-
Die Erfindung betrifft ein Verfahren zur Klassifizierung eines in einem Bild dargestellten Objekts mittels Generalisierter Hough Transformation (GHT).
-
Die GHT ist ein Standard-Verfahren für die Objektlokalisierung, das 1981 von Ballard ((Ballard, D H.: Generalizing the Hough Transform to Detect Arbitrary Shapes. In: Pattern Recognition 13 (1981), Nr. 2, S. 111–122) vorgestellt wurde. Dabei wird mit Hilfe eines Punktmodells, das die Form des gesuchten Objekts repräsentiert, die Position des Zielobjekts im Bild gesucht.
-
Für die Hough Transformation wird das Bild zunächst auf ein bestimmtes Merkmal reduziert. In vielen Fällen wird ein Kantenfilter auf das Bild angewendet. Damit ist nur noch das Merkmal der stärksten Kanten in dem Bild enthalten. Grundsätzlich wird dann das Bild in einen Hough-Raum überführt, indem durch Kombination der Modell- und Kantenpunkte eine Abstimmung über die wahrscheinlichste Position der Form durchgeführt wird. Je mehr Modellpunkte dabei an der gleichen Stelle abstimmen, desto größer ist die Wahrscheinlichkeit, dass sich die gesuchte Form an der entsprechenden Stelle im Originalbild befindet.
-
Um die Anzahl der Abstimmungen zu reduzieren, kann die Gradientenrichtung mit einbezogen werden. Dabei wird im Modell neben der Koordinate auch die Gradientenrichtung hinterlegt und bei der Kantendetektion auf dem Bild ebenfalls die Gradienten zu jeder Kante berechnet. Beim Abstimmvorgang wird dann nur bei annähernd gleicher Gradientenrichtung abgestimmt.
-
Diskriminative Modellkombination
-
Um die Abstimmung im Hough-Raum zu verbessern, werden die einzelnen Modellpunkte mit Gewichten versehen. Diese Gewichte sollen das Modell so beeinflussen, dass möglichst stark für die Zelle abgestimmt wird, in welcher der zu trainierende Zielpunkt liegt. Zur Bestimmung der Gewichte wird die Diskriminative Modellkombination (DMC) (Beyerlein, Peter: Discriminative Model Combination. In: Tagungsband ICASSP, 1998, S. 481–484) verwendet.
-
Dieses Verfahren ist ein maschinelles Lernverfahren, welches aus der Spracherkennung stammt und dort zur Gewichtung von Sprachmodellen verwendet wird. Um die Berechnungen zur Optimierung mit den Informationen aus dem Hough-Raum durchzuführen, wird der Hough-Raum in einen Wahrscheinlichkeitsraum transformiert. Das geschieht mittels der Normierung der einzelnen Stimmen N
i durch die Gesamtstimmen N
dabei ist c
i die i-te Zelle im Hough-Raum und X das Bild, von dem der Hough-Raum gebildet wurde. Somit ist p(c
i|X) die Wahrscheinlichkeit, dass die Zelle c
i die gesuchte Position ist. Zusätzlich wird zur Optimierung die Information benötigt, von welchem Modellpunkt welcher Beitrag zu jeder Zelle des Hough-Raums beigesteuert wurde. Diese Information wird mit Hilfe der Modellpunkt-abhängigen Wahrscheinlichkeiten
dargestellt. Dabei ist N
i,j die Anzahl der Stimmen für die Zelle i im Hough-Raum, die von dem Modellpunkt j stammen. N
j ist die Summe aller Stimmen im Hough-Raum, die von Modellpunkt j stammen. Diese Formel stellt die Information des Hough-Raums aufgeschlüsselt nach den Modellpunkten dar. Um diese Informationsquellen optimal wieder zu kombinieren, wird nach dem Maximum Entropie Prinzip die log-lineare Modellkombination
verwendet. Dabei ist Λ ein Satz von λ, die den Einfluss jedes Modellpunktes auf p
Λ(c
i|X) einstellen. Um ein optimales Λ zu bekommen wird folgende Fehlerfunktion definiert:
-
Diese Fehlerfunktion beinhaltet den Euklidischen Abstand einer Hough-Zelle zu der korrekten Hough-Zelle c ~n. Der Abstand wird gewichtet mit einer Indikatorfunktion. Der Einfluss der rivalisierenden Hough-Zellen in der Fehlerfunktion wird durch η reguliert.
