DE4435796C1 - Verfahren zur automatischen Erkennung von Kanten und Durchmessern in Bildern - Google Patents

Description

Die Erfindung betrifft ein Verfahren zur automatischen Erken­ nung von Kanten und Durchmessern in Bildern, vorzugsweise Röntgenbildern, durch digitale Bildauswertung.

In der Röntgentechnik und auch in anderen medizintechnischen bildgebenden Verfahren besteht die Aufgabe, bei digitalen oder digitalisierten Aufnahmen Kanten und Durchmesser automa­ tisch zu erkennen, um z. B. in der Angiographie Gefäßstenosen feststellen zu können. Es sind Verfahren zur automatischen Durchmesserbestimmung bekannt, die jedoch bei sehr kleinen Durchmessern versagen.

In Sing-Tze Bow "Pattern Recognition" Marcel Dekker 1984, Seiten 232-239, ist ein statistisches Verfahren zur Bildver­ besserung beschrieben, bei dem eine Faltung angewendet wird. In Informatik-Fachberichte 107 "Mustererkennung 1985", Sprin­ ger-Verlag 1985, Seiten 196-200, ist ein allgemeiner Vor­ schlag beschrieben, wie Fuzzy Sets angewendet werden könnten, ohne daß hierzu detaillierte Angaben gemacht sind. In Informatik-Fachberichte 219 "Mustererkennung 1989", Springer- Verlag 1989, Seiten 201-209, und Informatik-Fachberichte 254 "Mustererkennung 1990", Springer-Verlag 1990, Seiten 493-502, sind Verfahren zur Hervorhebung von Bildstrukturen und zur Erkennung geometrischer Muster beschrieben.

Der Erfindung liegt die Aufgabe zugrunde, ein Verfahren der eingangs genannten Art zu schaffen, das es erlaubt, die Kan­ tenlage und Durchmesser mit höchster Zuverlässigkeit zu be­ stimmen, und zwar insbesondere auch bei sehr kleinen Durch­ messern, wobei die Fehler minimiert sind.

Diese Aufgabe ist erfindungsgemäß gelöst durch die Merkmale des Patentanspruches 1.

Gegenüber dem Stand der Technik ergeben sich bei dem erfin­ dungsgemäßen Verfahren folgende Verbesserungen:

• 1. Verwendung eines seitenspezifischen Faltungskerns (Templates).
• 2. Verwendung der Korrelation statt der einfachen Konvolu­ tion mit zwei Vorteilen:
  • 2.1 Normierung des Faltungsergebnisses mit den Standard­ abweichungen von Daten und Template auf den definier­ ten Wertebereich zwischen 0 und 1.0 zur Bestimmung des besten Matchs.
  • 2.1 Damit auch Ausgleich der Pegelabhängigkeit vom Signalhintergrund.
  • 2.3 Optimales Signal-Rauschverhältnis = minimale Quadrat­ fehlersumme.
• 3. Suboptimale Realisierung dieser Korrelationsfunktion durch Normierung mit σ_f², wodurch die Rechenzeit mehr als halbiert wird.
• 4. Verfeinerung der Kantenerkennung auf dieser optimal sta­ bilen Basis durch Einzelanalyse der verbleibenden kleinen Pixelmenge in einem problemadaptiven Verfahren.
• 5. Umsetzung der Verfeinerung, vorzugsweise mittels eines neuronalen Fuzzy-Netzes.

Für die Objekterkennung erfolgt die Korrelation der Bildzei­ len mit einem seitenspezifischen Faltungskern. Eine Kante wird jeweils dort angenommen, wo der Kern dem Gefäßprofil am ähnlichsten ist, d. h. wo die Korrelationsfunktion ein Maximum besitzt. Der Durchmesser ergibt sich direkt aus dem Abstand der seitenspezifischen Maximapositionen.

Mit der optimierten Korrelation können trotz einer Operator­ größe von fünf Pixeln links und rechts Gefäße ab einem Durch­ messer von vier Pixeln differenziert und gemessen werden.

