CN101065777A - 用于识别x光照片投影图的方法 - Google Patents
用于识别x光照片投影图的方法 Download PDFInfo
- Publication number
- CN101065777A CN101065777A CNA2005800401449A CN200580040144A CN101065777A CN 101065777 A CN101065777 A CN 101065777A CN A2005800401449 A CNA2005800401449 A CN A2005800401449A CN 200580040144 A CN200580040144 A CN 200580040144A CN 101065777 A CN101065777 A CN 101065777A
- Authority
- CN
- China
- Prior art keywords
- ray photograph
- image
- view
- perspective
- interesting areas
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000012549 training Methods 0.000 claims description 25
- 239000000284 extract Substances 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 5
- 238000000513 principal component analysis Methods 0.000 claims description 4
- 230000001915 proofreading effect Effects 0.000 claims 1
- 230000008569 process Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 10
- 238000007689 inspection Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 238000002203 pretreatment Methods 0.000 description 3
- 238000013519 translation Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000012141 concentrate Substances 0.000 description 2
- 238000012880 independent component analysis Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012956 testing procedure Methods 0.000 description 2
- 240000000736 Amomum maximum Species 0.000 description 1
- 240000004859 Gamochaeta purpurea Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000001513 elbow Anatomy 0.000 description 1
- 210000003414 extremity Anatomy 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 210000003127 knee Anatomy 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30008—Bone
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
一种用于识别X光照片投影图的方法包括步骤:校正被输入的X光照片的方位、在所述X光照片中定位感兴趣的区域、识别所述X光照片的投影图。
Description
技术领域
本发明总体上涉及用于处理X光照片的技术,并且特别涉及用于自动识别X光照片投影图的技术。
背景技术
识别X光照片投影图的重要性包括下列两个方面。首先,它有助于使得图像渲染(render)过程以及优化图像显示质量。根据计算机X光照片(CR)系统的工作流程,技术人员拍摄在检查中安排的X光照片,随后扫描每个CR暗盒,同时在与所述暗盒有关的投影图中手动键入。这个投影图信息以及当所述检查被安排时获得的身体局部(body part)信息决定所述X光照片的特性,并且直接影响图像渲染参数的选择。因此,成功识别X光照片的投影图有助于消除放射学家的输入的需要、使得图像渲染过程自动化以及加速工作流程。其次,投影图识别还有利于在图片存档和通信系统(PACS)中进行图像管理。例如,如果根据图像内容自动导出所述投影图信息,则它能够在图像标题中减少遗漏或错误信息的出现,并且使PACS中的医学图像管理系统更合理和有效。