-
Im Übrigen wird auf die
WO 2007/072391 A1 verwiesen, in der die generalisierte Hough Transformation in Kombination mit der diskriminative Modellkombination bereits zur Lokalisierung von Objekten in Bildern verwendet wird.
-
Neben der Lokalisierung von in Bildern dargestellten Objekten stellt insbesondere die Klassifikation von in Bildern dargestellten Objekten oftmals ein nur schwer zu lösendes Problem dar. Die Objekte sind zunächst in dem zu untersuchenden Bild manuell zu lokalisieren und in einem weiteren Schritt zu klassifizieren, wobei einerseits ein Zuordnungsproblem von Objekten sich einander ähnlicher Klassen besteht und andererseits die enorm hohen Datenmengen eine schnelle Analyse erschweren.
-
Zum Beispiel kann hier auf die Analyse von Röntgenbildern menschlicher Hände verwiesen werden, deren Auswertung im Hinblick auf das sogenannte „Knochenalter”, also das Alter des Knochens, das statistisch gesehen einem „normalen” Wachstumsalter zugeordnet werden kann, für die Behandlung von Jugendlichen und für die Bestimmung der Volljährigkeit wichtig sein kann.
-
Üblicherweise wird hierfür das vorliegende Röntgenbild mit Referenzbildern, beispielsweise aus Greulich, WW; Pyle, SI: Radiographic atlas of skeletal development of the hand and wrist. 2. Stanford University Press, 1976, verglichen und so auf das Knochenalter bzw. Wachstumsalter des Individuums geschlossen.
-
Das bekannte Verfahren ist ersichtlicherweise durch die Notwendigkeit seiner manuellen Ausführung durch einen Arzt nicht nur zeitaufwändig, sondern auch mit Bewertungsunsicherheiten durch den menschlichen Bewerter verbunden.
-
Dasselbe gilt aber auch für Verfahren zur Klassifikation, die in anderen medizinischen Gebieten, in der Fertigungstechnik zur Erfassung von Fehlern oder beim Sortieren von Gegenständen oder sogar in militärischen Fragestellungen Anwendung finden.
-
Der Erfindung liegt die Aufgabe zugrunde, ein einfach handzuhabendes, leicht auf eine neue Anwendung anwendbares und schnell durchzuführendes Verfahren zur Klassifizierung eines in einem Bild dargestellten Objekts bereitzustellen.
-
Diese Aufgabe wird durch das Verfahren mit den Merkmalen von Anspruch 1 gelöst. Die Unteransprüche geben vorteilhafte Ausgestaltungen der Erfindung wieder.
-
Der Grundgedanke der Erfindung ist es, für die Klassifikation mittels DGHT eine neue Art von Modell zu erstellen, das mehrere Objekte gleichzeitig repräsentiert. Um dieses zu erreichen, wird ein Klassifikationsmodell aus mehreren Teilmodellen geschaffen, wobei die Teilmodelle jeweils eine Klasse repräsentieren und gemeinsam trainiert werden. Durch das gemeinsame Training können nicht nur die Charakteristika der jeweiligen Objektklasse in einem Teilmodell gelernt werden, sondern des Weiteren auch Besonderheiten der rivalisierenden Klassen, die nötig sind, um die Klassen korrekt voneinander zu unterscheiden. Die einzelnen Elemente und das grundsätzliche Vorgehen sind in 5 dargestellt.
-
Die Anordnung der Teilmodelle im Klassifikationsmodell ist beliebig und kann auf die jeweilige Applikation angepasst werden. Im vorliegenden Beispiel wurde eine kreisförmige Anordnung um den Referenzpunkt gewählt (s. 5(a)), so dass die verschiedenen Teilmodelle in den vier Ecken des Hough-Raumes abstimmen. Durch das Design des Modells wird auch der Hough-Raum designt, da er je nach Klasse eine bestimmte Struktur aufweist, so dass man diese Art von DGHT auch als Merkmalsextraktor ansehen könnte.
-
Ebenso wäre eine Anordnung der Teilmodelle in einer weiteren Dimension denkbar. Dieses Vorgehen führt zwar ebenfalls zu einer weiteren Dimension im Hough-Raum allerdings auch zu einer besseren Klassentrennbarkeit, da jede Klasse ihre eigene Schicht im Hough-Raum zugeteilt bekäme.
