DE69719091T2 - Verfahren zur objektivierung von subjektiven klassifizierungen - Google Patents

Description

• Die Erfindung betrifft ein Verfahren zur Bestimmung der Fähigkeit für lernende Systeme durch Konsensanalyse digitalisierte Signale, beispielsweise digitalisierte Bilder von Objekten, zu klassifizieren. Zudem schließt die Erfindung die Anwendung dieses Verfahrens beim Betrieb von Netzwerken ein, wie es in Fig. 1 gezeigt ist, um die Standardisierung, Erziehung und Zertifizierung beim Klassifizieren digitalisierter Signale zu verbessern.
• Das Verfahren lässt sich anwenden, um jede Art von menschlicher Wahrnehmungsfähigkeit (Erkennungsfähigkeit) zu bestimmen. Wie in Anspruch 1 beschrieben, ist das Verfahren zudem für jede Art von biologischem oder technischem Lernsystem nützlich. Die Klassifizierungssysteme können getrennte Einheiten sein, die als Gruppe von Einheiten organisiert sind oder den Mittelpunkt mehrerer Gruppen von Einheiten bilden. Zur Veranschaulichung wird die Erfindung mit Bezug auf die Bestimmung der menschlichen Fähigkeit zur visuellen Wahrnehmung von Objekten in digitalisierten Bildern beschrieben.
• Im Bereich der medizinischen Versorgung werden eine große Zahl visueller Untersuchungen insbesondere zu diagnostischen und wissenschaftlichen Zwecken durchgeführt. Viele dieser visuellen Analysen werden an biologischen Proben durchgeführt, die automatisch durch Bildanalyse von beispielsweise digitalisierten Bildern analysiert werden, welche durch Videomikrokopie der Rastertechniken aufgenommen wurden. In vielen Fällen kann die Bildanalyse durch eine auf Regeln basierende digitale Bildanalyse durchgeführt werden. Visuelle Untersuchungen müssen jedoch oftmals auf einer komplexen Wissensgrundlage durch Techniker, Ärzte und anderes geschultes Personal durchgeführt werden.
• Es ist offensichtlich obligatorisch, dass eine visuelle Untersuchung sorgfältig und mit hinreichender Erfahrung durchgeführt werden muss, um Details in einem Bild auszumachen. Oft sind diese Arten von Bildern sehr komplex wie die Bilder von Spermazellen, Krebszellen oder ähnlichen Objekten.
• Bislang hat besser geschultes Personal weniger geschulte Personen ausgebildet, die dann die visuelle Untersuchungsanalyse selbst durchführen mussten. Durch die Verwendung bekannter Verfahren zur Bestimmung der Reproduzierbarkeit der Wahrnehmung werden die Objekte in den Proben zum Beispiel durch Mikroskopie und morphologische Klassifikation zum Beispiel durch Zählen verschiedener Arten von Spermatozoa klassifiziert. Dadurch kann ein Fehler zwischen verschiedenen Objektarten statistisch nicht aufgelöst werden
• Wie erwähnt, ist es äußerst wichtig, dass beispielsweise die Interpretation medizinischer Bilder mit größter Sorgfalt durchgeführt wird. Es ist jedoch wohl bekannt, dass visuelle Interpretationen komplexer Objekte oft deutlich zwischen Personen variieren, was durch hohe intrapersonelle und interpersonelle Variationen zum Ausdruck kommt.
• Bis jetzt ist noch kein Verfahren entwickelt worden, um die Fähigkeiten von Personen zur Interpretation von digitalen Bildern von Objekten, d. h. auf der Objektebene, zu analysieren. Insbesondere wurde bis jetzt kein Verfahren praktiziert, um zu bestimmen, zu welchem Ausmaß einige Personen oder Personengruppen eine spezielle Begabung zur Wahrnehmung spezieller Objekttypen haben.
• Insbesondere betrifft die Erfindung ein statistisches Konsensverfahren, um z. B. Personen oder Personengruppen zu identifizieren, die zur Klassifizierung verschiedener Arten spezifizierter Objekte in digitalisierten Bilden, die durch die Klassifikationskriterien definiert ist, besonders qualifiziert sind. Dieses Verfahren wird durch die Implementierung einer Datenbank und eines statistischen Softwaresystems in einer Computerumgebung ausgeführt. Dadurch wird das Verfahren sowohl durch Anzeigen von Objekten in digitalisierten Bilden durch eine Benutzerschnittstelle, die unzweifelhaft ein gewähltes Objekt mit einem vorbestimmten Klassifikationstyp verbindet, als auch durch das gleichzeitige Anzeigen der Objekte und der bestimmten Klassifikationstypen realisiert. Durch mehrmaliges Klassifizieren von Objekten in den Referenzbildern, wodurch mehrere Klassifikationssätze erstellt werden, können diese Sätze zum Berechnen eines Konsenssatzes verwendet werden.
• Zur Standardisierung, Ausbildung und Qualitätssicherung beim Klassifizieren von Objekten in digitalisierten Bildern ist es daher nötig, Personen oder Personengruppe, die eine reproduzierbare hohe visuelle Wahrnehmung zum Klassifizieren von Objekten besitzen, zu identifizieren und einzusetzen.