然而,由于经常在变化的检查条件下拍摄X光照片,所以识别X光照片的投影图是一个复杂的问题。病人的姿势和大小可以是变量;因而是放射学家取决于病人情况的选择项。所有这些因素将导致来自相同检查条件的X光照片出现很大不同。人类希望使用高级语义学通过捕获图像信息、将它们分组成有意义的对象并且将它们与上下文信息进行比较(即,体格检查)来识别X光照片的投影图。然而,由于图像分析算法的限制,计算机以类似的方式完成所有这些分析过程是困难的。
已经采用了一些尝试来识别医学图像的投影图。例如,I.Kawshita等人的(″Development of Computerized Method for AutomatedClassification of Body Parts in Digital Radiographs(用于在数字X光照片中身体局部自动化分类的计算机化方法的进展)″,RSNA2002)提出了一种方法来分类六个身体局部。所述方法通过使用交叉相关值作为相似性测量来检查所给图像与一组预先确定的模板图像的相似性。然而,手动生成这些模板图像十分耗费时间,并且,特别地,这个过程主要由观测者决定,这可能将误差引入到所述分类中。Guld等人的(″Comparision of Global Features for Categorization of MedicalImages(对于医学图像的分类的整体体征的比较)″,SPIE medicalImaging 2004(SPIE医学图像2004))中揭示了一种评价一组从图像提取的用于分类的整体特征的方法。在这两种方法中,没有进行预处理来减少不相关的影响并且经常分散数据。例如,在曝光期间由于X射线瞄准仪的阻塞造成的未曝光区域可以导致图像周围明显的白边。申请人已经注意到,如果这些区域在预处理步骤中未被消除,并且因此在相似性测量中被使用,则分类结果可能被严重偏离。
最近的文献集中在自然景色图像分类。这些例子包括QBIC(W.Niblack等人,″The QBIC project:Querying images by contentusing color,texture,and shape(QBIC方案:通过使用颜色、纹理和形状的内容来查询图像)″,Proc.SPIE Storage and Retrieval forImage and Video Databases(摄影光学仪器工程师学会会刊,图像和视频数据库的存储和检索),1994年2月)、Photobook(A.Pentland等人,″Photobook:Content-based manipulation of image database(摄影:图像数据库的基于内容的处理)″,International Journal ofComputer Vision(计算机视觉国际期刊),1996年)、Virage(J.R.Bach等人,″The Virage images earch engine:An open framework for imagemanagement(Virage图像搜索引擎:一种用于图像管理的开放框架)″,Proc.SPIE Storage and Retrieval for image and VideoDatabse(摄影光学仪器工程师学会会刊,图像和视频数据库的存储和检索),1996年,2670卷,第76-79页)、Visualseek(R.Smith等人,″Visualseek:A fully automated content-based image query system(Visualseek:全自动基于内容的图像查询系统)″,Proc ACMMultimedia 96(ACM多媒体会刊96),1996年)、Netra(Ma等人“Netra:A toolbox for navigating large image database(Netra:用于操纵大型图像数据库的工具箱)”,Proc IEEE Int.Conf.On Image Proc.1997(IEEE国际组织会议会刊,关于图像会刊),1997年)、以及MAR(T.S.Huang等人,″Multimedia analysis and retrieval system(MARS)project(多媒体分析和检索系统(MARS)方案)”,Proc of 33rd AnnualClinic on Library Application of Data Processing Digital ImageAccess and Retrieval(第33届数据处理数字图像选取和检索的图书馆应用年会会刊),1996年)。这些系统遵循相同的计算范例,即,它将一幅图像视为一个完整的实体,并且借助于一组初级特征或属性,诸如颜色、纹理、形状和布局来表示它。典型地,这些特征属性共同构成了一个特征向量,并且图像分类以分组这些初级视觉特征向量为基础。在很多情况下,最有效的特征是颜色。然而,在X光照片中颜色信息是不可用的。因此,这些方法不直接适于X光照片投影图识别。
由于现有技术的局限性,所以需要一种自动识别X光照片的投影图的方法。这种方法应该足够健壮以便处理X光照片中的大量变化。
