CN102027490A - 基于图像分割的图像分类 - Google Patents

基于图像分割的图像分类 Download PDF

Info

Publication number
CN102027490A
CN102027490A CN2009801173255A CN200980117325A CN102027490A CN 102027490 A CN102027490 A CN 102027490A CN 2009801173255 A CN2009801173255 A CN 2009801173255A CN 200980117325 A CN200980117325 A CN 200980117325A CN 102027490 A CN102027490 A CN 102027490A
Authority
CN
China
Prior art keywords
view data
model
attribute
data
value
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.)
Granted
Application number
CN2009801173255A
Other languages
English (en)
Other versions
CN102027490B (zh
Inventor
钱悦晨
D·格勒
R·克内泽尔
M·塞芬斯特
R·C·范奥明
P·K·图利帕诺
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
Family has litigation
First worldwide family litigation filed litigation Critical https://patents.darts-ip.com/?family=40996593&utm_source=google_patent&utm_medium=platform_link&utm_campaign=public_patent_search&patent=CN102027490(A) "Global patent litigation dataset” by Darts-ip is licensed under a Creative Commons Attribution 4.0 International License.
Application filed by Koninklijke Philips Electronics NV filed Critical Koninklijke Philips Electronics NV
Publication of CN102027490A publication Critical patent/CN102027490A/zh
Application granted granted Critical
Publication of CN102027490B publication Critical patent/CN102027490B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-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
    • G06T7/149—Segmentation; Edge detection involving deformable models, e.g. active contour models
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06T2207/30041—Eye; Retina; Ophthalmic
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Quality & Reliability (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Image Processing (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Processing Or Creating Images (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及用于在适配于图像数据中的对象的模型的基础上对图像数据进行分类的系统(100)，该系统包括：分割单元(110)，用于通过使模型适配于图像数据中的对象对图像数据进行分割；以及分类单元(120)，用于在适配于图像数据中的对象的模型的基础上给图像数据分配种类、从而对图像数据进行分类，其中，分类单元(120)包括属性单元(122)，该属性单元用于在适配于图像数据中的对象的模型的基础上计算模型的属性值，并且其中，所分配的种类基于所计算的属性值。因此，本发明的系统(100)能够对图像数据进行分类而无需任何用户输入。用于对图像数据进行分类所需的所有输入构成了用于适配于图像数据中的对象的模型。然而，本领域的技术人员将理解，在系统(100)的一些实施例中，可以进行有限数目的用户输入，以让用户影响和控制系统和分类过程。

