CN101496062A - 将多个二值聚类图组合成单一聚类图的方法 - Google Patents

将多个二值聚类图组合成单一聚类图的方法 Download PDF

Info

Publication number
CN101496062A
CN101496062A CNA2007800285409A CN200780028540A CN101496062A CN 101496062 A CN101496062 A CN 101496062A CN A2007800285409 A CNA2007800285409 A CN A2007800285409A CN 200780028540 A CN200780028540 A CN 200780028540A CN 101496062 A CN101496062 A CN 101496062A
Authority
CN
China
Prior art keywords
cluster map
reliability
binary
reliability factor
map
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
Application number
CNA2007800285409A
Other languages
English (en)
Inventor
M·C·文格勒
T·保卢斯
A·菲舍尔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Koninklijke Philips NV
Original Assignee
Koninklijke Philips Electronics NV
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Koninklijke Philips Electronics NV filed Critical Koninklijke Philips Electronics NV
Publication of CN101496062A publication Critical patent/CN101496062A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G06F18/256—Fusion techniques of classification results, e.g. of results related to same input data of results relating to different input data, e.g. multimodal recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/40—Software arrangements specially adapted for pattern recognition, e.g. user interfaces or toolboxes therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/809—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of classification results, e.g. where the classifiers operate on the same input data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/809—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of classification results, e.g. where the classifiers operate on the same input data
    • G06V10/811—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of classification results, e.g. where the classifiers operate on the same input data the classifiers operating on different input data, e.g. multi-modal recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/94—Hardware or software architectures specially adapted for image or video understanding
    • G06V10/945—User interactive design; Environments; Toolboxes
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Probability & Statistics with Applications (AREA)
  • Human Computer Interaction (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Processing Or Creating Images (AREA)
  • Image Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及用于将多个二值聚类图组合成单一聚类图的方法；其中每个相应二值聚类图表示特征信息，并且该单一聚类图表示特征信息的总和。最初，每个相应二值聚类图被分配有用于指示该二值聚类图的可靠性的可靠性因子。然后，这些因子值被用来确定一个包括了多个可靠性因子元素的可靠性向量，其中每个相应可靠性因子元素与该单一聚类图中的某个聚类图区域相关联并且指示了该聚类图区域的可靠性。以这种方式，可以查看到该单一聚类图的可靠性。

