專利名稱：使用組織信息的自動放射線照片分類的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及用于處理數(shù)字射線照相(radiography)的技術(shù)，并且特別地，涉及數(shù)字射線照相的圖像的自動分類。
背景技術(shù)：
準(zhǔn)確的醫(yī)療診斷常常取決于圖像上與診斷有關(guān)的區(qū)域的正確的顯示。隨著計(jì)算射線照相系統(tǒng)和數(shù)字射線照相系統(tǒng)的最新進(jìn)展，圖像的獲取和它的最后的“觀看”是分開的。這給用戶提供靈活性，但也引入了對圖像顯示器設(shè)置適當(dāng)?shù)纳{(diào)尺度的困難。最佳色調(diào)尺度通常依賴于檢查類型、曝光條件、圖像獲取設(shè)備和輸出設(shè)備的選擇以及放射師的喜好，在這中間，檢查類型是一個決定性因素，因?yàn)樗苯由婕暗叫盘柕奶卣骱蛨D像上臨床的重要部分。所以，檢查類型的成功分類大大地有利于圖像的最佳呈現(xiàn)。使用檢查類型分類的另一個正在顯露的領(lǐng)域是數(shù)字圖片歸檔和通信系統(tǒng)(PACS)。至今為止，大多數(shù)與射線照相有關(guān)的信息主要基于人工輸入。這個步驟常常被跳過，或者不正確的信息被記錄在圖像標(biāo)題上，這阻礙了在常規(guī)的醫(yī)療實(shí)踐和病人照料中有效使用圖像。自動圖像分類通過根據(jù)圖像內(nèi)容來組織和檢索圖像而具有解決以上問題的潛力。這可以使得醫(yī)療圖像管理系統(tǒng)更合理和有效，無疑會改進(jìn)PACS的性能。
然而，讓計(jì)算機(jī)自動和有效地分析圖像上的內(nèi)容和分類圖像是困難的，因?yàn)閳D像數(shù)據(jù)在結(jié)構(gòu)上比起其它種類的數(shù)據(jù)復(fù)雜得多，并且人們獲取圖像內(nèi)容、把圖像特征分組成有意義的目標(biāo)和通過模型匹配把語義說明附加到圖像的方式，還沒有得到充分理解，從而無法使得分析過程自動化。另外，把圖像分段成相應(yīng)于各個單獨(dú)目標(biāo)的區(qū)域、從圖像提取能獲得感覺上的和語義上的意義的特征、以及根據(jù)提取的特征把圖像與建議的模型相匹配，也使得分析問題成為更具挑戰(zhàn)意義的。
在最新的文獻(xiàn)中提出了基于內(nèi)容的圖像分類和檢索的各種系統(tǒng)，諸如QBIC(W.Niblack等，“The QBIC projectQuerying images bycontent using color，texture，and shape(QBIC課題使用彩色、紋理結(jié)構(gòu)和形狀，通過內(nèi)容來查詢圖像)”，Proc.SPIE Storage and Retrievalfor Image and Video Databases，F(xiàn)eb 1994)，Photobook(照相本)(A.Pentland等，“PhotobookContent-based manipulation of imagedatabase(照相本圖像數(shù)據(jù)庫的基于內(nèi)容的管理)”，InternationalJournal of Computer Vision，1996)，Virage(J.R.Bach等，“Virage imagesearch engineAn Open framework for image management(Virage圖像搜索引擎用于圖像管理的開放框架)”，Proc.SPIE Storage