CN101395614A - 标识用于评估图像相似性的图像特征集 - Google Patents
标识用于评估图像相似性的图像特征集 Download PDFInfo
- Publication number
- CN101395614A CN101395614A CNA200780007694XA CN200780007694A CN101395614A CN 101395614 A CN101395614 A CN 101395614A CN A200780007694X A CNA200780007694X A CN A200780007694XA CN 200780007694 A CN200780007694 A CN 200780007694A CN 101395614 A CN101395614 A CN 101395614A
- Authority
- CN
- China
- Prior art keywords
- image
- subclass
- grading
- similarity
- test pattern
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
- G06F18/2111—Selection of the most significant subset of features by using evolutionary computational techniques, e.g. genetic algorithms
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Image Analysis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及一种基于训练图像集从图像特征池中标识用于评估图像相似性的图像特征集的方法(100)和系统(200)。所获得的图像特征集对于标识描绘相似对象的图像尤为有用。有利地,由于使用人为评级作为图像相似性的机器评级的参考,所标识的图像特征集在基于图像相似性的人为感知这一意义上是面向于人的。本发明还涉及一种使用图像特征集,基于参考图像相对于给定图像的相似性来从图像数据库中标识参考图像的方法和系统。
Description
技术领域
本发明涉及一种标识用于评估图像相似性的图像特征集的方法。
本发明还涉及一种标识用于评估图像相似性的图像特征集的系统。
本发明还涉及一种包括所述系统的图像获取装置。
本发明还涉及一种包括所述系统的工作站。
本发明还涉及一种包括指令的计算机程序产品,这些指令用于在计算机上运行所述程序产品时执行所述方法。
背景技术
在US 20040247166中描述了一种用于评估图像相似性的方法的实现。这一方法利用已知诊断从包括损伤图像的数据库中标识与在给定图像中存在的损伤相似的图像。然而,所述方法使用的图像特征是由例如放射人员的用户从诸如骨刺、形状、边缘锐度、纹理等多个预定损伤特征中选择的,或者是由该方法预先确定的。
Boroczky L、Zhao L和Lee K P在2005年6月的IEEE Symposium onComputer-based Medical Systems中的论文“Feature subset selection forimproving the performance of false positive reduction in Lung Nodule CAD”中描述了一种选择图像特征集的方法的实现,该论文在下文中称之为参考文献1。该论文公开了一种选择特征子集的方法,用于在将例如支持矢量机(SVM)的分类器用于肺结核计算机辅助检测时,通过减少检测出假肺结核的可能性来提高所述分类器的性能。该方法使用遗传算法从特征池中自动确定最优特征子集。然后,将所确定的最优特征子集用来训练SVM,以将所检测的结构分类为真结核或假结核。然而,这一方法不能用来选择用于标识以下图像的图像特征,这些图像描绘了诸如相似损伤、相似结核和/或相似血管等相似对象。在下文中,术语“图像”也可以解释为图像数据、图像数据集和根据图像数据呈现的图像。短语“描绘对象的图像”、“示出对象的图像”和类似短语也可以解释为“包括代表对象的数据的图像数据”、“包括代表对象的数据子集的图像数据集”、“在根据图像数据呈现的图像中描绘对象”。类似地,短语“在图像中存在的对象”和类似短语也可以解释为“在根据图像数据呈现的图像中描绘的对象”。
发明内容
本发明的目的在于提供一种标识图像特征集的改进方法,所述图像特征集用于标识描绘相似对象的图像。
本发明的这一目的是通过一种基于训练图像集从图像特征池中标识用于评估图像相似性的图像特征集的方法来实现的,该方法包括:
选择步骤,用于从图像特征池中选择图像特征子集;
获得步骤,用于获得测试图像;
计算步骤,用于使用图像特征子集,基于在来自训练图像集的至少一个图像与测试图像之间的相似性,来计算所述至少一个图像的机器评级;
接收步骤,用于基于在所述至少一个图像与测试图像之间的相似性来接收所述至少一个图像的用户评级;
评价步骤,用于基于所述至少一个图像的用户评级和机器评级来获得图像特征子集的评价;
修改步骤,用于基于评价来修改图像特征子集;以及
接受步骤,用于基于评价来接受图像特征子集作为图像特征集,由此标识图像特征集。
从图像特征池中选择用于图像特征集的图像特征,该图像特征池包括但不限于在来自训练图像集的训练图像中描绘的所关注对象的图像特征,例如对比度、亮度、球度、维度和/或其它特征。可选地,图像特征池包括患者特征,例如年龄、性别和体重。先从图像特征池中选择图像特征子集。图像特征可被随机选择或者可以由用户确定。也可能存在用于为图像特征子集选择图像特征的其它方案。为了确定所选图像特征子集对于评估图像相似性的有用性,在获得步骤中从训练图像集中选择测试图像。在计算步骤中,对于测试图像和来自训练图像集的至少一个图像,获得来自图像特征子集的特征的值。这些值用于基于所述至少一个图像相对于测试图像的相似性来计算所述至少一个图像的机器评级,也称为所述至少一个图像相对于测试图像的相似性的机器评级。所述至少一个图像相对于测试图像的相似性的机器评级基于例如在来自训练图像集的所述至少一个图像与测试图像之间的距离。使用来自图像特征子集的图像特征的值来计算该距离。然后,向例如放射人员的用户示出所述至少一个图像和测试图像。用户基于在测试图像与所述至少一个图像之间的相似性来给出所述至少一个图像的用户评级。