DE10158284A1 - Verfahren zur Detektion vorgebbarer Strukturen in einem zu analysierenden Bild - Google Patents
Verfahren zur Detektion vorgebbarer Strukturen in einem zu analysierenden BildInfo
- Publication number
- DE10158284A1 DE10158284A1 DE10158284A DE10158284A DE10158284A1 DE 10158284 A1 DE10158284 A1 DE 10158284A1 DE 10158284 A DE10158284 A DE 10158284A DE 10158284 A DE10158284 A DE 10158284A DE 10158284 A1 DE10158284 A1 DE 10158284A1
- Authority
- DE
- Germany
- Prior art keywords
- wavelet
- structures
- image
- calculated
- wavelet coefficients
- 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.)
- Withdrawn
Links
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/42—Analysis of texture based on statistical description of texture using transform domain methods
-
- 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
- G06T2207/10116—X-ray image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20064—Wavelet transform [DWT]
-
- 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
- G06T2207/30068—Mammography; Breast
-
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
Die Erfindung betrifft ein Verfahren zur Detektion vorgebbarer Strukturen in einem zu analysierenden Bild, bei dem Bilddaten einer Wavelet-Transformation unterzogen und mittels Wavelet-Koeffizienten dargestellt werden, bei dem aus den Wavelet-Koeffizienten Merkmale berechnet werden, anhand derer die vorgegebenen Strukturen identifizierbar sind und bei dem durch Klassifikation der Merkmale das Vorhandensein der vorgegebenen Strukturen überprüft wird. Erfindungsgemäß ist vorgesehen, dass als eines der Merkmale die lokale Lipschitz-Regularität (Lip(b)) für die einzelnen Bildpunkte (b) aus der Abklingordnung der Wavelet-Koeffizienten über den Skalen (a) der Wavelt-Koeffizienten berechnet wird.
Description
Die Erfindung betrifft ein Verfahren zur Detektion vorgebbarer Strukturen in einem zu
analysierenden Bild nach dem Oberbegriff des Patentanspruchs 1 bzw. 4.
Bei einem derartigen Verfahren werden Bilddaten einer Wavelet-Transformation
unterzogen und mittels Wavelet-Koeffizienten dargestellt, anschließend aus den
Wavelet-Koeffizienten Merkmale berechnet, anhand derer die vorgegebenen Strukturen
identifizierbar sind, und schließlich durch Klassifikation dieser Merkmale das
Vorhandensein der vorgegebenen Strukturen überprüft.
Bei der Bildanalyse bzw. der in diesem Zusammenhang erforderlichen Bildbearbeitung,
z. B. der Bearbeitung digitaler Röntgenaufnahmen, ist es häufig erforderlich, bestimmte
Strukturen eines Bildes zu identifizieren. Dies spielt beispielsweise in der Medizin eine
große Rolle, wo anhand von Röntgenaufnahmen Diagnosen gestellt werden, die von
erheblicher Bedeutung für eine sachgemäße medizinische Behandlung eines Patienten
sind. Das Anwendungsgebiet der vorliegenden Erfindung ist jedoch nicht auf die
Bearbeitung von Bilddaten beschränkt, die zu medizinischen Zwecken erzeugt wurden.
Vielmehr geht es ganz allgemein um die Detektion bestimmter Strukturen in einem zu
analysierenden Bild.
Mittels der Wavelet-Transformation werden die den einzelnen Bilddaten entsprechenden
Signale bzw. eine diese Bilddaten repräsentierende mathematische Funktion
(Bildfunktion) durch eine Kombination von Wavelets mit zugehörigen Koeffizienten
(Wavelet-Koeffizienten) dargestellt, die unterschiedliche Skalierungen und räumliche
Anordnungen (Orientierungen) aufweisen. Die Wavelet-Transformation zerlegt also ein
Bild in Anteile zu verschiedenen Skalen und Orientierungen. Ein Überblick über die
Wavelet-Transformation und die Darstellung von Signalen mittels Wavelets findet sich in
einem Artikel von Meinrad Zeller, Flinkes Wellenspiel, in c't 1994, Heft 11, Seiten 258 bis
264.
Während die bekannte Fourier-Transformation ein Signal nach periodischen Sinus- und
Kosinus-Funktionen zerlegt, die keinerlei räumliche Lokalisierung aufweisen und somit
keine lokalen Aussagen über ein Signal zulassen, wird ein Signal durch eine Wavelet-
Transformation bezüglich lokalisierter Funktionen zerlegt. Die Wavelet-Transformation
ermöglicht daher lokale und sogar punktweise Aussägen über die analysierte Funktion
bzw. das hierdurch beschriebene Signal. Dies ist für eine Bildanalyse zur Identifizierung
bestimmter, vorgegebener Strukturen von großer Bedeutung. Zudem besteht eine große
Freiheit bei der Wahl eines geeignetes Wavelets, wodurch die Wavelet-Transformation
an unterschiedliche Anwendungsfälle angepasst werden kann.
Als eine wichtige medizinische Anwendung kann ein Verfahren zur Detektion
vorgebbarer Strukturen eines zu analysierenden Bildes beispielsweise zur Detektion von
Mikrokalk in der digitalen Mammographie dienen. Denn Mikroverkalkungen sind ein
frühes Warnzeichen für Brustkrebs und können sogar das alleinige Anzeichen für ein
Mammakarzinom sein.
Die zuverlässige Detektion von Mikrokalk in Mammographien ist jedoch aus
verschiedenen Gründen äußerst schwierig: Die in der digitalen Mammographie erzeugten
Bilder weisen üblicherweise ein sehr schlechtes Signal-Rauschverhältnis auf; die
Aufnahmeparameter der Bildentstehung sind in der Regel nicht verfügbar; die
Aufnahmen enthalten eine Vielfalt komplexer Strukturen und der zu detektierende
Mikrokalk ist sehr klein, in der Form variantenreich und nur schwer zu erkennen.
Gleichzeitig werden von einem Detektionsverfahren wegen der großen Bedeutung der
Krebsfrüherkennung sehr niedrige Fehlerraten erwartet.
Als Mikrokalk bezeichnet man Kalkablagerungen mit einem Durchmesser von 0,05 mm
bis 1 mm. Dies entspricht auf einem mit 0,1 mm Pixelgröße digitalisierten Bild ca. ein bis
zehn Bildpunkten. Als medizinisch relevant werden Cluster ab etwa vier
Einzelverkalkungen pro 1 cm2 angesehen.
Bei der Detektion von Mikroverkalkungen in Bildern aus der Mammographie stellen sich
im wesentlichen zwei Aufgaben. Zum einen ist ein Merkmalvektor mit Merkmalen zu
definieren, anhand derer das Vorhandensein von Mikroverkalkungen an den einzelnen
Bildpunkten überprüfbar ist. Darüber hinaus ist ein Klassifikator anzugeben, mit dem die
Merkmale derart klassifiziert werden, dass das Vorhandensein oder nicht Vorhandensein
von Mikrokalk an den einzelnen Bildpunkten aus der Klassifikation der Merkmale
feststellbar ist.
Es ist bekannt, zur Detektion von Mikroverkalkungen in einem ersten Schritt pixelweise
Merkmale zu berechnen, um Mikrokalkherde zu lokalisieren, und diese Information zur
Segmentation des Bildes zu verwenden. Dieser auf der Segmentation beruhende Ansatz
hat jedoch den Nachteil, dass er einen hohen Rechenaufwand erfordert und wegen des
geringen Kontrastes und starken Rauschens nur eine ungenaue Segmentation der
Ränder von Mikrokalk zulässt. Hierdurch wird eine zuverlässige Anwendung von
Formmerkmalen bei der Detektion von Mikrokalk unmöglich.
In "Classification of microcalcifications using texture based features"
von D. Meersman, P. Scheunders and D. van Dyck, aus Digital Mammography, Editors
K. Doi and M. L. Giger, G. Elsevier Science B.V. (1998) wird daher vorgeschlagen, die zur
Detektion von Mikrokalk dienenden Merkmale nicht aus einer Segmentation zu
gewinnen, sondern direkt aus lokalen Bildumgebungen abzuleiten. Damit ist es bei
Verwendung einer Wavelet-Transformation möglich, aus den Wavelet-Koeffizienten
geometrische Informationen zu ermitteln, ohne eine explizite Segmentation des Bildes
durchzuführen.