andRetrival for image and Video Database，Vol 2670，pp.76-97，1996)，Visualseek(R.Smith等，“VisualseekA fully automated content-basedimage query system(全自動的基于內(nèi)容的圖像詢問系統(tǒng))”，Proc ACMMultimedia 96，1996)，Netra(Ma等，“NetraA toolbox for navigatinglarge image database(用于導(dǎo)航大圖像數(shù)據(jù)庫的工具箱)”，Proc IEEEInt.Conf.On Image Proc.1997)，和MAR(T.S.Huang等，“Multimediaanalysis and retrieval system(MARS)project(多媒體分析和檢索系統(tǒng)(MARS)課題)”，Proc of 33rdAnnual Clinic on Library Application ofData Processing Digital Image Access and Retrieval，1996)。這些系統(tǒng)遵循同一個理念，即把圖像作為整體對待，并且通過一組低級別特征屬性(諸如彩色、紋理結(jié)構(gòu)、形狀和布局)來表示它。結(jié)果，這些特征屬性一起形成圖像的特征向量。圖像分類是基于把這些低級別可視特征向量成為集群。這樣的基于集群的分類方案通常是費(fèi)時的而實(shí)際使用卻是有限的，因?yàn)橹挥泻苌俚膱D像目標(biāo)語義是被明顯地建模的。另一個問題是這些系統(tǒng)使用從萬維網(wǎng)收集的圖像。通常，最有效的特征是彩色。不幸，基于彩色的特征在大多數(shù)醫(yī)學(xué)圖像中是不可得到的。
I.Kawshita等(“Development of Computerized Method forAutomated Classification of body Parts in Digital Radiographs(用于自動把數(shù)字射線照相中的身體部分分類的計(jì)算機(jī)化方法的開發(fā))”，RSNA2002)給出一種把六個身體部分分類的方法。該方法通過使用交叉相關(guān)值作為類似性度量值來檢查給定的圖像與一組樣板圖像的類似性。然而，樣板圖像的人工生成是相當(dāng)費(fèi)時的，而且更關(guān)鍵地，它是高度地依賴于觀察者的，這會在分類時引入誤差。J.Dahmen等(“Classification of Radiographs in the‘Image Retrieval in MedicalApplication’-System(在醫(yī)學(xué)應(yīng)用中的圖像檢索系統(tǒng)中射線照相的分類)”，Procs 6thInternational RIAO Conference on Content-basedMultimedia Information Access，Paris，F(xiàn)rance，2000；551-566)教導(dǎo)一種利用基于核心密度的分類器通過使用新的失真模型和simard的切向距離的擴(kuò)展的版本來對射線照相分類的方法。以上兩種方法都遇到在射線照相上處理組織的旋轉(zhuǎn)和平移變化的問題。所以，最終得到的測量結(jié)果不能精確代表射線照相的特性。另外，在以上的方法中沒有實(shí)施預(yù)處理。例如，在曝光期間由于X射線校直器的阻擋造成的未曝光區(qū)域可能導(dǎo)致在圖像周圍的明顯的白色邊界。