-
In der oberen Zeile von 5 werden zunächst die Eingabedaten des Verfahrens gezeigt und zwar (a) ein Klassifikationmodell für die Ziffern 0–4, (b) das Teilmodell für die Ziffer 0 und (c) ein zu klassifizierendes Beispielbild. (d) zeigt das Modell auf dem Bild, hier wird geprüft wie gut das Teilmodell der Ziffer 0 auf das Bild passt. Der Wert der Übereinstimmung wird an der Position des Referenzpunktes (also in der unteren rechten Ecke) im Hough-Raum (e) abgelegt. Nach Durchführung der GHT mit dem Klassifikationsmodell kann aus dem Hough-Raum die Klasse mit der höchsten Übereinstimmung abgeleitet werden
-
Die Erfindung wird anhand eines besonders bevorzugt ausgestalteten Ausführungsbeispiels näher erläutert. Insbesondere wird die Erfindung anhand eines Verfahrens zur Altersklassifikation des Wachstumsalters von Knochen anhand von Röntgenbildern der linken Hand näher erläutert. Andere Anwendungsgebiete sind aber bei Fragestellungen zur Klassifikation von Objekten ebenso denkbar. Es zeigen:
-
1 ein Ablaufdiagramm des erfindungsgemäßen Verfahrens einschließlich Trainieren des Modells und Klassifizierung eines Objekts;
-
2 eine Übersicht über die Wachstumsentwicklung der Knochen der linken Hand mit (a) 1 Jahr, (b) 4 Jahren, (c) 8 Jahren, (d) 12 Jahren und (e) 18 Jahren (aus Thiemann, Hans-Heinrich; Nitz, Inna; Schmeling, Andreas: Röntgenatlas der normalen Hand im Kindesalter. Bd. 3. Thieme, 2006);
-
3 eine Darstellung von vier berechneten Modellen für die Altersklassen (a) 0–4 Jahre, (b) 5–8 Jahre, (c) 9–12 Jahre und (d) 13–16 Jahre zur Lokalisierung des Handwurzelknochens in Röntgenbildern. Die Modelle werden überlagert auf Bildern der dazugehörigen Altersklasse gezeigt.
-
4 eine Darstellung des einem Beispielbild überlagerten trainierten Klassifikationsmodells (a) und zwei Teilmodelle, die Beispielbildern derselben Klasse für „11–12 Jahre” (b) und für „14–15 Jahre” (c) überlagert sind;
-
5 eine allgemeine Darstellung zur Veranschaulichung des Klassifikationsmodells und -verfahrens.
-
Bisher wurde die GHT lediglich zu der Lokalisierung von bestimmten Objekten zum Beispiel der Leber in dreidimensionalen CT-Aufnahmen verwendet. Neben der reinen Objektlokalisierung eignet sich die GHT jedoch auch dazu die Klassifikation eines Bildes durchzuführen.
-
Insbesondere ist es nach einem bevorzugten Ausführungsbeispiel vorteilhaft, das erfindungsgemäße Verfahren zur Klassifizierung mit dem bekannten Verfahren zur Lokalisierung zu verknüpfen, sodass die Position von Bildausschnitten automatisch erfasst und in einem folgenden Schritt eine Klassifikation dieser Bildausschnitte voll automatisch erfolgen kann.
-
Die erfindungsgemäß genutzte GHT führt die Lokalisierung mittels eines Abstimmverfahrens durch, bei dem das Bild mit Hilfe des Modells in den so genannten Hough-Raum transformiert wird. Zu diesem Zweck wird ein Verfahren für die Objekt-Lokalisierung genutzt bei der das Bild zunächst auf ein bestimmtes Merkmal reduziert wird. In vielen Fällen wird ein Kantenfilter auf das Bild angewendet. Damit ist nur das Merkmal der stärksten Kanten in dem Bild enthalten.
-
Diese Lokalisierungsergebnisse sind sehr robust und das Anlernen und die Auswertung erfolgt vollautomatisch. Die angewendete Trainingstechnik erzeugt ein Initialmodell aus einer Anzahl von Bildern, indem Kantenpunkte aus einer Region um den bekannten Zielpunkt herum extrahiert werden. Dieses Modell wird innerhalb der GHT genutzt, um ein Abstimmverfahren durchzuführen. Darauf folgend wird die Information aus dem erhaltenen Hough-Raum durch ein DMC-Modul genutzt, um individuelle Modellpunktgewichte zu erlernen.
-
Die GHT ist in der Lage, verschiedene Aufgaben zu erfüllen. Als erstes die Lokalisierung einer alterscharakteristischen Region und als zweites die Klassifikation der gefundenen Region, um das Knochenalter eines Patienten zu bestimmen.