发明内容
本发明的目的是提供一种识别X光照片的投影图的自动方法。
根据本发明,通过下列步骤达到这个目的:校正X光照片的方位、从所述X光照片提取感兴趣的区域、以及识别X光照片的投影图。另外,可以完成输入的X光照片的预处理。
预处理输入的X光照片包括子采样原始图像,将图像分割成前景、背景和人体,并且根据人体的特征归一化图像的强度(intensity)。
校正X光照片的方位包括检测X光照片的方位,从而对X光照片重定方位。
从X光照片提取感兴趣的区域包括检测人体的中轴,确定感兴趣区域的中心、大小和形状,并且在X光照片中定位感兴趣的区域。
通过关于全部可能的视图对X光照片进行分类并且组合分类结果确定X光照片的最可能的投影图来完成识别X光照片的投影图。
本发明提供了一些优点。例如,所述方法的特性促进了健壮性。X光照片的预处理帮助避免了来自瞄准区域和其它噪音的干扰。另外,用于方位分类的特性对于大小、平移和旋转是不变量。所述方法的特性还提高了效率。例如,所述过程可以在子采样粗分辨图像上被实现,这大大提高了所述识别过程的速度。
附图说明
如附图中所示,根据本发明实施方案的下列更特别的描述,本发明的上述和其它目的、特性、优点将显而易见。附图中的元件不必互相成比例。
图1A、1B和1C显示了表示用于识别X光照片投影图的自动方法的流程图。
图2是一个表示所述预处理步骤的流程图。
图3A-3E表示显示预处理步骤结果的示意图。图3A显示X光照片的原始图。图3B-3D分别描述了来自分割的相应的前景、背景和人体图像。图3E显示强调所述人体的被归一化的图像。
图4A-4C显示了表示人体的中轴检测的示意图。图4A显示原始图。图4B是根据人体图像计算的欧几里得距离图。图4C显示了从人体图像被检测的中轴。
图5A-5B显示了表示感兴趣的区域(ROI)形状的示意图。图5A描述了从颈椎X光照片提取的感兴趣的区域。图5B显示了手X光照片中发现感兴趣的区域。白点代表ROI的中心。
图6显示了表示关于全部可能的视图的X光照片的分类的流程图。
发明详述
下面是本发明的优选实施方案的详细说明,参考的附图中相同的参考编号标识每一幅图中相同的结构单元。
本发明揭示了一种自动识别X光照片投影图的方法。图1A中显示了根据本发明的一种方法的流程图。如图1A中所示,所述方法包括三个阶段:校正X光照片的方位(步骤11);从输入的X光照片提取感兴趣的区域(ROI)(步骤12);以及识别X光照片的投影图(步骤13)。
在本发明的另一个实施方案中,如图1B的流程图中所示,一个额外的步骤可以优先于图像方位校正被应用。这个额外的步骤(步骤14)是X光照片的预处理,下面将更具体地描述。
仍然在本发明的另一个实施方案中,如图1C的流程图中所示,识别X光照片投影图的步骤(即步骤13)可以包括两个步骤:1)使用一组特征和预先训练分类器来分类X光照片,每个分类器被训练识别一个投影图(步骤15);2)通过组合所述分类结果来确定X光照片的投影图(步骤16)。
现在参考图2,它显示了表示预处理X光照片的步骤14的流程图。预处理的目的包括三方面:(1)在不降低所述识别性能的情况下,最小化需要被处理的象素;(2)减少来自瞄准区域(前景)和直接曝光区域(背景)的干扰,这样通过在诊断上有用的图像数据部分(人体)来驱动所述方位识别;(3)生成一致的强度和对比度图像用于后面的处理。
仍然参考图2,预处理X光照片的方法步骤从将原始图像子采样成小尺寸粗分辨图像开始(步骤20)。被子采样的图像随后被分割成前景、背景和人体区域(步骤21)。稍后,前景和背景区域从所述图像中被删除(步骤22),只保留人体区域做进一步处理。最后,结果图像根据所述人体区域的强度范围被归一化(步骤23)。
通过用于减小图像尺寸同时保留用于方位识别的足够信息的已知方法可以执行子采样原始图像(步骤20)。在本发明的一个实施方案中,一种Guassian金字塔数据结构被用于生成子采样图像。
通过使用本领域技术人员已知的方法可以完成图像分割(步骤21)。一种这样的分割方法是从图像柱状图发现两个阈值,随后将所述图像分割成前景、背景和人体区域。图3A显示了一个典型的X光照片,图3B-3D显示了从分割获得的它的前景、背景和人体图像。
一旦图像被分割,所述前景和背景区域就从所述子采样图像被删除(步骤22)。可以通过将这些区域中的象素设置到预定值,同时在剩余的人体区域中的象素保持不变来完成这个步骤。作为这个步骤的结果,被预处理的图像包括诊断上有用的图像数据部分,因此可以最小化来自瞄准区域的干扰,并且人体区域的强度范围可以被精确地检测。
根据本发明,为了补偿由于病人变化和检查条件造成的曝光密度的差别,图像强度归一化(步骤23)在所述图像上被执行。一种完成归一化的技术是从图像柱状图检测最小和最大的亮度值,根据人体区域中的象素优选地计算,随后应用线性或对数转换功能将图像强度调整到预定的范围。还可以在图像上执行柱状图均衡化来展开(spread out)图像柱状图中的那些峰值,这样在图像中低对比度区域中的更多细节可以被更好地显示。图3E显示了一个使用这种方法进行强度归一化后的结果图像。可替代地,诸如在1997年颁布的Lee等人的题为“AUTOMATIC TONESCALE ADJUSTMENT USING IMAGE AVTIVITY MEAURES(使用图像活动度测量自动色阶调整)”的美国专利No.5,633,511中揭示的色阶方法的其它已知的技术可以被用于提供归一化。应该注意,本发明并不限于使用上述方法归一化所述图像。类似性质的已知算法可以被用于达到X光照片的一致的强度和对比度。