Description

将多个二值聚类图组合成单一聚类图的方法
技术领域
本发明涉及用于将多个二值聚类图(binary cluster map)组合成单一聚类图的方法和设备，其中每个相应二值聚类图表示特征信息并且该单一聚类图表示所述特征信息的组合。
背景技术
各种医学成像系统使得能够直接或通过对测量到的数据进行适当分析(如药物动力学建模(pharmacokinetic modelling)，参考欧洲专利申请号EP04102015.7“Data processing system for compartmental analysis”)来测量生物功能参数。为了临床应用，所得到的功能图像通常被进一步处理以获得聚类图，参考L.Xing等人的“Inverse planning for functional image-guidedintensity modulated radiation therapy”，Phys.Med.Biol.47，3567，2002。通过聚类操作，原始参数图的准连续(quasi-continuous)级别被减少，从而实现了更清晰的显示。通常以仅产生两个级别(例如，两种组织状态：正常组织和病变组织)的方式进行聚类操作。这样的功能二级聚类图(二值图)使得能够很容易地区分两种类型的组织，并且所述二值图通常被用于诸如放射治疗计划(RTP)这样的应用，参考L.Xing等人的“Inverse planning for functionalimage-guided intensity modulated radiation therapy”，Phys.Med.Biol.47，3567，2002。
可以通过不止一种测量或分析方法获得某些生物学上的重要参数。一个示例就是缺氧症相关参数，该参数可以通过磁共振血氧水平依赖(Magnetic Resonance Blood Oxygen Level Dependent，MR-BOLD)测量法来进行测量，该参数也可通过对适当的正电子发射断层显像(PositronEmission Tomography，PET)图像进行药物动力学分析来进行测量，或通过磁共振化学交换依赖饱和转移(Magnetic Resonance Chemical ExchangeDependent Saturation Transfer，MR-CEST)测量法来进行测量。所得到的功能图通常彼此不同，二值聚类图也会彼此不同。这意味着某些二值聚类图包含着高度相关的信息，而其他一些聚类图则可能包含较少相关的信息。因此，为了从二值图中获得尽可能好的信息，必须很仔细地选择所使用的测量或分析方法。
需要这样一种方法，其能够从多个聚类图中收集信息以形成单一聚类图，并且所述方法还允许医师能够评估该单一聚类图的置信水平。
发明内容
本发明的目的是提供一种用于将来自表示特征信息的多个二值聚类图的信息组合成单一二值聚类图的方法和设备，使得医师能以一种非常用户友好的方式并且更精确地评估该单一聚类图的置信水平。
根据一个方面，本发明涉及一种用于将多个二值聚类图组合成单一聚类图的方法，其中每个相应二值聚类图包括特征信息并且该单一聚类图表示所述特征信息的组合，该方法包括：
为每个相应二值聚类图分配用于指示每个相应二值聚类图的可靠性的可靠性因子，
利用可靠性因子作为预定义组合规则的输入参数，所述预定义组合规则用于为单一聚类图确定可靠性向量(reliability vector)，其中可靠性向量包括多个可靠性因子元素，每个相应可靠性因子元素与单一聚类图中的特定聚类图区域相关联并且指示了该聚类图区域的可靠性。
因此，由于对所述二值聚类图的组合操作通常会至少部分地导致所述二值聚类图的重叠，所以不同的重叠区域会被分配有由可靠性因子元素给出的可靠性值。因此那些其中相关联的可靠性因子元素具有高可靠性的区域将被视为高度相关的区域，而那些其中可靠性因子元素具有低可靠性的区域则被视为较少相关的区域。以这种方式，医师就可以以更有效的方式来评估单一聚类图中不同区域的可靠性，以用于在诸如放射治疗计划这样的应用的诊断和/或治疗中做进一步处理。
在一个实施例中，为每个相应二值聚类图分配可靠性因子的步骤是手动执行的。每个初始聚类图的置信水平取决于许多因素，这些因素只能由经验丰富的医师(或用户、医生、技师)来进行评估。因此，这里提供了一种交互式的方法以获得尽可能好的组合聚类图。
在一个实施例中，为每个相应二值聚类图分配可靠性因子的步骤是通过将多个二值聚类与已分配有可靠性因子的参考二值聚类做比较的方式来自动执行的。该自动过程可以基于用于特定应用/模态的库。例如，如果所述模态是PET和CT，PET示踪剂是氟代脱氧葡萄糖(FDG)且该应用是肺癌，则可以从该库中查找适当的可靠性因子。
在一个实施例中，本方法还包括：
为可靠性向量分配临界值，并且
利用所分配的临界值作为更新后的单一聚类图的输入参数。
以这种方式，可以改变合并(fused)聚类图中的临界值级别从而例如只有在该临界值之上的可靠性因子才会加入合并聚类图中。
在一个实施例中，为可靠性因子元素分配临界值的步骤是手动执行的。以这种方式，诸如医师、医生、技师这样的用户就可以交互式地改变合并聚类图的临界值级别，即移除合并聚类图中置信水平过低的那些部分。
