⚡ electrical engineering

Performance Benchmarking and Optimisation of Clustering Algorithms for Local and Non-Local Similarity Measure in Medical Image Analysis

Dit artikel evalueert en optimaliseert vijf clusteringalgoritmen voor medische beeldanalyse, waarbij wordt vastgesteld dat agglomeratieve clustering het beste is voor het behoud van fijne details in MRI en echografie, mini-batch k-means de beste balans biedt voor borstfoto's, terwijl standaard k-means en bisecting k-means moeite hebben met intra-cluster variabiliteit, en BIRCH consistent ondermaats presteert over alle modaliteiten heen.

Oorspronkelijke auteurs: Sisipho Hamlomo, Marcellin Atemkeng

Gepubliceerd 2026-07-14

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Sisipho Hamlomo, Marcellin Atemkeng

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een enorme, ultra-high-definition foto hebt van een brein, een kloppend hart of een borstkas. Het is zo gedetailleerd dat het lijkt op een bibliotheek met miljoenen kleine, unieke puzzelstukjes. Het probleem? Het opslaan en versturen van deze gigantische bibliotheken is een nachtmerrie voor ziekenhuizen; ze nemen te veel ruimte in beslag en bewegen te traag.

Om dit op te lossen, proberen wetenschappers de afbeeldingen te comprimeren. Maar hier is de crux: als je de afbeelding te hard samenperst, kun je per ongeluk de minuscule, levensreddende details die een arts moet zien, vervagen.

Dit paper is als een detectiveverhaal waarin de auteurs vijf verschillende "organisatoren" (clustering-algoritmen) testen om te zien welke erin slaagt om deze puzzelstukjes in nette, identieke stapels te sorteren. Het doel? Om stukjes die precies hetzelfde zijn te groeperen, zodat ze nauw met elkaar samengeperst kunnen worden zonder belangrijke informatie te verliezen.

De Vijf Kandidaten

De auteurs onderwerpen vijf verschillende sorteermethoden aan een strenge trainingskamp met drie soorten medische beelden: hersenscans (MRI), echo-beelden en borstfoto's (X-rays). Ze gokten niet zomaar; ze gebruikten een "random search" om elke instelling van elke methode af te stemmen, zodat ze hun absolute best presteerden.

De vijf methoden waren:

K-means: De klassieke, eenvoudige sorteerder.
Mini-batch K-means: Een snellere versie die in kleine batches sorteert.
Agglomerative Hierarchical Clustering: Een methode die begint met elk stukje als een eigen groep en ze vervolgens langzaam samenvoegt, zoals het bouwen van een stamboom.
BIRCH: Een methode die ontworpen is om enorme hoeveelheden data aan te kunnen door eerst een samenvattende boom op te bouwen.
Bisecting K-means: Een methode die begint met één grote stapel en deze telkens in tweeën splitst totdat het klaar is.

De Grote Onthulling: "Goed" is niet altijd "Beste"

Hier is de wending die het paper blootlegt. Als je alleen naar de standaard scorelijst kij. kijkt (metrieken zoals de Silhouette score, de Davies-Bouldin index en de Calinski-Harabasz index), dan lijken K-means en Bisecting K-means de kampioenen te zijn. Ze behalen de hoogste scores, wat betekent dat ze de groepen heel duidelijk van elkaar scheiden.

Echter, het paper pleit er juist tegen om deze voor de uiteindelijke taak te gebruiken.

Denk er zo over na: K-means en Bisecting K-means zijn als een strenge leraar die alle leerlingen in slechts twee of drie enorme klaslokalen plaatst. Hoewel de klaslokalen duidelijk van elkaar gescheiden zijn, is de chaos binnenin de kamers compleet! De ene leerling draagt een smoking, een andere een pyjama en een derde een superheldenpak. Ze zitten allemaal in dezelfde kamer, maar ze zijn zeer verschillend. Als je deze kamer (het beeldfragment) zou proberen te comprimeren, zou je heel voorzichtig moeten zijn, anders verpest je de details.

Het paper vond dat voor MRI en echo-beelden Agglomerative Hierarchical Clustering de echte held was. Hoewel het iets meer computerkracht kostte om uit te voeren, fungeerde het als een minutieuze bibliothecaris. Het creëerde veel meer, kleinere groepen waar elk item bijna identiek was aan zijn buren.

