних.

Найбільш цікавим з точки зору надання мультипараметричності для візуалізації даних наразі можна вважати підхід, заснований на гліфах (англ. glyph-based visualization) [15]. Це пояснюється тим, що гліф є простим геометричним примітивом, який розташований відносно вихідних точок даних у просторі та має такі характеристики як колір та розмір. Це дозволяє використовувати гліфи для ефективної візуалізації декількох наборів даних одночасно. Хоча використання гліфів для візуалізації медичних даних не є новим [16], питання можливості їх використання для візуалізації даних перфузійних досліджень є актуальним.

Мета дослідження

Метою даного дослідження є аналіз використання гліфів для відображення результатів перфузійного дослідження. Аналіз має передбачати дослідження можливості проведення мультимодальної візуаліза- ції щонайменше від трьох різних наборів даних одночасно: даних двох перфузійних карт і даних зображення для розуміння анатомічної складової.

Виклад основного матеріалу

Для візуалізації мультимодальних даних гліфи є потужним інструментом. Їх властивість одночасно відображати значення двох або більше параметрів в одному візуальному елементі сприяє кращому сприйняттю взаємозв'язків між ними. Сама ця властивість робить гліфи гарними кандидатами для використання їх у мультимодальній візуалі- зації медичних даних.

Форма гліфа є основною характеристикою і важливо, щоб її можна було легко і однозначно сприймати [15]. Приклади використання різних форм гліфів для візуалізації відмінних за складністю даних досліджень наведені на рис. 1.

а б в г

Рис. 1 Різні форми гліфів для візуалізації відмінних за складністю даних досліджень: а - поєднання відрізків у форми з різним орієнтуванням кінцівок для відображення даних мультиспектральних зображень із метеорологічного супутника [17]; б - щільне тривимірне пакування гліфів для дифузійної тензорної візуалізації [18]; в - тривимірні гліфи на карті для візуалізації просторово-часового розподілу заявок на талони на харчування [19]; г - поєднання двох різних видів гліфів, що показують розтягнення та згинання поверхні, для візуалізації поширення капілярної хвилі [20].

Оскільки дані перфузійних карт не несуть інформації за напрямком у тривимірному просторі, як наприклад дані дифузійно-зваженої магнітно- резонансної томографії, форма гліфів у цьому дослідженні може бути зведена до круга. Круги є простими геометричними фігурами, а отже, їх легко інтерпретувати і порівнювати між собою за такими характеристиками як розмір і колір. Саме ці характеристики гліфів були обрані в даному дослідженні для мультимодальної візуалізації перфузійних даних. Такий вибір дозволить користувачам швидко оцінювати різницю між значеннями даних двох перфузійних карт одночасно у певній ділянці.

Вибір візуалізації гліфів у формі кругів може також бути пояснений тим, що така форма зменшує ризик перекриття об'єктів у просторі. А отже зменшується вірогідність втрати корисної інформації. Така проблема більш властива випадкам із використанням таких форм, як квадрати або багатокутники.

Незважаючи на зменшення вірогідності перекрить гліфів між собою у випадку використання кругів, надмірна зміна їх розмірів може призводити до зазначеної проблеми.

Типовою роздільною здатністю зображень перфузійних досліджень є розміри 128 х 128 пікселів [21]. Як результат зображення перфузійних карт мають ті самі розміри. Отже очевидним є те, що гарантією відсутності проблеми перекрить гліфів є обмеження розмірів гліфа розмірами одного пікселя перфузійної карти (рис. 2).

Однак, якщо мова йде про візуалізацію в масштабі 1:1, то розміщення гліфів у сітці 128 х 128 пікселів робить неможливим використання розміру як параметра для кодування даних перфузійної карти. Для вирішення цієї проблеми у даному дослідженні пропонується для відображення гліфів використання розбиття вихідного зображення на блоки.

Рис. 2 Проблема розміру форми гліфа: а - перекриття даних у випадку варіативності розмірів; б - відсутність перекрить .