在一个实施例中，为可靠性因子元素分配临界值的步骤是通过将多个二值聚类与已分配有临界值的参考二值聚类做比较的方式来自动执行的。该自动过程可以基于用于特定应用/模态的库。例如，如果所述模态是PET和CT，PET示踪剂是FDG且该应用是肺癌，则可以从该库中查找适当的临界值。
在一个实施例中，预定义组合规则由如下等式所定义：
RN，N-1，...，1＝RN+(1-RN)RN-1，...，1
其中，Rj是二值聚类图j＝1...N的可靠性因子，N是初始二值聚类图的总数。因此，如果N＝3、R1＝0.6、R2＝0.8、R3＝0.4，则获得了包括7个元素R321、R31、R32、R12、R3、R2和R1的可靠性向量。对于该示例而言，该向量是R＝[0.952；0.920；0.880；0.760；0.800；0.600；0.400]。在上述实施例中，临界值可以例如被选为0.8，以这种方式，组合聚类图将仅包括那些拥有大于/包括可靠性值0.8的可靠性因子的聚类图区域。
在一个实施例中，不同的颜色信息与每个相应二值聚类图相关联，并且其中可靠性向量与具有对应的颜色信息的组合聚类图被同时显示，因此与给定的组合聚类图的部分相关联的每个向量元素都以同一颜色信息显示。以这种方式，用户就可以很容易地将该向量元素中的不同颜色与该聚类图联系起来并且很容易地发现单一聚类图中的哪些区域是最相关的区域。
根据另一个方面，本发明涉及一种计算机程序产品，当该产品在计算机上运行时，其用于命令处理单元执行上述方法步骤。
根据再一个方面，本发明涉及一种用于将多个二值聚类图组合成单一聚类图的设备，其中每个相应二值聚类图包括特征信息并且该单一聚类图表示所述特征信息的组合，该设备包括：
分配装置，用于为每个相应二值聚类图分配用于指示每个相应二值聚类图的可靠性的可靠性因子，以及
处理器，用于利用所述可靠性因子作为预定义组合规则的输入参数，所述预定义组合规则用于为单一聚类图确定可靠性向量，其中可靠性向量包括多个可靠性因子元素，每个相应可靠性因子元素与单一聚类图中的特定聚类图区域相关联并且指示了该聚类图区域的可靠性。
在一个实施例中，用于进行分配的分配装置包括用于从用户接收手动输入的输入装置或用于自动评估分配给每个相应二值聚类图的可靠性因子的算法。该输入装置可以例如包括键盘、鼠标、语音识别系统等，用于从用户接收针对可靠性因子的命令。在分配装置包括算法的情况下，可靠性因子可以被该算法自动地选择，例如通过将二值图与预存储的利用同一分析方法获得的二值图做比较，其中例如统计评估操作确定了二值图的质量，或者其可以包括具有相关联的“平均”可靠性值(例如，利用CT的肺结节扫描R＝0.8，利用FDG PET的肺结节扫描R＝0.85等)的分析方法和模态的库。
本发明的各个方面都可以与任何其他方面相结合。从下面所述的实施例中，本发明的这些和其他方面将得以被阐明且变得显而易见。
附图说明
参考附图，仅通过示例的方式描述了本发明的各实施例，其中：
图1示出了根据本发明的方法的流程图，该方法用于将表示相同特征信息的多个二值聚类图组合成单一聚类图，
图2a-c示出了三个二值聚类图的示例，
图3示出了从图2a-c中的二值聚类图所获得的单一组合聚类图，
图4-6描绘了一个实施例，其中为可靠性向量分配临界值，并且
图7示出了根据本发明的设备。
具体实施方式
图1示出了根据本发明的方法的流程图，该方法用于根据由组合算法所定义的组合规则，将表示特征信息的多个二值聚类图合并成单一聚类图。在一个实施例中，该组合规则由如下递归公式所定义
RN，N-1，...，1＝RN+(1-RN)RN-1，...，1
其中，RN是二值聚类图N的可靠性因子，RN-1是二值聚类图N-1的可靠性因子等。图2a-c示出了三个二值聚类图201-203的示例，其中在这种特定情况下，特征信息是相同的，但是利用不同的方式得到的。举个例子，该特征信息可能是通过MR-BOLD测量法、通过对适当的PET图像进行药物动力学分析或通过MR-CEST测量法所测量到的缺氧症相关参数。如图2所示，所得到的聚类图彼此并不相同。
更广范地说，每个聚类图表示了最终用于解答某个生物/临床/医学问题的参数。所述参数不必完全相同并且在许多情况下可以不同。例如，一种临床应用可以是发现恶性肺结节。为了此任务，通常执行CT扫描和额外的PET扫描。在每次扫描中，描绘出可能与癌组织相对应的区域。对于CT而言，这基于密度变化和解剖信息，对于PET而言，这基于新陈代谢信息。在这种特定情况下，特征信息原则上是不同的，但都用于同一目的，即找到癌组织区域的位置。因此，一个二值图将基于由CT得到的解剖参数来表示癌症，另一个二值图将基于由PET得到的新陈代谢率来表示癌症。因此，该理念就是组合这两种信息来源并向临床医生呈现出一个图。
参考图1，图2示出的每个二值聚类图201-203必须初始被分配有可靠性因子(S1)101。这可以由诸如医生、技师这样的用户基于其经验来手动执行。举个例子，用户可能为图2中的第一个图201分配可靠性因子值R1＝0.6，为第二个聚类图202分配R2＝0.8，为第三个聚类图分配R3＝0.4，其中0＜R＜1，1是最高的可靠性。因此，用户已评估了图201-203的可靠性，即根据用户的评价，第二个二值聚类图202是最可靠的。还可以自动地分配可靠性。例如，这可以包括：将二值图与预存储的利用同一分析方法获得的二值图做比较，其中例如，统计评估操作确定二值图的质量，或者其可以包括具有相关联的“平均”可靠性值(例如，利用CT的肺结节扫描R＝0.8，利用FDG PET的肺结节扫描R＝0.85等)的分析方法和模态的库。