Het resultaat: Voor MRI en echo produceerde deze methode clusters met een veel lagere "intra-cluster variabiliteit" (wat betekent dat de items binnen de groep zeer vergelijkbaar waren). Dit maakt het mogelijk om de afbeelding veel agressiever te comprimeren zonder de fijne, kritieke details te verliezen die artsen nodig hebben.
De cijfers: In de MRI-tests vormde Agglomerative 7 clusters, terwijl K-means er slechts 3 vormde. Bij de echo vormde Agglomerative 11 clusters vergeleken met slechts 2 voor K-means.

De X-ray Uitzondering

Maar wacht, er is een plotwending voor de borstfoto's!
Voor dit specifieke type beeld vond Mini-batch K-means de perfecte balans. Het slaagde erin om 4 clusters te creëren die zowel van hoge kwaliteit als compact genoeg waren voor compressie. Het was de "Goldilocks"-oplossing voor X-rays, die een betere afweging bood dan de andere methoden.

De Verliezer

Eén methode, BIRCH, presteerde consequent ondermaats bij alle drie de soorten beelden. Of het nu ging om het sorteren van hersenscans, echo's of X-rays, het slaagde er simpelweg niet in om de strakke, uniforme groepen te maken die nodig zijn voor effectieve compressie. Het paper suggereert dat het de minst geschikte optie is voor deze specifieke taak.

De Kern van het Verhaal

Het paper beweert niet dat het de compressieproblemen van de wereld voor altijd heeft opgelost. In plaats daarvan suggereert het dat het "beste" instrument volledig afhangt van waar je naar kijkt.

Als je naar MRI of echo-beelden kijkt, suggereren de auteurs het gebruik van Agglomerative Hierarchical Clustering, omdat dit de minuscule details veilig houdt door zeer uniforme groepen te maken.
Als je naar borstfoto's (X-rays) kijkt, lijkt Mini-batch K-means de beste keuze te zijn.
Als je naar K-means of Bisecting K-means kijkt, suggereert het paper om voorzichtig te zijn: ze zien er geweldig uit op papier qua scores, maar ze kunnen te veel verschillende dingen bij elkaar groeperen, wat het risico vergroot dat je de afbeelding comprimeert zonder belangrijke medische aanwijzingen te verliezen.

Kortom, het paper bewijst dat je voor medische beelden niet zomaar de "snelste" of "hoogst scorende" sorteerder kunt gebruiken; je hebt degene nodig die ervoor zorgt dat de puzzelstukjes binnen elke stapel zo identiek mogelijk zijn.

Technische Samenvatting: Benchmarking en Optimalisatie van Clustering-algoritmen voor Lokale en Niet-Lokale Gelijkenismaatstaven in Medische Beeldanalyse

Probleemstelling
Hoogresolutie medische beeldvorming (MRI, CT, echografie, röntgenfoto's) genereert enorme hoeveelheden hoogdimensionele data, wat aanzienlijke uitdagingen creëert voor opslag, transmissie en computationele verwerking. Hoewel technieken voor Low-Rank Matrix Approximation (LoRMA) efficiënte compressie bieden door structurele redundantie te benutten, schieten globale benaderingen vaak tekort in het behoud van de lokale details die cruciaal zijn voor de diagnose. Recent onderzoek is verschoven naar patch-gebaseerde strategieën die gebruikmaken van niet-lokale zelfgelijkenis om structureel gelijkaardige regio's te groeperen voor adaptieve compressie. Echter, er blijft een kritische kloof bestaan in het identificeren van welke clusteringtechniek het meest effectief homogene, laag-variante clusters vormt die vereist zijn voor hoogwaardige adaptieve compressie. Verschillende algoritmen geven prioriteit aan verschillende afwegingen: sommige optimaliseren globale scheiding (wat goede metrieken oplevert maar een hoge intra-cluster variabiliteit heeft), terwijl andere compactere groepen vormen ten koste van het creëren van meer clusters. Deze variabiliteit heeft een directe impact op de compressieprestaties, aangezien homogene clusters agressieve compressie mogelijk maken zonder klinisch significante informatie te verliezen.

Methodologie
Deze studie presenteert een systematische benchmarking van vijf clustering-algoritmen toegepast op overlappende vierkante patches geëxtraheerd uit medische beelden. Het beeld $A \in \mathbb{R}^{H \times W}$ wordt verdeeld in patches van grootte $p \times p$ met een stride $s < p$ , gevectoriseerd naar kolomvectoren, en geclusterd om gelijkaardige regio's te groeperen.