Розбиття на блоки 4 x 4 пікселів дозволяє забезпечувати візуально помітну деталізацію параметра до 9 градацій при використанні масштабу 1:1 (відсутність гліфа та гліфи з 8 різними діаметрами кругів, при цьому питання субпіксельної візуалізації кругів вирішується за рахунок апроксимації кольору всередині круга через надання прозорості). Пропорційне збільшення градацій може бути досягнене у випадку збільшення масштабу відображення результуючого зображення. Блоки меншого розміру, ніж 4 х 4 пікселів, під час застосування масштабу 1:1 можуть призводити до надмірного навантаження деталями під час візуалізації і знову таки до відсутності варіативності. З іншого боку, блоки більшого розміру, можуть призводити до збільшення вірогідності втрати важливих деталей. Таким чином під час мультимодальної візуалізації двох перфузійних карт з використанням гліфів має бути врахований масштаб відображення результуючого зображення. При застосуванні масштабу 1:1 з візуалізацією типових розмірів 128 х 128 пікселів пропонується зменшувати кількість гліфів, а для досягнення більшої деталізації - збільшувати розміри результуючого зображення із відповідним збільшенням кількості гліфів.

З огляду на вище сказане, можна зробити висновок щодо необхідності повторної дискретизації даних перфузійних карт. У випадку використання блоків розмірами 4 x 4 пікселів має бути виконане прорідження даних. Результатом буде зменшення кількість елементів для обробки з 16 384 до 1 024 гліфів, що значно спрощує візуалізацію та подальший аналіз. У якості алгоритму прорідження для отримання значення перфузійної характеристики для блоку може бути використаний будь-який з методів передискретизації. Наразі найпоширенішими методами передискретизації, що використовуються під час роботи з медичними зображеннями, є субдискретизація, усереднення, Гаусова фільтрація, двостороння фільтрація, топологічне зменшення дискретизації [22]. У даному дослідженні для передискретизації даних був використаний методом усереднення через простоту його реалізації.

Як вже було зазначено раніше, найпоширенішим варіантом кольорового кодування даних перфузійних карт є використання таблиць відповідності кольорів. Вони задають прості правила відповідності сірошкального діапазону певному кольору [6, 14]. Не зважаючи на простоту визначення кольору зазначеним підходом, використання таблиць відповідності кольорів ускладнене наявністю великої кількості схем перетворення [23]. Такі схеми можуть суттєво відрізнятися як кількістю використаних в ній кольорів, так і правилами їх застосування до діапазону значень перфузійної карти. Все це може призводити до погіршення візуальної оцінки перфузійних даних і перевірки отриманих результатів [24, 25].

У даному досліджені кольорове кодування даних перфузійних карт виконується з використанням таблиці відповідності кольорів із переходом від синіх до червоних кольорів для кодування діапазону за зростанням значень. Така схема є широко вживаною під час обробки медичних зображень, в якій зони інтересу зазвичай потрапляють до кольорів, що є відтінками червоного [6].

Для забезпечення узгодженості у візуалізації і запобігання спотворення форм та кольорів гліфів дані перфузійних карт нормуються до діапазону від 0 до 1. Після нормалізації значень визначення діаметру або кольору кожного з гліфів відбувається відповідно до обраних схем кодування перфузійних даних. Приклади схем кодування діаметру та кольору гліфів для даних перфузійної карти об'єму крові наведені на рис. 3.

Рис. 3 Приклад схем кодування параметрів гліфів за даними перфузійної карти об'єму крові: а - діаметр; б - колір.

У ході дослідження було розроблено програмний застосунок, результатом роботи якого є мультимодальна візуалізація даних перфузійного дослідження. Для відображення анатомічних даних використовується фонове зображення, а для відображення даних двох перфузійних карт використовується візуалізація гліфів на передньому плані. Для візуалізації гліфів також надана можливість відображення із підтримкою прозорості. Програмна реалізація застосунку була здійснена мовою програмування Python 3.9.13. Для розробки програмного застосунку було використане середовище Visual Studio Code 1.90.2. Для роботи із масивами була використана бібліотека NumPy 1.26.4, для робота із файлами медичних зображень у форматі DICOM - бібліотека PyDicom 2.4.4, для візуалізації - бібліотека PyOpenGL 3.1.6, для розробки графічного інтерфейсу застосунку - бібліотека PyQt5 5.15.10.