所分配的可靠性因子然后被用作用于为单一聚类图确定可靠性向量的输入参数(S2)103，其中该可靠性向量包括多个可靠性因子元素。每个元素与该单一聚类图中的特定聚类图区域相关联并且指示了该聚类图区域的可靠性。这将在后面更详细地讨论。
在一个实施例中，为可靠性向量分配临界值(S3)105，并且该临界值被用作更新后的单一聚类图的输入参数(S4)107。这在图4-6中得到了描绘，其示出了三个不同的临界值级别。
参考上述示例，假定N＝3(例如，图2a-c中的三个二值聚类图)，其中R1＝0.6、R2＝0.8、R3＝0.4，可知RN，N-1，...，1＝RN+(1-RN)RN-1，...1变为：
R3，2，1＝R3+(1-R3)R2，1＝R3+(1-R3)(R2+(1-R2)R1)＝0.952
R2，1＝R2+(1-R2)R1＝0.920
R1，3＝R1+(1-R1)R3＝0.76
R2，3＝R2+(1-R2)R3＝0.88
R3＝0.4
R2＝0.8
R1＝0.6
该组合规则的输出是由R＝[0.952；0.920；0.880；0.760；0.800；0.600；0.400]给出的可靠性向量，其中前4个向量元素是合并的可靠性元素(来自聚类图201-203中的聚类的两个或多个部分重叠)，而后3个元素是初始可靠性元素(聚类图没有重叠)。图3示出了，当R1＝0.6(图2a)、R2＝0.8(图2b)和R3＝0.4(图2c)被分配作为二值聚类图201-203的可靠性因子值时，从图2a-2c中的二值聚类图所获得的单个组合聚类图301。在图3中，区域303由图2a-2c中三个二值聚类图区域的边界所定义，即这些区域由图2中的三个聚类图的重叠部分所定义。可靠性向量302中的可靠性因子值304是值0.952。在优选的实施例中，该可靠性因子值被图示出来以使其可以很容易地与区域303联系起来。这样做的一种方式是使用颜色信息。如果例如在图2a-2c中的初始聚类图被以不同的颜色示出，例如以红色示出了图201，以蓝色示出了图202，以黄色示出了图203，则单一聚类图部分地包括这些颜色的组合并且部分地包括没有叠加出现的原始颜色。因此，图3中的区域303具有特定的灰色(基于这三种颜色的和)，并因此以同一种颜色任意地显示或指示可靠性因子值304。另一方面图3中的区域201直接描绘自图2a，因此显示为红色区域。具有值0.6的对应向量元素306显示为红色。在一个实施例中，可以利用包含所有相关联的原始颜色的带来使包括多个原始区域(叠加的区域)的区域被着色，即，因此以交替的红、蓝和黄色带来给区域303着色。
因此，通过利用例如这样的颜色信息来指示图3中的单一聚类图，不同的区域可以用可靠性向量302中的可靠性因子值来进行解释。在该示例中，向量302中的最高可靠性值是聚类图201-203重叠的部分。这是例如所述的区域303和区域307(基于图2中聚类图201和202的组合，其中对应的向量元素308是0.920(并且以同一颜色显示，这可能是紫色))。
在另一个实施例中，可以呈现单一聚类图，使得例如“绿色”意指所有三个初始图彼此匹配，“橙色”意指仅两个初始图匹配，而“红色”意指仅一个初始图在这个区域起作用。
在一个实施例中，还可以利用无临界值的连续颜色图显示合并图。
图4-6描述了一个实施例，其中为可靠性向量302分配了临界值，其中该临界值被用作更新后的单一聚类图的输入参数。在图4中，该临界值被分配为0.88。这意指更新后的聚类图401仅包括具有高于0.88的可靠性的那些聚类，即具有可靠性0.920和0.956的那些区域。可以通过医师或任何其他用户(例如技师)来手动地执行这种分配。该技师可以评估聚类图401是不可接受的，并且因此将该临界值减小到0.600(这导致图5所示的单一聚类图501)，或甚至减小到0.400(这导致图6中的更新后的单一聚类图601)。
因此，该方法提供了交互式地改变临界值的手段。
在一个实施例中，可以自动改变各个临界值。举个例子，可以自动选择典型的临界值并且向医师显示所得到的单一聚类图。这之后，技师能随后手动改进该单一聚类图。
图7示出了根据本发明的设备700，该设备用于根据预定义组合规则，将多个二值聚类图组合成一个组合聚类图，其中每个相应二值聚类图包括特征信息并且该组合聚类图包括所述特征信息的总和。设备700包括用于为每个相应二值聚类图分配可靠性因子的分配单元(A_M)702和用于利用该可靠性因子作为组合规则的输入参数的处理器(P)703，该组合规则用于将多个二值聚类图组合成组合聚类图。在一个实施例中，分配单元包括支持用户(例如，医师、技师)701进行手动输入的输入单元。例如，这可以包括键盘、鼠标、触摸屏功能单元、语音识别系统等，用于从用户701接收指令。分配单元还可以包括用于处理每个相应二值聚类图并且基于该处理来评估所述二值聚类图的可靠性因子的软件。
为了解释而非限制性的目的，阐述了所公开的实施例的某些具体细节，从而提供对本发明的清楚和透彻的理解。然而，本领域的技术人员应该理解，可以在与这里所阐述的细节不确切地一致的其他实施例中实现本发明，而不显著偏离本公开的精神和范围。此外，在这样的上下文中并且为了简洁和清楚，还省略了对公知的装置、电路和方法的详细描述，以避免不必要的细节和可能的混淆。
参考符号被包括在权利要求中，然而包含参考符号仅为了清楚的目的，而不应该被解释为限制了权利要求的范围。