如果這樣的區(qū)域不在預(yù)處理步驟中去除并因此被使用在類似性測量的計(jì)算中，則分類結(jié)果會嚴(yán)重偏移。Luo等(“Knowledge-based Image Understanding andClassification System for Medical Image Databases(用于醫(yī)學(xué)圖像數(shù)據(jù)庫的基于知識的圖像理解和分類系統(tǒng))”，Proceedings of SPIE-theInternational Society for Optical Engineering，Vol.4694，No.22，F(xiàn)eb.2002，pp.1224-1234)公開一種使用形狀信息和模型匹配的分類的方法。該方法采用邊緣方向直方圖來描述組織的整體形狀，并根據(jù)從它們的邊緣方向直方圖提取的六個標(biāo)度、旋轉(zhuǎn)和平移特性來對圖像分類。然而，所提取的特性不足以完全代表邊緣方向直方圖的特征。因此，分類器的性能很難改進(jìn)。
由于已有技術(shù)的缺點(diǎn)和限制，所以需要一種對射線圖像進(jìn)行自動分類的方法。
發(fā)明概要本發(fā)明的一個目的是提供一種根據(jù)組織信息對射線照相進(jìn)行自動分類的方法。
本發(fā)明的另一個目的是提供一種使用組織結(jié)構(gòu)的物理尺寸來對射線照相分類的方法。
本發(fā)明的再一個目的是提供一種使用組織結(jié)構(gòu)的形狀信息來對射線照相分類的方法。
按照本發(fā)明，這些目的是通過以下步驟達(dá)到的獲取包括像素的行和列的矩陣的數(shù)字射線照相圖像；把圖像分段成前景、背景、和組織區(qū)域；通過分別使用組織的物理尺寸和它的邊緣方向直方圖的形狀來對圖像分類；以及把圖像歸類。
本發(fā)明的優(yōu)點(diǎn)在于，該方法提供了提取圖像上組織特征的有效的方式以及定標(biāo)、旋轉(zhuǎn)和平移不變的形狀分類器的縝密的設(shè)計(jì)，這使得這種分類更魯棒。
附圖簡述

圖1是說明用于對射線照相進(jìn)行分類的自動化方法的示意圖。
圖2A-2D是分別顯示通過計(jì)算射線攝影術(shù)獲取的射線照相和它的分別來自分段的前景、背景和組織圖像的例子的示意圖。
圖3A-1到圖3E-2是顯示來自不同的檢查的射線照相的形狀變化的示意圖。
圖4是顯示用于對組織的形狀分類的方法的流程圖。
圖5A-1到圖5D-3顯示邊緣方向直方圖的特征。圖5A-1，5A-2和5A-3是顯示具有相同的形狀但具有不同的取向的合成圖像的示意圖。圖5B-1，5B-2和5B-3是顯示它們的邊緣圖像的示意圖。圖5C-1，5C-2和5C-3是顯示它們的相應(yīng)的邊緣方向直方圖的圖形視圖。圖5D-1，5D-2和5D-3是顯示邊緣方向直方圖的簡化的說明的圖形視圖。
圖6是顯示形狀分類器的結(jié)構(gòu)的圖形視圖。
圖7A-1到圖7C-2顯示具有一個峰值形狀模式的邊緣方向直方圖的圖像。圖7A-1和7A-2顯示原始圖像。圖7B-1和7B-2是組織圖像。圖7C-1和7C-2顯示它們的邊緣方向直方圖。
圖8A-1到圖8C-2顯示具有兩個峰值形狀模式的邊緣方向直方圖的圖像。圖8A-1和8A-2顯示原始圖像。圖8B-1和8B-2是組織圖像。圖8C-1和8C-2顯示它們的邊緣方向直方圖。
圖9A-1到圖9C-2顯示具有其它形狀模式的邊緣方向直方圖的圖像。圖9A-1和9A-2顯示原始圖像。圖9B-1和9B-2是組織圖像。圖9C-1和9C-2顯示它們的邊緣方向直方圖。