У даному дослідженні були використані зображення відкритої бази даних, а саме Т2*-зважені зображення перфузійної магнітно-резонансної томографії колекції TCGA для вивчення мультиформної гліобластоми.

Приклади мультимодальної візуалізації, що одночасно відображує дані двох перфузійних карт і дані зображення для розуміння анатомічної складової наведені на рис. 4.

Рис. 4 Мультимодальна візуалізація даних двох перфузійних карт одночасно з використанням гліфів: а - дані перфузійної карти об'єму крові; б - дані перфузійної карти середнього часу проходження крові; в - мультимодальна візуалізація із кодуванням даних карти об'єму крові через діаметр кругу та карти середнього часу проходження через колір поверх даних зображення для розуміння анатомічної складової; г - мультимодальна візуалізація із кодуванням даних карти об'єму крові через колір та карти середнього часу проходження через діаметр кругу поверх даних зображення для розуміння анатомічної складової.

Слід також зазначити, що у даному дослідженні гліфи були візуалізовані із розміщенням у центрі кожного з блоків розмірами 4 x 4 пікселів вихідних даних. Це дозволило уникнути перекрить гліфів один одним із забезпеченням максимально можливої деталізації діаметру кругів у якості параметра гліфів. Однак використання надмірної кількості градації для кодування зазначеного параметра потребує додаткового дослідження щодо можливих колірних аномалій під час субпіксельної візуалізації кругів. Також до недоліків розробленого підходу мультимодальної візуалізації можна віднести обмежену кількість градації для кодування діаметрів кругів у порівнянні із кількістю градації, що досягається під час кодування кольору гліфів.

Висновки

У даному досліджені був проведений аналіз використання гліфів для відображення результатів перфузійного дослідження. Використання гліфів для мультимодальної візуалізації дозволяє одночасно відображувати дані двох перфузійних карт і зображення за анатомічними даними для полегшення ідентифікації та інтерпретації аномалій в контексті анатомічної картини. В основі запропонованої візуалізації лежить використання двох параметрів гліфів для одночасного кодування даних двох перфузійних карт. Першим параметром є форма гліфа, а другим - його колір. Обрана форма гліфів зменшує ризик перекриття гліфів один одним у просторі, а отже, зменшує вірогідність втрати корисної інформації.

Запропонований підхід мультимодальної візуалізації надає переваги у порівнянні із традиційними підходами візуалізації перфузійних даних для швидкого оцінювання значень двох перфузійних карт одночасно у певній ділянці.

Література

1. Calamante, F. (2012). Perfusion magnetic resonance imaging quantification in the brain. In Visualization Techniques (pp. 283-312). Humana Press, Totowa, NJ.

2. Boxerman, J. L., Quarles, C. C., Hu, L. S., Erickson, B. J., Gerstner, E. R., Smits, M., ... & Jumpstarting Brain Tumor Drug Development Coalition Imaging Standardization Steering Committee. (2020). Consensus recommendations for a dynamic susceptibility contrast MRI protocol for use in high-grade gliomas. Neuro-oncology, 22(9), 1262-1275.

3. Giannatempo, G. M., Scarabino, T., Popolizio, T., Parracino, T., Serricchio, E., & Simeone, A. (2017). 3.0 T perfusion MRI dynamic susceptibility contrast and dynamic contrast- enhanced techniques. In High Field Brain MRI (pp. 113-131). Springer, Cham.

4. Demeestere, J., Wouters, A., Christensen, S., Lemmens, R., & Lansberg, M. G. (2020). Review of perfusion imaging in acute ischemic stroke: from time to tissue. Stroke, 51(3), 1017-1024.