Description

基于图像分割的图像分类
技术领域
本发明涉及对图像数据进行分类，并且更具体地，涉及在用于适配于图像数据中的对象的模型的基础上对图像数据进行分类。
背景技术
放射科医师面临由日益增加的待分析、分类和描述的图像数目导致的日益增加的工作量。对图像数据进行分类可能对于诸如图像数据检索是有用的。如今，一类图像数据典型地基于：采集模态，例如，CT；通过图像数据表示解剖体部分，诸如胸腔；患者的性别和年龄组，例如，男性、青少年；以及通过图像数据描述的对象。由图像数据表示的解剖体的描述是特别耗时的，并且通常需要研究基于所采集的图像数据绘制的许多图像。放射科医师对绘制的图像进行观察和描述。为了辅助放射科医师的工作，可以利用软件实现的图像分析系统。许多软件包提供了用于测量图像中对象的交互工具。例如，用户可以选择血管壁上的两个点计算两个点之间的距离，得出血管的直径。其它系统包括用于描绘诸如图像中的边缘和表面的特征的图像分割系统，以及用于在图像分割的基础上对图像数据中的对象进行测量的测量工具。例如，题目为“Automated Measurement ofGeometrical Properties”的WO 2003/023717描述了使用基于模型的图像分割对包括在对象中的三维结构的几何参数进行测量的方法。首先，第一模型适配于图像数据中的对象。随后，通过调整第二模型的几何参数的值使第二模型拟合到经适配的第一模型。例如，第二模型可以是球体，并且几何参数可以是球体直径。第一模型可以是用于适配到图像数据中所描述的股骨的三角形网格。球体可以拟合到股骨头。在获得必要的参数值之后，需要放射科医师对发现进行描述，并且/或者基于该发现对图像数据进行分类。典型地，这通过口述说明，并且使用用于将语音转换成文本的语音识别技术来完成。
发明内容
提供用于对图像数据进行分类而需要更少来自放射科医师的输入的手段，将是有利的。
因此，在一个方面中，本发明提供了用于在用于适配于图像数据中的对象的模型的基础上对图像数据进行分类的系统，该系统包括：
-分割单元，用于通过使模型适配于图像数据中的对象来对图像数据进行分割；以及
-分类单元，用于在适配于图像数据中的对象的模型的基础上给图像数据分配种类，从而对图像数据进行分类，其中，该分类单元包括用于在适配于图像数据中的对象的模型的基础上计算模型的属性的值的属性单元，并且其中，所分配的种类基于所计算的属性的值。
因此，本发明的系统能够对图像数据进行分类而无需任何用户输入。用于对图像数据进行分类所需的所有输入构成了用于适配于图像数据中的对象的模型。然而，本领域的技术人员将理解，在一些实施例中，可以使能有限数目的用户输入，例如，用于选择用于适配于图像数据中的对象的模型的输入，从而使用户影响和控制系统和分类过程。
在系统实施例中，基于模型或者基于用户属性输入定义模型的属性。系统的分类单元布置用于采用属性单元来计算属性的值。可以基于模型定义其值将要被计算的属性。例如，如果模型包括用于适配于图像中的对象的网格，模型就可以进一步指定两个顶点。两个顶点可以定义网格的属性——所述顶点之间的距离。属性单元可以布置用于计算经适配网格的指定顶点之间的距离的值。基于模型确定该属性。可替换地，让用户提供诸如用于指示模型网格的两个顶点的用户属性输入可能是有用的。两个顶点可以定义网格的属性——所述顶点之间的距离。属性单元可以布置用于计算经适配网格的所指示顶点之间的距离的值。基于用户属性输入确定该属性。
本领域的技术人员将理解，可能不需要通过模型或者通过用户属性输入定义某些属性。例如，系统可以包括用于计算每两个网格顶点之间的距离的值的属性单元。属性单元还可以布置用于选择最大值。可以为每个网格计算这样的属性——包括所有模型网格顶点的最小球体的直径，并且不需要通过模型或者通过用户属性输入定义该属性。系统可以布置为定期地计算该属性的值。
在系统的实施例中，模型的属性的值是用于对图像数据进行分类的文本。文本值属性对用户而言可以更容易理解和解释。文本值属性的例子是在X射线图像中检测到的乳房瘤的类型，其可以呈现“恶性”或者“良性”值。可以基于经分割的瘤在注射造影剂之后的亮度分配该值。由于恶性肿瘤发展它们自己的供血系统，所以它们在X射线图像中看起来比良性瘤更亮。可以将具有在阈值之上亮度的瘤分类为恶性的。
在系统的实施例中，模型的属性的值是用于对图像数据进行分类的至少一个数字。如上所述，属性可以是模型网格的两个顶点之间的距离。
在系统的实施例中，模型的属性的值是用于对图像数据进行分类的范围或者向量。例如，取向量值的属性可以描述诸如脊椎的结构的惯性张量的主要主轴。示例性的取范围值的属性是由动脉血小板引起的动脉狭窄的百分比范围。
在实施例中，系统还包括用于基于分配给图像数据的种类创建说明的说明单元。说明可以包括从分配给图像的种类中得到的文本和数值数据。说明单元可以布置为使用词汇和语法规则依照语法构建正确的句子。例如，说明可以用于创建报告。
在系统的实施例中，分割单元还布置用于通过使模型适配于第二图像数据中的第二对象对第二图像数据进行分割，分类单元还布置用于在适配于第二图像数据中的第二对象的模型的基础上将第二种类分配给第二图像数据，从而对第二图像数据进行分类；并且系统还包括比较单元，用于将分配给图像数据的种类与分配给第二图像数据的第二种类进行比较以确定图像数据和第二图像数据之间的对应关系。该对应可以基于图像数据和第二图像数据的相似性。备选地，该对应可以基于图像数据和第二图像数据的互补性。
在实施例中，系统还包括第二比较单元，用于将分配给图像数据的种类与数据记录进行比较以确定图像数据和数据记录之间的对应关系。数据记录可以是诸如来自手册或者百科全书的条目。
在实施例中，系统还包括第二分类单元，用于将数据记录种类分配给数据记录，从而对数据记录进行分类，并且其中，第二比较单元布置用于将分配给图像数据的种类与分配给数据记录的数据记录种类进行比较。
在本发明的另一个方面中，将根据本发明的系统包括在数据库系统中。数据库包括多个项。为每个数据记录分配数据记录种类。基于通过系统分配给图像数据的种类确定用于从数据库检索数据记录的查询。系统适于通过将分配给图像的种类与分配给数据记录的种类进行比较来对与图像类似或者互补的数据记录进行识别。
在另一个方面中，将根据本发明的系统包括在图像采集装置中。
在另一个方面中，将本发明的系统包括在工作站中。
在另一个方面中，本发明提供了在用于适配于图像数据中的对象的模型的基础上对图像数据进行分类的方法，该方法包括：
-分割步骤，用于通过使模型适配于图像数据中的对象对图像数据进行分割；以及
-分类步骤，用于在适配于图像数据中的对象的模型的基础上为图像数据分配种类，从而对图像数据进行分类，其中，该分类步骤包括属性步骤，用于在适配于图像数据中的对象的模型的基础上计算模型的属性的值，并且其中，所分配的种类基于所计算的属性的值。
在另一个方面中，本发明提供了由计算机布置加载的计算机程序产品，计算机程序包括用于在用于适配于图像数据中的对象的模型的基础上对图像数据进行分类的指令，计算机布置包括处理单元和存储器，在被加载之后，计算机程序产品给所述处理单元提供执行所述方法的步骤的能力。
本领域的技术人员将意识到，可以以认为有用的任何方式对本发明的上述实施例、实现方式和/或方面中的两个或多个进行组合。
在本说明书的基础上，本领域的技术人员可以实现对应于所描述的系统的修改和变化的数据库系统、图像采集装置、工作站、方法、和/或计算机程序产品的修改和改变。
本领域的技术人员将意识到，所述方法可以应用于通过诸如但不限于X射线成像、计算机断层摄影(CT)、磁共振成像(MRI)、超声(US)、正电子发射断层摄影(PET)、单光子发射计算机断层摄影(SPECT)、以及核医学(NM)的各种采集模态采集的诸如二维(2-D)、三维(3-D)或者四维(4-D)图像数据的多维图像数据。
附图说明
关于下文所描述的实现方式和实施例并且参考附图，本发明的这些以及其它方面将变得显而易见，并且得到阐述，附图中：
图1示出了系统的示例性实施例的方框图；
图2图示说明了视神经的分割；