De vijf geëvalueerde technieken vertegenwoordigen zowel partitioneringsgebaseerde als hiërarchische benaderingen:

k-means: Standaard partitioneringsalgoritme.
Mini-batch k-means: Een schaalbare variant die kleine willekeurige batches gebruikt om centroiden bij te werken.
Agglomerative Hierarchical Clustering: Een bottom-up benadering met behulp van linkage-criteria (single, complete, average of Ward's).
BIRCH (Balanced Iterative Reducing and Clustering using Hierarchies): Een incrementeel algoritme dat een Clustering Feature (CF) boom gebruikt om grote datasets samen te vatten.
Bisecting k-means: Een hiërarchische benadering die een verzameling recursief in twee clusters verdeelt totdat $K$ clusters zijn gevormd.

Optimalisatie en Evaluatie:

Hyperparameter-tuning: Alle algoritmen werden geoptimaliseerd met behulp van random search over een haalbare hyperparameterruimte (inclusief het aantal clusters $K$ , batchgroottes, linkage-criteria en boom-drempelwaarden) om optimale prestaties voor elk type modaliteit te waarborgen.
Datasets: Experimenten werden uitgevoerd op representatieve beelden van drie modaliteiten: Brain MRI (BraTS2020), Borst Echografie en Borst X-ray (COVIDqu).
Metrieken: De kwaliteit van de clustering werd beoordeeld met behulp van:
- Silhouette Score: Meet cohesie en scheiding (bereik [-1, 1]).
- Davies-Bouldin (DB) Index: Lagere waarden duiden op betere compactheid en scheiding.
- Calinski-Harabasz (CH) Index: Hogere waarden duiden op duidelijk onderscheidbare, goed gescheiden clusters.
Kritische Analyse: Naast standaard metrieken analyseerde de studie specifiek de intra-cluster variabiliteit (via box-plots) om de geschiktheid voor post-processing taken zoals adaptieve compressie te bepalen.

Belangrijkste Resultaten

MRI en Echografie: Standaard k-means en bisecting k-means behaalden de hoogste Silhouette-scores en laagste DB-indices, wat wijst op sterke globale cohesie. Zij vormden echter een klein aantal clusters (bijv. 2–3) met een hoge intra-cluster variabiliteit. In tegenstelling hiertoe produceerde Agglomerative clustering een groter aantal clusters met een significant lagere intra-cluster variabiliteit, wat resulteerde in compactere, meer homogene groepen ondanks iets lagere globale metriek-scores.
Borst X-ray: Mini-batch k-means bereikte de beste balans tussen clusteringkwaliteit-metrieken en intra-cluster compactheid, waarmee het andere methoden in deze specifieële modaliteit overtrof.
BIRCH: Presteerde consistent ondermaats over alle modaliteiten, zowel wat betreft clusteringkwaliteit-metrieken als intra-cluster homogeniteit.

Bijdragen
Het artikel levert drie primaire bijdragen:

Een systematische evaluatie van vier (vijf in de praktijk) clusteringtechnieken over drie verschillende medische beeldvormingsmodaliteiten (MRI, Echografie, X-ray).
De toepassing van random search om hyperparameters voor elk clusteringalgoritme af te stemmen, wat een eerlijke en geoptimaliseerde vergelijking garandeert.
Modaliteit-specifieke aanbevelingen over welke clusteringtechniek te gebruiken, waarbij prioriteit wordt gegeven aan intra-cluster homogeniteit voor adaptieve compressie boven ruwe metriek-scores.

Betekenis en Claims
De auteurs beweren dat de keuze van een clusteringalgoritme geleid moet worden door de specifieke beeldvormingsmodaliteit en de afweging tussen computationele efficiëntie en compressiefidelity.

Voor MRI en Echografie: Agglomerative clustering wordt aanbevolen. Hoewel computationeel intensiever, maakt het vermogen om compactere, meer homogene clusters met een lage intra-cluster variabiliteit te vormen, het superieur voor het behoud van fijne diagnostische details tijdens adaptieve LoRMA-gebaseerde compressie.
Voor Borst X-rays: Mini-batch k-means wordt aanbevolen omdat het de beste balans biedt tussen clusteringkwaliteit en compactheid.
Algemene bevinding: Hoewel standaard k-means varianten vaak superieure Silhouette- en CH-scores opleveren, beperkt hun neiging tot het vormen van enkele clusters met een hoge variantie hun effectiviteit voor adaptieve compressietaken waarbij het behoud van lokale structurele details essentieel is. De studie concludeert dat het optimaliseren voor intra-cluster homogeniteit cruciaal is voor hoogwaardige medische beeldcompressie, een nuance die vaak gemist wordt wanneer men uitsluitend vertrouwt op standaard clustering-metrieken.