5. Trinh, A., Wintermark, M., & Iv, M. (2021). Clinical review of computed tomography and MR perfusion imaging in neuro-oncology. Radiologic Clinics, 59(3), 323-334.

6. Preim, B., & Bartz, D. (2007). Visualization in medicine: theory, algorithms, and applications. Elsevier.

7. Ogiela, M. R., Hachaj, T., Ogiela, M. R., & Hachaj, T. (2015). Cognitive methods for semantic image analysis in medical imaging applications. Natural User Interfaces in Medical Image Analysis: Cognitive Analysis of Brain and Carotid Artery Images, 71-91.

8. Covarrubias, D. J., Rosen, B. R., & Lev, M. H. (2004). Dynamic magnetic resonance perfusion imaging of brain tumors. The oncologist, 9(5), 528-537.

9. Emblem, K. E., Nedregaard, B., Nome, T., Due-Tonnessen, P., Hald, J. K., Scheie, D., ... & Bjornerud, A. (2008). Glioma grading by using histogram analysis of blood volume heterogeneity from MR-derived cerebral blood volume maps. Radiology, 247(3), 808-817.

10. Wetzel, S. G., Cha, S., Johnson, G., Lee, P., Law, M., Kasow, D. L., ... & Xue, X. (2002). Relative cerebral blood volume measurements in intracranial mass lesions: interobserver and intraobserver reproducibility study. Radiology, 224(3), 797-803.

11. Alkhimova, S. M. (2018). Detection of perfusion ROI as a quality control in perfusion analysis. In Science, research, development. Technics and technology Berlin, Germany. 57-59.

12. Alkhimova, S. (2019). Impact of Perfusion ROI Detection to the Quality of CBV Perfusion Map. Technology Audit and Production Reserves, 5(2), 27-30.

13. Hachaj, T., & Ogiela, M. R. (2012). Framework for cognitive analysis of dynamic perfusion computed tomography with visualization of large volumetric data. Journal of Electronic Imaging, 21(4), 043017-043017.

14. Preim, B., Oeltze, S., Mlejnek, M., Groeller, E., Hennemuth, A., & Behrens, S. (2009). Survey of the visual exploration and analysis of perfusion data. IEEE transactions on visualization and computer graphics, 15(2), 205-220.

15. Morth, E. (2022). Scaling Up Medical Visualization: Multi-Modal, Multi-Patient, and Multi-Audience Approaches for Medical Data Exploration, Analysis and Communication (Doctoral dissertation, The University of Bergen).

16. Ropinski, T., Oeltze, S., & Preim, B. (2011). Survey of glyph-based visualization techniques for spatial multivariate medical data. Computers & Graphics, 35(2), 392-401.

17. Pickett, R. M., & Grinstein, G. G. (1988, August). Iconographic displays for visualizing multidimensional data. In Proceedings of the 1988 IEEE Conference on Systems, Man, and Cybernetics (Vol. 514, p. 519).

18. Kindlmann, G., & Westin, C. F. (2006). Diffusion tensor visualization with glyph packing. IEEE transactions on visualization and computer graphics, 12(5), 1329-1336.

19. Thakur, S., & Hanson, A. J. (2010, July). A 3D visualization of multiple time series on maps. In 2010 14th International Conference Information Visualisation (pp. 336-343). IEEE.

20. Straub, A., Karch, G. K., Steigerwald, J., Sadlo, F., Weigand, B., & Ertl, T. (2023). Visual analysis of interface deformation in multiphase flow. Journal of Visualization, 26(6), 1321-1338.

21. Boxerman, J. L., Quarles, C. C., Hu, L. S., Erickson, B. J., Gerstner, E. R., Smits, M., ... & Jumpstarting Brain Tumor Drug Development Coalition Imaging Standardization Steering Committee. (2020). Consensus recommendations for a dynamic susceptibility contrast MRI protocol for use in high-grade gliomas. Neuro-oncology, 22(9), 1262-1275.

