Detailansicht
Dimension reduction with orthogonal projections and applications in medical imaging using learning frameworks
Anna Breger
Art der Arbeit
Dissertation
Universität
Universität Wien
Fakultät
Fakultät für Mathematik
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Doktoratsstudium NAWI aus dem Bereich Naturwissenschaften (Dissertationsgebiet: Mathematik)
Betreuer*in
Martin Ehler
DOI
10.25365/thesis.62881
URN
urn:nbn:at:at-ubw:1-16293.52092.639361-3
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Im Zeitalter der Digitalisierung ist Dimensionsreduktion von großer Bedeutung um hochdimensionale Daten zu komprimieren. Eine niedrigdimensionale Datenrepräsentation ermöglicht effiziente Berechnungen, soll aber gleichzeitig essenzielle Informationen für nachfolgende Bearbeitung bewahren. In meiner Dissertation leite ich mathematische Ergebnisse zu orthogonalen Projektoren und Dimensionsreduktion her und verwende diese in medizinischen Bildverarbeitungsproblemen mit klinischen Daten. Die theoretischen Grundlagen ermöglichen neue Analysen und die Verbesserung von Lernalgorithmen mit neuralen Netzen.
Orthogonale Projektoren sind eine effiziente lineare Methode zur Dimensionsreduktion. Für die Berechnung wird nur eine Matrixmultiplikation benötigt und dadurch wird effiziente Dimensionsreduktion auf großen und sehr hochdimensionalen Datenmengen möglich. Wir leiten neue theoretische Resultate für Punktfolgen her, die den Raum der orthogonalen Projektoren (die Grassmann-Mannigfaltigkeit) asymptotisch optimal abdecken. Durch die numerische Konstruktion können wir die theoretischen Resultate illustrieren und verwenden diese Punktfolgen auch in den weiteren Analysen und Experimenten.
Um die Eignung einer Dimensionsreduktionsmethode zu evaluieren, müssen verschiedene Aspekte des Informationserhalts beachtet werden. Der orthogonale Projektor gegeben durch die populäre Hauptkomponentenanalyse (PCA) maximiert die Totalvarianz innerhalb der projizierten Daten. Besonders Aufgabenstellungen mit verrauschten Daten können von PCA profitieren, da das Rauschen durch das Entfernen von den Eigenrichtungen reduziert werden kann, die zu den niedrigeren Hauptkomponenten korrespondieren. Hingegen erhalten zufällige Projektoren mit hoher Wahrscheinlichkeit alle paarweisen Distanzen innerhalb einer Datenmenge. Diese Eigenschaft ist von Bedeutung für Probleme in denen kleine Veränderungen innerhalb der projizierten Daten wichtig sind. Ob die eine oder andere Eigenschaft wichtig ist, kommt auf die jeweilige Anwendung und den Zustand der Daten an. Wir beweisen, dass normalerweise die gleichzeitige Erhaltung der Totalvarianz und der paarweisen Distanzen nicht möglich ist. Numerische Experimente illustrieren die theoretischen Ergebnisse.
Im angewandten Teil meiner Dissertation arbeite ich mit klinischen Bilddaten von optischer Kohärenztomographie (OCT) und Magnetresonanztomographie (MRT). Die Forschung fand in Kollaboration mit dem Vienna Reading Center (VRC), Fakultät für Ophthalmologie, Medizinische Universität Wien und dem Laboratory of Mathematics in Imaging (LMI), Brigham and Women's Hospital, Harvard Medical School, Boston (MA), statt. Automatisierte Bildsegmentierung ist besonders wichtig für Krankheitserkennung, da in der Regel der ärztliche Alltag nicht genug Zeit lässt um alle Bildaufnahmen von Patienten zu evaluieren. Wir entwickeln basierend auf manuell annotierten OCT Daten verschiedene Methoden zur Bildsegmentierung mit Lernalgorithmen, die Dimensionsreduktion und orthogonale Projektoren verwenden. Unsere Methoden konnten die Quantifizierung in pathologischen Daten verbessern und könnten in Zukunft als Richtlinien für Ärzte dienen. In einer Rekonstruktionsanalyse mit MRT Daten verwenden wir orthogonale Projektoren um multidimensionale Bilddaten zu komprimieren. Wir vergleichen die resultierenden Bildrekonstruktionen und folgern Verbesserung durch die zusätzliche Anwendung von PCA.
