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：
✉️ zjuvis@cad.zju.edu.cn