X光照片的方位校正(步骤11)包括检测X光照片的方位并且将它重定方位到放射学家建议的位置。使用本领域的技术人员已知的方法可以所述完成方位检测。在2004年11月19日提交的Luo等人的题为″DETECTION AND CORRECTION METHOD FOR RADIOGRAPH ORIENTATION(X光照片方位的检测和校正方法)″的共同转让的美国序号10/993,055中揭示了一种合适的方法,该申请被转让给本申请的受让人,并且在此合并作为参考。
由于检查条件,来自同一个检查的人体的大小和位置以及方位是变化的。另外,在X光照片中显示的人体部分也根据病人的情况和瞄准叶片的设置而改变。这些因素可以造成不同的X光照片外观,这向方位识别提出了挑战。
为了解决这些问题,一个感兴趣的区域(ROI)被从X光照片中提取。ROI用于在从图像数据中捕获诊断上有用的部分,并且最小化由上述因素造成的分散和干扰。凭借ROI的帮助,投影图识别可以集中在诊断上重要的区域。为此目的,ROI提取方法(步骤12)包括两个步骤:检测X光照片中人体的中轴,从而定位ROI。
根据本发明,所述中轴被用于描述X光照片中的人体。因为提供了X光照片中人体的位置和方位的简单说明,并且大大限制了搜索复杂性和加速了处理过程,所以使用中轴是有吸引力的。
在本发明的一个优选实施方案中,通过使用欧几里得距离图可以检测所述中轴。如图4B中所示,在执行期间,人体的轮廓被检测并且被用于为图4A中所示的图像计算欧几里得距离图。随后最大隆起线(ridge)被检测并且被用作所述中轴。图4C描述了一种合成的中轴。这种方法特别适合于四肢的X光照片,诸如肘、膝和腕,尽管形状复杂,但是趋向于具有轮廓分明的中轴。
在本发明的另一个实施方案中,通过通用换算平均分析(Morse等人的″Multiscale Medial Analysis of Medical Images(医学图像的通用换算平均分析)″,Image and Vision Computing(图像和视觉计算),1994年第12卷,第6期)可以检测中轴。使用MMA的一个优点是,它直接关于图像强度工作,并且不需要图像的预先分割或者明确目标的边界。
ROI提取从搜索ROI中心开始,随后根据人体的特征来确定ROI的大小和形状。
根据本发明,ROI中心取决于检查中人体的特征。例如,如图5A中所示,在颈椎检查的X光照片中,ROI的中心被定位在颈部中心。如图5B中所示,对于手的X光照片,手掌的中心可以被用作ROI的中心。
ROI的大小与X光照片中人体的大小有关,这可以借助于中轴来从所述人体图像中得到。根据本发明,ROI的大小与人体的边缘到中轴的最小距离成比例。
关于ROI的形状,在本发明中两种类型的形状被优选地使用。一种是长方形,另一种是与中轴对准的适合的形状。使用一个适合的形状,中轴提供了X光照片中人体的位置和方位信息,这样沿着中轴调整ROI的形状能够帮助减少平移和旋转造成的影响并且确保ROI平移-旋转-恒定,进而确保整个投影图识别方法的健壮性。
图5A和5B显示了从不同的人体目标的X光照片中提取的RO I的不同形状的例子。在图5A中,颈椎的中轴几乎是直的,因此ROI的形状是长方形。对于诸如手的其它一些人体,中轴不总是直的。因此,如图5B中所示,ROI的形状可以表现为围绕中轴的扭曲或倾斜的条。ROI形状的选择很大程度上取决于它如何影响所述识别的性能。如果一个简单的长方形可以满足需要,则它将被采用;否则将考虑更复杂的合适的形状。
为了计算特征用于投影图识别,ROI被进一步分成N*N个块并且一组初级视觉特征被根据子块计算。子块的数量根据经验被确定来平衡计算复杂性和识别性能之间的交替使用。根据本发明,可能的初级特征可以是从子块提取的灰度平均值、方差、边缘信息、纹理和其它图像特征。
已经完成了所述特征提取,所获得的初级视觉特征需要在训练例子的整个集合上被归一化,以便调节在所述特征提取期间的比例尺的差别。一个特征向量x的成比例(scaled)的第i个特征分量xi被计算为:
xi=xi-mini/maxi-mini
其中,mini和maxi代表在所述训练例子上x的第i个特征分量xi的范围。
现在参考图6,其中,通过一组预先训练的分类器来完成投影图的分类。每个分类器被训练将一个投影图从全部其它的投影图中分类出,并且它的输出表示所输入的X光照片与这个投影图的匹配程度。分类器的数量等于一个检查可能具有的投影图的总数。例如,胸部X光照片通常具有四个投影图,前后视图(AP)、后前视图(PA)、侧视图(LAT)和斜视图(OBL)。因此,需要四个分类器来分类胸部X光照片。
根据本发明的一个实施方案,提供了一种建立这种分类器的方法。所述方法由训练步骤和测试步骤组成。