發(fā)明詳細(xì)說明以下是參考附圖的本發(fā)明的優(yōu)選實(shí)施例的詳細(xì)說明，圖上相同的標(biāo)號表示在這些圖的每個圖上的結(jié)構(gòu)的相同單元。
本發(fā)明公開一種用于對射線照相自動分類的方法。按照本發(fā)明的方法的流程圖顯示于圖1。如圖1所示，該方法包括三個階段。在第一階段，輸入的射線照相(方塊10)被分段成(步驟11)三個區(qū)域，它們是校直區(qū)域(前景)、直接曝光區(qū)域(背景)和與診斷有關(guān)的區(qū)域(組織)。然后，對于圖像執(zhí)行兩次分類一次分類是基于組織的尺寸(方塊12)，另一次分類是基于組織的形狀(方塊13)。此后，從這兩次分類得到的結(jié)果被組合，并把輸入圖像歸類到一個類別，例如8個類別中的一個類別(方塊14)。
圖像分段(步驟11)可以使用本領(lǐng)域技術(shù)人員已知的方法來完成。一個這樣的方法在共同轉(zhuǎn)讓的、由Wang等在2003年7月24日提交的題目為“Method of segmenting a radiographic image into diagnosticallyrelevant and dia gnostically irrelevant regions(將射線照相圖像分段為診斷有關(guān)的和診斷無關(guān)的區(qū)域的方法)”的美國專利申請序列號No.10/625,919中公開的，該專利申請?jiān)诖艘靡怨﹨⒖?。圖2A顯示示例性射線照相，以及圖2B-2D顯示從分段得到的前景、背景和組織圖像。
按照本發(fā)明，放射線照相的分類集中在兩方面1)在射線照相上組織結(jié)構(gòu)的物理尺寸，以及2)在射線照相上組織的形狀。例如，在腳和腹部的尺寸之間有很大的不同。所以，使用物理尺寸信息可以有助于分開這兩種組織的類型。同樣地，組織的形狀特性是可用于分類的另一個重要的特征。
圖3A-1到圖3E-2顯示來自不同的檢查的射線照相以及它們的組織圖像。從這些圖可以看到，在它們之間有很大的形狀變化。如果能準(zhǔn)確捕捉到這樣的變化，則可以容易地把這些圖像分類。
為了把組織的物理尺寸分類，優(yōu)選地利用六個特征。第一特征是像素間隔，這是在射線照相上由每個像素代表的真實(shí)的物理尺寸。第二和第三特征是組織圖像的寬度和高度，因?yàn)槭乔熬皡^(qū)域的部分，它們可能小于輸入射線照相的寬度和高度。第四特征是組織面積與圖像面積的比值。第五特征是背景面積與圖像面積的比值。第六特征是前景面積與圖像面積的比值。
這些特征然后被輸入到分類器，它被訓(xùn)練來把圖像上組織的物理尺寸分類。分類器可以使用本領(lǐng)域技術(shù)人員已知的方法，諸如神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等等。從分類器得到的結(jié)果把圖像劃分成兩組具有大尺寸組織的圖像，諸如腹部、骨盆和胸部，或具有小尺寸組織的圖像，諸如手、肘部、手腕等等。
按照本發(fā)明的實(shí)施例，采用神經(jīng)網(wǎng)絡(luò)來執(zhí)行分類。神經(jīng)網(wǎng)絡(luò)具有三層輸入層，具有相應(yīng)于上述的六個特征的六個節(jié)點(diǎn)；隱藏層；和輸出層，具有兩個節(jié)點(diǎn)，每組一個節(jié)點(diǎn)。
存在著進(jìn)行形狀分析的已知方法。然而，目標(biāo)形狀的精確的和定量的描述是個挑戰(zhàn)性問題，特別是用一組定標(biāo)、旋轉(zhuǎn)和平移不變的特征來描述形狀。本發(fā)明通過形狀分類器的審慎設(shè)計(jì)解決以上的問題。圖4顯示用于形狀分類的過程的流程圖，其包括以下步驟。