In der sogenannten "scale-space"-Theorie, die einen Vorläufer der Wavelet-Theorie in
der Bildverarbeitung darstellt, werden Maxima über Skalen betrachtet und daraus auf die
Größe eines gesuchten Signales geschlossen. In "A scale-space approach for the
detection of clustered microcalcifications in digital mammogramms" von T. Netsch, aus
Digital Mammography, Editors K. Doi and M. L. Giger, G. Elsevier Science B.V. (1998)
und "Automated Detection of Clustered Microcalcifications in Digital Mammogramms"
von Thomas Netsch, Universität Bremen (1998) wird diese Theorie auf die Detektion von
Mikrokalk in der Bildverarbeitung angewandt. Dabei wird aus dem Maximum und dem
Wert der "scale-space"-Darstellung an einem Bildpunkt auf die Größe und den Kontrast
des Mikrokalkes geschlossen. Dieses Verfahren kann jedoch nicht sicher zwischen
Mikrokalk und Artefakten oder Gefäßstrukturen unterscheiden. Dies ist darauf
zurückzuführen, dass nur isotrope Filter verwendet werden.
Bei den vorbeschriebenen bekannten Verfahren besteht grundsätzlich das Problem, dass
Fehldetektionen - also die fehlerhafte Markierung von Bildpunkten, die keinen Mikrokalk
enthalten - auftreten, und zwar ausgelöst durch Artefakte, wie z. B. Staub und Kratzer,
sowie durch linienartige Gefäßstrukturen.
Der Erfindung liegt daher das Problem zugrunde, ein Verfahren zur Detektion
vorgegebener Strukturen in einem zu analysierenden Bild zu schaffen, bei dem die zu
detektierenden Strukturen, insbesondere Mikrokalk aus Aufnahmen in der
Mammographie, von vergleichbaren Strukturen, wie Rauschen, Kratzartefakten und
Staub zuverlässig unterschieden werden können.
Diese Aufgabe wird erfindungsgemäß durch die Schaffung eines Verfahrens mit den
Merkmalen des Patentanspruchs 1 bzw. des Patentanspruchs 4 gelöst.
Die Merkmale beider Patentansprüche beruhen auf der Erkenntnis, dass durch die
Verwendung verbesserter Merkmale, anhand deren die zu detektierende Struktur, z. B.
Mikrokalk, identifizierbar ist, Fehler bei der Detektion der entsprechenden Strukturen
erheblich verringert werden können. Dabei handelt es sich jeweils um Merkmale, die
lokal an einem Bildpunkt bestimmt werden und daher lokal die Eigenschaften des Bildes
repräsentieren, insbesondere lokal das Vorhandensein oder Nichtvorhandensein der zu
detektierenden Struktur bestimmbar machen.
Gemäß Patentanspruch 1 ist vorgesehen, dass als eines der Merkmale die lokale
Lipschitz-Regularität für die einzelnen Bildpunkte aus der Abklingordnung der Wavelet-
Koeffizienten über den Skalen der Wavelet-Koeffizienten berechnet wird. Die punktweise
Lipschitz-Regularität einer Funktion (auch Hölder-Regularität genannt) wird also durch
die Abklingordnung ihres jeweiligen Wavelet-Koeffizienten an dem entsprechenden
Bildpunkt über Skalen charakterisiert.
Die theoretischen Grundlagen hierzu sind beispielsweise in "Wavelets - An Analysis
Tool" von M. Holschneider, Oxford University Press (1995) und "Wavelet Tour of Signal
Processing" von S. Mallat, Academic Press (1998) beschrieben. Die punktweise
Lipschitz-Regularität ist zwar nur für kontinuierliche Funktionen definiert. Der
Zusammenhang über die Abklingordnung der Wavelet-Koeffizienten, die auch für
diskrete Funktionen bestimmt werden können, erlaubt es jedoch, die punktweise
Lipschitz-Regularität auch für diskrete Funktionen zu schätzen, vergleiche S. Mallat and
S. Zhong, "Characterisation of Signals from Multiscale Edges" in IEEE Transactions on
Pattern Analysis and Machine Intelligence, Volume 14, number 7 (1992); pages 710-732.
Die entsprechende Theorie ist bisher lediglich für eindimensionale Signale beschrieben.
Die hier vorgeschlagene Anwendung dieser Theorie in der Bildverarbeitung zur Detektion
vorgegebener Strukturen, z. B. von Mikrokalk in der digitalen Mammographie, bietet den
wichtigen Vorteil, dass mit Hilfe der aus der Lipschitz-Regularität gewonnenen
Informationen Mikrokalk von Artefakten, wie z. B. Staub oder Kratzern im Film,
unterschieden werden kann. Dabei wird die Tatsache ausgenutzt, dass sich solche
Artefakte durch scharf umrandete Strukturen mit hohem Kontrast auszeichnen, während
Mikrokalk, zumindest bei hinreichend hoher Auflösung, glatt erscheint.
Weitere Einzelheiten hierzu werden weiter unter bei der Beschreibung eines
Ausführungsbeispiels der Erfindung dargelegt werden.
Die Lipschitz-Regularität wird vorzugsweise aus der Steigung der logarithmierten
Wavelet-Koeffizienten berechnet, und zwar insbesondere entlang einer Linie der Skalen
des jeweiligen Wavelet-Koeffizienten.
Gemäß Patentanspruch 4 wird als ein Merkmal, anhand dessen die zu detektierende
Struktur identifizierbar ist, der lokale Kontrast der Wavelet-Koeffizienten an den
einzelnen Bildpunkten für verschiedenen Skalen berechnet, wobei der lokale Kontrast
definiert ist durch die lokale Normierung des jeweiligen lokalen Wavelet-Koeffizienten zu
einer bestimmten Skala bezogen auf einen Mittelwert der Grauwertintensität des Bildes
in einer Umgebung des entsprechenden Bildpunktes.
Diese Lösung geht aus von dem sogenannten Transferproblem, wonach Methoden aus
der statistischen Mustererkennung in der Bildanalyse nicht ohne weiteres anwendbar
sind, da diese Methoden die Stationarität der Merkmalsstatistiken voraussetzt. In der
Bildanalyse schwanken jedoch die Merkmalsstatistiken von Bild zu Bild und häufig sogar
innerhalb eines Bildes. Dies setzt der Anwendung sogenannter trainierter Klassifikatoren
auf Probleme der Bildanalyse enge Grenzen, da der Transfer des gleichen Klassifikators
über verschiedene Bilder bzw. sogar die Anwendbarkeit innerhalb eines Bildes wegen
der Schwankungen der Merkmalsstatistiken erschwert wird.
Speziell bei der Anwendung von Wavelet-Koeffizienten im Zusammenhang mit der
Auswertung von Röntgenbildern stellt sich das Problem, dass die Standardabweichung
der Wavelet-Koeffizienten an die Grauwertintensität des Bildes gekoppelt ist. Dies ist
darauf zurückzuführen, dass Wavelet-Koeffizienten, insbesondere die Wavelet-
Koeffizienten der höheren Skalen, einen großen Anteil Rauschen enthalten. Diese
Kopplung der Rauschleistung an die Intensität ist aus der Röntgentechnik bekannt. Somit
sind Klassifikatoren, die unmittelbar auf Wavelet-Koeffizienten aufsetzten, in ihrer
Fähigkeit zum Transfer beschränkt.
Dieses Problem wird vorliegend durch eine geeignete Normierung der Wavelet-
Koeffizienten behoben, indem die Wavelet-Koeffizienten an den einzelnen Bildpunkten
jeweils durch den Mittelwert der Grauwertintensität in einer lokalen Umgebung des
entsprechenden Bildpunktes normiert werden. Die hier verwendete Definition des lokalen
Kontrastes geht zurück auf Duval-Destin, vergl. "Analyse spatiale et spatio-temporelle de
la stimulation visuelle à l'aide de la transformatée en ondelettes", Université d'Aix-
Marseille II, France (1991), und wird hier erfindungsgemäß zur Normierung von
Wavelet-Koeffizienten zum Zwecke der Auswertung durch statistische Klassifikatoren im
Zusammenhang mit der Bildanalyse angewandt.