Claims (12)

1、一种用于将多个二值聚类图(201-203)组合成单一聚类图(301)的方法，其中每个相应二值聚类图包括特征信息并且所述单一聚类图表示所述特征信息的组合，所述方法包括：
为每个相应二值聚类图(201-203)分配(101)用于指示每个相应二值聚类图的可靠性的可靠性因子，
利用(103)所述可靠性因子作为预定义组合规则的输入参数，所述预定义组合规则用于为所述单一聚类图确定可靠性向量(302)，其中所述可靠性向量包括多个可靠性因子元素(304、306、308)，其中每个相应可靠性因子元素与所述单一聚类图中的特定聚类图区域(303、307、201)相关联并且指示了该聚类图区域的可靠性。
2、如权利要求1所述的方法，其中，所述方法还包括：
为所述可靠性向量(302)分配(105)临界值，并且
利用(107)所分配的临界值作为更新后的单一聚类图(401、501、601)的输入参数。
3、如权利要求1所述的方法，其中，为每个相应二值聚类图(201-203)分配可靠性因子的步骤是手动执行的。
4、如权利要求1所述的方法，其中，为每个相应二值聚类图(201-203)分配可靠性因子的步骤是通过将所述多个二值聚类与已分配有可靠性因子的参考二值聚类做比较的方式来自动执行的。
5、如权利要求2所述的方法，其中，为所述可靠性因子元素(304、306、308)分配临界值的步骤是手动执行的。
6、如权利要求2所述的方法，其中，为所述可靠性因子元素(304、306、308)分配临界值的步骤是通过将所述多个二值聚类与已分配有临界值的参考二值聚类做比较的方式来自动执行的。
7、如权利要求1所述的方法，其中，所述预定义组合规则由如下等式给出：
RN，N-1，..，1＝RN+(1-RN)RN-1，...，1
其中，Rj是二值聚类图j＝1...N的可靠性因子，其中N是初始二值聚类图的总数。
8、如权利要求2所述的方法，其中，不同的颜色信息与每个相应二值聚类图(201-203)相关联，并且其中，所述可靠性向量(302)与具有对应的颜色信息的组合聚类图(301)被同时显示，使得与给定的组合聚类图部分相关联的每个向量元素(304、306、308)被以同一颜色信息显示。
9、一种计算机程序产品，当所述产品在计算机上运行时，用于命令处理单元执行如权利要求1-8之任一项所述的方法步骤。
10、一种设备(700)，用于将多个二值聚类图(201-203)组合成单一聚类图(301)，其中每个相应二值聚类图包括特征信息并且所述单一聚类图表示所述特征信息的组合，所述设备包括：
分配单元(702)，用于为每个相应二值聚类图(201-203)分配用于指示每个相应二值聚类图的可靠性的可靠性因子，以及
处理器(703)，用于利用所述可靠性因子作为预定义组合规则的输入参数，所述预定义组合规则用于为所述单一聚类图确定可靠性向量(302)，其中所述可靠性向量包括多个可靠性因子元素(304、306、308)，其中每个相应可靠性因子元素与所述单一聚类图中的特定聚类图区域(303、307、201)相关联并且指示了该聚类图区域的可靠性。
11、如权利要求10所述的设备，其中，用于进行分配的所述分配单元(702)包括用于从用户(701)接收手动输入的输入单元或者用于自动评估分配给每个相应二值聚类图的可靠性因子的算法。
12、如权利要求10-11之任一项所述的设备，其被包括在医疗工作站或医学成像系统中。
CNA2007800285409A 2006-08-02 2007-07-17 将多个二值聚类图组合成单一聚类图的方法 Pending CN101496062A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
EP06118315 2006-08-02
EP06118315.8 2006-08-02