• Eine reproduzierbare visuelle Wahrnehmung impliziert dann, das jedes Mal, wenn z. B. eine Person oder Personengruppen dieselben Objekte im selben Referenzbild klassifizieren, die Objekte als dieselben Typen klassifiziert werden.
• Die Erfindung stellt durch statistische Konsensanalyse sogenannte typenspezifische Leistungsprofile zur Verfügung, in denen die Prozentsätze für die Wahrnehmungsfähigkeit Histogrammfunktionen des Prozentsatzes der wiederholten Klassifizierungen für jeden definierten Objekttyp sind, wie es in Anspruch 1 beschrieben ist. So stellen, wie in Fig. 6 gezeigt, die Flächen in Prozent unter jedem Histogramm die typenspezifische Objekterkennung dar, und das gewichtete Mittel aller typenspezifischen Leistungsprofile (WAR) steht für die Leistung der Person, die spezifizierten Typen der Objekte zu erkennen.
• Wie in Fig. 2 und in Fig. 3 gezeigt, basiert das in Anspruch 1 beschriebene erfindungsgemäße Verfahren auf der Beschaffung und Verwendung von drei Hauptressourcen, welche sind:
• - Beschaffen externer Signale, einschließlich der Auswahl der Objekttypen, der Auswahl und Digitalisierung von Referenzbildern und Markieren der Objekte in den Referenzbildern (2A, 3A).
• - Beschaffen der Computerhardwareumgebung und des Betriebssystems, um die entwickelte Software auszuführen, um die Informationen über die intellektuelle Wahrnehmung zur Verfügung zu stellen, die sich anders nicht bestimmen lassen (2B, 3B).
• - Beschaffen und Verwenden von menschlichen intellektuellen Ressourcen. Diese Ressourcen sind für die Definition von Klassifikationskriterien für jeden Objekttyp, zum Auswählen der Lern- und Klassifikationssysteme und zu Erziehen und Trainieren der Lernsysteme bei der Verwendung der Klassifikationskriterien nötig (2C, 3C).
• Um die Bestimmung der visuellen Wahrnehmungsfähigkeit zu verbessern, wird die Typenwahrnehmungsfähigkeit weiter durch Berechnen der Flächenwahrnehmungsfähigkeit ergänzt, wie es in Anspruch 1 beschrieben ist. Diese Fähigkeit, ein Objekt zu erkennen, wird für jedes Objekt durch Berechnen des Flächenverhältnisses zwischen der Überschneidung und der Vereinigung dargestellter Objekte berechnet und beträgt für eine perfekte dargestellte Lokalisierungsfähigkeit eins (Fig. 3(334)).
• Vorausgesetzt, dass dieselben Klassifizierungskriterien praktiziert werden, kann ein Vergleich für alle Kombinationen von Klassifikationssätzen zwischen verschiedenen Paaren von Sätzen durchgeführt werden; dies kann zwischen einzelnen Sätzen, zwischen Konsenssätzen oder zwischen einzelnen Sätzen gegenüber Konsenssätzen geschehen. Dieser Vergleich kann dann als zweidimensionale Histogramme oder sogenannte Punktdiagramme gezeigt werden, die in Fig. 7 zu sehen sind. Hierdurch können alle Kombinationen von Übereinstimmungen in der Diagonale des Punktdiagramms und Nicht-Übereinstimmungen außerhalb der Diagonale sichtbar gemacht und lokalisiert werden, sowohl quantitativ als auch qualitativ, wie es in Anspruch 2 beschrieben ist. Falls ein Vergleich von Konsenssätzen durchgeführt wird, können eingestellte Operationen an den Konsenssätzen wie UND, ODER Exclusiv-ODER, (A NICHT B) und (B NICHT A) durchgeführt werden.
• Weiter kann unter Verwendung derselben Klassifikationskriterien die Klassifizierungsleistung jeder Person jetzt innerhalb der Gruppe in einer individuellen Einstufungsanalyse unter Verwendung der individuellen Konsenssätze eingestuft werden. Diese individuelle Einstufungsanalyse wird durch Multiplizieren der Summe der Leistungsprofile (Anspruch 1) mit der gesamten Klassifizierungsübereinstimmung (Anspruch 1) für jedes Individuum und die Gruppe von Individuen durchgeführt, wie es in Anspruch 3 beschrieben wird. So werden die Klassifizierungsübereinstimmungen zwischen jeder Person und der Gruppe berechnet.
• Durch Einrichten von Gruppenkonsensklassifizierungssätzen aus Konsenssätzen individueller Personen ist es möglich, eine Einstufungsanalyse für mehrere Gruppen durchzuführen. Diese Gruppeneinstufungsanalyse wird durch Multiplizieren des Konsens der Klassifizierungssätze für jede Gruppe mit dem Konsenssatz für alle Gruppen durchgeführt, wie es in Anspruch 4 beschrieben ist.
• Ein Expertenklassifizierungssatz kann dann durch die Einstufungsprozedur ausgewählt werden, wie es in Anspruch 5 beschrieben wird.
• Wie in Anspruch 6 beschrieben, kann der Expertenklassifizierungssatz dann als Filtersatz fungieren, um alle ähnlichen klassifizierten Objekte im Quellensatz zu halten. Dadurch werden alle Übereinstimmungen von Klassifikationen zwischen den Expertensätzen und dem Filtersatz mit hoher Reproduzierbarkeit angezeigt.