用户评级可以例如是从1至10范围内的整数,其中1表示最高相似级,10表示最低相似级。然后,所述至少一个图像的用户评级和机器评级用于评价所选图像特征子集。该评价可以涉及例如计算在映射到用户评级范围中的所述至少一个图像的机器评级与所述至少一个图像的用户评级之间的绝对差值。该评价用于接受或者拒绝所选图像特征子集作为图像特征集。如果该评价指示拒绝所选图像特征子集,则使用例如遗传算法运算符(如变异和交叉)来修改所选图像特征子集。然后,如上所述,评价所修改的图像特征子集。如果该评价指示接受所选图像特征子集,则接受所述图像特征子集作为图像特征集,然后该方法终止。作为所标识的图像特征集而接受的图像特征子集可以用来利用已知诊断来标识图像数据库中与给定图像相似的图像。有利地,由于使用至少一个图像相对于测试图像的相似性的人为评级来作为所述至少一个图像相对于测试图像的相似性的机器评级的参考,所标识的图像特征集在基于图像相似性的人为感知这一意义上是面向于人的。
在根据本发明的方法的一种实现中,基于遗传算法修改图像特征子集。在参考文献1中描述了使用遗传算法来标识图像特征集。平均而言,使用遗传算法来标识图像特征集保证了标识图像特征集需要相对较少的修改步骤,由此使该方法更高效。
在根据本发明的方法的一种实现中,该方法还包括:标识步骤,用于使用图像特征集,基于参考图像相对于给定图像的相似性从图像数据库中标识参考图像。通常,该给定图像是未诊断图像,图像数据库包括诊断图像。可以在用于计算机辅助诊断的CAD系统中使用与给定图像相似的参考图像。
在根据本发明的方法的一种实现中,该方法还包括用于向用户呈现给定图像和参考图像的步骤。这为例如放射人员的用户提供了在视觉上比较给定图像与参考图像的机会,这可能非常有助于用户做出诊断。
本发明的另一目的是提供一种用于标识开头段落中描述的那种图像特征集的系统,所述图像特征集对于标识描绘相似对象的图像有用的。该目的是通过用于基于训练图像集从图像特征池中标识用于评估图像相似性的图像特征集的系统来实现的,该系统包括:
选择单元,用于从图像特征池中选择图像特征子集;
获得单元,用于获得测试图像;
计算单元,用于使用图像特征子集,基于在来自训练图像集的至少一个图像与测试图像之间的相似性,来计算所述至少一个图像的机器评级;
接收单元,用于基于在所述至少一个图像与测试图像之间的相似性来接收所述至少一个图像的用户评级;
评价单元,用于基于所述至少一个图像的用户评级和机器评级来获得图像特征子集的评价;
修改单元,用于基于评价来修改图像特征子集;以及
接受单元,用于基于评价来接受图像特征子集作为图像特征集,由此标识图像特征集。
本发明的另一目的是提供在开头段落中描述的那种图像获取装置,其对于标识描绘相似对象的图像是有用的。该目的是通过以下图像获取装置来实现的,该图像获取装置包括用于基于训练图像集从图像特征池中标识用于评估图像相似性的图像特征集的系统,该系统包括:
选择单元,用于从图像特征池中选择图像特征子集;
获得单元,用于获得测试图像;
计算单元,用于使用图像特征子集,基于在来自训练图像集的至少一个图像与测试图像之间的相似性,来计算所述至少一个图像的机器评级;
接收单元,用于基于在所述至少一个图像与测试图像之间的相似性来接收所述至少一个图像的用户评级;
评价单元,用于基于所述至少一个图像的用户评级和机器评级来获得图像特征子集的评价;
修改单元,用于基于评价来修改图像特征子集;以及
接受单元,用于基于评价来接受图像特征子集作为图像特征集,由此标识图像特征集。
本发明的另一目的是提供开头段落中描述的那种工作站,其对于标识描绘相似对象的图像是有用的。该目的是通过以下工作站来实现的,该工作站包括用于基于训练图像集从图像特征池中标识用于评估图像相似性的图像特征集的系统,该系统包括:
选择单元,用于从图像特征池中选择图像特征子集;
获得单元,用于获得测试图像;
计算单元,用于使用图像特征子集,基于在来自训练图像集的至少一个图像与测试图像之间的相似性,来计算所述至少一个图像的机器评级;
接收单元,用于基于在所述至少一个图像与测试图像之间的相似性来接收所述至少一个图像的用户评级;
评价单元,用于基于所述至少一个图像的用户评级和机器评级来获得图像特征子集的评价;
修改单元,用于基于评价来修改图像特征子集;以及
接受单元,用于基于评价来接受图像特征子集作为图像特征集,由此标识图像特征集。
本发明的另一目的是提供在开头段落中描述的那种计算机程序产品,当所述计算机程序产品在计算机上运行时,所述计算机程序产品能够标识图像特征集,该图像特征集对于标识描绘相似对象的图像是有用的。该目的是通过由计算机设备加载的计算机程序产品来实现的,该计算机程序产品包括用于基于训练图像集从图像特征池中标识用于评价图像相似性的图像特征集的指令,该计算机设备包括处理单元和存储器,该计算机程序产品在被加载之后向所述处理单元提供执行以下任务的能力:
从图像特征池中选择图像特征子集;
获得测试图像;
使用图像特征子集,基于在来自训练图像集的至少一个图像与测试图像之间的相似性,来计算所述至少一个图像的机器评级;
基于在所述至少一个图像与测试图像之间的相似性来接收所述至少一个图像的用户评级;
基于所述至少一个图像的用户评级和机器评级来获得图像特征子集的评价;
基于评价来修改图像特征子集;以及
基于评价来接受图像特征子集作为图像特征集,由此标识图像特征集。
本领域技术人员可以基于本说明书,实现与所述方法的改型及其变形对应的系统、图像获取装置、工作站和/或计算机程序产品的改型及其变形。
本发明的方法可以应用于当前可通过各种数据获取方式来例行生成的各种多维图像,这些数据获取方式例如但不限于磁共振成像(MRI)、计算断层扫描(CT)、超声(US)、正电子发射断层扫描(PET)、单光子发射计算断层扫描(SPECT)和核医疗(Nuclear Medicine)。
附图说明
通过下文描述的实现和实施例并且参照附图,本发明的这些和其它方面将变得清楚并可被阐明。
图1示出了方法的示例性实现的流程图;
图2示意性地示出了系统的示例性实施例;
图3示意性地示出了图像获取装置的示例性实施例;以及
图4示意性地示出了工作站的示例性实施例。
在附图中用相同标号表示相似部分。
具体实施方式