第一步驟是提取組織的邊緣(方塊20)。作為本發(fā)明的實(shí)施例，使用標(biāo)準(zhǔn)形態(tài)操作，并通過首先進(jìn)行組織圖像的擴(kuò)大然后從組織圖像中減去最終得到的圖像從而得到組織的邊緣。為了避免由校直器引起的噪聲邊緣，優(yōu)選地利用前景掩模來估計(jì)檢測到的邊緣，并去除所有的可疑的邊緣。使用擴(kuò)大的優(yōu)點(diǎn)在于，它填充了組織上的小孔，所以使組織的邊緣平滑。另外，它可以保證有一個像素寬的邊緣，而這與邊緣方向直方圖的特征是有關(guān)的。應(yīng)當(dāng)指出，本發(fā)明不限于使用形態(tài)操作來提取組織的邊緣。可以使用其它邊緣檢測方法，其中組織邊緣被精確地檢測，并具有一個像素的寬度。
第二步驟是計(jì)算每個邊緣點(diǎn)的邊緣方向，然后生成邊緣方向直方圖(方塊21)。計(jì)算邊緣方向可以通過使用技術(shù)上已知的方法來執(zhí)行。在本發(fā)明的實(shí)施例中，使用以下的Sobel邊緣算子作為邊緣的水平性和垂直性的檢測器。
h1=121000-1-2-1]]>h2=-101-202-101]]>如果h1響應(yīng)是y以及h2響應(yīng)是x，則邊緣方向可以得出為tan-1(y/x)。
以其邊緣方向直方圖表示形狀，具有優(yōu)點(diǎn)和局限。為了分析它們，使用三個合成圖像的例子，如圖5A-1，5A-2和5A-3所示。這些圖像顯示相同的條形，但具有不同的取向。圖5B-1，5B-2和5B-3顯示它們的邊緣圖像。它們的相應(yīng)的邊緣方向直方圖示于圖5C-1，5C-2和5C-3。為了簡化直方圖的描述，于是把它量化為每個圖36個10°的采樣點(diǎn)集(bin)。圖5D-1，5D-2和5D-3描繪最后的結(jié)果。使用邊緣方向直方圖的一個關(guān)心的問題是直方圖對于平移是否為不變的。從所顯示的直方圖的觀察表明，圖像上目標(biāo)的位置對于它的邊緣方向沒有影響。所以，從邊緣方向的直方圖提取的任何特征對平移是不變的。另一個關(guān)心的問題是關(guān)于定標(biāo)。嚴(yán)格地說，邊緣方向的使用對定標(biāo)不是固有地不變的。除了它們的尺寸以外在每個方面都相同的兩個圖像將產(chǎn)生不同數(shù)目的邊緣點(diǎn)，因此，導(dǎo)致兩個不同的直方圖。為了達(dá)到定標(biāo)的不變性，直方圖需要按下式被歸一化H(i)＝H(i)/nei∈
其中H(i)是在邊緣方向直方圖的采樣點(diǎn)集i的計(jì)數(shù)值，ne是邊緣點(diǎn)的總數(shù)。因此，最終得到的直方圖對定標(biāo)保證是不變的。關(guān)于旋轉(zhuǎn)，邊緣方向的直方圖對于旋轉(zhuǎn)也不是不變的，如圖5所示。雖然這些圖像包含具有不同取向的類似的形狀，但它們的邊緣方向直方圖是不同的。然而，當(dāng)考慮這些直方圖的形狀模式時，它們看上去相當(dāng)相似，因?yàn)樗鼈兙哂邢喔?80°的兩個峰值。如果可以獲取這樣的特征，則分類器可被做成對于旋轉(zhuǎn)不變的。
為了解決這些問題，采取第三步驟來生成定標(biāo)、旋轉(zhuǎn)、和平移不變的形狀分類器，并使用它來對邊緣方向直方圖分類(步驟22)。
按照本發(fā)明的實(shí)施例，通過使用四個多層前饋神經(jīng)網(wǎng)絡(luò)，第一級別的三個判決網(wǎng)絡(luò)和第二級別的一個分類網(wǎng)絡(luò)來構(gòu)建形狀分類器，如圖6所示。
