多尺度生物医学数据可视化

Multiscale data, such as organ, tissue, cell, et al in the life system, have functional correlations among them, and visualizing these data integratively can assist to fully understand the functionalities of different parts and their cooperation relationships. Multiscale biomedical visualization is extended from similar scales in multi-modal visualization to different scales, and it still has several unsolved problems: discontinuity in the scale dimension, inaccurate enough of multiscale feature analysis, and incomplete multiscale data fusion schemes. In order to address these problems, this project proposes to conduct an in-depth study on the representation, analysis and fusion techniques of multiscale data, and to develop novel algorithms for exploiting information inside multiscale data effectively. The specific contents include: (1) construct a data representation in the continuous scale, and implement seamless scaling of multiscale data; (2) integrate the attribute, image, data and feature exploratory spaces, and interactively analyze similarities and differences in multiscale data; (3) fuse multiscale data in the data filtering, visualization mapping and accumulation in the rendering stage based on feature analysis; (4) extract time-varying features based on shape coherence in time, construct state-transition graphs of time-varying features, and analyze the interplay of multiscale spatial patterns in time. This project also plans to design a new user interface for the effective analysis of multiscale data, and to implement the visualization system, which integrates the above techniques for multiscale data, to demonstrate the effectiveness of the proposed methods.

生命系统不同尺度的器官、组织和细胞等，存在一定程度的功能关联性，综合不同尺度数据的可视化能够全面理解相关组织的功能及其相互协作关系。多尺度生物医学数据可视化是多模态数据可视化从相似尺度到不同尺度的扩展，尚存在以下问题：尺度的不连续性，多尺度特征分析能力不强，多尺度数据融合机制不完善。针对这些问题，本项目将深入研究多尺度数据的表示、分析和融合方法，揭示从多尺度数据中快速高效获取隐含信息的可视化机制。具体包括：(1) 构建连续尺度数据表示，实现多尺度数据无缝缩放；(2) 综合属性、图像、数据和特征空间的相似性和差异性交互式探索分析；(3) 基于特征分析的数据滤波、可视化映射和体绘制积分累加阶段的数据融合；(4) 基于形状连续性的时变特征提取，构建特征状态转换图，分析多尺度结构协作关系。本项目还将提出便于分析多尺度数据的用户交互模式，实现集成上述技术的多尺度数据可视化原型系统，验证所提出的方法。

本项目主要研究多尺度生物医学数据的表示、分析和融合方法，在连续尺度表示、分析、融合、和时变特征分析等方面取得了重要进展。目前，已在国际期刊和会议发表论文17篇，国内核心期刊9篇，其中在国际可视化会议（IEEE PacificVis、EuroVis、IEEE VIS）上发表论文5篇，国际可视化顶级期刊IEEE TVCG上发表论文1篇，1篇论文获得了ChinaVis 2017年的最佳论文提名奖。主要研究成果如下：.1）在多尺度数据的连续尺度表示上，我们提出了保边界特征的体数据去噪算法，提高数据质量，同时，提出了基于面抽取的体数据多尺度缩减方法和基于深度学习的数据连续表示缩放方法，有效构建数据的连续尺度表示。.2）在多尺度数据的分析上，针对彩色体数据，提出了基于颜色语义降维的传输函数，实现交互地特征分类，同时提出了彩色梯度的鲁棒计算方法，提高特征分类能力和光照效果。针对局部相关性，提出了基于特征子空间的多尺度数据关联分析协同框架。基于绘制结果，提出了基于图像相似性的最佳视点选择模型，自动推荐具有丰富语义特征的代表性视点。.3）在多尺度数据的融合上，提出了基于多类噪声采样的多尺度融合方法，有效地展示数据的空间分布和相关性。提出了语义透镜，结合数据滤波阶段和可视化映射阶段的多尺度融合方法，实现多尺度数据的有效融合与交互探索。.4）在多尺度数据的时变特征分析上，提出了基于特征网的特征关联分析方法，自动生成主要特征的全局可视概览。基于河流隐喻，提出了特征河流图，直观地展示时变特征的演化关系。提出了基于网络表征学习的特征动态网络演化可视分析方法，高效分析时变特征转换关系网络的结构演化。基于时变特征的拓扑结构，提出了时变特征演化过程的最佳视点路径推荐方法。.5）基于上述技术，开发了特征关联分析、时变特征演化分析等多尺度数据可视化与可视分析软件，已应用于老鼠和人脑多尺度数据的分析和可视化。.总体来说，该项目很好地按预定目标深入研究了多尺度生物医学数据的表示、分析和融合所涉及的一些列问题，完成了申请书所承诺的指标。