在训练步骤期间,根据已知的目标投影图信息首先获得训练图像的集合。接下来,规定正确或错误的投影图的一组从各训练图像提取的特征和它们相关的目标输出被用于训练一个分类器。所述分类器可以是现有的技术中已知的任何方法,诸如神经网络和支持向量机。如果最初的特征对于分类是无效的,则可以增加一个可选择的步骤,它根据最初的特征计算一种适当的转换。增加这个步骤的好处是进一步研究训练特征的特性并且导出最具识别性的特征用于分类。这种转换的例子包括通过主分量分析(PCA)或独立成分分析(ICA)的归一化、特征提取,或者一种非线性转换来建立次要的特征。关于分类器和特征提取的更多的信息见Duda、Hart、和Stort的Pattern Classification(图案分类),John Wiley & Sons,纽约,2001年。
因此,可以通过下列步骤获得一组预先被训练的分类器:用已知的投影图信息收集预先被确定的多个训练图像;为每个训练图像定位感兴趣的区域;根据每个训练图像的感兴趣的区域计算一组特征;联合一个规定每个训练图像已知的投影图的目标输出;基于全部训练图像使用主分量分析为每个训练图像计算一个转换的特征组;以及利用所述转换的特征组和目标输出来训练分类器。
一旦所述分类器被训练,一个测试步骤就在新的图像上被执行来估计分类性能。如果所述性能不能满足预置的要求,则所述分类器可能有被所述训练数据偏差或者过度拟合(overfit)。当这种情况发生时,所述分类器可以被重新训练直到它根据训练和测试数据最好地工作。
再次参考图6,上面描述的特征从新的X光照片图像的ROI中被提取(步骤61)。一旦从用于分类各种投影图的预先被训练的分类器组获得结果(例如,AP,LAT以及其它,步骤62,63,64),则最后的步骤是通过组合所述分类器的输出来确定所输入的X光照片最可能的投影图(步骤65,在图6中为新的步骤)。在本发明的一个优选实施方案中,贝叶斯决定规则被用于组合来自分类器的结果并且推断X光照片的投影图作为具有最大可信度的投影图。
本发明可以在例如一个计算机程序产品中被实现。一种计算机程序产品可以包括一个或多个存储介质,例如,诸如磁盘的磁存储介质(诸如软盘)或磁带;诸如光盘、光带、或机器可读取的条形码的光存储介质;诸如随机存储器(RAM)、或只读存储器(ROM)的固态电子存储设备;或者任何其它的物理设备或被用于存储具有控制一个或多个计算机来实践根据本发明的方法的指令的计算机程序的介质。
本发明的系统可以包括一台具有微处理器、计算机存储器、和被存储在所述计算机存储器中用于执行所述方法的步骤的计算机程序的可编程的计算机。所述计算机具有一个可操作地被连接到所述微处理器的存储器接口。这可以是一个诸如USB端口的端口,通过一个驱动器接受移动式存储器,或者允许接入照相机存储器的其它设备。所述系统包括一个具有与所述存储器接口兼容的存储器的数字照相机。如果要求,则可以用照相软片照相机和扫描仪来代替数字照相机。可以提供诸如鼠标和键盘的图形用户接口(GUI)和用户输入单元作为计算机的一部分。
已经特别参考现在的优选实施方案详细描述了本发明,但是,应当理解,在本发明的精神和范围内可以进行变化和修改。
Claims (8)
1.一种用于识别X光照片投影图的方法,包括步骤:
选取一个被输入的X光照片;
校正所述X光照片的方位;
从所述X光照片中提取感兴趣的区域;以及
识别所述X光照片的投影图。
2.如权利要求1中所述的方法,其中,提取感兴趣的区域的步骤通过下列步骤被完成:
检测一个中轴;
定位感兴趣的区域的中心;
确定感兴趣的区域的大小和形状;以及
提取所述感兴趣的区域。
3.如权利要求2中所述的方法,其中,中轴被检测的步骤使用欧几里得距离图或者通用换算平均分析。
4.如权利要求1中所述的方法,其中,识别所述X光照片的投影图的步骤通过下列步骤被完成:
使用一组相应于全部可能的投影图的被预先训练的分类器来分类所述X光照片;以及
根据所述分类结果确定所述X光照片的投影图为具有最高可信度的投影图。
5.如权利要求4中所述的方法,其中,分类所述X光照片的步骤包括步骤:
从所述感兴趣的区域中提取一组特征;以及
通过一组预先被训练的分类器分类所述X光照片。
6.如权利要求5中所述的方法,其中,一组预先被训练的分类器通过下列步骤被获得:
利用已知的投影图信息来收集预定数量的训练图像;
为每个训练图像定位一个感兴趣的区域;
从每个训练图像的感兴趣的区域计算一组特征;
联合一个规定每个训练图像的已知投影图的目标输出;
基于全部训练图像使用主分量分析为每个训练图像计算被转换的特征组;以及
利用所述被转换的特征组和目标输出来训练一个分类器。
7.如权利要求1中所述的方法,还包括步骤,在校正所述方位之前,预处理被输入的X光照片。
8.如权利要求7中所述的方法,其中,预处理所述X光照片的步骤包括步骤:
子采样所述X光照片;
将所述X光照片分割成前景区域、背景区域以及人体区域;
从所述X光照片中消除所述前景和背景区域以便生成人体图像;以及
根据所述人体区域的特征来归一化所述人体图像。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US63028704P | 2004-11-23 | 2004-11-23 | |