In einer bevorzugten Weiterbildung erfolgt die lokale Normierung mittels einer Funktion,
die die Abhängigkeit der Standardabweichung der Wavelet-Koeffizienten von der
mittleren Grauwertintensität in der Umgebung des jeweiligen Bildpunktes beschreibt. Die
lokale Normierung kann dabei unmittelbar aus den Wavelet-Koeffizienten selbst ermittelt
werden.
In einer bevorzugten Weiterbildung der Erfindung werden als Merkmale weiterhin mehr
als zwei, vorzugsweise sechs bis acht Richtungsfilter berechnet, um die zu
detektierenden Strukturen von anderen Strukturen des Bildes zu unterscheiden.
Hierdurch wird das Problem angegangen, dass eine Vielzahl von Fehldetektionen bei
den bisher bekannten Verfahren darauf zurückzuführen ist, dass bestimmte
Gefäßstrukturen, insbesondere in Kreuzungspunkten, mikrokalkähnliche helle
Markierungen erzeugen.
Durch die Verwendung mehrerer Richtungsfilter zur Erzeugung von Merkmalen, anhand
derer die zu detektierende Struktur bestimmbar ist, kann die lokale Orientierung der an
bestimmten Bildpunkten auftretenden Strukturen zur Unterscheidung zwischen Mikrokalk
und anderen Gefäßstrukturen genutzt werden. Dazu werden die mehreren Richtungsfilter
basierend auf einer Wavelet-Transformation aus den Wavelet-Koeffizienten berechnet.
Anschließend wird skalenweise die Autokorrelation bezüglich des Rotationsparameters
bestimmt. Die Mittelung über Skalen führt dann auf ein Merkmal, das die lokale
Orientierung der jeweiligen Struktur an den einzelnen Bildpunkten berücksichtigt.
Besonders vorteilhaft ist, dass alle vorgenannten Merkmale, also die Lipschitz-
Regularität, der lokale Kontrast der Wavelet-Koeffizienten sowie das Merkmal basierend
auf den Richtungsfiltern aus den Wavelet-Koeffizienten berechnet werden können, und
zwar aus einer Wavelet-Transformation. Die Merkmale lassen sich dabei jeweils lokal an
den einzelnen Bildpunkten bestimmen.
Für die Ausführung der Wavelet-Transformation werden vorzugsweise sogenannte
integrierte Wavelets verwendet, die über ihre Fouriertransformierte definiert sind. Die
Fouriertransformierte der einzelnen integrierten Wavelets wird dabei jeweils durch eine
gewichtete Mittelung über einen Satz kontinuierlicher (d. h. nicht diskretisierter) Wavelets
erzeugt. Die Mittelung über die kontinuierlichen Wavelets erfolgt durch Integration,
weshalb die gemittelten Wavelets als integrierte Wavelets bezeichnet werden. Für
weitere Einzelheiten sei auf die DE 100 10 279 A1 verwiesen, auf die hinsichtlich der
Verwendung integrierter Wavelets für die Bildbearbeitung voll inhaltlich Bezug
genommen wird.
Die Verwendung integrierter Wavelets zur Durchführung einer Wavelet-Transformation
für die Bildanalyse hat den Vorteil, dass auf diese Weise Wavelets erzeugt werden
können, die durch die Wahl einer geeigneten, gewichteten Mittelung über kontinuierliche
Wavelets genau die Eigenschaften aufweisen, die für eine Hervorhebung ausgewählter
Strukturen eines Bildes erforderlich sind. Es besteht dadurch eine erheblich größere
Flexibilität bei der Wahl geeigneter Wavelets als in dem Fall, bei dem die kontinuierlichen
Wavelets zur praktischen Durchführung einer Rechnung diskretisiert werden.
Bei der nach Berechnung der genannten Merkmale erfolgenden Klassifikation der
Merkmale werden die einzelnen Bildpunkte jeweils als der zu detektierenden Struktur
zugehörig oder nicht zugehörig klassifiziert.
Das erfindungsgemäße Verfahren kann sowohl zur Bearbeitung digitaler als auch zur
Bearbeitung digitalisierter Röntgenaufnahmen verwendet werden.
Wie bereits erwähnt, kann das Verfahren insbesondere zur Bearbeitung von Bilddaten in
der (digitalen) Mammographie verwendet werden, um mikrokalkförmige Strukturen im
Körpergewebe zu identifizieren.
Für weitere Einzelheiten hinsichtlich des theoretischen (mathematischen) Hintergrundes
der erfindungsgemäßen Verfahren wird auf "Wavelet-Methoden zur Analyse
mammographischer Bilddaten", Peter Heinlein, Dissertation, Technische Universität
München (2001) verwiesen.
Weitere Merkmale und Vorteile der Erfindung werden bei der nachfolgenden
Beschreibung von Ausführungsbeispielen anhand der Figuren deutlich werden.
Es zeigen:
Fig. 1 eine Übersichtsdarstellung in Form eines Flussdiagrammes
betreffend die Detektion vorgegebener Strukturen durch Analyse
eines Bildes;
Fig. 2a das Ergebnis einer Analyse gemäß Fig. 1;
Fig. 2b das Ergebnis einer Analyse gemäß Fig. 1 mit einem einfachen
Detektions-Algorithmus, basierend auf der Hervorhebung von
Mikrokalk mit nachfolgender Schwellwertbildung, wobei jedoch
Fehldetektionen vorliegen;
Fig. 3a eine Darstellung der Maxima einer Wavelet-Analyse eines zu
analysierenden Bildes in Abhängigkeit von dem Ort und der Skala
der Wavelets;
Fig. 3b einen Schnitt durch einen Bildbereich, in dem vier
Mikroverkalkungen sowie vier Artefakte vorliegen;
Fig. 3c die Amplitude der Maxima-Linien aus Fig. 3b über der Skala;
Fig. 3d die Koeffizienten für Mikrokalk und Artefakte zweier geeigneter
Skalen einer Waveletzerlegung;
Fig. 4a bis 4c Autokorrelation der aus Richtungsfiltern gewonnenen Information
bezüglich des Rotationsparameters für unterschiedliche
Strukturen aus der Mammographie, bei denen es sich nicht um
Mikrokalk handelt;
Fig. 4d Autokorrelation der aus Richtungsfiltern gewonnenen Information
bezüglich des Rotationsparameters für eine auf Mikrokalk
zurückgehenden Struktur.
Fig. 1 zeigt schematisch den Aufbau eines Gesamtalgorithmus für ein Verfahren zur
Detektion von Mikrokalk in der digitalen Mammographie.
Ausgehend von der Originalaufnahme 1 wird durch ein Segmentationsverfahren 2 im
Rahmen einer CAD-Analyse C die Brust lokalisiert. Hierfür sind verschiedene Verfahren
bekannt. Die folgenden Arbeitsschritte beziehen sich nur noch auf den so ermittelten
Brustbereich.
Es folgt ein Verfahren zur lokale Normierung der Kontrastes (Preprocessing 3). Dabei
wird eine Variation des von Veldkamp und Karssemeijer in "Improved correction for
signal dependent noise applied to automatic detection of microcalcifications", Digital
Mammography 98, Elsevier Science B.V. beschriebenen Verfahrens verwendet.
Anschließend erfolgt in Schritt 4 eine Wavelet-Zerlegung des Signales. Dazu wird eine
translationscovariante Wavelet-Zerlegung verwendet. Speziell werden integrierte
Wavelets benutzt. Es kann jedoch auch eine andere translationscovariante Wavelet-
Zerlegung verwendet werden.
Die vorliegende Erfindung betrifft den fünften Schritt. Hier werden aus den Wavelet-
Koeffizienten drei neuartige pixelweise Merkmale berechnet, nämlich die punktweise
Lipschitz-Regularität (Schritt 5a), die lokale Orientierung (Schritt 5b) und der lokale
skalierungsinvariante Kontrast (Schritt 5c).
Eine Kaskade von Klassifikatoren 6, z. B. Support-Vektor-Maschinen, vergl. "An
Introduction to Support Vector Machines", N. Cristianini, J. Shawe-Taylor, Cambridge
University Press, generiert zu jedem Pixel aus dem Merkmal eine Entscheidung, d. h.
jeder Pixel wird der Klasse "Mikrokalk" oder "nicht Mikrokalk" zugeordnet. In dem ersten
Fall wird zusätzlich eine "Score"-Zahl ausgegeben, welche die Sicherheit der
Entscheidung repräsentiert.