Publications (1)

Publication Number Publication Date
CN101496062A true CN101496062A (zh) 2009-07-29

Family

ID=38997540

Family Applications (1)

Application Number Title Priority Date Filing Date
CNA2007800285409A Pending CN101496062A (zh) 2006-08-02 2007-07-17 将多个二值聚类图组合成单一聚类图的方法

Country Status (5)

Country Link
US (1) US20090324035A1 (zh)
EP (1) EP2050068A2 (zh)
JP (1) JP2009545799A (zh)
CN (1) CN101496062A (zh)
WO (1) WO2008015609A2 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105492919A (zh) * 2013-07-30 2016-04-13 皇家飞利浦有限公司 组合式mri pet成像

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090214134A1 (en) * 2008-02-27 2009-08-27 Motorola, Inc. System and method for image data extraction and assembly in digital cameras
US8423902B2 (en) 2010-04-21 2013-04-16 Microsoft Corporation Representation of overlapping visual entities
CN103235900B (zh) * 2013-03-28 2016-03-30 中山大学 蛋白质复合体挖掘的加权组装聚类方法
US9582519B2 (en) 2013-08-15 2017-02-28 Dassault Systemes Simulia Corp. Pattern-enabled data entry and search
CN107563104B (zh) * 2017-10-18 2020-01-24 安庆师范大学 基于模拟退火优化算法的二元团簇结构优化方法
US11553867B2 (en) * 2019-02-28 2023-01-17 St. Jude Medical, Cardiology Division, Inc. Systems and methods for displaying EP maps using confidence metrics

