用于医疗决策支持的多属性准则增强的动态不确定性可视化研究

Medical volume visualization has been an essential decision support tool in modern clinical medicine. However, uncertainties widely exit in medical volume data, but current medical volume visualization techniques are often concerned only about visualizing medical volume data themselves, and ignore visualizing the uncertainty information associated with the medical volume data. This may cause medical volume visualization unable to precisely reveal the target features in medical volume data, and thus lead to medical experts make unreasonable or even wrong medical decisions. On the other hand, although numerous uncertainty visualization techniques have been proposed within the recent two decades, few studies focus on exploring uncertainty visualization methods in real medical field. The reason behind this is because we have not yet comprehensively understood the sources and types of uncertainties involved in medical data, and their mathematical models. Therefore, this project aims to explore uncertainty visualization techniques in medical data, so that we can provide medical experts with more precise visualization tool, and help them make better medical decisions.

医学体可视化已成为现代临床医学中必不可少的决策支持工具。然而，由于不确定性广泛存在于医学体数据中，而现有的医学体可视化技术往往只关注于可视化医学体数据本身，而忽略可视化这些与医学体数据相关的不确定性信息。这可能会导致医学体可视化不能准确地揭示医学体数据中的目标特征，因而使医学专家做出不合理甚至错误的医疗决策。另一方面，尽管近二十年里多种多样的不确定性可视化技术已被提出，但是很少研究聚焦于探索实际医学领域中的不确定性可视化方法。究其原因，是因为我们尚未全面理解医学数据中所涉及的不确定性的来源和类型，以及这些不确定性的数学模型。因此，本项目旨在探索医学数据中的不确定性可视化技术，以提供医学专家更准确的可视化工具，从而帮助他们做出更好的医疗决策。

对医学体数据的分析和可视化一直是可视化社区的一个研究热点，它可以帮助医学专家更好地探索和理解医学数据中所包含的复杂特征，并为他们做出合理正确的诊断或术前规划决策起到极大的支持。为了让医学专家可以更准确地分析和理解医学数据，本项目从以下几个方面展开了深入研究：（1）提出了一种基于多属性准则的目标特征分割及不确定性可视化方法，该方法利用多属性准则对感兴趣的目标特征进行准确地分割，并允许对目标特征的分割进行不确定性可视化探索。（2）提出了一种基于高斯混合模型的目标特征分割及不确定性可视化方法，该方法利用高斯混合模型来对目标特征进行准确地分割，并允许对目标特征的分割进行不确定性可视化探索。（3）提出了一种基于空间模糊C均值聚类的模糊分割及不确定性可视化方法，该方法允许定量地查询和探索各个组织分割的不确定性。此外，基于上述研究成果，我们还将其拓展到了对更复杂的时变数据进行分析，包括（1）提出了一种基于高斯混合模型和全局追踪图的特征追踪方法，该方法可以更准确地追踪时变数据中感兴趣的特征。（2）提出了两种基于深度学习的模型Pix2PixSSR和SSRAN，它们可以用于更准确地合成时变数据的超分辨率。本项目的研究成果是对医学数据和时变数据可视化技术框架的完善和重要补充，在理论和应用两方面为可视化研究打下了坚实基础。