图1示出了从图像特征池中标识图像特征集的方法100的示例性实现的流程图。在开始步骤101之后,方法100继续选择步骤105,该步骤用于从图像特征池中选择图像特征子集以作为候选图像特征集。在选择步骤105之后,方法100继续用于获得测试图像的获得步骤110。然后,方法100继续计算步骤115,该步骤用于基于来自训练图像集的至少一个图像与测试图像之间的相似性,计算所述至少一个图像的机器评级。使用图像特征子集来计算所述至少一个图像与测试图像之间的相似性。在计算步骤115之后,方法100继续向用户呈现测试图像和所述至少一个图像的接收步骤120。方法100接收测试图像与所标识的至少一个图像之间的相似性的用户评级。然后,方法100继续评价步骤125,其中基于测试图像与所标识的至少一个图像之间的相似性的机器评级和用户评级来评价图像特征子集。如果该评价指示不能接受该图像特征子集作为图像特征集,则方法100继续修改图像特征子集的步骤130。在修改步骤130之后,方法100回到用于获得测试图像的获得步骤110并且继续处理所修改的图像特征子集。如果该评价指示可以接受该图像特征子集作为图像特征集,则方法100继续接受步骤135,其中接受该图像特征子集作为所标识的图像特征子集。然后,方法100继续终止步骤199。
对方法100的输入包括图像特征池和训练图像集。图像特征池可以包括图像中所包含的对象的图像特征,如对比度、亮度、球度和/或维度。可选地,图像特征池包括患者特征,如年龄和体重。在选择步骤105中,从图像特征池中选择图像特征子集。在选择步骤105中,该子集的图像特征可以由方法100选择或者由用户选择。可选地,可以预先定义初始图像特征子集。图像特征子集的大小被预先定义并且可以包括例如10个图像特征。可选地,图像特征子集的大小可以变化。
在该方法的一种实现中,训练图像集包括存储于数据库中的多个所诊断的2D x射线图像,各图像在与所描画的相似对象(如肺结核)的惯性矩阵的两个特征向量所确定的平面基本上相同的平面中描绘相似对象(如肺结核),其中第一特征向量对应于惯性矩阵的最小特征向量,第二特征向量对应于惯性矩阵的最大特征向量。图像特征池包括2D和3D图像特征。图像特征包括但不限于:所描画的结核的体积;在所描画的结核内部的灰度等级的最大值、最小值、均值和标准偏差;所描画的结核的惯性矩阵的特征向量比;以及所描画的结核的表面面积。另外,图像特征池包括患者特征,所述患者特征包括但不限于年龄、体重、血压和白血球数。
可选地,训练图像集可以包括例如由MRI获取装置获取的3D图像数据集。所述图像数据集可以包括代表诸如肺结核的对象的数据子集。在3D图像数据集的情况下,将描绘对象解释为包括代表该对象的数据子集,并且在根据包括代表该对象的数据子集的图像数据集所呈现的视图中描绘该对象。
在获得步骤110中,获得测试图像。通常,测试图像是由该方法从描绘所关注对象的训练图像集中随机选择的。存储训练图像的数据库也可以存储来自图像特征池的一些图像特征的值,诸如患者年龄、体重、诊断、在图像中描绘的肺结核的大小等。这些特征可以用于选择测试图像。可选地,可以从另一图像集中选择测试图像。
在计算步骤115中,对于来自训练图像集的至少一个图像和测试图像,获得来自选择步骤105中选择的图像特征子集的图像特征的值。如果在数据库中存储了来自图像特征子集的图像特征的值,则取回这些存储值。否则,计算来自图像特征子集的图像特征的值。通常,对于来自训练图像集的多个训练图像,获得来自图像特征子集的图像特征的值。所述多个训练图像常常包括来自训练图像集的所有图像。可选地,所述多个训练图像可以由该方法或者由用户确定。来自图像特征子集的图像特征的值被用来基于在测试图像与来自所述多个训练图像的相应图像之间的相似性,计算来自所述多个训练图像的图像的机器评级。来自所述多个训练图像的图像i的机器评级R(t,i)是在测试图像t与图像i之间基于图像特征子集中所包含的图像特征的Mahalanobis距离,其被定义为:
其中,p和q是来自选择步骤105中选择的图像特征子集P的图像特征,p(t)和q(t)是测试图像t的特征p和q的值,p(i)和q(i)是图像i的特征p和q的值,而(C-1)pq是协方差矩阵C的逆矩阵的矩阵元素。Mahalanobis距离在可从http://en.wikipedia.org/wiki/Mahalanobis distance获得的论文“Mahalanobisdistance”中有描述。协方差矩阵C的元素Cpq由图像特征p和q的值p(i)和q(i)定义为:
其中,n是所述多个训练图像中的图像数量,以及其中:
可选地,n可以是训练图像集中的图像数量。协方差矩阵在可从http://en.wiki pedia.org/wiki/Covariance matrix获得的论文“Covariance matrix”中有描述。
可选地,机器评级R(t,i)是在测试图像t与来自所述多个训练图像的图像i之间的Euclidean距离,其被定义为:
另一机器评级可以包括基于图像i的第一区域的直方图和测试图像t的第二区域的直方图的项。本领域技术人员将会理解存在许多适合于定义图像相似性和/或图像的机器评级的函数,并且在本说明书中使用的定义仅用于举例说明而并非限制权利要求的范围。
计算步骤115也可以涉及基于来自所述多个训练图像的图像的计算机器评级来标识至少一个图像。将具有指定机器评级的来自所述多个训练图像的多个图像标识为所述至少一个图像,其中来自所述多个训练图像的所述多个图像通常是与测试图像最相似的图像。图像的数量由该方法指定。可选地,图像的数量可以由用户指定。另一种可能情况是指定机器评级所要满足的条件。在后一情况下,将满足指定条件的来自所述多个训练图像的所有图像标识为所述至少一个图像。
在接收步骤120中向用户呈现所述至少一个图像和测试图像。用户对测试图像相对于所述至少一个图像的相似性进行评级。用户评级可以例如是从1至10的数字评级,其中,1表示最高相似等级,10表示最低相似等级,或者相反。可以存储用户评级和对测试图像的参考,以供将来使用。可选地,数据库可以包括测试图像相对于所标识的至少一个图像的相似性的先前获取的用户评级。在后一情况下,无需通过进行用户交互来接收所述至少一个图像的用户评级,而是从数据库取回所述至少一个图像的接收用户评级。
在评价步骤125中,基于测试图像相对于来自训练图像集的至少一个图像的相似性的用户评级和机器评级,评价选择步骤105中选择的图像特征子集。该评价可以涉及例如计算在映射到用户评级范围中的机器评级R(t,i)与用户评级U(t,i)之间的差值绝对值。差值绝对值|M(R(t,i))U(t,i)|是总和S的一项,其中M(R(t,i))表示由函数M映射到用户评级范围中的至少一个图像i的机器评级R(t,i)。总和S可以包括利用所计算的机器评级和所接收的用户评级为其它训练图像定义的相似项。如果该评价指示所选图像特征子集不可接受,即如果总和S大于阈值,则方法100继续修改步骤130。如果该评价指示所选图像特征子集可接受,则方法100继续接受步骤135并且终止。
