Я пытаюсь автоматически обнаружить некоторые медицинские анатомические ориентиры в томографическом восстановленном объеме. Врачи используют эти ориентиры для измерения некоторых специфических параметров пациента. Я попытался использовать дескриптор функции SIFT, так как эти анатомические ориентиры являются своего рода «ключевыми точками». Это не сработало очень хорошо, поскольку ориентиры - это точки (или крошечные регионы), которые, как правило, не являются «точками интереса», как определено SIFT. Я искал много алгоритмов сопоставления шаблонов / шаблонов, но, когда у меня нет проблем с вращением / переводом / масштабированием, я обнаружил, что извлеченные объекты недостаточно дифференцируют каждый ориентир (от остальных ориентиров и от остальных ориентиры), чтобы обучить классификатор, который работает достаточно хорошо (по крайней мере, 80% точности обнаружения).
Пожалуйста, дайте мне знать, если я недостаточно четко изложил проблему.
Буду очень признателен за любые советы.
Спасибо!
Пример изображения:
Маленькие крестики и маленькие квадраты находятся над ориентирами, которые я хочу обнаружить (я забыл упомянуть, что у меня есть тренировочный набор с помеченными ориентирами). Белые линии представляют принятые меры. Это несколько кусочков разных случаев (конечно, я не могу опубликовать полный объем 3D).
источник
Ответы:
Я не решаюсь написать это как ответ, но, учитывая, что вы просите только совета, я сделаю это.
Я предлагаю исследовать методы, основанные на двойном комплексном вейвлет-преобразовании (DTCWT). Они оказались полезными для генерации дескрипторов, которые хорошо переносят смещение, масштабирование и поворот исходных изображений. Это не классическая проблема в том, что вы не разрешаете присваивать вам очки, но я подозреваю, что с некоторой мыслью вы можете адаптировать методы к предопределенным ориентирам.
Понятно, что ориентиры имеют некоторый интерес с точки зрения клинициста, поэтому в них есть что-то интересное - это просто случай моделирования в дескрипторе. Вейвлет-техники (в частности, DTCWT), как правило, хороши при моделировании функций, которые замечает глаз.
Отправной точкой, вероятно, будет эта довольно недавняя статья .
источник