第一級別的判決神經(jīng)網(wǎng)絡(luò)集中于識別邊緣方向直方圖的形狀模式。例如，神經(jīng)網(wǎng)絡(luò)1被用來識別具有一個顯著的峰值的邊緣方向直方圖，如圖7B-1和7B-2所示。神經(jīng)網(wǎng)絡(luò)2識別具有兩個峰值的邊緣方向直方圖，如圖8C-1和8C-2所示，而神經(jīng)網(wǎng)絡(luò)3集中于直方圖的形狀模式的其余部分，如圖9C-1和9C-2所示。這三個判決網(wǎng)絡(luò)的結(jié)構(gòu)優(yōu)選地包括1)36個輸入節(jié)點(diǎn)輸入層，這相應(yīng)于在邊緣方向直方圖上36個采樣點(diǎn)集，2)隱藏層，和3)二節(jié)點(diǎn)輸出層。每個節(jié)點(diǎn)規(guī)定輸入邊緣方向直方圖是否可靠地接近于設(shè)想的形狀模式。應(yīng)當(dāng)指出，使用神經(jīng)網(wǎng)絡(luò)而不是來自邊緣方向直方圖的一組特征的好處在于，神經(jīng)網(wǎng)絡(luò)提供學(xué)習(xí)和解譯復(fù)雜數(shù)據(jù)的工具。因此，它可以避免由所選擇的特征引入的偏差并使得分類更精確和魯棒。
第一級別神經(jīng)網(wǎng)絡(luò)的結(jié)果然后被輸入到第二級別神經(jīng)網(wǎng)絡(luò)，它的目的是減小在判決網(wǎng)絡(luò)中存在的模糊性，和提供最后的分類結(jié)果。它的輸出應(yīng)當(dāng)表示輸入的直方圖屬于哪個形狀模式。類似于判決神經(jīng)網(wǎng)絡(luò)，分類神經(jīng)網(wǎng)絡(luò)包含三層。分類神經(jīng)網(wǎng)絡(luò)的輸入層包含六個節(jié)點(diǎn)，每個判決神經(jīng)網(wǎng)絡(luò)兩個節(jié)點(diǎn)。輸出層具有三個節(jié)點(diǎn)，規(guī)定直方圖的三個形狀模式一個峰值的形狀模式，兩個峰值的形狀模式，和其它形狀模式。
按照本發(fā)明，通過使用用于檢查圖像上邊緣的存在的基于法則的方法，把另一個形狀模式(即無邊緣模式)添加到形狀分類結(jié)果。這個形狀模式用來表示不帶有背景的圖像，所以在圖像上找不到邊緣。這在校直刀片被放置成只曝光組織結(jié)構(gòu)和在圖像上不存在直接曝光區(qū)域時發(fā)生。
最后一個步驟是組合來自物理尺寸的結(jié)果和形狀模式分類，并把射線照相歸類。按照優(yōu)選實(shí)施例，要識別以下八類1.不帶邊緣的大尺寸組織，諸如腹部、胸椎和腰椎的PA視圖。
2.具有一個峰值形狀邊緣方向直方圖的大尺寸組織，諸如臀部和肩部的PA視圖。
3.具有兩個峰值形狀邊緣方向直方圖的大尺寸組織，諸如胸部的橫向(LAT)視圖和骨盆的PA視圖。
4.具有其它形狀邊緣方向直方圖的大尺寸組織，諸如顱骨的PA和LAT視圖。
5.不帶有邊緣的小尺寸組織，諸如因?yàn)樾Ｖ逼鞯脑O(shè)置而得到的膝蓋的某些PA和LAT視圖。
6.具有一個峰值形狀邊緣方向直方圖的小尺寸組織，諸如股骨，肘部，前臀和髁部的某些PA和LAT視圖，其中校直區(qū)域覆蓋部分組織，和導(dǎo)致在圖像上僅僅檢測到一個邊緣。
7.具有兩個峰值形狀邊緣方向直方圖的小尺寸組織，諸如肘部，前臂，髁部和手腕的大多數(shù)PA和LAT視圖。
8.具有其它形狀邊緣方向直方圖的小尺寸組織，諸如腳、手和手指的PA和LAT視圖。