22. Diaz Garcia, J., Brunet Crosa, P., Navazo Alvaro, I., & Vazquez Alcocer, P. P. (2017). Downsampling methods for medical datasets. In Proceedings of the International conferences Computer Graphics, Visualization, Computer Vision and Image Processing 2017 and Big Data Analytics, Data Mining and Computational Intelligence 2017: Lisbon, Portugal, July 21-23, 2017 (pp. 12-20). IADIS Press.

23. Сорокіна, В. В., Алхімова, С. М. Аналіз застосування таблиць відповідності кольорів для візуалізації даних перфузійних карт // World ways and methods of improving outdated theories and trends : збірник тез та доповідей XXIII Міжнародної науково-практична конференції (м. Загреб, Хорватія, 11-14 червня 2024 р.). Загреб, 2024, С. 380-385.

24. Kudo, K., Sasaki, M., Yamada, K., Terae, S., Tha, K. K., Yoshida, Y., & Miyasaka, K. (2006). Evaluation and minimization of the difference in MR perfusion maps among software. In Proceedings of the 14th Annual Meeting of ISMRM, Seattle, WA, USA.

25. Alkhimova, S. M., Slusar, S. V. Bottlenecks in validation of algorithms for perfusion image processing (2019). In Proceedings of Science, research, development. Technics and technology, Poznan, Poland, 21, 25-27.

References

1. Calamante, F. (2012). Perfusion magnetic resonance imaging quantification in the brain. In Visualization Techniques (pp. 283-312). Humana Press, Totowa, NJ.

2. Boxerman, J. L., Quarles, C. C., Hu, L. S., Erickson, B. J., Gerstner, E. R., Smits, M., ... & Jumpstarting Brain Tumor Drug Development Coalition Imaging Standardization Steering Committee. (2020). Consensus recommendations for a dynamic susceptibility contrast MRI protocol for use in high-grade gliomas. Neuro-oncology, 22(9), 1262-1275.

3. Giannatempo, G. M., Scarabino, T., Popolizio, T., Parracino, T., Serricchio, E., & Simeone, A. (2017). 3.0 T perfusion MRI dynamic susceptibility contrast and dynamic contrast-enhanced techniques. In High Field Brain MRI (pp. 113-131). Springer, Cham.

4. Demeestere, J., Wouters, A., Christensen, S., Lemmens, R., & Lansberg, M. G. (2020). Review of perfusion imaging in acute ischemic stroke: from time to tissue. Stroke, 51(3), 1017-1024.

5. Trinh, A., Wintermark, M., & Iv, M. (2021). Clinical review of computed tomography and MR perfusion imaging in neuro-oncology. Radiologic Clinics, 59(3), 323-334.

6. Preim, B., & Bartz, D. (2007). Visualization in medicine: theory, algorithms, and applications. Elsevier.

7. Ogiela, M. R., Hachaj, T., Ogiela, M. R., & Hachaj, T. (2015). Cognitive methods for semantic image analysis in medical imaging applications. Natural User Interfaces in Medical Image Analysis: Cognitive Analysis of Brain and Carotid Artery Images, 71-91.

8. Covarrubias, D. J., Rosen, B. R., & Lev, M. H. (2004). Dynamic magnetic resonance perfusion imaging of brain tumors. The oncologist, 9(5), 528-537.

9. Emblem, K. E., Nedregaard, B., Nome, T., Due-Tonnessen, P., Hald, J. K., Scheie, D., ... & Bjornerud, A. (2008). Glioma grading by using histogram analysis of blood volume heterogeneity from MR-derived cerebral blood volume maps. Radiology, 247(3), 808-817.

10. Wetzel, S. G., Cha, S., Johnson, G., Lee, P., Law, M., Kasow, D. L., ... & Xue, X. (2002). Relative cerebral blood volume measurements in intracranial mass lesions: interobserver and intraobserver reproducibility study. Radiology, 224(3), 797-803.