图3示出了左视神经模型和左鞘模型的直径沿着左视神经的变化；
图4示出了在左视神经模型的基础上所确定的沿着左视神经的亮度的变化；
图5示出了方法的示例性实现方式的流程图；
图6示意性地示出了数据库系统的示例性实施例；以及
图7示意性地示出了图像采集装置的示例性实施例；以及
图8示意性地示出了工作站的示例性实施例。
所有附图中，使用相同的附图标记表示相似的部分。
具体实施方式
图1示意性地示出了用于在用于适配于图像数据中的对象的模型的基础上对图像数据进行分类的系统100的示例性实施例的方框图，该系统包括：
-分割单元110，用于通过使模型适配于图像数据中的对象对图像数据进行分割；以及
-分类单元120，用于在适配于图像数据中的对象的模型的基础上为图像数据分配种类，从而对图像数据进行分类，其中，该分类单元包括属性单元122，用于在用于适配于图像数据中的对象的模型的基础上计算模型的属性的值，并且其中，所分配的种类基于所计算的属性的值。
系统100的示例性实施例还包括下列可选单元：
-说明单元130，用于基于分配给图像数据的种类创建说明；
-比较单元140，用于将分配给图像数据的种类与分配给第二图像数据的第二种类进行比较以确定图像数据和第二图像数据之间的对应关系；
-第二分类单元150，用于将数据记录种类分配给数据记录，从而对数据记录进行分类；
-第二比较单元155，用于将分配给图像数据的种类与数据记录进行比较以确定图像数据和数据记录之间的对应关系；
-控制单元160，用于控制系统100的工作；
-用户接口165，用于在用户和系统100之间的通信；以及
-存储器单元170，用于存储数据。
在系统100的实施例中，存在用于输入数据的三个输入连接器181、182和183。第一输入连接器181布置为接收来自诸如但不限于硬盘、磁带、闪存、或者光盘的数据存储器件的数据。第二输入连接器182布置为接收来自诸如但不限于鼠标或触摸屏的用户输入设备的数据。第三输入连接器183布置为接收来自诸如键盘的用户输入设备的数据。输入连接器181、182和183连接到输入控制单元180。
在系统100的实施例中，存在用于输出数据的两个输出连接器191和192。第一输出连接器191布置为将数据输出到诸如硬盘、磁带、闪存、或者光盘的数据存储器件。第二输出连接器192布置为将数据输出到显示设备。输出连接器191和192经输出控制单元190接收相应数据。
本领域的技术人员将理解，存在将输入设备连接到系统100的输入连接器181、182和183并且将输出设备连接到输出连接器191和192的许多方式。这些方式包括但不限于有线和无线连接、诸如但不限于局域网(LAN)和广域网(WAN)、因特网、数字电话网络的数字网络、以及模拟电话网络。
在系统100的实施例中，系统100包括存储器单元170。系统100布置为经任何输入连接器181、182和183从外部设备接收输入数据，并且将所接收的输入数据存储在存储器单元170中。将输入数据加载到存储器单元170内允许通过系统100的各单元快速访问相关数据部分。输入数据例如可以包括图像数据和模型数据。可以通过诸如但不限于随机访问存储器(RAM)芯片、只读存储器(ROM)芯片、和/或硬盘驱动以及硬盘的设备实现存储器单元170。存储器单元170还可以布置为存储输出数据。输出数据例如可以包括分配给图像的种类。可选地，输出数据还可以包括适配于图像数据中的对象的模型和/或属性的值。存储器单元170还可以布置为经存储器总线175从系统100的各单元中接收数据并且/或者将数据分发到系统100的各单元，其中，系统100的单元包括分割单元110、分类单元120、属性单元122、说明单元130、比较单元140、第二分类单元150、第二比较单元155、控制单元160、以及用户接口165。存储器单元170还布置为使输出数据经输出连接器191和192的任一个对外部设备可用。将来自系统100的各单元的数据存储在存储器单元170中可以有利地改善系统100的各单元的性能以及将输出数据从系统100的各单元传送到外部设备的速率。
或者，系统100可以不包括存储器单元170并且不包括存储器总线175。可以通过连接到系统100的单元的、诸如外部存储器或处理器的至少一个外部设备提供系统100所使用的输入数据。类似地，可以将系统100所产生的输出数据提供给连接到系统100的单元的、诸如外部存储器或处理器的至少一个外部设备。系统100的单元可以布置为经内部连接或者经数据总线从彼此接收数据。
在系统100的实施例中，系统100包括用于控制系统100的控制单元160。控制单元可以布置为从系统100的单元接收控制数据以及将控制数据提供给系统100的单元。例如，在使模型适配于图像数据之后，分割单元110可以布置为将控制数据“图像数据被分割”提供给控制单元160，并且控制单元160可以布置为将控制数据“对图像数据进行分类”提供给分类单元120。可替换地，可以在系统100的另一个单元中实现控制功能。
在系统100的实施例中，系统100包括用于用户和系统100之间的通信的用户接口165。用户接口165可以布置为接收用于选择适配于图像数据中的对象的模型的用户输入。用户接口还可以提供用于显示适配于对象的网格的视图的器件。可选地，用户接口可以接收用户输入，该用户输入用于选择系统的操作模式，例如，用于定义外部或内部能量表示的项(term)，或者预定位方法。本领域的技术人员将理解，可以在系统100的用户接口165中有利地实现更多的功能。
在实施例中，本发明的系统布置用于对描述视神经的图像数据进行分类。图2图示说明了使用左N1和右N2视神经模型对左和右视神经的分割。每条视神经包括用于将电脉冲从视网膜发送到大脑的一束纤维。左和右视神经离开相应眼球(通过相应眼球模型E1和E1所建模)、经由视神经管并且延伸向神经交叉(通过神经交叉模型C所建模)，其中，存在两个视神经纤维的部分交叉。通过由左模型S1和右鞘模型S2所建模的鞘保护每个眼球处的每条视神经的分割。视神经的典型直径从在眼球内部的大约1.6mm增加到在眼框处的3.5mm，并且进一步增加到在颅骨空间内的4.5mm。
在实施例中，模型N1、N2、E1、E2和C是网格表面模型。在JochenPeters、Olivier Ecabert、Cristian Lorenz、Jens von Berg、Matthew J.Walker、Mani Vembar、Mark E.Olszewski、Jürgen Weese在2008年2月18日在圣地亚哥的SPIE医疗成像会议6914图像处理第7期的“Segmentaion of the heartand major vascular structures in cardiovascular CT images”中描述了适合于对视神经进行建模的网格模型，该文章出现在J.M.Reinhardt和J.P.Pluim编辑的2008 SPIE医疗成像会议论文集中，在下文将其称为参考文献1。如在参考文献1的章节2.3中更详细描述的，通过一堆连续环对每条视神经建模。通过固定数目的顶点定义每个环。两个连续环的顶点通过边连接，构成具有三角形表面的分割网格。将用于对视神经建模的三角形网格放置在图像数据空间中，并且适配于所成像数据中的视神经。该布置可以基于使用诸如广义Hough变换对图像数据中的神经或者参考结构的检测。在M.J.Walker、A.Chakrabarty、M.E.Olszewski、O.Ecabert、J.Peters、C.Lorenz、J.von Berg、M.Vembar、K.Subramanyan和J.Weese在2006年7月的Proc.1st Annual Scientific Meeting Soc.Cardiovascular Computed Tomography，Int.Journal Cardiovascular Imaging，22(suppl.1)12页的“Comparison of twoinitialization methods for automatic，whole-heart，model-based segmentation ofmultiphase cardiac MSCT images”中描述了使用广义Hough变换放置网格的方法。初始化网格的适配使用例如在J.Peters、O.Ecabert、C.Meyer、H.Schramm、R.Kneser、A.Groth和J.Weese在N.Ayache、S.Ourselin和A.Maeder编辑的2007年斯普林格Proc.MICCAI，LNCS 4792第402-410页中的“Automatic whole heart segmentation in static magnetic resonance imagevolumes”中所述的方法。使用类似于用于对视神经进行建模的方法对每个视神经鞘建模。