• Einzeldurchlaufklassifizierungen von Unterstrukturen oder Attributen von Objekten können verwendet werden, um neue Objekttypen zu definieren, und zwar durch Berechnen der häufigsten Kombination von klassifizierten Unterstrukturen, wie es in Anspruch 7 beschrieben wird.
• Ein visueller Vergleich zwischen Paaren von Klassifikationssätzen kann direkt als Symbole als nicht zerstörende Überlagerung auf den Objekten angezeigt werden. Hierdurch werden sowohl die Objekte als auch die Paare von Klassifikationssätzen gleichzeitig angezeigt, wie es in Anspruch 8 beschrieben wird.
• Erziehung und Schulung in der visuellen Klassifizierung können dann interaktiv und rekursiv durch Verwenden von entweder ausgewählten oder erstellten Expertenklassifizierungssätzen durchgeführt werden, wie es in Anspruch 9 beschrieben wird.
• Schließlich können alle zeitabhängigen Änderungen durch physikalische oder chemische Einflüsse auf die Signale, die durch klassifizierte Objekte dargestellt werden, durch Verwendung von Expertenkonsensklassifizierungssätzen verfolgt werden, wie es in Anspruch 10 beschrieben wird.
• Die Erfindung kann jetzt mit Bezug auf die folgenden Figuren erklärt werden:
• Fig. 1 zeigt die prinzipielle Systemkonfiguration der Erfindung.
• Fig. 2 zeigt zur Erkennung der physiologischen stimulusartigen Bilder die Objektklassifizierung für B Objekte in M Bildern, die T mal wiederholt wird.
• Fig. 3 zeigt zur Erkennung von Objekten in digitalisierten Bildern sowohl die Objektklassifizierung als auch die Objektflächenbestimmung für B Objekte in M Bildern, die T mal wiederholt wird.
• Fig. 4 zeigt die Klassifizierung verschieden aussehender Objekte.
• Fig. 5 zeigt zwei Tabellen dafür, wie die Summe der Leistungsprofile verwaltet und berechnet wird.
• Fig. 6 zeigt ein Beispiel für Leistungsprofile, die für zehn verschiedene Objekttypen berechnet wurden.
• Fig. 7 zeigt ein Beispiel eines zweidimensionalen Punktdiagramms, das für zehn verschiedene Objekttypen berechnet wurde.
• Der Zweck der Erfindung ist es, durch statistische Konsensanalyse subjektive Klassifizierungen durch wiederholte Klassifizierung von Referenzsignalen, z. B. Objekten in digitalisierten Bildern, zu objektivieren.
• Bei der Kombination eines Computerhardwaresystems und einem entwickelten Softwaresystem betrifft die Erfindung ein Verfahren, wie es in Fig. 1 konfiguriert ist, für den visuellen Wissenstransfer durch ein Wissensnetzwerk. Die Netzwerkaktivität erzeugt Klassifikationssätze auf vier Ebenen:
• Ebene 1: Ein einzelner Klassifizierungssatz, der zum Beispiel durch eine Person durchgeführt wird.
• Ebene 2: Kosenssatz aus mehreren Einzelsätzen, die zum Beispiel durch eine Person ausgeführt werden.
• Ebene 3: Gruppenkonsenssatz aus Konsenssätzen mehrerer Personen.
• Ebene 4: Zentraler Konsenssatz aus Gruppenkonsenssätzen.
• Alle Einrichtungen und Prozesse im Netzwerksystem sind wichtig, um eine konvergierende Übereinstimmung zu erzielen. Nur das hier beschriebene Verfahren, das als Softwaresystem ausgeführt und in die Workstations (Fig. 1, Teil 110) als neue Erfindung implementiert ist, weist jedoch das Potential auf, Wissenstransferprozeduren auszuführen. Die Verfahren versorgen die Benutzer zudem mit Informationen, die sonst nicht zugänglich sind, wodurch intellektuell angetriebene Klassifizierungen von Objekten in z. B. digitalisierten Bildern verbessert werden können. Diese Verbesserung kann sowohl durch Entfernen systematischer Fehler als auch durch Auswählen fortlaufend verbesserter Wissensdatenbanken erreicht werden.
• Die Verfahren basieren auf der Konsensanalyse einer Objektklassifizierung, die durch Lernsysteme durchgeführt wird. Typischerweise wird der Benutzer die Objekte durch eine Zeigeeinrichtung kenntlich machen und gleichzeitig den Klassifizierungstyp des Objekts anzeigen. Diese Information über die Interpretation des Benutzers für die angezeigten Objekte wird automatisch in einer Datenbank gespeichert. Nachfolgend wird diese Information dann zum Ausführen der beanspruchten Verfahren verwendet.
• In den in Fig. 1 gezeigten Workstations, Einrichtung 110, wird die Analyse der intellektuellen Fähigkeit dann durch eindeutige Korrelation zwischen der Klassifizierungsfähigkeit und dem Klassifizierungstyp durchgeführt, wie es in Fig. 2 und Fig. 3 gezeigt ist.
• Durch die bekannten Verfahren zur Konsensanalyse werden die Klassifizierungen auf der Probenebene ohne die Optionen durchgeführt, benutzerdefinierte Interessensgebiete anzuzeigen. Dadurch treten fehlerhafte Objekte nicht zutage. Weiter kann keine Korrelation zwischen der Klassifizierungsfähigkeit und dem Klassifizierungstyp durchgeführt werden.