Ein abschließendes Postprocessing 7 verwirft isolierte Einzeltreffer, welche nicht zu
einem Mikrokalk-Cluster gehören, denn ein Mikrokalk-Cluster besteht aus mindestens
drei Einzelverkalkungen. Weiter kann die Sensitivität durch Festlegen eines
Schwellwertes für die "Score"-Zahl variiert werden.
Das Ergebnis des Detektionsalgorithmus wird als Overlay zur Originalaufnahme auf dem
Monitor 8 einer Datenverarbeitungsanlage W dargestellt.
Nachfolgend werden die Verfahrenschritte 5a, 5b und 5c, die die punktweise Lipschitz-
Regularität, die lokale Orientierung und den lokalen skalierungsinvarianten Kontrast
betreffen, näher beschrieben, basierend auf "Wavelet-Methoden zur Analyse
mammographischer Bilddaten", Peter Heinlein, Dissertation, Technische Universität
München (2001). Es sei darauf hingewiesen, dass die folgenden Beispiele nur
exemplarischen Charakter haben und die neuen Prinzipien des vorbeschriebenen
Verfahrens demonstrieren sollen. Die neuen Merkmale lassen sich auch in anderer
Kombination und für andere Zwecke als die Detektion von Mikrokalk verwenden.
Fig. 2a und 2b illustrieren die Problematik, die bei der Detektion von Mikrokalk in der
Mammographie auftritt. Fig. 2a zeigt in einer zweidimensionalen Bildebene (die durch die
beiden Achsen des dargestellten Koordinatensystems aufgespannt wird) die
Mikrokalkherde und Fig. 2b das Ergebnis eines einfachen Detektionsalgorithmus,
basierend auf der Hervorhebung von Mikrokalk und folgender Schwellwertbildung. Die
zugrundeliegende Originalaufnahme findet sich in "Wavelet-Methoden zur Analyse
mammographischer Bilddaten ", Peter Heinlein, Dissertation, Technische Universität
München (2001), S. 188.
Gemäß Fig. 2b werden bei der Bildanalyse nicht nur diejenigen Bildpunkte markiert, an
denen tatsächlich Mikrokalk auftritt sondern darüber hinaus auch eine Vielzahl weiterer
Bildpunkte im linken oberen Quadranten. Hierbei handelt es sich um ein für
Radiographien typisches Kratz-Artefakt. Solche Artefakte entstehen häufig beim
Hantieren mit dem Film. Weiter fallen zusätzliche linienförmiges Gewebe und
Gewebekreuzungen auf. Beide Strukturen können zu Fehlalarmen, d. h. der irrtümlichen
Annahme, es sei an bestimmten Stellen Mikrokalk vorhanden, obwohl es sich hierbei um
andere Strukturen handelt.
Die vorliegend zur Bildanalyse verwendete Wavelet-Transformation zerlegt ein Bild in
Anteile zu verschiedenen Skalen und Orientierungen. Sie erlaubt damit, aus einem Bild
geometrische Information zu gewinnen, ohne eine zeitraubende und im Fall von
Mammographien extrem fehleranfällige Segmentation des Bildes durchzuführen.
Die kontinuierliche Wavelet-Transformierte WTψf einer Funktion f∈ L2(R2) zum Wavelet ψ
berechnet sich durch Bildung des Skalarproduktes als
WTψf(b,a,ρ) := <f, U(b,a,ρ)ψ<
= ∫R2 f(x)a-1/2 ψ(ρ(x-b)/a)dx, b ∈ R2, a < 0, ρ ∈ SO(2).
= ∫R2 f(x)a-1/2 ψ(ρ(x-b)/a)dx, b ∈ R2, a < 0, ρ ∈ SO(2).
Dabei bezeichnet U(b,a,ρ ) die Operationen der Translation T um den Betrag b, der
Dilatation D um den Faktor a und der Rotation R um den Winkel ρ. Es gilt
U(b,a,ρ)ψ(x) := TbDaRρψ(x) = a-1/2 ψ(ρ(x-b)/a).
Die Abbildung f → WTψf heißt Wavelet-Transformation von f zum Wavelet ψ. Die
Funktion WTψf wird Wavelet-Transformierte oder auch Wavelet-Koeffizient von f zum
Wavelet ψ genannt.
Schreibt man WTψf als Faltung, so erhält man
WTψf(b,a,ρ) = f.DaRρTψ(b)
wobei der Operator T die Involution Tψ(b) := ψ(-b) ist. In dieser Notation als Faltung
wird die Funktion DaRρTψ(b) auch als Filter bezeichnet.
Bei der zu transformierenden Funktion f handelt es sich vorliegend um eine Bildfunktion,
die jedem Bildpunkt eines zu analysierenden Bildes das Signal zuordnet, welches das
Bild an dem entsprechenden Bildpunkt repräsentiert.
Eine diskrete (wenn in der Regel auch nicht umkehrbare) Transformation für diskrete
Funktionen f∈ I2(Zn 2), entsprechend einer endlichen Zahl an Bildpunkten bei endlicher
Auflösung, erhält man durch Einschränkung der kontinuierlichen Parameter b, a und ρ
auf eine diskrete Teil-Menge. Dabei wird der Translationsparameter b kanonisch auf das
diskret gegebene Signal f eingeschränkt.
Für eine fixierte Zahl an Skalen-Parametern a1, . . ., ak sowie Rotations-Parametern ρ1, . . .,
ρm bezeichnet man die Familie von Filtern
{DaRρTψ, mit a∈{a1, . . ., ak} und p∈{ρ1, . . ., ρm}}
als Filterbank.
Als Wavelet kann zum Beispiel das Cauchy-Wavelet, vergl. J.-P. Antoine, R. Murenzi, P.
Vandergheynst, Directional Wavelets Revisited: Cauchy wavelets and Symmetry
Detection in Patterns, Applied and Computational Harmonic Analysis, 1999, Vol. 6,
314-345, verwendet werden. Wir nutzen im folgenden ein ähnliches aus dem Gauß-Wavelet
erzeugtes Richtungsfilter, welches im Fourier-Raum definiert ist durch:
Fψ(ω) := µ(|ω|)η(arg(ω)), ω∈R2, (F bezeichnet die Fourier-Transformation)
mit
µ(z) := ||z||2e-||z||/2 , z<0
und
η(ρ) := cos2(ρ/α), falls ρ∈ [-απ/2, απ/2], und η(ρ) := 0 sonst.
Sei eine Folge a0 = 0 < a1 < a2 < . . . < an < an+1 := ∝ gegeben. Als zugehörige integrierte
Wavelets Ψj bezeichnen wir die im Fourier-Raum gegebenen Funktionen
Als Skalierungsfunktion bezeichnen wir die im Fourier-Raum gegebene Funktion
Die integrierte Wavelet-Transformation WTl ψf einer Funktion f∈ L2(R2) zum Wavelet ψ
lautet
WTl ψf(b,j,ρ) := <f, TbRρ Ψj <, b ∈ R2, j = 0, . . ., n, ρ ∈ SO(2).
Ein spezieller Vorteil der integrierten Wavelet-Transformation ist, dass sich alle im
folgenden genannten Merkmale aus einer einzigen Filterbank generieren lassen. Dies
erspart Rechenzeit gegenüber separaten Filterbänken für jedes Merkmal.
Als erstes Merkmal, welches gemäß den Ausführungen zu Fig. 1 auf der Grundlage der
Wavelet-Transformation und der Wavelet-Koeffizienten berechnet werden soll, sei nun
die sogenannte lokale (punktweise) Lipschitz-Regularität betrachtet.
Die punktweise Lipschitz-Regularität einer Funktion (auch Hölder-Regularität genannt)
wird durch die Abklingordnung ihres Wavelet-Koeffizienten über Skalen charakterisiert.
Theoretische Grundlagen dazu finden sich in "Wavelets - An Analysis Tool" von M.