在实施例中，将两条视神经模型N1和N2以及两个鞘模型S1和S2的模型附加到相应眼球模型E1和E2，并且还将神经交叉模型C附加到中枢神经系统的其它结构。该包括多个部分的综合模型适配于图像数据中的结构。可替换地，可以利用参考结构的模型一个接一个适配成分模型，例如，在适配视神经模型N1和N2之前适配两个半球和眼球并且将鞘模型S1和S2附加到眼球模型E1和E2以及神经交叉模型C。本领域的技术人员将理解，存在根据本发明的系统可以使用的使该模型适配于图像数据中的对象的其它模型和方法。上述模型和方法图示说明了系统的实施例，并且不必理解为限制权利要求的范围。
在实施例中，基于左视神经的状态对图像数据进行分类。更详细地说，基于适配于图像数据中的左视神经的左视神经模型N1的两个属性对图像数据进行分类：左视神经模型N1的直径和左视神经模型N1的平均亮度。为用于对左视神经建模的一堆环中的每个环确定直径值和平均灰度值。使用公式Ai＝π(di/2)2为每个经适配的环计算左视神经模型N1的第i个环的直径di，其中，Ai是环的面积。通过由环的顶点所定义的多边形的面积对环的面积进行近似。通过沿着中心线所测量的环中心与左眼球模型的表面的距离定义每个环的位置。通过所讨论环和邻近眼球的环之间的连续环的中心的距离总和对每个环的该距离进行近似。将每个环的中心定义为环的顶点的质心。可以以类似的方式计算鞘模型S1的直径。图3示出了左视神经模型N1和左鞘模型S1的直径沿着左视神经的改变。
从采样点的灰度值计算左视神经模型N1的第i个环的平均灰度值。采样点是在起源于环中心并且朝向环顶点延伸的每条半线上以相等距离选择的点。在这些采样点处的灰度值的直方图示出了在灰度值I0，i和J0，i处的两个最大值，其中，i是环索引。两个灰度值中较大的一个，表示为I0，i，近似于在对应于第i个环位置的位置处的视神经的平均亮度。两个灰度值中较小的一个，表示为J0，i，近似于在对应于第i个环位置的位置处的鞘的平均亮度。图4示出了在左视神经模型N1的基础上沿着左视神经移动所确定的亮度的变化。
在系统的实施例中，存在用于定义图像数据的种类的左视神经模型的两个属性。第一属性是视神经的直径的曲线图，并且第二属性是视神经模型的平均亮度的曲线图。值得指出的是，虽然第二属性是基于视神经模型定义的，第二属性的值却还基于图像数据的灰度值。可以用包括沿着视神经的各位置(即，环质心的坐标)以及视神经直径和视神经平均亮度的对应值的表格来表示两个曲线图。可以对直径和平均亮度的值进行量化，从而限制种类的数目。在本上下文中，量化意味着用诸如一范围值内的最小值或者最大值或者所述最小和最大值的平均的值代替来自该范围值的每个值。可选地，基于诸如直径的平均值，曲线图的值可以是诸如“高”、“低”或“中”的文本值。
在实施例中，进一步对左视神经直径的曲线图进行处理，并且基于曲线图处理的结果对图像数据进行分类：
-将平滑滤波器应用于直径值d0，i的序列从而减少分割的人为噪声，例如，可以使用移动平均滤波器；该步骤的输出是经平滑的直径值d1，i；
-计算经平滑的直径值d1，i的最大值M和最小值m，并且通过诸如从每个值中减去最小值m并且用M-m除所获得的值对直径值归一化；该步骤的输出是经归一化的直径值d2，i；
-计算经归一化的直径值d2，i的一阶导数，该步骤的输出是一阶导数值D2，i；
-在一阶导数值D2，i的基础上计算正阈值t；使用该阈值将一阶导数值D2，i量化，如下：
如果-t＜D2，i＜t，就用0替代D2，i；
如果D2，i＞t，就用1替代D2，i；
如果D2，i＜-t，就用-1替代D2，i；
该步骤的输出是经量化的一阶导数值D3，i。
将平滑滤波器应用于经量化的导数值D3，i，例如，可以使用移动平均滤波器；该步骤的输出是经平滑的导数值D4，i；
-在经平滑的导数值D4，i的基础上计算第二正阈值s；使用该阈值将经平滑的导数值D4，i量化，如下：
如果-s＜D4，i＜s，就用0替代D4，i；
如果D4，i＞s，就用1替代D4，i；
如果D4，i＜-s，就用-1替代D4，i；
该步骤的输出是经量化经平滑的导数值D5，i。
经量化经平滑的导数值D5，i中的序列-1...0...1指示扩大的神经，并且因此，将该序列称为扩大的神经序列。经量化经平滑的导数值D5，i中的序列1...0...-1指示变细的神经，并且因此，将该序列称为变细的神经序列。因此，将描绘包括扩大的序列的视神经的图像数据分类为扩大的，并且将描绘包括变细神经序列的视神经的图像数据分类为变细的。将描绘不包括扩大的神经序列并且不包括变细的神经序列的视神经的图像数据分类为正常的。可以将描绘既包括扩大的神经序列又包括变细的神经序列的视神经的图像数据分类为扩大的或者变细的。可选地，可以使用包括诸如扩大的、变细的多个值的分类。
在实施例中，进一步对左视神经平均亮度的曲线图进行处理，并且基于曲线图的处理结果对图像数据进行分类：
-将平滑滤波器应用于平均亮度值I0，i的序列以减少分割的人为噪声，例如，可以使用移动平均滤波器；该步骤的输出是经平滑的亮度值I1，i；
-计算经平滑的平均亮度值I1，i的最大值M和最小值m，并且通过诸如从每个值中减去最小值m并且用M-m除所获得的值对灰度值归一化；该步骤的输出是经归一化的亮度值I2，i；
-计算经归一化的平均亮度值I2，i的一阶导数，该步骤的输出是一阶导数值D2，i；
-在一阶导数值D2，i的基础上计算正阈值t；使用该阈值将一阶导数值D2，i量化，如下：
如果-t＜D2，i＜t，就用0替代D2，i；
如果D2，i＞t，就用1替代D2，i；
如果D2，i＜-t，就用-1替代D2，i；
该步骤的输出是经量化的一阶导数值D3，i。
-将平滑滤波器应用于经量化的导数值D3，i，例如，可以使用移动平均滤波器；该步骤的输出是经平滑的导数值D4，i；
-在经平滑的导数值D4，i的基础上计算第二正阈值s；使用该阈值将经平滑的导数值D4，i量化，如下：
如果-s＜D4，i＜s，就用0替代D4，i；
如果D4，i＞s，就用1替代D4，i；
如果D4，i＜-s，就用-1替代D4，i；
该步骤的输出是经量化经平滑的导数值D5，i。
经量化经平滑的导数值D5，i中的序列-1...0...1指示低亮度，并且因此，将该序列称为低亮度序列。经量化经平滑的导数值D5，i中的序列1...0...-1指示高亮度，并且因此将该序列称为高亮度序列。因此，将描绘包括低亮度序列的视神经的图像数据分类为低亮的，并且将描绘包括高亮度序列的视神经的图像数据分类为高亮的。将描绘不包括低亮度序列并且不包括高亮度序列的视神经的图像数据分类为同样亮的。可以将描绘既包括低亮度序列又包括高亮度序列的视神经的图像数据分类为高亮的或者低亮的。可选地，可以使用包括诸如低亮、高亮的多个值的分类。
图4中所示的平均亮度曲线图显示了包括使用上述滤波器所检测到的视神经的低亮的图像数据。值得指出的是，由于MR偏置场，视神经的灰度级别从眼球到神经交叉增大。滤波器的使用允许对图像数据的正确分类。
表1图示说明了用于基于适配于图像数据中的左视神经的左视神经模型的直径和亮度属性对图像数据进行分类的分类方案。
Figure BPA00001255238100121