在方法100的一个实施例中,当在图像特征子集修改了预定次数之后没有获得由总和S定义的图像特征子集的改进时,终止该方法。可选地,当对图像特征子集的修改评价了预定次数时,终止方法100。所有图像特征子集和这些子集的评价结果存储于日志文件中。在评价最后的图像特征子集之后,从日志文件取回最佳图像特征子集并且将它标识作为图像特征集。
本领域技术人员将理解也可以使用其它评价技术,并且所述技术是进行举例说明而并非限制本发明。
在修改步骤130中,通过从图像特征子集中去除一个或者多个特征和/或通过添加来自图像特征池的一个或者多个特征来修改所选图像特征子集。该修改可以基于任何适当算法。例如,该修改可以涉及随机替换先前评价的图像特征子集中的一个图像特征。如果所修改的图像特征子集优于先前评价的图像特征子集,例如如果所修改的图像特征子集的上述总和S的值小于先前评价的图像特征子集的总和,则接受修改并且接受所修改的图像特征子集作为先前评价的图像特征子集。在该方法的下一次重复中修改所述先前评价的图像特征子集并且评价所修改的图像特征子集。如果所修改的图像特征子集并不优于先前评价的图像特征子集,则拒绝所修改的图像特征子集,并且在该方法的下一次重复中再次修改和评价先前评价的图像特征子集。图像特征子集的大小可以固定或者可以在预定义范围内变化。在修改步骤130之后,该方法回到获得步骤110并且继续进行对所修改的图像特征子集的评价的下一次重复。如果该评价指示可以接受所修改的图像特征子集作为图像特征子集,则在接受步骤135中接受该图像特征子集作为图像特征集。
可选地,可以在评价步骤125中评价附加条件,例如图像特征子集的修改次数。如果修改次数超过预定的最大值,则可以在接受步骤135中接受当前最佳图像特征子集作为图像特征集,然后方法100可以终止。也可以应用其它条件
在本发明的方法100的一种实现中,基于遗传算法修改图像特征子集。在该方法中,从图像特征池中选择多个图像特征子集。如前所述,使用测试图像和来自训练图像集的至少一个图像来评价来自所述多个子集的各图像特征子集。在修改步骤中使用遗传算法来修改来自所述多个子集的子集。
在参考文献1中描述了用于修改图像特征子集的遗传算法的实现。这里,将来自图像特征池的图像特征子集称为染色体,而将图像特征称为基因。来自染色体组的各染色体包括预定数量的基因,例如10个基因。可选地,不同染色体可以包括不同数量的基因。使用染色体的机器评级和用户评级,例如使用上述总和S,来评价染色体。评价结果被称为染色体适合度值。标识出最有用的染色体,即具有较高适合度值的染色体,例如具有最低总和S的染色体。通过使用交叉和变异操作,比其它染色体更有用的染色体被修改的可能性更高,从而创建新染色体组。对来自新染色体组的各染色体进行评价。该修改-评价过程继续进行,直至满足接受染色体作为图像特征集的条件为止。所述算法的优点在于该算法允许标识和保留染色体中的有用基因,而标识和丢弃并不十分有用的基因。平均来讲,这保证了标识有用染色体,即特征集,需要相对较少的修改。
在根据本发明的方法100的一种实现中,方法100还包括标识步骤,该步骤用于使用图像特征集,基于来自图像数据库的参考图像相对于给定图像的相似性,来标识所述参考图像。通常,给定图像是未诊断图像,图像数据库包括诊断图像。对于给定图像和来自图像数据库的图像,获得来自图像特征集的图像特征的值。这些值用于基于在给定图像与来自图像数据库的图像之间的相似性,计算来自图像数据库的所述图像的机器评级。可以使用来自图像特征集的图像特征的值,将来自图像数据库的图像的机器评级定义为例如在给定图像与来自图像数据库的所述图像之间的Mahalanobis距离。来自图像数据库的图像的机器评级用于标识来自图像数据库的参考图像。例如,对机器评级进行检查,以确定这些机器评级是否满足条件。如果机器评级满足条件,则认为相应图像类似于给定图像,并且该方法将该相应图像标识为参考图像。
在根据本发明的方法100的一种实现中,方法100还包括用于向用户呈现给定图像和参考的呈现步骤。这为用户提供了在视觉上比较给定图像与参考图像的机会,由此能够帮助例如放射人员的用户来做出诊断。可选地,可以向用户呈现从给定图像和/或从所标识的参考图像导出的其它信息,例如在给定图像中描绘的肺结核呈恶性的可能性估计、对给定图像中所描画的肺结核进行描述的参数值、以及对在所标识的图像中所描绘的肺结核进行描述的参数值。参数可以是来自图像特征集的图像特征或者可以是其它预定义或用户选择的参数。可选地,为了具有有用参考,还可以向用户呈现满足某个标准的图像和/或图像特征,例如与良性肺结核和/或恶性肺结核对应的图像和/或图像特征。
在本发明的方法100的所述实现中的步骤顺序不是强制性的,在不脱离本发明主旨的情况下,本领域技术人员可以使用线程模型、多处理器系统或多进程来改变一些步骤的顺序或者并行执行一些步骤。可选地,本发明的方法100的两个或者多个步骤可以组合成一个步骤。可选地,本发明的方法100的步骤可以分成多个步骤。
图2示意性地示出了用于基于可由任一要求保护的方法所获得的图像特征集,从图像数据库中标识至少一个图像的系统200的示例性实施例,该系统包括:
选择单元205,用于从图像特征池中选择图像特征子集;
获得单元210,用于获得测试图像;
计算单元215,用于使用图像特征子集,基于在来自训练图像集的至少一个图像与测试图像之间的相似性,来计算所述至少一个图像的机器评级;
接收单元220,用于基于在所述至少一个图像与测试图像之间的相似性来接收所述至少一个图像的用户评级;
评价单元225,用于基于所述至少一个图像的用户评级和机器评级来获得图像特征子集的评价;
修改单元230,用于基于该评价来修改图像特征子集;
接受单元235,用于基于该评价来接受图像特征子集作为图像特征集;以及
用户接口265,用于与系统200通信。
在图2所示系统200的实施例中,存在用于传入数据的三个输入连接器281、282和283。第一输入连接器281被配置用于接收来自例如硬盘、磁带、闪存或者光盘的数据存储器的数据传入。第二输入连接器282被配置用于接收来自例如(但不限于)鼠标或触摸屏的用户输入设备的数据传入。第三输入连接器283被配置用于接收来自例如键盘的用户输入设备的数据传入。输入连接器281、282和283连接到输入控制单元280。
