Beratung zur Erkennung anatomischer Orientierungspunkte in einem CT-rekonstruierten Volumen

Ich versuche, einige medizinisch definierte anatomische Orientierungspunkte in einem rekonstruierten CT-Volumen automatisch zu erkennen. Ärzte verwenden diese Orientierungspunkte, um einige patientenspezifische Parameter zu messen. Ich habe versucht, den SIFT-Feature-Deskriptor zu verwenden, da diese anatomischen Orientierungspunkte eine Art "Schlüsselpunkte" sind. Dies hat nicht sehr gut funktioniert, da die Orientierungspunkte Punkte (oder winzige Regionen) sind, die im Allgemeinen keine "Interessenpunkte" im Sinne von SIFT sind. Ich habe viele Muster- / Vorlagenanpassungsalgorithmen gesucht, aber wenn ich keine Rotations- / Translations- / Skalierungsprobleme habe, stelle ich fest, dass die extrahierten Merkmale nicht jeden Orientierungspunkt ausreichend unterscheiden (vom Rest der Orientierungspunkte und vom Rest des Nicht-Orientierungspunkts) Landmark Patches), um einen Klassifikator zu trainieren, der eine gute Leistung erbringt (mindestens 80% der Erkennungsgenauigkeit).

Bitte lassen Sie mich wissen, wenn ich das Problem nicht klar genug darstelle.

Ich würde mich über jeden Rat sehr freuen.

Vielen Dank!

Beispielbild:

Die kleinen x-Kreuze sind die Orientierungspunkte, die ich erkennen möchte. Die Linien repräsentieren die ergriffenen Maßnahmen. Dies sind einige Teile verschiedener Fälle (natürlich kann ich nicht das gesamte 3D-Volumen veröffentlichen)

Die kleinen x-Kreuze und kleinen Quadrate befinden sich über den Orientierungspunkten, die ich erkennen möchte (ich habe vergessen zu erwähnen, dass ich ein Trainingsset mit den beschrifteten Orientierungspunkten habe). Die weißen Linien repräsentieren die ergriffenen Maßnahmen. Dies sind einige Teile verschiedener Fälle (natürlich kann ich nicht das gesamte 3D-Volumen veröffentlichen).

image-processing 3d template-matching

— Federico
quelle

Könnten Sie einige repräsentative Bilder posten und auf die Funktionen hinweisen, die Sie erkennen möchten?

— Jim Clay

Ich sehe die Xs und Boxen im Bild, aber ich verstehe nicht, was sie zu Orientierungspunkten macht. Wurden die im Bild von Hand ausgewählt? Wenn Sie beschreiben können, wie sie ausgewählt werden, würde das sehr helfen.

— Endolith

Ja, diese Orientierungspunkte werden von MDs von Hand ausgewählt. Tatsächlich sind es hauptsächlich ihre Position im Knochen und ihre Krümmung, die sie für den Kliniker erkennbar machen. Auch die kortikale Knochenbreite wird möglicherweise berücksichtigt (dies ist für sie natürlich, es ist wirklich schwierig, rückzuentwickeln, wie sie diese Punkte finden), da sie dünner ist als in anderen Teilen des Knochens. Meine Schwierigkeit besteht darin, all dies in einem Feature-Extraktor zu modellieren.

— Federico

Ich zögere, dies als Antwort zu schreiben, aber da Sie nur um Rat fragen, werde ich dies tun.

Ich schlage vor, Techniken zu untersuchen, die auf der Dual-Tree Complex Wavelet Transform (DTCWT) basieren. Diese haben sich als nützlich erwiesen, um Deskriptoren zu erzeugen, die eine gute Toleranz gegenüber Verschiebung, Skalierung und Drehung der Quellbilder aufweisen. Es ist nicht das klassische Problem, dass Sie nicht zulassen, dass die Punkte für Sie vergeben werden, aber ich vermute, dass Sie mit einigen Überlegungen die Techniken an vordefinierte Orientierungspunkte anpassen können.

Es ist klar, dass die Orientierungspunkte aus der Sicht eines Klinikers ein gewisses Interesse haben, daher haben sie etwas Interessantes - es geht einfach darum, dies im Deskriptor zu modellieren. Wavelet-Techniken (insbesondere das DTCWT) sind in der Regel gut darin, Merkmale zu modellieren, die das Auge wahrnimmt.

Ein Ausgangspunkt wäre wahrscheinlich dieses relativ neue Papier .

— Henry Gomersall
quelle