Claims (10)

1. Verfahren zur Objektivierung von subjektiven Klassifizierungen diskreter und digital dargestellter Objekte in Form von Referenzsignalen. Dieses Verfahren ist gekennzeichnet durch Messen der Reproduzierbarkeit im Verbund und der kombinierten Fähigkeiten für verschiedene Lernsysteme, physiologischen zum Aufnehmen, speicherabhängigen zum Erkennen und intellektuellen zum Verstehen (RRC- Fähigkeiten), um räumlich und zeitlich veränderliche, typenspezifische Referenzsignale zu klassifizieren. Ein Lernsystem kann entweder eine Person, eine Personengruppe oder ein Mittelpunkt von Gruppen sein. Auf der Grundlage einer Konsensanalyse von re-iterierten Klassifikationen derselben Referenzsignale werden die reproduzierbaren Klassifikations-RRC-Fähigkeiten eindeutig mit jedem der entsprechenden Typen von Klassifikationen in Verbindung gebracht, die durch entsprechende Klassifikationskriterien definiert werden. Der Konsensklassifikationssatz wurde als die Mehrheit der Klassifikationsstimmen berechnet. Diese Klassifikationsstimmen werden durch das Klassifizierungslernsystem für jedes beobachtete Signal vergeben, welches mehrmals gemäß den explizit definierten und den implizit verstandenen Klassifikationskriterien klassifiziert wurde. Dadurch werden die RRC- Fähigkeiten als typenspezifische Leistungsprofile berechnet, die durch sukzessives Zahlen des Prozentsatzes der nach Typ identifizierten Objekte erzeugt werden und die graphisch als "Erkennung in %" als Funktion der durch den Prozentsatz angezeigten Anzahl von klassifizierten Sätzen angezeigt wird, welche durch "Wiederholung in %" angezeigt wird. Die Objekterkennungsfähigkeit, alle definierten Klassifikationstypen zu erkennen, wird sowohl als ein arithmetisches Mittel als auch als ein gewichteter Durchschnitt (gewichtete Durchschnittsreproduzierbarkeit, WAR) im Verhältnis zur Gesamtanzahl der Objekte berechnet, welche klassifiziert wurden. Es ist diese WAR, welche die RRC-Fähigkeiten und die Reproduzierbarkeit von Lernsystemen repräsentiert, um eine typenspezifische Objekterkennung durchzuführen. Dadurch haben alle WARs dieser Systeme gemeinsam, dass sie die Reproduzierbarkeit einer Intra-Systemvariation der Objektklassifizierung filz jedes Lernsystem repräsentieren.