在图2所示系统200的实施例中,存在用于传出数据的两个输出连接器291和292。第一输出连接器291被配置用于将数据输出到例如硬盘、磁带、闪存或者光盘的数据存储器。第二输出连接器292被配置用于将数据输出到显示设备。输出连接器291和292经由输出控制单元290接收相应数据。
本领域技术人员将会理解存在许多方式来将输入设备连接到系统200的输入连接器281、282和283,以及将输出设备连接到系统200的输出连接器291和292。这些方式包括但不限于有线和无线连接、例如局域网(LAN)和广域网(WAN)的数字网络、互联网、数字电话网和模拟电话网。
在根据本发明的系统200的一个实施例中,系统200包括存储器单元270。系统200被配置用于经由输入连接器281、282和283中的任何一个从外部设备接收输入数据,以及在存储器单元270中存储所接收的输入数据。将数据加载到存储器单元270中允许系统200的单元对相关数据部分进行快速存取。输入数据可以包括图像特征池和训练图像集。存储器单元270可以由例如随机存取存储器(RAM)芯片、只读存储器(ROM)芯片和/或硬盘的设备实现。优选地,存储器单元270包括用于存储输入数据和/或输出数据的RAM。存储器单元270也被配置用于经由存储器总线275从系统200的单元接收数据以及将数据传递到这些单元,这些单元包括选择单元205、获得单元210、计算单元215、标识单元220、接收单元220、评价单元225、修改单元230、接受单元235和用户接口265。存储器单元270还被配置用于经由输出连接器291和292中的任何一个而使得所述数据对于外部设备是可用的。在存储器单元270中存储来自系统200的单元的数据显著地提高了系统200的单元性能以及从系统200的单元到外部设备的数据传送速率。可选地,系统200的一个单元可以实现为包括计算机可读代码和处理单元的一个存储器件。存储器件中所包含的计算机可读代码为处理单元提供了执行向所述单元分配的任务的能力。
可选地,系统200不包括存储器单元270和存储器总线275。系统200所使用的输入数据由连接到系统200的单元的至少一个外部设备提供,所述外部设备例如外部存储器或者处理器。类似地,将由系统200产生的输出数据提供给连接到系统200的单元的至少一个外部设备,例如外部存储器或者处理器。系统200的单元被配置用于经由内部连接或者经由数据总线彼此接收数据。
在根据本发明的系统200的另一实施例中,系统200包括用于与系统200通信的用户接口265。用户接口265可以包括用于向用户显示数据的显示单元和用于进行选择的选择单元。系统200与用户接口265的组合允许用户与系统200通信。用户接口265可以被配置用于显示测试图像和来自训练图像集的至少一个图像。可选地,用户接口可以包括系统200的多个操作模式,例如:自动模式,其中方法100的所有参数采用默认值和/或由该方法生成;以及交互模式,其中用户输入某些可选方法参数,例如图像特征集的大小、图像特征子集的最大修改次数。本领域技术人员将会理解可以在系统200的用户接口265中有利地实现更多功能。
可选地,该系统可以利用经由输入连接器282和/或283以及输出连接器292而连接到系统200的外部输入设备和/或外部显示器。本领域技术人员也将会理解存在可被有利地包含于本发明的系统200中的许多用户接口设备。
如图2中所示的系统200可以实现为计算机程序产品,并且可以存储于任何适当介质中,例如RAM、磁带、磁盘或者光盘。所述计算机程序可以加载到包括处理单元和存储器的计算机设备中。计算机程序产品在被加载之后向处理单元提供执行系统200的步骤的能力。
图3示意性地示出了利用了用于标识图像特征集的系统200的图像获取装置300的实施例,所述图像获取装置300包括经由内部连接与用于标识图像特征集的系统200连接的图像获取单元310、输入连接器301和输出连接器302。这种配置通过向所述图像获取装置300提供用于标识图像特征集的系统200的有利能力,有利地增加了图像获取装置300的能力,其中系统200的所述有利能力是对于标识描绘相似对象的图像有用的能力。图像获取装置的实例包括但不限于CT系统、X射线系统、MRI系统、US系统、PET系统、SPECT系统和核医疗系统。
图4示意性地示出了工作站400的实施例。工作站包括系统总线401。处理器、存储器420、盘片输入/输出(I/O)适配器430和用户接口(UI)440操作性地连接到系统总线401。盘片存储设备431操作性地耦合到盘片I/O适配器430。键盘441、鼠标442和显示器443操作性地耦合到UI440。实现为计算机程序的用于标识图像特征集的系统200被存储于盘片存储设备431中。工作站400被配置用于将程序和输入数据加载到存储器420中并且在处理器410上执行程序。用户可以使用键盘441和/或鼠标442将信息输入到工作站400。工作站被配置用于将信息输出到显示设备443和/或盘片431。本领域技术人员将会理解存在许多本领域已知的工作站400的其它实施例,并且本实施例用于举例说明本发明而不应将其视为限制本发明到该特定实施例。
应当注意上述实现和实施例举例说明本发明而非限制本发明,并且本领域技术人员将能够在不脱离所附权利要求的范围的情况下设计出替代实施例。在权利要求中,不应将置于括号之间的任何参考标号理解为限制权利要求。词语“包括”并不排除存在权利要求或说明书中未列举的单元或步骤。在单元之前的词语“一个”并不排除存在多个这样的单元。可以借助包括若干不同单元的硬件以及借助适当编程的计算机来实现本发明。在列出若干单元的系统权利要求中,这些单元中的一些单元可以由同一个硬件或者软件项实现。词语第一、第二和第三等的使用并不指示任何排序。应将这些词语解释为名称。
Claims (8)
1.一种基于训练图像集从图像特征池中标识用于评估图像相似性的图像特征集的方法(100),所述方法包括:
选择步骤(105),用于从所述图像特征池中选择图像特征子集;
获得步骤(110),用于获得测试图像;
计算步骤(115),用于使用所述图像特征子集,基于在来自所述训练图像集的至少一个图像与所述测试图像之间的相似性,来计算所述至少一个图像的机器评级;
接收步骤(120),用于基于在所述至少一个图像与所述测试图像之间的相似性来接收所述至少一个图像的用户评级;
评价步骤(125),用于基于所述至少一个图像的所述用户评级和所述机器评级来获得所述图像特征子集的评价;