对图像进行分类是非常有用的。图像数据种类描述符可以用于描述图像、用于基于图像数据书写关于发现的医疗报告、用于构建用于搜索其它数据库的查询。当图像数据种类和数据库中数据记录的种类相同或者满足特定条件时，能够检索到数据记录作为对应于图像数据的数据记录。
在系统100的实施例中，使用对于每个环的直径值和/或亮度值的统计分布对图像数据进行分类。可以在训练阶段从图像数据的训练集中学习直径和/或亮度值的统计分布。可选地，系统100可以适于执行该训练。分类单元可以布置用于将所计算的直径和亮度值与所学习的指示“异常状况”的序列进行比较，并且用于计算所述异常状况的发生概率，或者用于基于概率阈值简单地将图像数据分类为“正常”或者“异常”。
本领域的技术人员将意识到，系统100的分类单元120可以包括多个属性单元122，每个属性单元122布置用于基于适配于图像数据中的对象的模型计算属性值。所计算的多个属性值定义了图像数据的种类。可选地，系统100还可以包括多个分割单元110和多个对应的分类单元120。每个分割单元可以采用其自己的基于其自身模型的分割方法。对应分类单元120的属性单元122可以布置为计算由分割单元110所采用的模型的属性值。
在系统100的实施例中，可以使得用户能够选择分类单元120将要使用的对图像数据进行分类的属性。例如，如果用户对视神经的直径感兴趣，他就可以使用用户接口165指示：分类应该排他地基于视神经模型的直径。在另一种情况下，用户可能对既基于视神经的直径又基于视神经的亮度对图像数据进行分类感兴趣。因此，他可以经用户接口命令系统对于图像数据分类使用视神经模型的两个属性。
在系统100的实施例中，系统100的分割单元110还布置用于通过使模型适配于第二图像数据中的第二对象对第二图像数据进行分割。分类单元120还布置为在适配于第二图像数据中的第二对象的模型的基础上为第二图像数据分配第二种类，从而对第二图像数据进行分类。可以在第一图像数据的种类的基础上将在下文称为第一图像数据的图像数据与第二图像数据进行比较，在下文称为第一种类和第二种类。通过比较单元140执行比较，以确定第一和第二图像数据之间的对应关系。比较单元140可以布置用于检验第一种类和第二种类是否满足一条件。如果满足该条件，就将第二图像数据视为对应的图像数据。该条件可以是一致条件：如果第一种类与第二种类相同，第一图像数据就对应于第二图像数据。该条件可以是相似性条件：如果第一种类与第二种类相似，第一图像数据就对应于第二图像数据。该条件还可以是互补条件：如果第一种类与第二种类像两个拼图玩具片一样互补，第一图像数据就对应于第二图像数据。
第二图像数据可以是来自图像数据的数据库的图像数据。第一图像数据可以是查询图像数据。查找类似于第一图像数据的第二图像数据对于医师来说可能是非常有价值的工具，其对于诊断和治疗计划是有用的。这样的工具使得医师能够从图像数据的数据库中检索参考图像。
在实施例中，系统100还包括第二比较单元155，其用于将分配给图像数据的种类与分配给数据记录的数据记录种类进行比较，以确定图像数据和数据记录之间的对应关系。数据记录种类可以是已经在数据库索引中可获得的。例如，可以通过诸如“左视神经”、“扩大的”、以及“低亮的”的关键词定义图像数据的种类。第二比较单元155可以布置为在来自对于在神经科医师的指导手册的条目中执行对关键词“左视神经”、“扩大的”、以及“低亮的”的关键词搜索。如果条目中命中的数目超过阈值，就确定该条目对应于图像数据。可替换地或者另外地，系统100还可以包括用于将数据记录种类分配给数据记录、从而对数据记录进行分类的第二分类单元150，并且第二比较单元155布置用于将分配给图像数据的种类与分配给数据记录的数据记录种类进行比较。第二分类单元150可以例如是，用于对来自臀部植入目录的臀部植入规范或者使用与用于采集图像数据的模态不同的模态所采集的第二图像数据进行分类的单元。可选地，第二分类单元150可以包括用于对使用其它模态所采集的图像数据进行分割的第二分割单元。可替换地，第二分类单元150可以是用于对另一数据记录进行分类的单元，该另一数据记录诸如百科全书或者某些指南中的条目。
本领域的技术人员将意识到，系统100可以是用于在医师工作的许多方面中协助她/他的有价值的工具。此外，虽然使用系统的医疗应用图示说明了系统的实施例，但是系统的非医疗应用也是预期的。
本领域的技术人员还将理解，系统100的其它实施例也是可能的。除此之外，可能对系统的单元重新定义并且重新分配它们的功能。虽然所描述的实施例应用于医疗成像，但是系统不涉及医疗应用的其它应用也是可能的。
可以使用处理器实现系统100的各单元。通常，在软件程序产品的控制下执行它们的功能。在执行期间，通常将软件程序产品加载到像RAM的存储器内，并且从那里执行。可以从诸如ROM、硬盘、或者磁和/或光存储器的后台存储器中加载程序，或者可以经像因特网的网络加载。可选地，专用集成电路可以提供所描述的功能性。
图5示出了在适配于图像数据中的对象的模型的基础上对图像数据进行分类的方法500的示例性实现方式的流程图。方法500开始于分割步骤510，其用于通过使模型适配于图像数据中的对象来对图像数据进行分割。在分割步骤之后，方法500继续到分类步骤520，其用于在适配于图像数据中的对象的模型的基础上为图像数据分配种类，从而对图像数据进行分类，其中，分类步骤520包括属性步骤522，其用于在适配于图像数据中的对象的模型的基础上计算模型的属性的值，并且其中，所分配的种类基于所计算的属性的值。
在分类步骤520之后，方法500结束。
本领域的技术人员可以改变一些步骤的次序，或者使用线程模型、多处理器系统、或者多个处理同时执行一些步骤，而不脱离本发明意指的概念。可选地，可以将当前发明的方法的两个或多个步骤合并到一个步骤内。可选地，可以将当前发明的方法的一个步骤分割成多个步骤。可选地，方法500还可以包括对应于系统100的相应单元的说明步骤、比较步骤、第二分类步骤和/或第二比较步骤。
图6示意性地示出了采用本发明的系统100的数据库系统600的示例性实施例，所述数据库系统600包括经内部连接与系统100连接的数据库单元610、外部输入连接器601以及外部输出连接器602。该布置有利地增加了数据库系统600的性能，给所述数据库系统600提供了系统100的有利性能。
图7示意性地示出了采用本发明的系统100的图像采集装置700的示例性实施例，所述图像采集装置700包括经内部连接与系统100连接的图像采集单元710、输入连接器701以及输出连接器702。该布置有利地增加了图像采集装置700的性能，给所述图像采集装置700提供了系统100的有利性能。
图8示意性地示出了工作站800的示例性实施例。工作站包括系统总线801。将处理器810、存储器820、磁盘输入/输出(I/O)适配器830以及用户接口(UI)840可操作连接到系统总线801。将磁盘存储设备831可操作耦合到磁盘I/O适配器830，将键盘841、鼠标842以及显示器843可操作耦合到UI 840。将实现为计算机程序的本发明的系统100存储在磁盘存储设备831中。工作站800布置为下载该程序，并且将数据输入存储器820，并且在处理器810上执行程序。用户可以使用键盘841和/或鼠标842将信息输入工作站800。工作站布置为将信息输出到显示设备843和/或磁盘831。本领域的技术人员将理解，存在本领域中已知的工作站800的许多其它实施例，并且本实施例用作图示说明本发明的目的，而不必理解为将本发明限制于该特定实施例。
应该注意，上述实施例对本发明进行了图示说明而不是限制，并且本领域的技术人员将能够设计备选实施例而不脱离所附权利要求的范围。在权利要求中，不应该将置于圆括号之间的任何参考符号解释为限制权利要求。单词“包括”不排除出现没有在权利要求或者说明书中列出的元件或者步骤。在元件之前的单词“一”或者“一个”不排除出现多个该元件。可以通过包括几个独立元件的硬件的方式并且通过编程计算机的方式实现本发明。在枚举了几个单元的系统权利要求中，可以通过一个且同一个硬件或软件记录对这些单元中的几个进行具体化。单词第一、第二、第三等的使用不指示任何次序。将这些单词理解为名称。