2. Verfahren nach Anspruch 1, bei dem die Relativmustererkennung von Referenzsignalen durch Verwendung eines zweidimensionalen Histogramms durchgeführt wird, um Paare von Klassifikationssätzen zu vergleichen, in denen dieselben Klassifikationskriterien durch zwei Lernsysteme praktiziert werden. Dieser Dualvergleich analysiert gleichzeitig sowohl qualitativ als auch quantitativ jede Kombination von typspezifischen Klassifikationsübereinstimmungen und -Nicht-Übereinstimmungen zwischen zwei verschiedenen Klassifikationssätzen, welche entweder als einzelne Klassifikationssätze oder als berechnete Konsenssätze angegeben werden, die entsprechend als reguläre Sätze oder Expertensätze ausgewählt wurden. Das resultierende abschließende Stimmergebnis für jedes klassifizierte Objekt und für die gesamte Anzahl von Klassifikationssätzen wurde als das durch die beiden Systeme abgegebene Stimmergebnis der Mehrheit berechnet. Die Klassifikationsübereinstimmungen zwischen den beiden Lernsystemen werden anschließend als Kreise in einer Nord-West/Süd-Ost-Diagnale des zweidimensionalen Histogramms lokalisiert, während der Grad der Übereinstimmung relativ durch die Fläche der Kreise angedeutet wird. Jede Kombination von Nicht-Übereinstimmungen zwischen den beiden Lernsystemen wird anschließend genauso außerhalb der Diagonale der Übereinstimmung lokalisiert. Die Summe aller Kreise in der diagonalen Übereinstimmung bildet dann, in Prozent oder in der Anzahl der Objekte ausgedrückt, die Summe der Übereinstimmung zwischen den beiden Lernsystemen. Genauso repräsentiert dann, in Prozent oder in der Anzahl der Objekte ausgedrückt, die Summe der Fläche aller Kreise außerhalb der Diagonalen der Übereinstimmung die Nicht-Übereinstimmung und die Paar-spezifischen Variationen in der Objektklassifizierung zwischen den verglichenen Lernsystemen.

3. Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass durch Verwenden derselben Klassifikationskriterien und auf der Grundlage der Wiederholung von Klassifikationen derselben Referenzsignale, die durch eine Gruppe verschiedener Lernsysteme ausgeführt wird, Ranglisten für die RRC-Fähigkeiten zur Ausführung der Klassifikationen auf der Grundlage der Reproduzierbarkeit der Klassifikationen eingerichtet werden, die durch die Systeme ausgeführt wurden, welche mit der Systemübereinstimmung mit der Gruppe für jede der typspezifischen Objektklassifikationen multipliziert wird.