US60/630,287 | 2004-11-23 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101065777A true CN101065777A (zh) | 2007-10-31 |
Family
ID=35987029
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNA2005800401449A Pending CN101065777A (zh) | 2004-11-23 | 2005-11-21 | 用于识别x光照片投影图的方法 |
Country Status (4)
Country | Link |
---|---|
EP (1) | EP1815433A1 (zh) |
JP (1) | JP2008520396A (zh) |
CN (1) | CN101065777A (zh) |
WO (1) | WO2006058176A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113129343A (zh) * | 2020-01-14 | 2021-07-16 | 通用电气精准医疗有限责任公司 | 用于x射线成像中的解剖结构/视图分类的方法和系统 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10339464B2 (en) | 2012-06-21 | 2019-07-02 | Philip Morris Products S.A. | Systems and methods for generating biomarker signatures with integrated bias correction and class prediction |
WO2017009812A1 (en) * | 2015-07-15 | 2017-01-19 | Oxford University Innovation Limited | System and method for structures detection and multi-class image categorization in medical imaging |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5862249A (en) * | 1995-12-01 | 1999-01-19 | Eastman Kodak Company | Automated method and system for determination of positional orientation of digital radiographic images |
US6055326A (en) * | 1997-06-16 | 2000-04-25 | Lockheed Martin Management | Method for orienting electronic medical images |
-
2005
- 2005-11-21 EP EP05825471A patent/EP1815433A1/en not_active Withdrawn
- 2005-11-21 WO PCT/US2005/042649 patent/WO2006058176A1/en active Application Filing
- 2005-11-21 JP JP2007543501A patent/JP2008520396A/ja active Pending
- 2005-11-21 CN CNA2005800401449A patent/CN101065777A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113129343A (zh) * | 2020-01-14 | 2021-07-16 | 通用电气精准医疗有限责任公司 | 用于x射线成像中的解剖结构/视图分类的方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
WO2006058176A1 (en) | 2006-06-01 |
EP1815433A1 (en) | 2007-08-08 |
JP2008520396A (ja) | 2008-06-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7574028B2 (en) | Method for recognizing projection views of radiographs | |
JP7458328B2 (ja) | マルチ分解能登録を介したマルチサンプル全体スライド画像処理 | |
US7627154B2 (en) | Automated radiograph classification using anatomy information | |
