Doradztwo w wykrywaniu anatomicznych punktów orientacyjnych w rekonstruowanej tomografii komputerowej


10

Próbuję automatycznie wykryć niektóre medycznie zdefiniowane anatomiczne punkty orientacyjne w rekonstruowanej tomografii komputerowej. Lekarze używają tych punktów orientacyjnych do pomiaru niektórych parametrów specyficznych dla pacjenta. Próbowałem użyć deskryptora funkcji SIFT, ponieważ te anatomiczne punkty orientacyjne są swego rodzaju „punktami kluczowymi”. Nie działało to zbyt dobrze, ponieważ punktami orientacyjnymi są punkty (lub małe regiony), które zasadniczo nie są „punktami zainteresowania” zgodnie z definicją SIFT. Szukałem wielu algorytmów dopasowywania wzorców / szablonów, ale gdy nie mam problemów z obrotem / tłumaczeniem / skalowaniem, okazuje się, że wyodrębnione funkcje nie odróżniają wystarczająco każdego punktu orientacyjnego (od reszty punktów orientacyjnych i od pozostałych przełomowe łaty), aby wyszkolić klasyfikatora, który działa wystarczająco dobrze (co najmniej 80% dokładności wykrywania).

Daj mi znać, jeśli problem nie jest wystarczająco jasny.

Byłbym wdzięczny za każdą radę.

Dzięki!

Przykładowy obraz:

Małe krzyże x to punkty orientacyjne, które chcę wykryć.  Linie reprezentują podjęte środki.  Oto kilka różnych przypadków (oczywiście nie mogę opublikować pełnej objętości 3D)

Małe krzyże x i małe kwadraty znajdują się nad punktami orientacyjnymi, które chcę wykryć (zapomniałem wspomnieć, że mam zestaw treningowy z oznaczonymi punktami orientacyjnymi). Białe linie reprezentują podjęte środki. Oto kilka różnych przypadków (oczywiście nie mogę opublikować pełnej objętości 3D).


Czy możesz opublikować reprezentatywne zdjęcia i wskazać funkcje, które próbujesz wykryć?
Jim Clay,

Widzę litery X i ramki na obrazie, ale nie rozumiem, co czyni je punktami orientacyjnymi. Czy te na obrazie zostały wybrane ręcznie? Jeśli potrafisz opisać, jak są wybierani, bardzo by to pomogło.
endolith

Tak, te punkty orientacyjne są wybierane ręcznie przez lekarzy. W rzeczywistości ich położenie w kości i skrzywienie są tym, co czyni je wykrywalnym przez klinicystę. Być może brana jest również pod uwagę szerokość kości korowej (jest to dla nich naturalne, naprawdę trudno jest odtworzyć sposób znalezienia tych punktów), ponieważ jest cieńsza niż w innych częściach kości. Moja trudność polega na modelowaniu tego wszystkiego w ekstraktorze funkcji.
Federico,

Odpowiedzi:


5

Waham się, by napisać to jako odpowiedź, ale biorąc pod uwagę, że prosisz tylko o radę, zrobię to.

Proponuję zbadać techniki oparte na złożonej transformacie falkowej złożonej z dwóch drzew (DTCWT). Okazały się one przydatne do generowania deskryptorów, które mają dobrą tolerancję na przesunięcie, skalę i obrót obrazów źródłowych. Nie jest to klasyczny problem polegający na tym, że nie pozwalasz na przypisanie punktów za ciebie, ale podejrzewam, że z pewnym pomysłem możesz dostosować techniki do predefiniowanych punktów orientacyjnych.

Najwyraźniej punkty orientacyjne mają pewne zainteresowanie z perspektywy klinicysty, więc jest w nich coś interesującego - to po prostu przypadek modelowania tego w deskryptorze. Techniki falkowe (w szczególności DTCWT) są dobre w modelowaniu cech, które przyciąga oko.

Punktem wyjścia byłby prawdopodobnie ten dość niedawny artykuł .

Korzystając z naszej strony potwierdzasz, że przeczytałeś(-aś) i rozumiesz nasze zasady używania plików cookie i zasady ochrony prywatności.
Licensed under cc by-sa 3.0 with attribution required.