Holschneider, Oxford University Press (1995) und "Wavelet Tour of Signal Processing"
von S. Mallat, Academic Press (1998). Die punktweise Lipschitz-Regularität ist nur für
kontinuierliche Funktionen definiert. Der Zusammenhang über die Abklingordnung der
Wavelet-Koeffizienten, welche auch für diskrete Funktionen bestimmt werden kann,
erlaubt, die punktweise Lipschitz-Regularität auch für diskrete Funktionen zu schätzen,
vergl. S. Mallat and S. Zhong, "Characterisation of Signals from Multiscale Edges" in
IEEE Transactions on Pattern Analysis and Machine Intelligence, Volume 14, number 7
(1992); pages 710-732.
Die Theorie wurde bisher nur für eindimensionale Signale beschrieben und ist hier auf
zweidimensionale Bilder erweitert. Vorliegend wird durch Verwendung der Lipschitz-
Regularität als Merkmal in der Bildverarbeitung und speziell in der digitalen
Mammographie Mikrokalk von Artefakten, wie z. B. Staub oder Kratzer im Film,
unterschieden. Dabei wird ausgenutzt, dass sich solche Artefakte durch scharf
umrandete Strukturen mit hohem Kontrast auszeichnen, während Mikrokalk dagegen,
zumindest bei hoher Auflösung, glatt ist.
Dies demonstrieren die Fig. 3a bis 3d. Es wurden je vier Schnitte durch Artefakte
bzw. Mikroverkalkungen aus den Bilddaten extrahiert. Diese wurden durch stetige
Konkatenation zu dem in Fig. 3b dargestellten Signal zusammengesetzt, welches den
Grauwert des Bildes in Abhängigkeit vom Bildpunkt entlang der Schnittlinie zeigt.
Darüber sind in Fig. 3a die Maxima-Linien der Wavelet-Analyse dieses Signales
dargestellt, d. h. die Linien der lokalen Skalenmaxima von WTψf, wobei zu Artefakten
gehörende gestrichelt, zu Mikrokalk gehörende durchgezogen und sonstige gepunktet
dargestellt sind - berechnet nach S. Mallat, "A Wavelet Tour of Signal Processing",
Academic Press (1998).
Der Betrag der zu Mikrokalk (durchgezogen) gehörenden und der zu Artefakten
(gestrichelt) gehörenden Maxima-Linien ist in Fig. 3c gezeigt. Es handelt sich jeweils um
die Amplitude von WTψf(b,a) auf logarithmierter Skala für verschiedene Werte b
(Bildpunkte). Dabei gehört zu jedem festen b eine stetige Linie. Der genannte Betrag ist
für Mikrokalk und Artefakte vergleichbar und in beiden Fällen größer als bei
Hintergrundstrukturen. Beide Klassen haben daher auch lange Maxima-Linien, vergl. Fig.
3a. Allein anhand des Betrages könnte man also Artefakte und Mikrokalk nicht trennen.
Jedoch gibt es einen Unterschied in der Abklingordnung: Die Steigung der
logarithmierten Maxima-Linien in Fig. 3c ist bei Artefakten geringer als bei Mikrokalk.
Dies entspricht der postulierten geringeren Regularität der Artefakte.
Das Merkmal "Lipschitz-Regularität" kann also Mikrokalk und Kratz-Artefakte unterschei
den, da diese Strukturen unterschiedliche Lipschitz-Regulariät besitzen und daher durch
das Verhalten der Wavelet-Koefflzienten entlang der Maxima-Linie unterschieden werden
können. Im Gegensatz zu vielen Ansätzen in der Literatur, in denen versucht wird,
Mikrokalk mit Kantendetektoren zu finden, wird Mikrokalk hier gezielt nicht als Kante
modelliert.
Die punktweise Lipschitz-Regularität Lip(b) ergibt sich durch die Abklingordnung der
Wavelet-Koeffizienten über Skalen. Diese lässt sich als Steigung der logarithmierten
Wavelet-Koeffizenten ermitteln. Wir approximieren Lip(b) im Punkt b durch
Lip(b) := cmin, wobei (cmin, dmin) den Ausdruck
minc,d Σa ∈ A |La-c a + d|2
minc,d Σa ∈ A |La-c a + d|2
minimiert ("linearer Fit"). Die Koeffizienten La ergeben sich aus
La := log2|WTψf(b,a)|, a∈A.
Die Lipschitz-Regularität wird zwar theoretisch durch die Abklingordnung der Wavelet-
Koeffizienten entlang Maxima-Linien bestimmt. Bei der praktischen Umsetzung
betrachten wir nur die Koeffizienten entlang der Senkrechten WTψf (b,.). Dies ist
numerisch stabiler und ermöglicht eine schnellere Berechnung, da die aufwendige
Verkettung der Maxima über Skalen wegfällt. Begründet ist diese Vereinfachung
dadurch, dass, wie Fig. 3a zeigt, die Maxima-Linien im für die Bestimmung der Abklingrate
interessanten Bereich der feinen Skalen am unteren Bildrand fast senkrecht verlaufen.
Es sind zahlreiche Varianten denkbar, das oben beschriebene Merkmal auf einfacherem
Weg zu Nutzen. Als Beispiel sei folgende Konstruktion genannt. In Fig. 3d werden
exemplarisch beispielsweise die Koeffizienten für Mikrokalk und Artefakte zweier
geeigneter Skalen einer Waveletzerlegung gegeneinander aufgetragen, d. h. WTψf(b,a1)
für eine fest gewählte Skala a1 und WTψf(b,a2) für eine fest gewählte Skala a2.
Eingezeichnet sind für eine Teilmenge der Orte b∈R2 Kreise, falls f an der Stelle b mit
einem Artefakt und Kreuze, falls f in b mit Mikrokalk korrespondiert. Mikrokalk und
Artefakt lassen sich offensichtlich durch eine Gerade gut trennen. Dies kann z. B. durch
Fishers lineare Diskriminante als Klassifikator gemäß "Pattern classification and scene
analysis" von R. Duda and P. Hart, John Wiley & Sons, USA (1973) erfolgen. Zum
Vergleich ein Verfahren aus "Automated Detection of Clustered Microcalcifications in
Digital Mammogramms" von Thomas Netsch, Universität Bremen (1998). Dort werden
Maxima über Skalen einer sogenannten "scale-space" Zerlegung betrachtet und das
Maximum und der Betrag der "scale-space"-Darstellung an dieser Stelle als Merkmal
verwendet. Dieses Merkmal enthält keine Regularitätsinformation. So wird dort auch
beschrieben, dass mit diesem Merkmal nicht zwischen Artefakt und Mikrokalk
unterschieden werden kann.
Auf den ersten Blick scheint es sinnvoll zu sein, den Wavelet-Koeffizienten selbst als
Merkmal zu verwenden. Da die Lipschitz-Regularität hieraus berechnet wird, ist die
entsprechende Information implizit bereits im Wavelet-Koeffizenten enthalten. Jedoch
hätte ein solches Merkmal wesentlich mehr Dimensionen. Ein darauf aufbauender
Klassifikator würde um Größenordnungen mehr Trainingsbeispiele benötigen, bis er
akzeptable Trennschärfe bietet. Dagegen wird durch das Merkmal Lipschitz-Regularität
dem Klassifikator Arbeit abgenommen, er wird robuster und benötigt weniger
Trainingsbeispiele.
Versucht man Klassifikationsalgorithmen aus der statistischen Mustererkennung auf
Probleme der Bildanalyse anzuwenden, so stößt man auf das sogenannte
Transferproblem, vergl. "Image Processing with Neural Networks - A Review", M.
Egmont-Petersen, D. de Ridder, H. Handels, Pattern Recognition, Elsevier Science,
2001. Methoden aus der statistischen Mustererkennung setzen die Stationarität der
Merkmalsstatistiken voraus. Dies ist aber in Anwendungen der Bildanalyse i. A. nicht
erfüllt. Merkmalsstatistiken schwanken i. A. von Bild zu Bild und können sogar innerhalb
eines Bildes schwanken. Das setzt der Anwendung trainierter Klassifikatoren auf
Probleme der Bildanalyse enge Grenzen, da der Transfer des gleichen Klassifikators
über verschiedene Bilder bzw. die Anwendbarkeit sogar innerhalb des gleichen Bildes
erschwert wird.
