[论文解读] Using complex networks towards information retrieval and diagnostics in multidimensional imaging

Soumya Banerjee, Mohammad Azharuddin+5 more|arXiv (Cornell University)|Jun 8, 2015

Olfactory and Sensory Function Studies参考文献 82被引用 15

一句话总结

本文提出了一种基于复杂网络的创新框架，将多维动态图像——特别是热成像时间序列——转化为网络，以增强信息检索与诊断能力。通过分析边介数中心性等网络度量，该方法成功区分了水液缺乏性干眼（ADDE）患者、隐形眼镜佩戴者及激光角膜层光疗手术（Lasik）患者与健康对照组，揭示出病理状态表现出相似的网络拓扑结构，表明热动力学紊乱。

ABSTRACT

We present a fresh and broad yet simple approach towards information retrieval in general and diagnostics in particular by applying the theory of complex networks on multidimensional, dynamic images. We demonstrate a successful use of our method with the time series generated from high content thermal imaging videos of patients suffering from the aqueous deficient dry eye (ADDE) disease. Remarkably, network analyses of thermal imaging time series of contact lens users and patients upon whom Laser-Assisted in situ Keratomileusis (Lasik) surgery has been conducted, exhibit pronounced similarity with results obtained from ADDE patients. We also propose a general framework for the transformation of multidimensional images to networks for futuristic biometry. Our approach is general and scalable to other fluctuation-based devices where network parameters derived from fluctuations, act as effective discriminators and diagnostic markers.

研究动机与目标

• 本研究旨在开发一种可扩展的、非侵入性的诊断方法，通过将复杂网络应用于动态多维成像。
• 旨在解决传统热成像在低分辨率和环境噪声方面存在的局限性。
• 目标是从传统图像处理无法检测到的热波动中提取隐藏的动力学特征。
• 旨在建立网络度量作为眼表疾病有效且具有判别力的生物标志物。
• 探索该方法在生物特征识别和实时临床诊断中的潜力。

提出的方法

• 从眼部和面部区域的高内涵热成像视频中提取时间序列。
• 使用可见性图算法将每个时间序列转换为有向网络，其中节点代表温度值，边代表时间上的状态转移。
• 利用边介数中心性（Be）等度量分析网络拓扑结构，该度量量化了在不同温度区间之间发生转移的频率。
• 计算并比较各组（如健康者、ADDE患者、隐形眼镜佩戴者、Lasik患者）的Be累积分布，以识别具有判别性的模式。
• 该方法可实现对不同生理状态下网络结构的比较，揭示热波动动力学的差异。
• 该框架可推广至其他基于波动的成像模态，而不仅限于热成像。

实验结果

研究问题

• RQ1 基于复杂网络分析的热成像时间序列能否有效区分健康个体与水液缺乏性干眼（ADDE）患者？
• RQ2 佩戴隐形眼镜或接受过Lasik手术的个体在通过网络度量分析时，其热波动动力学是否与ADDE患者相似？
• RQ3 边介数中心性（Be）能否作为动态热成像中病理眼状态的稳健判别指标？
• RQ4 健康与疾病状态下，眼部与面部热波动之间的耦合性有何差异？
• RQ5 该基于网络的方法能否基于区域热动力学实现生物特征识别？

主要发现

• 干眼患者（DE）的累积边介数中心性（Be）分布与隐形眼镜佩戴者（CL）及Lasik患者（LASIK）几乎完全相同，表明其具有共享的网络拓扑结构。
• 隐形眼镜佩戴者的Be分布与ADDE患者无法区分，无论是否佩戴隐形眼镜，表明其存在持续的病理动力学。
• Lasik患者的Be分布与ADDE患者高度相似，无论术前或术后，表明其在网络层面存在持久的改变。
• 健康个体（HE）的Be分布与ADDE患者存在显著差异，尤其是在眼部区域，证实了诊断的判别能力。
• 脸颊区域表现出不同的Be分布模式：健康个体（HE和HC）之间存在显著差异，而ADDE患者与隐形眼镜佩戴者（DE和CL）的分布则相似，表明病理动力学具有区域依赖性。
• 结果表明，基于网络的分析能够捕捉到仅从空间图像数据中无法体现的代谢与功能异常，验证了其作为诊断工具的有效性。