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06309492A (ja) * 1993-04-21 1994-11-04 Eastman Kodak Co 複数分類器出力合成方法及び合成システム
US5914748A (en) * 1996-08-30 1999-06-22 Eastman Kodak Company Method and apparatus for generating a composite image using the difference of two images
US6371912B1 (en) * 2000-04-05 2002-04-16 Duke University Method and apparatus for the identification and characterization of regions of altered stiffness
DE10141186A1 (de) * 2001-08-22 2003-03-20 Siemens Ag Einrichtung zum Bearbeiten von Bildern, insbesondere medizinischen Bildern
US7035467B2 (en) * 2002-01-09 2006-04-25 Eastman Kodak Company Method and system for processing images for themed imaging services
US6898331B2 (en) * 2002-08-28 2005-05-24 Bae Systems Aircraft Controls, Inc. Image fusion system and method
US8090429B2 (en) * 2004-06-30 2012-01-03 Siemens Medical Solutions Usa, Inc. Systems and methods for localized image registration and fusion
US20060004274A1 (en) * 2004-06-30 2006-01-05 Hawman Eric G Fusing nuclear medical images with a second imaging modality
WO2006075902A1 (en) * 2005-01-14 2006-07-20 Samsung Electronics Co., Ltd. Method and apparatus for category-based clustering using photographic region templates of digital photo

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105492919A (zh) * 2013-07-30 2016-04-13 皇家飞利浦有限公司 组合式mri pet成像

Also Published As

Publication number Publication date
EP2050068A2 (en) 2009-04-22
JP2009545799A (ja) 2009-12-24
WO2008015609A2 (en) 2008-02-07
WO2008015609A3 (en) 2008-12-31
US20090324035A1 (en) 2009-12-31

Similar Documents

Publication Publication Date Title
Dries et al. Giotto: a toolbox for integrative analysis and visualization of spatial expression data
Groen et al. Distinct contributions of functional and deep neural network features to representational similarity of scenes in human brain and behavior
Sala et al. Unravelling tumour heterogeneity using next-generation imaging: radiomics, radiogenomics, and habitat imaging
Armato III et al. PROSTATEx Challenges for computerized classification of prostate lesions from multiparametric magnetic resonance images
Xi et al. Radiomics signature: a potential biomarker for the prediction of MGMT promoter methylation in glioblastoma
Pinker et al. Precision medicine and radiogenomics in breast cancer: new approaches toward diagnosis and treatment
Anderson et al. Describing functional diversity of brain regions and brain networks
Zhu et al. DICCCOL: dense individualized and common connectivity-based cortical landmarks
Gillies et al. Radiomics: images are more than pictures, they are data
Fedorov et al. 3D Slicer as an image computing platform for the Quantitative Imaging Network
Verducci et al. Microarray analysis of gene expression: considerations in data mining and statistical treatment
Yamamoto et al. Radiogenomic analysis of breast cancer using MRI: a preliminary study to define the landscape
Xia et al. Radiogenomics of hepatocellular carcinoma: multiregion analysis-based identification of prognostic imaging biomarkers by integrating gene data—a preliminary study
CN101496062A (zh) 将多个二值聚类图组合成单一聚类图的方法
Bizzego et al. Integrating deep and radiomics features in cancer bioimaging
Aubreville et al. Sliderunner: A tool for massive cell annotations in whole slide images
Rathore et al. Multi-institutional noninvasive in vivo characterization of IDH, 1p/19q, and EGFRvIII in glioma using neuro-Cancer Imaging Phenomics Toolkit (neuro-CaPTk)
Rathore et al. Combining MRI and histologic imaging features for predicting overall survival in patients with glioma
Parker et al. Consensus between pipelines in structural brain networks
Bonaretti et al. pyKNEEr: An image analysis workflow for open and reproducible research on femoral knee cartilage
Vrenken et al. Opportunities for understanding MS mechanisms and progression with MRI using large-scale data sharing and artificial intelligence
Thirumal et al. TITAN: An end‐to‐end data analysis environment for the Hyperion™ imaging system
Liu et al. Joint lymphoma lesion segmentation and prognosis prediction from baseline FDG-PET images via multitask convolutional neural networks
Hackl et al. Analysis of DNA microarray data
Mignardi et al. Bridging histology and bioinformatics—computational analysis of spatially resolved transcriptomics

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C02 Deemed withdrawal of patent application after publication (patent law 2001)
WD01 Invention patent application deemed withdrawn after publication

Open date: 20090729