论文报告：Blood Flow Clustering and Applications in Virtual Stenting of Intracranial Aneurysms
论文：Blood Flow Clustering and Applications in Virtual Stenting of Intracranial Aneurysms
作者：Steffen Oeltze, Dirk J. Lehmann, Alexander Kuhn, Gabor Janiga, Holger Theisel, and Bernhard Preim
发表会议：VIS 2014
本文试图使用聚类的方法和其可视化展示，用于分析基于病人个体数据的血液流CFD(computational fluid dynamics)模拟数据，以判定颅内肿瘤虚拟支架的效果。为了寻找最合适的聚类方法，本文定量分析了三种在流线型数据中常用的聚类方法和其变种。此外，本文还介绍了多种基于聚类的流概述可视化方法。最后，对这些方法进行了专家评估。
源数据是一系列流线。流线除几何特征（位置、走向）外，还包含医学属性，如血液流速等。
为了减少视觉混乱，获取其中包含的模式，需要对复杂的流线进行聚类。
聚类使用的相似度度量如下：
这样的度量方式更多的考虑线的走向而非长度，同时可以较好地处理异常值。
常见的流线聚类方法有k-means、AHC(agglomerative hierarchical clustering)和SC(spectral clustering)，他们的特性如下表：
随后，通过定义一系列内在有效性度量，对不同的聚类方法进行定量分析：
最终选择SC或使用complete link/ward’s method的AHC算法，其结果更加准确有效。
聚类的表达方法分为如下几种：
•基于嵌入（embedding）
•基于距离
•基于密度
•基于属性
最终选择综合考虑几种方案，用户可以设置不同参考的权重。
专家的反馈结果与之前的分析结果类似，说明这样的表达方式是合适的。
一些聚类可视化结果：