Speziell stellt sich bei der Anwendung von Waveletkoeffizienten im Zusammenhang mit
der Röntgentechnik das Problem, dass die Standardabweichung der
Waveletkoeffizienten an die Grauwertintensität gekoppelt ist. Dies ist darauf
zurückzuführen, dass Waveletkoeffizienten insbesondere der höheren Skalen einen
großen Anteil Rauschen enthalten. Die Koppelung der Rauschleistung an die Intensität
ist aus der Röntgentechnik bekannt, vergl. "The physics of medical imaging", S. Webb,
IOP Publishing Ltd, Bristol, 1988. Damit sind Klassifikatoren, die unmittelbar auf
Waveletkoeffizienten aufsetzen, in ihrer Fähigkeit zum Transfer beschränkt. Das
wiederum motiviert eine geeignete Kontrolle und Normierung der Waveletkoeffizienten.
M. Duval-Destin untersuchte in "Analyse spatiale et spatio-temporelle de la stimulation
visuelle à l'aide de la transformatée en ondelettes", Université d'Aix-Marseille II, France
(1991) die Verarbeitung visueller Reize durch das visuelle System des Menschen. Er
verwendete Wavelets zur Definition eines lokalen Kontrast-Begriffes. Sei ψ ∈ L2(R2) ein
Wavelet und ϕ ∈ L2(R2) die assoziierte Skalierungsfunktion. Der lokale Kontrast Ca(f)(b)
von f im Punkt b zur Skala a ist definiert durch
Ca(f)(b) := <f, U(b,a)ψ< / <f, U(b,a)ϕ <.
Dieses Maß kann als Vergleich des Anteils in Skala a (Zähler) zum Mittelwert der
Grauwertintensität in einer lokalen Umgebung (Nenner) interpretiert werden. Es ist um so
größer, je größer der Waveletkoeffizient der Skala a im Vergleich zum Hintergrund ist.
Der Grad der Lokalisierung wird durch den Skalenparameter a gesteuert. Durch obige
Division fällt die Skalierung von f heraus, Ca(f) ist homogen. Dieser Ansatz ist jedoch
allgemein für visuelle Reize formuliert. Bei der Applikation der statistischen
Mustererkennung auf Aufgabenstellungen der Bildanalyse in der Röntgentechnik kann
man speziellere und stärkere Vorraussetzungen zugrundelegen.
Die Besonderheiten bestehen vorliegend zum einen in der Benutzung der Methode von
Duval-Destin zur Normalisierung von Waveletkoeffizienten zum Zwecke der Auswertung
mit statistischen Klassifikatoren im Kontext der Bildanalyse und zum anderen in der
Erweiterung für die speziellen Gegebenheiten der Röntgentechnik. Hierzu erfolgt eine
Erweiterung des lokalen Kontrastes um eine Funktion σf(µ), die die Abhängigkeit der
Standardabweichung der Waveletkoeffizienten von der mittleren Grauwertintensität in
einer lokalen Umgebung von b beschreibt:
C'a(f)(b) := <f, U(b,a)ψ< / σf(<f, U(b,a)ϕ <).
Die spezielle Wahl der Identitätsfunktion σf(µ)=µ ergäbe wieder Duval-Destins
ursprüngliche Methode. Der Wert der Einführung von σf(µ) besteht vor allem darin, für
jede Aufnahme eine geeignet angepasste Funktion σf(µ) wählen zu können, entweder
durch physikalisch-technische Modellierung oder durch adaptive Schätzung aus einer
vorliegenden Aufnahme selbst:
Sei C := <f, U(b,a)ψ< und µ = <f, U(b,a)ϕ<. Die Funktion σf ist die Varianz der Zufallsvariable
C in Abhängigkeit von der Bedingung µ:
σ2 f(µ) := Var{C|µ} = Var{<f, U(b,a)ψ<|µ}
Die Formulierung eines geeigneten Schätzers auf σ2 f ist Bestandteil einer konkreten
Implementation. Solche Schätzer sind als Stand der Technik bekannt. Durch die
Adaption ist sichergestellt, dass der gleiche Klassifikator auf verschiedene Aufnahmen
anwendbar ist. Wichtig ist vorliegend die erfindungsgemäße Anpassung an die (Morlet)-
integrierte Wavelet-Transformation:
C'aj(f)(b) := < f, TbΨj</σf(< f, U(b,aj)ϕ <)
= < f, TbΨj < / σf(Σi=0 j-1 < f, TbΨi <).
= < f, TbΨj < / σf(Σi=0 j-1 < f, TbΨi <).
Damit kann C'a(f) (Erweiterung des lokalen Kontrastes) mit elementaren
Rechenoperationen aus der integrierten Wavelet-Transformation ermittelt werden und
steht als Merkmal für die Anwendung eines Klassifikators zur Verfügung.
Ein weiterer Gesichtspunkt der vorliegenden Erfindung ist das Merkmal der lokalen
Orientierung. Denn bei klassischen Verfahren der Bildanalyse entsteht eine Vielzahl von
Fehldetektionen bei der Mikrokalk-Detektion aus Gefäßstrukturen, welche insbesondere
in Kreuzungspunkten, mikrokalkähnliche helle Punkte erzeugen.
Vorliegend besteht eine Besonderheit darin, ein spezielles Merkmal basierend auf lokaler
Orientierung als Merkmal zur Unterscheidung zwischen Mikrokalk und anderen
Gefäßstrukturen zu verwenden. Dazu werden mehrere Richtungsfilter basierend auf
einer Wavelet-Transformation berechnet. Skalenweise wird dann die Autokorrelation
bezüglich des Rotationsparameters bestimmt. Die Mittelung über Skalen führt auf ein
Merkmal für die lokale Orientierung.
Zugrundgelegt sei eine Visualisierung der Beträge von Wavelet-Koeffizienten mit
Richtungsinformation. Diese wurde von J.-P. Antoine et. al. in "Two-dimensional
directional wavelets and the scale-angle representation"; Signal Processing, Volume 52,
1996; pages 259-281 und "Directional Wavelets Revisited: Cauchy wavelets and
Symmetry Detection in Patterns"; Applied and Computational Harmonic Analysis, Volume
6, 1999; pages 314-345 als Skala-Winkel-Darstellung ("scale-angle representation") der
kontinuierlichen Wavelet-Transformierten vorgeschlagen. Sie ist für festes b∈R2 definiert
als Schnitt b×R+×SO(2) durch die Wavelet-Koeffizienten. Es wird also die lokale
Information über einem festen Punkt b dargestellt. Damit kann aus der Darstellung
abgelesen werden, auf welcher Skala welche Richtungsinformation dominiert.
Skala-Winkel-Darstellungen typischer Strukturen in Mammographien zeigen, dass ein
typisches Artefakt eine gerichtete Struktur auf feinen Skalen aufweist. Bei einer
Gewebekreuzung erkennt man beispielsweise vier von einem Punkt ausgehende,
gerichtete Strukturen.
Um die Richtungsinformation zu nutzen, wird ein neues rotationsinvariantes
Orientierungsmaß eingeführt:
Dabei beschreibt das Intervall [ai, ai+1] das zu betrachtende Skalenintervall. Das Maß gibt
an, wie stark eine Funktion f im Punkt b in Richtung ρ gerichtet ist.
Mit integrierten Wavelets kann statt des Integrales der integrierte Waveletkoeffizient
selbst betrachtet werden:
Ri(b,ρ) = WTl ψf (b,ai,ρ).
Für dieses Orientierungsmaß wird die Autokorrelationsfunktion berechnet. Die
Autokorrelation bezüglich Rotation ρ erhält man durch
ACRi(b,ρ) := ||Ri(b,.)||-1 Σr Ri(b,r) Ri(b,r+ρ).
Laut Modell ist Mikrokalk isotrop, die Autokorrelationsfunktion ACR sollte also
näherungsweise konstant sein. Dies bestätigen die Fig. 4a bis 4d, welche die
Autokorrelationsfunktion zu den oben beschriebenen Skala-Winkel Darstellungen zeigen.
Dabei ist auf der horizontalen Achse der Winkel ρ von 0 bis 2π, diskret gegeben durch 16
äquidistante Richtungsfilter aufgetragen. Es entspricht demnach die "1" einer Rotation
um 0, die Beschriftung "5" einer Rotation um π/2, die "9" einer Rotation um π, usw. Auf
der vertikalen Achse ist Ri(b,ρ) aufgetragen, wobei für jedes Bild (a) bis (d) ein anderer
Ort b (Bildpunkt) gewählt ist.