修改步骤(130),用于基于所述评价来修改所述图像特征子集;以及
接受步骤(135),用于基于所述评价来接受所述图像特征子集作为所述图像特征集,由此标识所述图像特征集。
2.如权利要求1所述的方法(100),其中,基于遗传算法修改所述图像特征子集。
3.如权利要求1所述的方法(100),还包括:标识步骤,用于使用所述图像特征集,基于参考图像相对于给定图像的相似性,从图像数据库中标识所述参考图像。
4.如权利要求3所述的方法(100),还包括:呈现步骤,用于向用户呈现所述给定图像和所述参考图像。
5.一种基于训练图像集从图像特征池中标识用于评估图像相似性的图像特征集的系统(200),所述系统包括:
选择单元(205),用于从所述图像特征池中选择图像特征子集;
获得单元(210),用于获得测试图像;
计算单元(215),用于使用所述图像特征子集,基于在来自所述训练图像集的至少一个图像与所述测试图像之间的相似性,来计算所述至少一个图像的机器评级;
接收单元(220),用于基于在所述至少一个图像与所述测试图像之间的相似性来接收所述至少一个图像的用户评级;
评价单元(225),用于基于所述至少一个图像的所述用户评级和所述机器评级来获得所述图像特征子集的评价;
修改单元(230),用于基于所述评价来修改所述图像特征子集;以及
接受单元(235),用于基于所述评价来接受所述图像特征子集作为所述图像特征集,由此标识所述图像特征集。
6.一种用于获取相关图像数据的图像获取装置(300),包括至少一个如权利要求5所述的系统。
7.一种工作站(400),包括至少一个如权利要求5所述的系统。
8.一种由计算机设备加载的计算机程序产品,包括用于处理临时获取的图像数据的指令,所述计算机设备包括处理单元和存储器,所述计算机程序产品在被加载之后向所述处理单元提供实现以下任务的能力:
从所述图像特征池中选择图像特征子集;
获得测试图像;
使用所述图像特征子集,基于在来自所述训练图像集的至少一个图像与所述测试图像之间的相似性,来计算所述至少一个图像的机器评级;
基于在所述至少一个图像与所述测试图像之间的相似性来接收所述至少一个图像的用户评级;
基于所述至少一个图像的所述用户评级和所述机器评级来获得所述图像特征子集的评价;
基于所述评价来修改所述图像特征子集;以及
基于所述评价来接受所述图像特征子集作为所述图像特征集,由此标识所述图像特征集。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US77880706P | 2006-03-03 | 2006-03-03 | |
US60/778,807 | 2006-03-03 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101395614A true CN101395614A (zh) | 2009-03-25 |
Family
ID=38198450
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNA200780007694XA Pending CN101395614A (zh) | 2006-03-03 | 2007-02-27 | 标识用于评估图像相似性的图像特征集 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20090052768A1 (zh) |
EP (1) | EP1994493A1 (zh) |
JP (1) | JP2009528117A (zh) |
CN (1) | CN101395614A (zh) |
WO (1) | WO2007099495A1 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101902578A (zh) * | 2009-05-26 | 2010-12-01 | 三洋电机株式会社 | 图像再现装置及拍摄装置 |
CN107405082A (zh) * | 2015-03-19 | 2017-11-28 | 松下知识产权经营株式会社 | 图像显示装置、图像显示系统、图像显示方法以及程序 |
WO2018107371A1 (zh) * | 2016-12-13 | 2018-06-21 | 上海联影医疗科技有限公司 | 图像搜索系统及方法 |
CN111488891A (zh) * | 2019-01-25 | 2020-08-04 | 中国移动通信有限公司研究院 | 图像标识处理方法、装置、设备及计算机可读存储介质 |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7907755B1 (en) * | 2006-05-10 | 2011-03-15 | Aol Inc. | Detecting facial similarity based on human perception of facial similarity |
US9792414B2 (en) | 2007-12-20 | 2017-10-17 | Koninklijke Philips N.V. | Method and device for case-based decision support |
SE536299C2 (sv) * | 2011-06-08 | 2013-08-13 | Imtt Svenska Ab | Förfarande för att jämföra och identifiera likhetsgrad mellan bilder |
JP6225460B2 (ja) | 2013-04-08 | 2017-11-08 | オムロン株式会社 | 画像処理装置、画像処理方法、制御プログラムおよび記録媒体 |
US20160189234A1 (en) * | 2014-12-24 | 2016-06-30 | Facebook, Inc. | Selecting content items for presentation to a social networking system user based in part on content item appearance |