由于檢查條件，來自同一個檢查的組織的尺寸和位置以及取向可能是不同的。另外，在射線照相上顯示的組織的部分也隨病人的情形和校直器刀片的設(shè)置而變化。這些因素可導(dǎo)致射線照相的不同的外貌，這使得分類是非常挑戰(zhàn)性的。本發(fā)明提供分類的模糊性，所以，射線照相可被歸類為一個或多個以上的類別。這種模糊性預(yù)期在進(jìn)一步的分類時被減小。
本發(fā)明例如可以以計(jì)算機(jī)程序產(chǎn)品形式被實(shí)施。計(jì)算機(jī)程序產(chǎn)品可包括一個或多個存儲媒體，例如磁存儲媒體，諸如磁盤(例如軟盤)或磁帶；光學(xué)存儲媒體，諸如光盤、光帶、或機(jī)器可讀的條形碼；固態(tài)電子存儲器件，諸如隨機(jī)存取存儲器(RAM)，或只讀存儲器(ROM)；或任何其它物理器件或媒體，它們可用于存儲具有用于控制一個或多個計(jì)算機(jī)以實(shí)施按照本發(fā)明的方法的指令的計(jì)算機(jī)程序。
本發(fā)明的系統(tǒng)可包括具有微處理器的可編程計(jì)算機(jī)、計(jì)算機(jī)存儲器和存儲在所述計(jì)算機(jī)存儲器中用于執(zhí)行本方法的步驟的計(jì)算機(jī)程序。計(jì)算機(jī)具有用來連接到微處理器的存儲器接口。這可以是例如USB那樣的端口，它接受可拆卸的存儲器的驅(qū)動或允許訪問照相機(jī)存儲器的某些其它裝置。該系統(tǒng)包括數(shù)碼照相機(jī)，它具有與存儲器接口兼容的存儲器。可以用膠片照相機(jī)和掃描器來代替數(shù)碼照相機(jī)，如果想要的話。圖形用戶接口(GUI)和用戶輸入單元，諸如鼠標(biāo)和鍵盤，可以作為計(jì)算機(jī)的一部分被提供。
本發(fā)明是具體地參照本優(yōu)選實(shí)施例詳細(xì)地描述的，但本領(lǐng)域技術(shù)人員將會看到，可以在本發(fā)明的精神和范圍內(nèi)作出修改方案。所以，本公開的實(shí)施例在所有的方面看作為是說明性的，而不是限制性的。
權(quán)利要求
1.一種用于對數(shù)字射線照相圖像自動分類的方法，包括以下步驟獲取由像素的行和列的矩陣組成的數(shù)字射線照相圖像；把圖像分段成前景、背景、和組織區(qū)域；把組織區(qū)域的物理尺寸分類；生成組織區(qū)域的邊緣方向直方圖；把邊緣方向直方圖的形狀模式分類；以及根據(jù)物理尺寸的分類和形狀模式的分類把圖像歸類。
2.權(quán)利要求1的方法，其中物理尺寸分類的步驟包括以下步驟從前景、背景、和組織區(qū)域計(jì)算特征；用這些特征訓(xùn)練分類器；以及使用經(jīng)訓(xùn)練的分類器來執(zhí)行分類。
3.權(quán)利要求1的方法，其中把形狀模式分類的步驟包括以下步驟提取組織區(qū)域的邊緣；用邊緣方向直方圖訓(xùn)練分類器；以及使用經(jīng)訓(xùn)練的分類器來執(zhí)行分類。
全文摘要
一種用于把射線照相自動分類的方法。獲取數(shù)字放射線照相圖像，其中圖像由像素的行和列的矩陣組成。數(shù)字圖像被分段成前景、背景和組織區(qū)域。組織區(qū)域的物理尺寸被分類。生成組織區(qū)域的邊緣方向直方圖，并把邊緣方向直方圖的形狀模式分類。根據(jù)物理尺寸分類和形狀模式分類，把圖像歸類。
文檔編號G06K9/00GK101065762SQ200580040151
公開日2007年10月31日 申請日期2005年11月21日 優(yōu)先權(quán)日2004年11月23日
發(fā)明者H·羅, X·王 申請人:伊斯曼柯達(dá)公司