Claims (14)

1.一种用于在用于适配于图像数据中的对象的模型的基础上对所述图像数据进行分类的系统(100)，所述系统包括：
-分割单元(110)，用于通过使所述模型适配于所述图像数据中的所述对象对所述图像数据进行分割；以及
-分类单元(120)，用于在适配于所述图像数据中的所述对象的所述模型的基础上为所述图像数据分配种类，从而对所述图像数据进行分类，
其中，所述分类单元(120)包括属性单元(122)，所述属性单元(122)用于在适配于所述图像数据中的所述对象的所述模型的基础上计算所述模型的属性的值，并且其中，所分配的种类基于所计算的所述属性的值。
2.如权利要求1所述的系统(100)，其中，基于所述模型或者基于用户属性输入定义所述模型的所述属性。
3.如权利要求1所述的系统(100)，其中，所述模型的所述属性的所述值是用于对所述图像数据进行分类的文本。
4.如权利要求1所述的系统(100)，其中，所述模型的所述属性的所述值是用于对所述图像数据进行分类的至少一个数字。
5.如权利要求4所述的系统(100)，其中，所述模型的所述属性的所述值是用于对所述图像数据进行分类的范围或者向量。
6.如权利要求1所述的系统(100)，还包括说明单元(130)，用于基于分配给所述图像数据的所述种类来创建说明。
7.如权利要求1所述的系统(100)，其中，所述分割单元(110)还布置用于通过使所述模型适配于第二图像数据中的第二对象对所述第二图像数据进行分割，其中，所述分类单元(120)还布置用于在适配于所述第二图像数据中的所述第二对象的所述模型的基础上将第二种类分配给所述第二图像数据，从而对所述第二图像数据进行分类，并且其中，所述系统(100)还包括比较单元(140)，所述比较单元(140)用于将分配给所述图像数据的所述种类与分配给所述第二图像数据的所述第二种类进行比较以确定所述图像数据和所述第二图像数据之间的对应关系。
8.如权利要求1所述的系统(100)，还包括第二比较单元(155)，其用于将分配给所述图像数据的所述种类与数据记录进行比较以确定所述图像数据和所述数据记录之间的对应关系。
9.如权利要求8所述的系统(100)，还包括第二分类单元(150)，用于将数据记录种类分配给所述数据记录，从而对所述数据记录进行分类，并且其中，所述第二比较单元(155)布置用于将分配给所述图像数据的所述种类与分配给所述数据记录的所述数据记录种类进行比较。
10.一种数据库系统(600)，包括如权利要求7至9中的任何一项所述的系统(100)。
11.一种图像采集装置(700)，包括如权利要求1至10中的任何一项所述的系统(100)。
12.一种工作站(800)，包括如权利要求1至10中的任何一项所述的系统(100)。
13.一种用于在用于适配于图像数据中的对象的模型的基础上对所述图像数据进行分类的方法(500)，所述方法包括：
-分割步骤(510)，用于通过使所述模型适配于所述图像数据中的所述对象对所述图像数据进行分割；以及
-分类步骤(520)，用于在适配于所述图像数据中的所述对象的所述模型的基础上为所述图像数据分配种类，从而对所述图像数据进行分类，
其中，所述分类步骤(520)包括属性步骤(522)，所述属性步骤(522)用于在适配于所述图像数据中的所述对象的所述模型的基础上计算所述模型的属性的值，并且其中，所分配的种类基于所计算的所述属性的值。
14.一种由计算机布置加载的计算机程序产品，包括用于在用于适配于图像数据中的对象的模型的基础上对所述图像数据进行分类的指令，所述计算机布置包括处理单元和存储器，在被加载之后，所述计算机程序产品为所述处理单元提供执行如权利要求13中所述的方法的步骤的能力。
CN200980117325.5A 2008-05-14 2009-05-08 基于图像分割的图像分类 Active CN102027490B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US5312308P 2008-05-14 2008-05-14
US61/053,123 2008-05-14
PCT/IB2009/051894 WO2009138925A1 (en) 2008-05-14 2009-05-08 Image classification based on image segmentation