JP7300811B2 (ja) * | 2018-06-11 | 2023-06-30 | キヤノンメディカルシステムズ株式会社 | 医用情報処理装置、医用情報処理方法、およびプログラム |
EP3696821A1 (en) | 2019-02-14 | 2020-08-19 | Koninklijke Philips N.V. | Computer-implemented method for medical image processing |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3231810B2 (ja) * | 1990-08-28 | 2001-11-26 | アーチ・デベロップメント・コーポレーション | ニューラル・ネットワークを用いた鑑別診断支援方法 |
TW514513B (en) * | 1996-02-06 | 2002-12-21 | Deus Technologies Inc | Method for the detection of lung nodule in radiological images using digital image processing and artificial neural network |
US5615243A (en) * | 1996-03-12 | 1997-03-25 | University Of Pittsburgh | Identification of suspicious mass regions in mammograms |
US5999639A (en) * | 1997-09-04 | 1999-12-07 | Qualia Computing, Inc. | Method and system for automated detection of clustered microcalcifications from digital mammograms |
US6738499B1 (en) * | 1998-11-13 | 2004-05-18 | Arch Development Corporation | System for detection of malignancy in pulmonary nodules |
JP2002530133A (ja) * | 1998-11-13 | 2002-09-17 | アーチ・デベロップメント・コーポレーション | 肺結節中の悪性腫瘍検出用システム |
US6901156B2 (en) * | 2000-02-04 | 2005-05-31 | Arch Development Corporation | Method, system and computer readable medium for an intelligent search workstation for computer assisted interpretation of medical images |
US6470092B1 (en) * | 2000-11-21 | 2002-10-22 | Arch Development Corporation | Process, system and computer readable medium for pulmonary nodule detection using multiple-templates matching |
US20020165839A1 (en) * | 2001-03-14 | 2002-11-07 | Taylor Kevin M. | Segmentation and construction of segmentation classifiers |
US7912528B2 (en) * | 2003-06-25 | 2011-03-22 | Siemens Medical Solutions Usa, Inc. | Systems and methods for automated diagnosis and decision support for heart related diseases and conditions |
CA2535942A1 (en) * | 2003-08-21 | 2005-03-10 | Ischem Corporation | Automated methods and systems for vascular plaque detection and analysis |
EP1508872A1 (en) * | 2003-08-22 | 2005-02-23 | Semeion | An algorithm for recognising relationships between data of a database and a method for image pattern recognition based on the said algorithm |
JP2006000301A (ja) * | 2004-06-16 | 2006-01-05 | National Institute Of Advanced Industrial & Technology | 画像処理装置とこれを用いた手術支援システム |
JP2008507372A (ja) * | 2004-07-26 | 2008-03-13 | コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ | 自動化された疑わしいオブジェクト境界判定のためのシステム及び方法 |
JP2006034585A (ja) * | 2004-07-27 | 2006-02-09 | Fuji Photo Film Co Ltd | 画像表示装置、画像表示方法およびそのプログラム |
-
2007
- 2007-02-27 WO PCT/IB2007/050621 patent/WO2007099495A1/en active Application Filing
- 2007-02-27 JP JP2008556900A patent/JP2009528117A/ja active Pending
- 2007-02-27 US US12/281,421 patent/US20090052768A1/en not_active Abandoned