-
Im Folgenden wird zunächst die Lokalisierung näher erläutert:
Bei der gewünschten Altersgruppe von Jugendlichen wurden Fingerbasisknochen des Mittelfingers für die Altersklassifikation genutzt. Um ein allgemeines Lokalisierungsmodell zu erhalten, das in der Lage ist, robust die Fingerbasisknochen über einen großen Altersbereich zu erkennen, wurden Bilddaten aus verschiedenen Altersgruppen für die anfängliche Modellgenerierung und das Training genutzt.
-
Aufgrund der großen Ähnlichkeit der vier Fingerknochen über die verschiedenen Alter, kann kein Modell erzeugt werden, das nur den Mittelfinger ohne jede Verwechslung mit anderen Fingerknochenverbindungen lokalisiert. Jedoch kann durch Anpassen eines mittleren Distanzmodells der Gelenke an die im Hough-Raum sichtbaren Maxima die Position des Mittelfingers robust bestimmt werden.
-
Nachfolgend wird die Klassifikation unter Benutzung der diskriminativen generalisierten Hough Transformation erläutert:
In einem zweiten Schritt wird eine Untersuchungsregion um den lokalisierten Punkt aus den Daten extrahiert und für die Klassifikation genutzt. Zu diesem Zweck wird ein GHT-Modell trainiert, das eine Kombination von alterspezifischen Submodellen umfasst. Ein initiales Teilmodell wird automatisch aus einer Reihe von Trainingsdaten aller vorliegenden Altersklassen erzeugt. Danach wird dieses Teilmodell für jede Altersklasse dupliziert und zu einem Klassifikationsmodell unter Verwendung von klassenspezifischen Abständen zum Referenzpunkt kombiniert.
-
Jeder Klasse der Trainingsdaten wird der gleiche Abstand zum Zielpunkt wie dem dazugehörigen Teilmodell zugeordnet. In dem Trainingsschritt wird jedes Teilmodell, das zunächst Informationen aller Klassen enthält, an die entsprechende Klasse unter Benutzung der DMC Gewichtungsprozedur angepasst. Punkte, die repräsentativ und charakteristisch für die vorliegende Klasse sind, erhalten hohe positive Gewichte, während Punkte, die auf mehrere Klassen passen, niedrigere Gewichte zugewiesen bekommen oder im Fall von verwechselbaren Strukturen sogar negativ gewichtet werden können. Insbesondere durch die negative Gewichtung können die Klassen besser von einander getrennt werden.
-
Mittels des trainierten Klassifikationsmodells extrahiert die GHT die altersspezifischen Charakteristika eines Bildes, indem eine Abstimmung für diese Charakteristiken in dem Hough-Raum vorgenommen wird. Die ausgeprägteste Region im Hough-Raum, die auch das höchste Abstimmungsergebnis enthält, ist die Region mit der höchsten Anzahl von übereinstimmenden Charakteristiken und korrespondiert zu dem Teilmodell der entsprechend richtigen Eingruppierungsklasse.
-
Da ein simpler Vergleich der Röntgenbilder mit vorab gespeicherten Röntgenbilder rechenintensiv ist und nicht so einfach wie beispielsweise bei Fingerabdrücken digitalisierbar ist, wird vorgeschlagen, eine Diskriminative Generalisierte Hough Transformation zu verwenden, wie in 1 dargestellt. Diese Transformation (im Folgenden GHT-Transformation bzw. DGHT-Transformation genannt) dient neben einer automatischen Lokalisierung und Klassifikation der zu untersuchenden Regionen der Röntgenbilder, in denen die unterschiedlichen Knochenbilder sich abzeichnen, auch dazu, zwei Modelle vollautomatisch gleichzeitig anzulernen, so dass eines der Modelle zur Lokalisierung der charakteristischen Region und ein anderes für die Klassifikation der Region dient.
-
Die individuellen Gewichte für die einzelnen Modellpunkte werden mittels DMC automatisch ermittelt und durch das Training wird erreicht, dass Bereiche des Modells, die besonders charakteristisch für die dazugehörige Klasse sind, stärker gewichtet werden und so einen stärkeren Einfluss in der GHT haben.