Die Erfindung beinhaltet nun noch den weiteren wesentlichen Gedanken, daß die einzelnen Pixelwerte von Objekten, deren Durchmesser sich im Grenzbereich bewegen, zusätzlich z. B. mit einem densitometrischen Schwellwertverfahren untersucht wer­ den. Für diese feinsten Strukturen wurde ein adaptives Ver­ fahren für wenige Pixel entwickelt.

Die Erfindung ist nachfolgend anhand der in den Fig. 1 bis 4 dargestellten Kurven näher erläutert.

In der Fig. 1 bezeichnen die Pfeile 1 und 2 den Hintergrund und der Pfeil 3 das Gefäß in einem röntgenologischen Bild. Nach Hintergrundsubtraktion ergibt sich ein Kurvenverlauf ge­ mäß Fig. 2. Basierend auf den bei der Korrelation gefundenen Kanten wird ein Objekt-/Gefäßprofil bestimmt, einer Hinter­ grundskorrektur unterzogen und dann das Maximum des Profils berechnet.

Liegen die Grauwerte oberhalb einer prozentualen Schwelle von z. B. 75% dieses Maximums, so werden sie dem Gefäß zugeordnet, liegen sie unterhalb dieser Schwelle, so werden sie dem Hin­ tergrund zugeordnet und die mit der Korrelation gefundene Kante wird an dieser Position korrigiert.

Die Fig. 3 und 4 zeigen beispielsweise das durch die Linie 4 gekennzeichnete Maximum und die durch die Linie 5 gekenn­ zeichnete Schwelle. Die Fig. 3 zeigt die Kantenerkennung mit dem Korrelationsverfahren bei einem Gefäß unter vier Pixel und die Fig. 4 die Kantenkorrektur über das Schwellwert­ verfahren.

Dabei werden zusätzlich über Entscheidungstabellen die Zusam­ menhänge der Pixel vom Objektrand zum gegenüberliegenden Ob­ jektrand berücksichtigt und je nach Ergebnis als zugehörig zum Objekt oder zum Rauschen bzw. Bildhintergrund klassifi­ ziert.

Genauso können Regeln für eine pixelweise oder sogar sub­ pixelweise Klassifikation automatisch und verallgemeinert mittels der Technik der neuronalen Netze ermittelt werden, wobei die Fuzzy-Erweiterung vor allem Rauscheffekten, beson­ ders dem Röntgen-Rauschen Rechnung tragen kann. Ergebnis die­ ses Ansatzes ist ein neuronales Netzwerk, das in ähnlicher Weise Hyper-Resolution ermöglicht wie beim zuvor erläuterten adaptiven Ansatz.

Claims (2)

1. Verfahren zur automatischen Erkennung von Kanten und Durch­ messern in Bildern durch digitale Bildauswertung mit folgen­ den Verfahrensschritten:
Verwendung eines seitenspezifischen Faltungskerns,
Verwendung der Korrelation statt der einfachen Konvolution, wobei der Durchmesser direkt aus dem Abstand der seitenspe­ zifischen Maximapositionen nach folgender Beziehung berechnet wird: r(k) Korrelationsmaß in Position k
g(i) Faltungskern
i i = 1 . . . n, n = Länge des Kerns
f(i+k) Grauwerte aus einer Bildzeile (senkrecht zum Gefäß)
mittlerer Grauwert der Bildzeile
mittlerer Wert des Faltungskerns
σ_f, σ_g Standardabweichung innerhalb der Bildzeile f bzw. des Kerns g.Normierung des Faltungsergebnisses mit den Standardabweichun­ gen von Daten und Faltungskern auf den definierten Wertebe­ reich zwischen -1.0 und 1.0 zur Bestimmung des besten Matchs,
Realisierung der Korrelationsfunktion durch Normierung mit σ_f², wobei σ_f die Standardabweichung innerhalb einer Bild­ zeile f ist,
Einzelanalyse der verbleibenden kleinen Pixelmenge in einem problemadaptiven Verfahren.

2. Verfahren nach Anspruch 1, bei dem die Einzelanalyse mit­ tels eines neuronalen Fuzzy-Netzes erfolgt.