- 2007-02-27 CN CNA200780007694XA patent/CN101395614A/zh active Pending
- 2007-02-27 EP EP07705960A patent/EP1994493A1/en not_active Ceased
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101902578A (zh) * | 2009-05-26 | 2010-12-01 | 三洋电机株式会社 | 图像再现装置及拍摄装置 |
CN107405082A (zh) * | 2015-03-19 | 2017-11-28 | 松下知识产权经营株式会社 | 图像显示装置、图像显示系统、图像显示方法以及程序 |
CN107405082B (zh) * | 2015-03-19 | 2020-02-28 | 松下知识产权经营株式会社 | 图像显示装置、图像显示系统、图像显示方法以及程序 |
WO2018107371A1 (zh) * | 2016-12-13 | 2018-06-21 | 上海联影医疗科技有限公司 | 图像搜索系统及方法 |
CN111488891A (zh) * | 2019-01-25 | 2020-08-04 | 中国移动通信有限公司研究院 | 图像标识处理方法、装置、设备及计算机可读存储介质 |
CN111488891B (zh) * | 2019-01-25 | 2023-04-07 | 中国移动通信有限公司研究院 | 图像标识处理方法、装置、设备及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
JP2009528117A (ja) | 2009-08-06 |
US20090052768A1 (en) | 2009-02-26 |
EP1994493A1 (en) | 2008-11-26 |
WO2007099495A1 (en) | 2007-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101395614A (zh) | 标识用于评估图像相似性的图像特征集 | |
CN109966662B (zh) | 一种验证放射治疗剂量的系统 | |
JP5868231B2 (ja) | 医用画像診断支援装置、医用画像診断支援方法ならびにコンピュータプログラム | |
CN104573309B (zh) | 用于计算机辅助诊断的设备和方法 | |
US9014456B2 (en) | Computer aided diagnostic system incorporating appearance analysis for diagnosing malignant lung nodules | |
US8031917B2 (en) | System and method for smart display of CAD markers | |
Law et al. | Automated extraction of bronchus from 3D CT images of lung based on genetic algorithm and 3D region growing | |
CN110176012A (zh) | 图像中的目标分割方法、池化方法、装置及存储介质 | |
JP2009157527A (ja) | 医用画像処理装置、医用画像処理方法ならびにプログラム | |
US20080044068A1 (en) | Method, apparatus and computer program for displaying marks in an image data set | |
US8958616B2 (en) | Image processing device and image processing method | |
US20160335764A1 (en) | Diagnosis support apparatus, information processing method, and storage medium | |
CN109492547B (zh) | 一种结节识别方法、装置和存储介质 | |
US20100119137A1 (en) | Method and System for Anatomic Landmark Detection Using Constrained Marginal Space Learning and Geometric Inference | |
WO2008018029A1 (en) | Selection of datasets from 3d renderings for viewing | |
US20080075345A1 (en) | Method and System For Lymph Node Segmentation In Computed Tomography Images | |
US20130236078A1 (en) | X-ray imaging apparatus | |
EP3074949A2 (en) | Method and system for determining the prognosis of a patient suffering from pulmonary embolism | |
TR201815808T4 (tr) | İlerici model tabanlı uyarlama | |
Shadeed et al. | Deep learning model for thorax diseases detection | |
JP5955723B2 (ja) | 画像処理装置および画像処理方法、並びに、画像処理プログラム | |
CN101968851A (zh) | 基于字典学习上采样的医学影像处理方法 | |
CN101802877B (zh) | 路径近似绘制 | |
EP2279489B1 (en) | Mesh collision avoidance | |
JP2006130049A (ja) | 画像読影支援方法、およびシステム、ならびにプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Open date: 20090325 |