4. Das Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass durch Verwenden derselben Klassifikationskriterien und auf der Grundlage der Wiederholung von Klassifikationen derselben Referenzsignale, die durch Gruppen verschiedener Lernsysteme ausgeführt wird, Ranglisten für die RRC-Fähigkeiten zur Ausführung der Klassifikationen auf der Grundlage der Reproduzierbarkeit der Klassifikationen berechnet werden, die durch jedes Gruppensystem ausgeführt wurden, welches mit der Gruppensystemübereinstimmung mit allen Gruppen für alle typspezifischen Objektklassifikationen multipliziert wird.

5. Verfahren nach den Ansprüchen 1-4, dadurch gekennzeichnet, dass für eine gegebene Gruppe verschiedener Lernsysteme oder Gruppen von Systemen, die dieselben Klassifikationskriterien praktizieren, ein typenspezifischer Klassifikationssatz als Expertenklassifikationssatz ausgewählt wird, aus dem eine qualitative Auswertungs- und Rangliste auf der Grundlage der prozentualen Bepunktung berechnet wird, die als die der Systeme eigene Reproduzierbarkeit bei der Konsensanalyse der sich wiederholenden Klassifikationen der Referenzsignale berechnet wird, die mit den Übereinstimmungen der entsprechenden Systeme mit den anderen Systemen in der Gruppe zur Klassifikation derselben Referenzsignale durch Praktizieren derselben definierten Klassifizierungskriterien multipliziert wird.

6. Verfahren nach den Ansprüchen 3, 4, 5, dadurch gekennzeichnet, dass dabei durch Filtration durch Verwenden ausgewählter Expertenklassifizierungssätze für jeden Klassifikationstyp virtuelle und systemunabhängige Sätze von Expertenklassifikationen für mehrere Klassifikationstypen für alle definierten und praktizierten Klassifikationstypen konstruiert werden.

7. Verfahren nach den Ansprüchen 1-5, gekennzeichnet durch das Definieren neuer Typen von Objektklassifikationen. Für gegebene komplexe Typen von Signalobjekten können die Objekte in Elemente aufgeteilt werden. Durch die Klassifizierung dieser Elemente können dann die häufigsten Kombinationen der Klassifizierung als neue Objekttypen ausgewählt werden, wodurch die Klassifizierungskriterien für diese Typen definiert werden können.

8. Verfahren nach Anspruch 1, durch das, wie in Fig. 4 gezeigt, die klassifizierten Objekte und die Paare von Klassifizierungen, die als symbolische Formen dargestellt werden, graphisch die physiologischen Stimuli und intellektuellen Klassifizierungsantworten gezeigt bekommen, welche als die entsprechend durchgeführten (Anspruch 3 oder 4) oder konstruierten (Anspruch 5 oder 6) Klassifizierungssätze dargestellt werden können, durch welche beide Lernsysteme die Klassifizierungen auf der Grundlage derselben Objekte und die Verwendung derselben definierten Klassifizierungskriterien ausgeführt haben.

9. Verfahren nach den Ansprüchen 1-8, gekennzeichnet durch Erziehung und Training der Lernsysteme, die dieselben Referenzsignale klassifizieren, und die dieselben Klassifizierungskriterien verwenden. Diese Lernsysteme werden, in symbolischer Form dargereicht, gleichzeitig den klassifizierten Objekten und dem intellektuellen Wissen anderer Klassifizierungssysteme ausgesetzt. Diese symbolische Form kann Übereinstimmungen und Nicht-Übereinstimmungen entweder zwischen Paaren von Lernsystemen, die dieselben Referenzsignale auf der Grundlage derselben definierten Klassifizierungskriterien klassifiziert haben, oder zwischen virtuellen Expertenklassifzierungssätzen mehrerer Klassifizierungstypen und Klassifzierungen, die durch die Lernsysteme durchgeführt werden, darstellen.

10. Das Verfahren nach Anspruch 3-5, durch welches in Konformität mit den definierten Klassifizierungskriterien Expertenkonsensanalysen anhand der Signaländerungen durchgeführt werden, die durch physikalische oder chemische Veränderungen in Zeit und Raum verursacht wurden, und zwar für diejenigen Objekte, durch welche die Signale repräsentiert werden.