-
Modellgenerierung
-
Das Modell kann auf verschiedene Weise erstellt werden. Eine Methode, die bereits in der Projektgruppe der Erfinder erfolgreich eingesetzt wird, ist das Modell aus einigen Trainingsbildern zu erstellen (Ruppertshofen, Heike; Lorenz, Cristian; Beyerlein, Peter; Strunk, Sarah; Salah, Zein; Rose, Georg; Schramm, Hauke: Fully Automatic Model Creation for Object Localization utilizing the Generalized Hough Transform. In: Bildverarbeitung für die Medizin, 2010, S. 281–285). Dazu wird eine kleine Anzahl von Bildern zufällig aus den Trainingsdaten ausgewählt. Je nach Größe der Bilder und Art des Versuchs wird die Auflösung der Bilder verringert. Aus den Bildern wird dann ein festgelegter Bereich um den von Hand annotierten Zielpunkt ausgewählt. Auf diesen Bereich wird ein Kantendetektor angewendet, der die Kanten und deren Gradientenrichtung bestimmt. Die Kanten können dann schon als Vektor auf den Null-Punkt des Bildes interpretiert werden. Für das Modell werden die Vektoren noch verschoben, so dass sie auf den Referenzpunkt des Modells zeigen. Die Vektoren aller Bildausschnitte werden anschließend zusammen mit den Gradienten in einer Liste zusammengefasst. Für die Verwendung der DMC, die die Entropie maximiert, ist es wichtig, dass nicht mehrere Modellpunkte die gleiche Spur im Hough-Raum erzeugen und somit die gleiche Information tragen. Das kann vorkommen, da zum einen zur Modellerstellung mehrere Bilder verwendet werden und zum anderen der Hough-Raum quantisiert wird. Doppelte Punkte, das sind solche mit geringem Abstand und mit ähnlicher Gradientenrichtung, werden daher aus dem Modell entfernt. Durch die Erstellung des Modells aus Bildern, in denen die Lokalisierung erfolgen soll, werden im Modell die gesuchten Formen besonders gut dargestellt. Da verschiedene Bilder verwendet werden, kann einiges an Variabilität in Form, Größe oder Ausrichtung aus den Bildern mit ins Modell übernommen werden. Das ist besonders wichtig, da es sich um medizinische Bilder handelt, die stark variieren.
-
Sollte die Trennung aller vorhandenen Klassen mit einem Klassifikationsmodell nicht möglich sein, kann ein hierarchischer Ansatz gewählt werden. Dafür würden ähnliche Klassen zunächst zu einer gröberen Oberklasse zusammenfasst und das zu klassifizierende Objekt einer dieser Oberklasse zugeteilt werden. In weiteren Schritten würde die Klassifikation für die einzelnen Oberklassen nachfolgend verfeinert werden.
-
Im Beispiel der Altersklassifikation könnte man zunächst eine grobe Alterseinteilung vornehmen, z. B. in Fünfjahresschritten und diese immer weiter verfeinern bis die gewünschte Genauigkeit der Alterszuweisung erreicht ist.
-
Beispiel: In einem ersten Experiment soll versucht werden, Bilder der Altersklassen 11–12 und 14–15 anhand des Basisgelenks des Mittelfingers zu trennen. Beispiele der beiden Klassen sind in 4 dargestellt.
-
Die verwendeten digitalen Röntgenbilder haben eine isotrope Auflösung von 0,1 mm und ein Größe von ca. 2000 × 2000 Pixel. Für die Lokalisierung wurden 158 Röntgenbilder der linken Hand von Mädchen und Jungen im Alter von 11 bis 15 Jahren genutzt. Für die Klassifikation wurden 69 Bilder nur weiblicher Patienten verwendet, um die geschlechtstypischen Differenzen zwischen Jungen und Mädchen im Wachstum für die Klassifikation auszublenden. Das jeweilige Knochenalter wurde von einem medizinischen Experten bestimmt.
-
Für das Lokalisierungstraining wurden 75 Bilder zufällig ausgewählt, von denen 15 zur Modellgenerierung genutzt wurden. Für die Validierung wurden 83 Bilder im Altersbereich von 11–15 Jahren verwendet. Jedes Bild wurde doppelt abgetastet und der Hough-Raum wurde mit einem Faktor 2 quantisiert. Diese Parameter beeinträchtigen die spätere Klassifikationsrate nicht, verbessern aber die Performance der Lokalisierung.
-
Für die Klassifikation wurde die Region des aufgefundenen Mittelfingers ausgeschnitten und das ausgewählte Bildmaterial einer der beiden Altersklassen zugeordnet. Dabei wurden für die Modellgenerierung acht Bilder pro Klasse verwendet, 14 Bilder pro Klasse wurden für das Training genutzt und der Test wurde auf den verbleibenden 41 Bildern durchgeführt. Diese Bilder wurden ebenfalls zweifach abgetastet. Da im Gegensatz zur Lokalisierung keine präzise Position gesucht wurde, sondern nur die Zuordnung zu einem größeren Bereich im Hough-Raum, der jeweils eine Klasse repräsentiert, gewünscht ist, wurde der Hough-Raum mit einem Faktor 10 quantisiert.