11. Alkhimova, S. M. (2018). Detection of perfusion ROI as a quality control in perfusion analysis. In Science, research, development. Technics and technology Berlin, Germany. 57-59.

12. Alkhimova, S. (2019). Impact of Perfusion ROI Detection to the Quality of CBV Perfusion Map. Technology Audit and Production Reserves, 5(2), 27-30.

13. Hachaj, T., & Ogiela, M. R. (2012). Framework for cognitive analysis of dynamic perfusion computed tomography with visualization of large volumetric data. Journal of Electronic Imaging, 21(4), 043017-043017.

14. Preim, B., Oeltze, S., Mlejnek, M., Groeller, E., Hennemuth, A., & Behrens, S. (2009). Survey of the visual exploration and analysis of perfusion data. IEEE transactions on visualization and computer graphics, 15(2), 205-220.

15. Morth, E. (2022). Scaling Up Medical Visualization: Multi-Modal, Multi-Patient, and Multi-Audience Approaches for Medical Data Exploration, Analysis and Communication (Doctoral dissertation, The University of Bergen).

16. Ropinski, T., Oeltze, S., & Preim, B. (2011). Survey of glyph-based visualization techniques for spatial multivariate medical data. Computers & Graphics, 55(2), 392-401.

17. Pickett, R. M., & Grinstein, G. G. (1988, August). Iconographic displays for visualizing multidimensional data. In Proceedings of the 1988 IEEE Conference on Systems, Man, and Cybernetics (Vol. 514, p. 519).

18. Kindlmann, G., & Westin, C. F. (2006). Diffusion tensor visualization with glyph packing. IEEE transactions on visualization and computer graphics, 12(5), 1329-1336.

19. Thakur, S., & Hanson, A. J. (2010, July). A 3D visualization of multiple time series on maps. In 2010 14th International Conference Information Visualisation (pp. 336-343). IEEE.

20. Straub, A., Karch, G. K., Steigerwald, J., Sadlo, F., Weigand, B., & Ertl, T. (2023). Visual analysis of interface deformation in multiphase flow. Journal of Visualization, 26(6), 1321-1338.

21. Boxerman, J. L., Quarles, C. C., Hu, L. S., Erickson, B. J., Gerstner, E. R., Smits, M., ... & Jumpstarting Brain Tumor Drug Development Coalition Imaging Standardization Steering Committee. (2020). Consensus recommendations for a dynamic susceptibility contrast MRI protocol for use in high-grade gliomas. Neuro-oncology, 22(9), 1262-1275.

22. Diaz Garcia, J., Brunet Crosa, P., Navazo Alvaro, I., & Vazquez Alcocer, P. P. (2017). Downsampling methods for medical datasets. In Proceedings of the International conferences Computer Graphics, Visualization, Computer Vision and Image Processing 2017 and Big Data Analytics, Data Mining and Computational Intelligence 2017: Lisbon, Portugal, July 21-23, 2017 (pp. 12-20). IADIS Press.

23. Sorokina, V. V., & Alkhimova, S. M. (2024). Analiz zastosuvannia tablyts vidpovidnosti koloriv dlia vizualizatsii danykh perfuziinykh kart [Analysis of color lookup tables usage for visualization of perfusion map data]. In Proceedings of the XXIII International Scientific and Practical Conference «World ways and methods of improving outdated theories and trends»: Zagreb, Croatia, June 11-14, 2024 (pp. 380-385). International Science Group [in Ukrainian].

24. Kudo, K., Sasaki, M., Yamada, K., Terae, S., Tha, K. K., Yoshida, Y., & Miyasaka, K. (2006). Evaluation and minimization of the difference in MR perfusion maps among software. In Proceedings of the 14th Annual Meeting of ISMRM, Seattle, Wa, USA.

25. Alkhimova, S. M., Slusar, S. V. Bottlenecks in validation of algorithms for perfusion image processing (2019). In Proceedings of Science, research, development. Technics and technology, Poznan, Poland, 21, 25-27.

Размещено на Allbest.ru