JP5050075B2 (ja) | 画像判別方法 | |
US8073189B2 (en) | Methods and systems for selecting an image application based on image content | |
CN101061511A (zh) | X射线照片方向的检测和校正方法 | |
US20030099395A1 (en) | Automatic image orientation detection based on classification of low-level image features | |
JP2009225443A (ja) | フォトガイドの自動生成 | |
CN111444795A (zh) | 票据数据识别方法、电子设备、存储介质及装置 | |
US20060110035A1 (en) | Method for classifying radiographs | |
Rath et al. | Indexing for a digital library of George Washington’s manuscripts: a study of word matching techniques | |
US7684594B2 (en) | Method and apparatus for estimating object part location in digital image data using feature value analysis | |
CN115203408A (zh) | 一种多模态试验数据智能标注方法 | |
CN101065777A (zh) | 用于识别x光照片投影图的方法 | |
Thies et al. | Content-based queries on the casimage database within the IRMA Framework: A field report | |
US20240144711A1 (en) | Reliable determination of field values in documents with removal of static field elements | |
EP4226317B1 (en) | Method of augmenting the number of labeled images for training a neural network | |
Mane et al. | An Interactive Approach for Retrieval of Semantically Significant Images. | |
Güld et al. | Combining Global features for Content-based Retrieval of Medical Images. | |
CN113516020B (zh) | 一种与年龄变化相关的身份核验方法及系统 | |
CN118135172A (zh) | 一种血涂片显微图像拼接方法 | |
CN118135451A (zh) | 文物特征标记方法、装置、设备及存储介质 | |
Cholleti | Learning from images by integrating different perspectives | |
Güld et al. | Combining Global Features within a Nearest Neighbor Classifier for Content-based Retrieval of Medical Images. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
ASS | Succession or assignment of patent right |
Owner name: CARLSTRIM HEALTH CO., LTD. Free format text: FORMER OWNER: EASTMAN KODAK CO. Effective date: 20071221 |
|
C41 | Transfer of patent application or patent right or utility model | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20071221 Address after: American New York Applicant after: Eastman Kodak Co. Address before: American New York Applicant before: Eastman Kodak Co. |
|
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Open date: 20071031 |