Abstract
(Englisch)
In the age of digitalized data, dimension reduction is a necessary tool to compress and combine high-dimensional data. The lower dimensional representations shall enable the feasibility of computations, but at the same time preserve essential information for subsequent tasks. In this thesis I derive new mathematical results regarding dimension reduction with orthogonal projections and connect them to problems arising in clinical medical routine, enabling new analyses and improving performances in (deep) learning tasks.
Orthogonal projections are important linear methods in that framework, since the dimension reduction itself is just based on a matrix multiplication, allowing fast computation on large data sets. We derive new results on point sequences that sample the space of orthogonal projections, called the Grassmannian. In particular, we prove that a specific class of sequences covers the space in an asymptotically optimal manner. Our numerical experiments illustrate the theoretical results, validating further analyses and experiments in applications with such point sequences.
To measure the adequacy of a dimension reduction method, the preservation of diverse aspects of information must be considered. The orthogonal projection arising from the well known principal component analysis (PCA) maximizes the total variance within the projected data. Especially tasks that work with noisy data benefit from this method, since the influence of noise can be reduced by cutting off the eigendirections that correspond to the smaller principal components. On the other hand, random projections ensure with high probability the preservation of all pairwise distances within a data set. This property is especially important for tasks that rely on small changes within the data. Whether one or the other kind of information is of main importance depends on further objectives and the condition of the given data. We provide a mathematical proof to show that these two objectives strongly correlate and usually cannot be achieved at the same time. Numerical experiments are designed to illustrate these results. Moreover, we determine specific projections on input data in a standard classification problem. The highest classification accuracy was achieved by projections that balance the two objectives, preservation of variance and pairwise distances.
Dimension reduction and orthogonal projections are useful in plenty diverse imaging problems. In the applied part of my PhD project I work with clinical optical coherence tomography (OCT) and magnetic resonance imaging (MRI) data. This research emerged from collaborations with the Vienna Reading Center (VRC), Department of Ophthalmology, Medical University of Vienna as well as the Laboratory of Mathematics in Imaging (LMI), Brigham and Women's Hospital, Harvard Medical School, Boston, MA. Automated image segmentation is especially important and necessary for disease identification, since daily routine of doctors usually does not allow enough time to look through all scans of patients. Based on annotated OCT data we develop image segmentation methods using (deep) learning algorithms that include dimension reduction and orthogonal projections. Our methods improve the accuracy of baseline methods and could serve as future guidelines for doctors. Moreover, in an analysis on MRI reconstruction accuracy, we use orthogonal projections to linearly compress higher dimensional signal arrays and conclude the beneficial impact of PCA.
Schlagwörter
Schlagwörter
(Englisch)
Dimension Reduction Orthogonal Projections Grassmannian Medical Image Processing Deep Learning Loss Function
Schlagwörter
(Deutsch)
Dimensionsreduktion Orthogonale Projektoren Grassmann-Mannigfaltigkeit Medizinische Bildverarbeitung Maschinelles Lernen Verlustfunktion
Autor*innen
Anna Breger
Haupttitel (Englisch)
Dimension reduction with orthogonal projections and applications in medical imaging using learning frameworks
Publikationsjahr
2019
Umfangsangabe
v, 90 Seiten : Illustrationen, Diagramme
Sprache
Englisch
Beurteiler*innen
Wojciech Czaja ,
Gerlind Plonka-Hoch
Klassifikation
31 Mathematik > 31.80 Angewandte Mathematik
AC Nummer
AC16137449
Utheses ID
55583
Studienkennzahl
UA | 796 | 605 | 405 |