Man erkennt in den Fig. 4a (betreffend ein Kratz-Artefakt) und 4c (betreffend eine
gerichtete Gefäßstruktur) deutliche Maxima bei Rotation um 0 und π. Dies entspricht der
stark linienförmigen Struktur. Fig. 4b (betreffend eine Gewebekreuzung) weist viele
Maxima von geringem Betrag auf. Die zugehörige Gewebekreuzung hat damit keine
ausgeprägte Periodizität. Fig. 4d (betreffend Mikrokalk) besitzt demgegenüber eine fast
konstante Autokorrelationsfunktion. Dies bedeutet, dass eine näherungsweise
rotationsinvariante Struktur - der Mikrokalk - vorherrscht.
Als Merkmal im Punkt b zur Skala i wird das Tupel
Rot(b,i) := (ACRi(b,π), (ACRi, (b,π/2) + ACRi(b,3π/2))/2)
verwendet.
Mit nur zwei Richtungsfiltern, wie zum Beispiel bei N. Karssemeijer in "A Stochastic
Model for Automated Detection of Calcifications in Digital Mammogramms" Proc. 12th Int.
Conf. Inform. Processing Med. Imaging (Wye, UK), 1991; pages 227-238 der Fall, könnte
nur der lokale Gradient geschätzt werden. Dies würde aber nicht die Unterscheidung
erlauben, ob lokal eine oder mehrere Richtungen vorliegen. Eine darauf basierende
Klassifikation kann Gewebestrukturen daher nur schwer von Kalk trennen. Dagegen
ermöglich das hier berechnete Merkmal die Unterscheidung zwischen Linien,
Gewebestrukturen und Mikrokalk.
Obige Merkmale können nun als Eingabedaten für Klassifikatoren verwendet werden. Als
Merkmalsvektor im Punkt b kann zum Beispiel
(LiP(b), C'a1(f)(b), . . ., C'an(f)(b), Rot(b))
herangezogen werden. Demnach ist vorgesehen, als Eingabedaten für die Klassifikation
neue Merkmale für Lipschitz-Regularität, lokale Orientierung und lokalen Kontrast zu
verwenden, und zwar vorzugsweise genau und ausschließlich diese Merkmale. Eine
Besonderheit liegt darin, dass sich diese Merkmale alle aus einer Wavelet-
Transformation des Bildes ermitteln lassen.
Als Klassifikator kommt zum Beispiel eine sogenannte Support-Vektor Maschine (vergl.
"An Introduction to Support Vector Machines", N. Cristianini, J. Shawe-Taylor, Cambridge
University Press) zum Einsatz bzw. eine Kaskade von Klassifikatoren, welche
Teilmengen der Merkmale verwenden.
Ergebnis der Klassifikation ist eine Zuordnung der Bildpixel entweder zur Klasse
"Mikrokalk" oder zur Klasse "kein Mikrokalk". Als Mikrokalk eingestufte Punkte erhalten
zusätzlich einen "Score-Wert", welche die Sicherheit der Entscheidung angibt. Auf der
Workstation werden diese Daten schließlich mit Standardmethoden als Overlay zur
Originalmammographie sichtbar gemacht.
Claims (17)
1. Verfahren zur Detektion vorgebbarer Strukturen in einem zu analysierenden Bild, bei
dem
Bilddaten einer Wavelet-Transformation unterzogen und mittels Wavelet- Koeffizienten dargestellt werden,
aus den Wavelet-Koeffizienten Merkmale berechnet werden, anhand derer die vorgegebenen Strukturen identifizierbar sind, und
durch Klassifikation der Merkmale das Vorhandensein der vorgegebenen Strukturen überprüft wird,
dadurch gekennzeichnet,
dass als eines der Merkmale die lokale Lipschitz-Regularität (Lip(b)) für die einzelnen Bildpunkte (b) aus der Abklingordnung der Wavelet-Koeffizienten über den Skalen (a) der Wavelet-Koeffizienten berechnet wird.
Bilddaten einer Wavelet-Transformation unterzogen und mittels Wavelet- Koeffizienten dargestellt werden,
aus den Wavelet-Koeffizienten Merkmale berechnet werden, anhand derer die vorgegebenen Strukturen identifizierbar sind, und
durch Klassifikation der Merkmale das Vorhandensein der vorgegebenen Strukturen überprüft wird,
dadurch gekennzeichnet,
dass als eines der Merkmale die lokale Lipschitz-Regularität (Lip(b)) für die einzelnen Bildpunkte (b) aus der Abklingordnung der Wavelet-Koeffizienten über den Skalen (a) der Wavelet-Koeffizienten berechnet wird.
2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass die Lipschitz-
Regularität (Lip(b)) aus der Steigung der logarithmierten Wavelet-Koeffizienten
berechnet wird.
3. Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass die Wavelet-
Transformation das Bild in Anteile zu verschiedenen Skalen (a) und Winkeln (ρ)
zerlegt und dass die Lipschitz-Regularität (Lip(b)) durch die Abklingordnung der
Wavelet-Koeffizienten entlang einer Linie der Skalen (a) berechnet wird.
4. Verfahren zur Detektion vorgebbarer Strukturen in einem zu analysierenden Bild, bei
dem
Bilddaten einer Wavelet-Transformation unterzogen und mittels Wavelet- Koeffizienten dargestellt werden,
aus den Wavelet-Koeffizienten Merkmale berechnet werden, anhand derer die vorgegebenen Strukturen identifizierbar sind, und
durch Klassifikation der Merkmale das Vorhandensein der vorgegebenen Strukturen überprüft wird,
insbesondere nach einem der vorhergehenden Ansprüche,
dadurch gekennzeichnet,
dass als Merkmal (C'a1 (f)(b), . . ., C'an (f)(b)) der lokale Kontrast der Wavelet- Koeffizienten an den einzelnen Bildpunkten (b) für verschiedene Skalen (a) berechnet wird, wobei der lokale Kontrast definiert ist durch die lokale Normierung des jeweiligen lokalen Wavelet-Koeffizienten zu einer Skala (a) bezogen auf einen Mittelwert der Grauwertintensität des Bildes in einer Umgebung des Bildpunktes (b).
Bilddaten einer Wavelet-Transformation unterzogen und mittels Wavelet- Koeffizienten dargestellt werden,
aus den Wavelet-Koeffizienten Merkmale berechnet werden, anhand derer die vorgegebenen Strukturen identifizierbar sind, und
durch Klassifikation der Merkmale das Vorhandensein der vorgegebenen Strukturen überprüft wird,
insbesondere nach einem der vorhergehenden Ansprüche,
dadurch gekennzeichnet,
dass als Merkmal (C'a1 (f)(b), . . ., C'an (f)(b)) der lokale Kontrast der Wavelet- Koeffizienten an den einzelnen Bildpunkten (b) für verschiedene Skalen (a) berechnet wird, wobei der lokale Kontrast definiert ist durch die lokale Normierung des jeweiligen lokalen Wavelet-Koeffizienten zu einer Skala (a) bezogen auf einen Mittelwert der Grauwertintensität des Bildes in einer Umgebung des Bildpunktes (b).
5. Verfahren nach Anspruch 4, dadurch gekennzeichnet, dass die lokale
Normierung mittels einer Funktion (σf) erfolgt, die die Abhängigkeit der
Standardabweichung der Wavelet-Koeffizienten von der mittleren
Grauwertintensität in der Umgebung des Bildpunktes (b) beschreibt.
6. Verfahren nach Anspruch 4 oder 5, dadurch gekennzeichnet, dass die lokale
Normierung aus den Wavelet-Koeffizienten ermittelt wird.
7. Verfahren nach einem der vorhergehenden Ansprüche, dadurch
gekennzeichnet, dass mehr als zwei, vorzugsweise sechs bis acht
Richtungsfilter, zur Berechnung eines Merkmals (Rot(b)) verwendet werden, um
die zu detektierenden Strukturen von anderen Strukturen des Bildes zu
unterscheiden.
8. Verfahren nach Anspruch 7, dadurch gekennzeichnet, dass die Richtungsfilter
aus den Wavelet-Koeffizienten berechnet werden.
