medsoft

 

  tlacitko VÝSKUM VYUŽITIA SPEKTRÁLNYCH RÖNTGENOVÝCH DÁT A STROJOVÉHO UČENIA BEZ UČITEĽA NA DIFERENCIÁCIU BIOLOGICKÝCH TKANÍV
Marek Biroš, Patrik Ivan, Jana Boháčová
  eng ABSTRAKT:

Zobrazovacie metódy na báze röntgenového žiarenia sa stali štandardným diagnostickým nástrojom v medicíne na zobrazenie kostí, tvrdých tkanív a pľúcnych ochorení. Tradičný röntgen však poskytuje obmedzený kontrast pri rozlišovaní mäkkých tkanív, čo bráni diferenciácii tkanív s podobným útlmom röntgenového žiarenia. Nová oblasť spektrálneho röntgenového zobrazovania, ktorú umožňujú detektory počítania fotónov, prekonáva toto obmedzenie meraním na viacerých energetických hladinách, kde sa hodnoty útlmu môžu jemne líšiť. Zatiaľ čo potenciál tejto technológie je zrejmý u vysoko kontrastných materiálov ako sú rôzne druhy kovov, jej potenciálna klinická hodnota spočíva v rozlišovaní biologických tkanív, kde sú spektrálne rozdiely oveľa jemnejšie.


More

Cieľom štúdie je skúmať potenciál využitia pokročilých metód strojového učenia na agregáciu týchto jemných rozdielov a vývoj automatizovaného nástroja na diferenciáciu biologických tkanív. V práci prezentujeme výsledky aplikácie zhlukovacích algoritmov k-means a non-negative matrix factorization na 2D a 3D spektrálne röntgenové skeny kovových fólií, myších orgánov a kostného implantátu s cieľom preskúmať možnosť aplikácie pre automatizáciu neinvazívnej charakterizácie tkanív a zvýšenie jej rýchlosti a presnosti.

Kľúčové slová: strojové učenie bez učiteľa, spektrálne röntgenové žiarenie, zhlukovacie algoritmy

DOI: 10.35191/medsoft_2025_1_37_biros

Hide


  eng EXPLORING THE BIOLOGICAL TISSUE DIFFERENTIATION USING UNSUPERVISED MACHINE LEARNING ON SPECTRAL X-RAY DATA

ABSTRACT:

X-ray imaging methods have become a standard diagnostic tool in medicine for visualizing bones, hard tissues, and pulmonary diseases. However, traditional X-ray imaging offers limited contrast for distinguishing soft tissues, which hinders the differentiation of tissues with similar X-ray attenuation. An emerging field of spectral X-ray imaging, enabled by photon-counting detectors, overcomes this limitation by measuring attenuation at multiple energy levels where attenuation values may differ subtly. While the potential of this technology is obvious for high-contrast materials like various metals, its true clinical value lies in differentiating biological tissues where spectral differences are much more subtle.

More

The aim of this study is to investigate the potential of using advanced machine learning methods to aggregate these subtle differences and develop an automated tool for biological tissue differentiation. We explore clustering algorithms, specifically k-means and non-negative matrix factorization, on both 2D and 3D spectral X-ray scans of metal foils, mouse organs, and a bone implant. This combination of spectral imaging and machine learning could, in the future, provide a powerful, automated framework for non-invasive tissue characterization and increase its speed and accuracy in preclinical research and clinical medicine.


Keywords: unsupervised machine learning, spectral x-ray, clustering algorithms

DOI: 10.35191/medsoft_2025_1_37_biros

Hide