-
Bei dem Lokalisierungsexperiment wurden 95% der Testbilder richtig erkannt. Eine Lokalisierung wird als erfolgreich gewertet, wenn das gesamte Gelenk für die nachfolgende Klassifikation ausgeschnitten werden konnte.
-
Die Klassifikation war auf 95% der unbekannten Testbilder erfolgreich. Die Zuordnung der richtigen Klasse schlug somit nur auf zwei Ausschnitten des Mittelfingers fehl.
-
Damit besteht das erfindungsgemäße Verfahren zur Altersklassifikation des Knochenalters anhand einer Vielzahl von Röntgenbildern einer Hand eines jeweils anderen Individuums, wobei ein darauf zu erkennendes vorbestimmtes gleiches Finger-Gelenk auf den Röntgenbildern erkannt und aufgrund des bewerteten Vorhandenseins bestimmter Formen und Strukturen einer von wenigstens zwei verschiedenen Knochenalter-Klassen zugeordnet wird, im wesentlichen aus den allgemein anzuwendenden Schritten: 1. Auswählen eines Bildbereichs umfassend wenigstens das zu untersuchende gleiche Gelenk in allen Röntgenbildern, 2. Weiterverarbeiten eines ausgewählten Bildbereiches durch Transformation in den Hough-Raum, und 3. Bewerten der im Hough-Raum aufgefundenen bildspezifischen Punkte nach vortrainierten Klassifikationsbildern entsprechend vorhandener Punkte zur Eingruppierung des jeweiligen Röntgenbildes in eine Klassifikationsklasse, in der die bildspezifisch vorhandenen Punkte ähnlicher als in anderen Klassen vorhanden sind.
-
Eine bevorzugte Ausführungsform besteht darin, bestimmten Punkten im Hough-Raum aufgrund ihres typischerweise Vorhandenseins in lediglich einer Klasse eine größere Gewichtung zu geben.
-
Weiter wird vorgeschlagen anderen Punkten, die in mehreren Klassifikationsklassen typischerweise auftauchen, eine niedrigere Gewichtung zu geben. Punkte, die nur in anderen Klassen auftauchen und somit die Unterscheidung der Klassen unterstützen, sollten typischerweise negativ gewichtete werden.
-
Die Klassifizierung konnte mittels des erfindungsgemäßen Verfahrens in einem ersten Versuch durchweg mit hoher Genauigkeit und nur geringer Fehlerquote durchgeführt werden, wobei das Verfahren durch einen iterativen Trainingsansatz, bei dem das Modell über mehrere Iterationen an die Daten angepasst und optimiert wird, (vgl.
1 und die nachstehende Tabelle) noch (etwas) verbessert werden konnte.
| Modellbilder pro Klasse | Trainingsbilder pro Klasse | Testbilder | Ergebnis |
nicht iterativ | 8 | 14 | 41 | 95% |
iterativ | 8 | 14 | 53a | 98% |
a Es wurden in diesem Versuch 53 Bilder zum Testen verwendet, die auch im Trainingsdatensatz enthalten sind.
-
ZITATE ENTHALTEN IN DER BESCHREIBUNG
-
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
-
Zitierte Patentliteratur
-
-
Zitierte Nicht-Patentliteratur
-
- Ballard, D H.: Generalizing the Hough Transform to Detect Arbitrary Shapes. In: Pattern Recognition 13 (1981), Nr. 2, S. 111–122 [0002]
- Beyerlein, Peter: Discriminative Model Combination. In: Tagungsband ICASSP, 1998, S. 481–484 [0005]
- Greulich, WW; Pyle, SI: Radiographic atlas of skeletal development of the hand and wrist. 2. Stanford University Press, 1976 [0011]
- Thiemann, Hans-Heinrich; Nitz, Inna; Schmeling, Andreas: Röntgenatlas der normalen Hand im Kindesalter. Bd. 3. Thieme, 2006 [0022]
- Ruppertshofen, Heike; Lorenz, Cristian; Beyerlein, Peter; Strunk, Sarah; Salah, Zein; Rose, Georg; Schramm, Hauke: Fully Automatic Model Creation for Object Localization utilizing the Generalized Hough Transform. In: Bildverarbeitung für die Medizin, 2010, S. 281–285 [0038]