9. Verfahren nach Anspruch 7 oder 8, dadurch gekennzeichnet, dass aus den
Richtungsfiltern Autokorrelationsfunktionen berechnet werden, die das Merkmal
(Rot(b)) definieren.
10. Verfahren nach einem der vorhergehenden Ansprüche, dadurch
gekennzeichnet, dass alle Merkmale (Lip(b)), C'a1(f)(b), . . ., C'an(f)(b), Rot(b)),
anhand derer die vorgegebenen Strukturen identifizierbar sind, aus den Wave
let-Koeffizienten berechnet werden.
11. Verfahren nach einem der vorhergehenden Ansprüche, dadurch
gekennzeichnet, dass alle Merkmale (Lip(b)), C'a1(f)(b), . . ., C'an(f)(b), Rot(b)),
anhand derer die vorgegebenen Strukturen identifizierbar sind, aus einer Wave
let-Transformation berechnet werden.
12. Verfahren nach einem der vorhergehenden Ansprüche, dadurch
gekennzeichnet, dass die Merkmale (Lip(b)), C'a1(f)(b), . . ., C'an(f)(b), Rot(b))
lokal an den einzelnen Bildpunkten (b) berechnet werden.
13. Verfahren nach einem der vorhergehenden Ansprüche, dadurch
gekennzeichnet, dass die Wavelet-Transformation mit integrierten Wavelets
durchgeführt wird.
14. Verfahren nach einem der vorhergehenden Ansprüche, dadurch
gekennzeichnet, dass bei der Klassifikation der Merkmale an den einzelnen
Bildpunkten (b) jeweils das Vorhandensein oder Nichtvorhandensein der zu
detektierenden Struktur bestimmt wird.
15. Verfahren nach einem der vorhergehenden Ansprüche, dadurch
gekennzeichnet, dass das Verfahren zur Bearbeitung digitaler oder
digitalisierter Röntgenaufnahmen verwendet wird.
16. Verfahren nach einem der vorhergehenden Ansprüche, dadurch
gekennzeichnet, dass das Verfahren zur Bearbeitung von Bilddaten in der
Mammographie verwendet wird.
17. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet,
dass das Verfahren zur Hervorhebung mikrokalkförmiger Strukturen im
Körpergewebe verwendet wird.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE10158284A DE10158284A1 (de) | 2000-11-21 | 2001-11-21 | Verfahren zur Detektion vorgebbarer Strukturen in einem zu analysierenden Bild |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE10058905A DE10058905A1 (de) | 2000-11-21 | 2000-11-21 | Verfahren zur Detektion von Mikrokalk |
DE10158284A DE10158284A1 (de) | 2000-11-21 | 2001-11-21 | Verfahren zur Detektion vorgebbarer Strukturen in einem zu analysierenden Bild |
Publications (1)
Publication Number | Publication Date |
---|---|
DE10158284A1 true DE10158284A1 (de) | 2002-12-12 |
Family
ID=7664878
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE10058905A Withdrawn DE10058905A1 (de) | 2000-11-21 | 2000-11-21 | Verfahren zur Detektion von Mikrokalk |
DE10158284A Withdrawn DE10158284A1 (de) | 2000-11-21 | 2001-11-21 | Verfahren zur Detektion vorgebbarer Strukturen in einem zu analysierenden Bild |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE10058905A Withdrawn DE10058905A1 (de) | 2000-11-21 | 2000-11-21 | Verfahren zur Detektion von Mikrokalk |
Country Status (1)
Country | Link |
---|---|
DE (2) | DE10058905A1 (de) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2902215A1 (fr) * | 2006-06-07 | 2007-12-14 | Gen Electric | Procede de traitement d'images radiologiques pour une detection de signes radiologiques |
WO2012085818A1 (en) * | 2010-12-23 | 2012-06-28 | Koninklijke Philips Electronics N.V. | Mammography calcium score |
-
2000
- 2000-11-21 DE DE10058905A patent/DE10058905A1/de not_active Withdrawn
-
2001
- 2001-11-21 DE DE10158284A patent/DE10158284A1/de not_active Withdrawn
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2902215A1 (fr) * | 2006-06-07 | 2007-12-14 | Gen Electric | Procede de traitement d'images radiologiques pour une detection de signes radiologiques |
US8036442B2 (en) | 2006-06-07 | 2011-10-11 | General Electric Company | Method for the processing of radiological images for a detection of radiological signs |
WO2012085818A1 (en) * | 2010-12-23 | 2012-06-28 | Koninklijke Philips Electronics N.V. | Mammography calcium score |
Also Published As
Publication number | Publication date |
---|---|
DE10058905A1 (de) | 2002-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE69630935T2 (de) | Bilverarbeitungsverfahren und -vorrichtung zur automatischen Erfassung von Bereichen eines vorbestimmten Krebstyps in einem Intensitätsbild | |
DE102005036875B4 (de) | System und Verfahren zur 3-D Visualisierung eines Lungenpaars und der Lungenperfusion oder -dichte | |
DE69034160T2 (de) | Rechnerbasiertes verfahren um die untersuchung von menschlischen brustgewebe nach malignität zu unterstützen | |
DE102007038058A1 (de) | Verfahren zur Verarbeitung radiologischer Bilder zur Detektion von Opazitäten | |
EP2284795A2 (de) | Quantitative Analyse, Visualisierung und Bewegungskorrektur in dynamischen Prozessen | |
DE3826287A1 (de) | Verfahren und vorrichtung zur lokalisierung von zwischenrippenraeumen und automatische lungenstrukturanalyse bei digitaler brustradiographie | |
DE10306300A1 (de) | Computergestützte Erfassung (CAD) für eine digitale 3D-Mammographie | |
EP2465096B1 (de) | Verfahren und vorrichtung zur verarbeitung von 3d-bilddaten eines schädels | |
DE10048029A1 (de) | Verfahren zur Berechnung einer zwei Abbildungen verbindenden Transformation | |
DE10392259T5 (de) | Objektkorrespondenzidentifikation ohne volle Volumenregistration | |
DE4224568C2 (de) | Vorrichtung und Verfahren zur Bildung der Anzeige eines dreidimensionalen sequentiellen tomografischen Flächenschattierungsbildes | |
DE10392482T5 (de) | Nachweis von Lungenknoten unter Verwendung der Cartwheel-Projektionsanalyse | |
DE102006002914A1 (de) | Mehrdimensionale Segmentierung basierend auf adaptiven begrenzenden Kasten- und Ellipsoid-Modellen | |
DE102010041619B4 (de) | Verfahren und Röntgensystem zur Summation von DSA-Serienbildern | |
DE102005058217A1 (de) | Verfahren und System zur computergestützten Erkennung von Hochkontrastobjekten in tomographischen Aufnahmen | |
DE102004059577A1 (de) | Verfahren zur radiologischen Bildverarbeitung | |
EP0394959A2 (de) | Verfahren zur Bildauswertung | |
EP1766579A2 (de) | Verfahren zur detektion geometrischer strukturen in bildern | |
DE102005022156A1 (de) | Verfahren und Vorrichtung zum Einstufen von Pixeln in medizinischer Bildgebung | |
DE10158284A1 (de) | Verfahren zur Detektion vorgebbarer Strukturen in einem zu analysierenden Bild | |
EP0844591A1 (de) | Verfahren zur Bestimmung von Massstabsfaktoren für fraktale Bildkodierung | |
DE102010028382A1 (de) | Verfahren und Computersystem zur Bearbeitung tomographischer Bilddaten aus einer Röntgen-CT-Untersuchung eines Untersuchungsobjektes | |
DE112004001486T5 (de) | System und Verfahren zur Ortung von kompakten Objekten in Bildern | |
DE3826285C2 (de) | Verfahren und Anordnung zur Ermittlung von anormalen anatomischen Bereichen in einem digitalen Röntgenbild | |
EP0627695A2 (de) | Verfahren zum Erkennen von zu Clustern gruppierten Strukturveränderungen in der medizinischen Diagnostik unter Verwendung eines entsprechenden Bildes, insbesondere zum Erkennen von punktförmigen Mikrokalkablagerungen in der Mammographie |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
OP8 | Request for examination as to paragraph 44 patent law | ||
8139 | Disposal/non-payment of the annual fee |