Publications (2)

Publication Number Publication Date
CN102027490A true CN102027490A (zh) 2011-04-20
CN102027490B CN102027490B (zh) 2016-07-06

Family

ID=40996593

Family Applications (1)

Application Number Title Priority Date Filing Date
CN200980117325.5A Active CN102027490B (zh) 2008-05-14 2009-05-08 基于图像分割的图像分类

Country Status (8)

Country Link
US (1) US9042629B2 (zh)
EP (1) EP2279482B1 (zh)
JP (1) JP5462866B2 (zh)
CN (1) CN102027490B (zh)
BR (1) BRPI0908684A8 (zh)
RU (1) RU2513905C2 (zh)
TR (1) TR201807301T4 (zh)
WO (1) WO2009138925A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109948575A (zh) * 2019-03-27 2019-06-28 中国科学技术大学 超声图像中眼球区域分割方法
WO2019224650A1 (en) * 2018-05-24 2019-11-28 International Business Machines Corporation Generating a textual description of an image using domain-independent anomaly analysis
WO2021073117A1 (zh) * 2019-10-18 2021-04-22 平安科技（深圳）有限公司 Oct 图像分割方法、装置、设备及存储介质

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9214029B2 (en) * 2012-02-02 2015-12-15 Peter Yim Method and system for image segmentation
US8929636B2 (en) * 2012-02-02 2015-01-06 Peter Yim Method and system for image segmentation
RU2610283C1 (ru) * 2015-12-18 2017-02-08 Федеральное государственное бюджетное образовательное учреждение высшего образования "Тверской государственный университет" Способ дешифрации изображений
US10026014B2 (en) 2016-10-26 2018-07-17 Nxp Usa, Inc. Method and apparatus for data set classification based on generator features
CN112955929A (zh) * 2018-11-07 2021-06-11 株式会社东芝 图像处理装置、图像处理方法以及程序
RU2756778C1 (ru) * 2020-06-17 2021-10-05 Федеральное государственное бюджетное учреждение науки Институт проблем машиноведения Российской академии наук (ИПМаш РАН) Способ классификации изображений

