Anjurkan untuk mendeteksi landmark anatomi dalam volume rekonstruksi CT

Saya mencoba untuk secara otomatis mendeteksi beberapa landmark anatomi medis yang ditentukan dalam volume rekonstruksi CT. Dokter medis menggunakan landmark ini untuk mengukur beberapa parameter spesifik pasien. Saya telah mencoba menggunakan deskriptor fitur SIFT, karena landmark anatomis ini semacam "titik kunci". Ini tidak berfungsi dengan baik karena landmark adalah titik (atau wilayah kecil) yang secara umum bukan "titik bunga" seperti yang didefinisikan oleh SIFT. Saya telah mencari banyak algoritma pencocokan pola / template tetapi, ketika saya tidak memiliki masalah rotasi / terjemahan / skala, saya menemukan bahwa fitur yang diekstraksi tidak cukup membedakan setiap landmark (dari sisa landmark dan dari sisa non patch landmark) untuk melatih classifier yang berkinerja cukup baik (setidaknya 80% akurasi deteksi).

Tolong beri tahu saya jika saya tidak menyatakan masalah dengan cukup jelas.

Saya akan sangat menghargai saran apa pun.

Terima kasih!

Contoh gambar:

Persilangan x kecil adalah landmark yang ingin saya deteksi. Garis mewakili langkah yang diambil. Ini adalah beberapa irisan kasus yang berbeda (tentu saja, saya tidak dapat memposting volume 3D lengkap)

Tanda silang x kecil dan kotak kecil berada di atas landmark yang ingin saya deteksi (saya lupa menyebutkan bahwa saya memiliki set pelatihan, dengan landmark yang berlabel). Garis putih mewakili ukuran yang diambil. Ini adalah beberapa irisan kasus yang berbeda (tentu saja, saya tidak dapat memposting volume 3D lengkap).

image-processing 3d template-matching

— Federico
sumber

Bisakah Anda memposting beberapa gambar yang representatif dan menunjukkan fitur yang Anda coba deteksi?

— Jim Clay

Saya melihat Xs dan kotak di gambar, tapi saya tidak mengerti apa yang membuatnya menjadi landmark. Apakah yang ada di gambar dipilih dengan tangan? Jika Anda bisa menggambarkan bagaimana mereka dipilih itu akan banyak membantu.

— endolith

Ya, landmark ini dipilih dengan tangan oleh MDs. Sebenarnya, terutama posisi mereka di tulang dan kelengkungan mereka yang membuat mereka dapat dideteksi oleh dokter. Juga lebar tulang kortikal mungkin diperhitungkan (ini alami bagi mereka, sangat sulit untuk merekayasa balik bagaimana mereka menemukan titik-titik ini) karena lebih tipis daripada di bagian tulang lainnya. Kesulitan saya sebenarnya dalam memodelkan semua ini di ekstraktor fitur.

— Federico

Saya ragu untuk menulis ini sebagai jawaban, tetapi mengingat Anda hanya meminta saran, saya akan melakukannya.

Saya menyarankan teknik investigasi berdasarkan Dual-Tree Complex Wavelet Transform (DTCWT). Ini telah terbukti bermanfaat untuk menghasilkan deskriptor yang memiliki toleransi yang baik terhadap pergeseran, skala, dan rotasi gambar sumber. Ini bukan masalah klasik karena Anda tidak mengizinkan poin diberikan untuk Anda, tetapi saya curiga dengan beberapa pemikiran Anda dapat mengadaptasi teknik ini ke landmark yang telah ditentukan.

Jelas, landmark memiliki beberapa minat dari sudut pandang seorang dokter, jadi ada sesuatu yang menarik tentang mereka - itu hanya kasus pemodelan yang ada di deskriptor. Teknik wavelet (khususnya DTCWT) cenderung bagus dalam fitur pemodelan yang diambil mata.

Titik awal mungkin adalah makalah yang cukup baru .

— Henry Gomersall
sumber