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020186874A1 (en) * 1994-09-07 2002-12-12 Jeffrey H. Price Method and means for image segmentation in fluorescence scanning cytometry
RU2132061C1 (ru) * 1997-02-19 1999-06-20 ЗАО "Медицинские компьютерные системы" Способ адаптивной автоматической сегментации и распознавания клеток на изображениях цитологических препаратов
KR100359234B1 (ko) 1999-07-06 2002-11-01 학교법인 한국정보통신학원 내용 기반 인덱싱 기법을 이용한 의료 영상 데이터 베이스 구축 및 검색 방법과 기록 매체
DE10144004A1 (de) * 2001-09-07 2003-03-27 Philips Corp Intellectual Pty Verfahren zur Messung geometrischer Größen einer in einem Bild enthaltenen Struktur
US7058210B2 (en) * 2001-11-20 2006-06-06 General Electric Company Method and system for lung disease detection
WO2005020788A2 (en) * 2003-08-01 2005-03-10 The General Hospital Corporation Cognition analysis
WO2007035688A2 (en) * 2005-09-16 2007-03-29 The Ohio State University Method and apparatus for detecting intraventricular dyssynchrony
DE102005049017B4 (de) * 2005-10-11 2010-09-23 Carl Zeiss Imaging Solutions Gmbh Verfahren zur Segmentierung in einem n-dimensionalen Merkmalsraum und Verfahren zur Klassifikation auf Grundlage von geometrischen Eigenschaften segmentierter Objekte in einem n-dimensionalen Datenraum
US20070116338A1 (en) * 2005-11-23 2007-05-24 General Electric Company Methods and systems for automatic segmentation of biological structure
EP1974313A4 (en) 2005-12-30 2011-11-16 Yeda Res & Dev MEDICAL APPLICATION ANALYSIS INTEGRATED SEGMENTATION AND CLASSIFICATION APPROACH
DE602007008390D1 (de) * 2006-03-24 2010-09-23 Exini Diagnostics Ab Automatische interpretation von medizinischen 3d-bildern des hirns und verfahren zum produzieren von zwischenergebnissen
US8243999B2 (en) * 2006-05-03 2012-08-14 Ut-Battelle, Llc Method and system for the diagnosis of disease using retinal image content and an archive of diagnosed human patient data
JP2007317034A (ja) * 2006-05-27 2007-12-06 Ricoh Co Ltd 画像処理装置、画像処理方法、プログラムおよび記録媒体
US7917514B2 (en) * 2006-06-28 2011-03-29 Microsoft Corporation Visual and multi-dimensional search
EP1916624B1 (en) * 2006-10-25 2016-11-23 Agfa HealthCare NV Method for segmenting a digital medical image.

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019224650A1 (en) * 2018-05-24 2019-11-28 International Business Machines Corporation Generating a textual description of an image using domain-independent anomaly analysis
US10685172B2 (en) 2018-05-24 2020-06-16 International Business Machines Corporation Generating a textual description of an image using domain-independent anomaly analysis
GB2588547A (en) * 2018-05-24 2021-04-28 Ibm Generating A Textual Description Of An Image Using Domain-Independent Anomaly Analysis
CN109948575A (zh) * 2019-03-27 2019-06-28 中国科学技术大学 超声图像中眼球区域分割方法
CN109948575B (zh) * 2019-03-27 2023-03-24 中国科学技术大学 超声图像中眼球区域分割方法
WO2021073117A1 (zh) * 2019-10-18 2021-04-22 平安科技（深圳）有限公司 Oct 图像分割方法、装置、设备及存储介质

Also Published As

Publication number Publication date
RU2513905C2 (ru) 2014-04-20
US9042629B2 (en) 2015-05-26
TR201807301T4 (tr) 2018-06-21
US20110222747A1 (en) 2011-09-15
JP5462866B2 (ja) 2014-04-02
EP2279482B1 (en) 2018-03-07
BRPI0908684A2 (pt) 2016-06-07
CN102027490B (zh) 2016-07-06
WO2009138925A1 (en) 2009-11-19
BRPI0908684A8 (pt) 2019-02-12
RU2010150975A (ru) 2012-06-20
JP2011523123A (ja) 2011-08-04
EP2279482A1 (en) 2011-02-02

Similar Documents

Publication Publication Date Title
CN102027490A (zh) 基于图像分割的图像分类
Kumar et al. MRI brain tumor detection using optimal possibilistic fuzzy C-means clustering algorithm and adaptive k-nearest neighbor classifier
US10929708B2 (en) Deep learning network for salient region identification in images
JP5618787B2 (ja) レポート作成支援装置及びその作成支援方法、並びにプログラム
WO2017151759A1 (en) Category discovery and image auto-annotation via looped pseudo-task optimization
JP2006252559A (ja) 画像において対象物の位置を特定する方法および対象物の画像を相異なる画像カテゴリに分類する方法
CN102428469A (zh) 检索和查看医疗图像
CN101065762A (zh) 使用组织信息的自动放射线照片分类
Pelka et al. Annotation of enhanced radiographs for medical image retrieval with deep convolutional neural networks
CN111797267A (zh) 一种医学图像检索方法及系统、电子设备、存储介质
CN101065778A (zh) 用于分类射线照片的方法
Fan et al. Pulmonary nodule detection using improved faster R-CNN and 3D Resnet
AU2019204365B1 (en) Method and System for Image Segmentation and Identification
CN112561935B (zh) 一种大脑影像智能分类方法、装置和设备
CN101553817B (zh) 以实例进行的过滤器
WO2019183712A1 (en) Methods of generating an encoded representation of an image and systems of operating thereof
Barzegar Marvasti et al. Clinical experience sharing by similar case retrieval
Long et al. A prototype content-based image retrieval system for spine X-rays
Ghebreab et al. Concept-based retrieval of biomedical images
Barad et al. Development of a Convolutional Neural Network Model for Brain Abnormality Classification
Inbaraj et al. Content Based Medical Image Retrieval Using Multilevel Hybrid Clustering Segmentation with Feed Forward Neural Network
Tripathi et al. An improved and efficient image mining technique for classification of textual images using low-level image features
Bergner Structural deformable models for robust object recognition
Saranya et al. Image Analysis of MRI-based Brain Tumor Classification and Segmentation using BSA and RELM Networks
Jaime-Castillo et al. On the use of a fuzzy object-relational database for retrieval of x-rays on the basis of spine curvature pattern similarities

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant