專利名稱：在三維圖像容積中檢測息肉的方法
技術(shù)領域：
本發(fā)明涉及在三維圖^象容積中檢測息肉的方法，更確切地說，涉 及通過利用概率方法在三維結(jié)腸圖像容積中自動檢測息肉的方法。
背景技術(shù)：
結(jié)腸癌是美國最主要的死亡因素之一。如果息肉在其發(fā)展的早期 能夠被發(fā)現(xiàn)并進行處置，則死亡人數(shù)能夠大大減少。虛擬結(jié)腸鏡檢查 是一項研制用來幫助醫(yī)生在三維(3D) X射線斷層掃描(CT)圖像數(shù) 據(jù)中發(fā)現(xiàn)息肉的新技術(shù)。但是，這項技術(shù)通常需要在CT掃描以前，對 結(jié)腸進行物理凈化。這樣做非常不方便，并且阻礙虛擬結(jié)腸鏡檢查作 為大規(guī)模群體的常規(guī)掃描工具。此外，醫(yī)生還需經(jīng)過多年訓練，才能 順利地在3D CT圖《象中識別息肉。
息肉的大小用其直徑度量。小于6mm的息肉通常沒有很大的臨床 意義。大于9mm的息肉很可能是癌癥，醫(yī)生可以很容易地識別。最重 要的是，息肉檢測系統(tǒng)要能發(fā)現(xiàn)6 9mm范圍內(nèi)的息肉，因為它們可能 發(fā)展成為癌癥。
息肉自動檢測的任務是非常具有挑戰(zhàn)性的。首先，CT數(shù)據(jù)是在沒 有進行腸道清潔的情況下取得的，把患者的不便減到最小。標記材料， 例如大便，盡管通常在圖像中被描述為是明亮的區(qū)域，但是一個大大 分散注意力的區(qū)域。其次，所關(guān)注的息肉非常小，不具有獨有的強度 圖形，也沒有任何特殊的形狀。因此很難將它們與結(jié)腸壁區(qū)分開，特 別是當它們被標記材料環(huán)繞時。第三，要處理的容積數(shù)據(jù)很大(例如 400x512x512 )，排除了采用任何計算上昂貴的方法的可能性。因而
需要一種在三維結(jié)腸圖像數(shù)據(jù)中發(fā)現(xiàn)息肉的方法，通過利用再生模型 來捕捉息肉的潛在生成過程。

發(fā)明內(nèi)容
本發(fā)明的目的是在解剖學結(jié)構(gòu)的三維圖像容積中發(fā)現(xiàn)目標對象的 方法。從而可以在圖像容積中得出一組候選位置。對于每個候選位置， 顯露出至少兩個不同縮放比例的子容積。每個子容積包含多個體素
(voxel)。對于每個子容積來i兌，每個子容積至少按照兩個不同的 方向旋轉(zhuǎn)。將形狀分類器應用于每個子容積。如果子容積中的體素通 過了形狀分類器，則計算體素的傾斜方向。如果體素的傾斜方向是預 先規(guī)定的方向之一，則將概率分類器施加于該體素。通過概率分類器 計算出的概率度量，可以作為置信度量，施加于該子容積。如果置信 度量高于預定的閾值，就可以確定該子容積包含了目標對象。


下面將參照附圖更詳細地描述本發(fā)明的優(yōu)選實施方案，其中相同 的參考數(shù)字表示相同的元素
圖1舉例^L明結(jié)腸的3D CT圖《象的不同視圖2是按照本發(fā)明的一個典型X射線斷層掃描(CT)系統(tǒng)的示意
圖3舉例說明65個陽性樣品中的12個息肉； 圖4舉例說明按照本發(fā)明的一個用來圖像化并處理3D結(jié)腸數(shù)據(jù) 的界面的照片；
圖5a 5c舉例說明按照本發(fā)明，候選數(shù)據(jù)是如何安排確定的； 圖6舉例說明本發(fā)明的一個典型的息肉及其擴大數(shù)據(jù)； 圖7舉例說明本發(fā)明的1D、 2D、 3D Haar子波過濾器的示例； 圖8舉例說明一個本發(fā)明的概率推進樹；
圖9舉例說明根據(jù)本發(fā)明按照6個主要方向旋轉(zhuǎn)的圖7中的一個 Haar子波過濾器；
圖IO舉例說明本發(fā)明的一個概率推進樹及其分級； 圖ll舉例說明本發(fā)明的已訓練形狀分類器；
圖12舉例說明本發(fā)明的以三種不同縮放比例及三個不同方向展示的子容積；
圖13a和13b是說明本發(fā)明檢測息肉的方法的流程圖。
具體實施例方式
本發(fā)明的目的是通過利用以三維容積中肺節(jié)結(jié)檢測的知識為基礎 的途徑，在三維(3D)結(jié)腸圖像容積中檢測息肉的方法。先確定一個
一般的再生模型，再捕捉一個對象的生成過程，例如息肉。完整的容 積及3D Haar過濾器被用來進行特征的快速計算。采用概率推進樹
(Probabilistic Boosting Tree: PBT)的分級來學習分類器。 本發(fā)明能夠從50 , 000個候選特征的組合中自動選擇1000個特征。本 發(fā)明不需要對數(shù)據(jù)進行預先分段，這一點對于在未凈化的數(shù)據(jù)中，例 如在未凈化結(jié)腸中檢測息肉特別有用。
也可以采用不同的成像形式來獲得3D容積圖像數(shù)據(jù)，例如X射 線斷層掃描法(CT) 、 X光或磁共振成像(MRI)。圖l舉例說明結(jié)腸 的多個視圖。第一個圖像102表示一段結(jié)腸的完整的CT容積。結(jié)腸 內(nèi)部有兩種東西，空氣和大便。雖然這兩種東西中的大部分或者看起 來很黑(例如空氣)，或者如果能成功地加標記，則看起來很亮，但 是由于標記不足，仍然有很大部分亮度值與正常組織相似的殘留材 料。對殘留材料(例如大便)加上標記，使其在CT下顯得明亮，就可 以用電子方式加以消除。中間圖像104表示一段已進行物理凈化的結(jié) 腸的CT圖像。圖像106表示已經(jīng)加上標記的未凈化結(jié)腸的CT圖像。 本發(fā)明采用以逐步推進為主的檢測方法，該方法采用與候選的弱 分類器相結(jié)合的1D、 2D 、 3D等特征?？梢灾苯诱f明潛在規(guī)律性的特 殊特征合并在一起。每個特征具有不同的成本，在選擇特征時，本發(fā) 明會自動考慮有關(guān)的成本。本發(fā)明在選擇特征時，是將特征作為多重 鏈條，以探究將特征結(jié)合起來的方式，從而將總誤差功能減到最小。
圖2示意地描繪了按照本發(fā)明的一個典型的X射線斷層掃描
(CT)系統(tǒng)。該CT系統(tǒng)連同計算機輔助檢測(CAD)系統(tǒng)可以用于對 患者的各種醫(yī)療狀況進行非侵害性透視檢查。這種檢查的例子有虛擬 結(jié)腸鏡檢查或胸腔透視，檢查是否存在機能損傷及可能的癌組織。此 外，該系統(tǒng)可以用于檢測'淋巴結(jié)和肺部息肉。本領域普通凈支術(shù)人員應 該理解，也可以采用不脫離本發(fā)明的范圍及構(gòu)思的其他顯像方式。例
如，磁共振成像(MRI) 、 X光透視檢查及超聲成像也可用于獲得這種 圖像。為敘述起見，本發(fā)明將在采用典型的X射線斷層掃描(CT)系 統(tǒng)的情況下加以描述。先取得一段結(jié)腸的CT圖像，然后可以進^f亍分 割，并用于檢測息肉。但是，正如上面所指出的，本發(fā)明的方法也可 用于檢測肺節(jié)結(jié)中的息肉或淋巴結(jié)。
CT裝備了X射線源1，發(fā)射錐形X射線束2，其邊緣射線在圖2 中用點劃線表示，射線透過待檢查的目標3，例如一位患者，然后投射 到輻射檢測器4上。在典型的實施方案中，X射線源l和輻射檢測器4 安裝在一個環(huán)形臺架7上，彼此相對。
X射線源1和輻射檢測器4從而形成一個度量系統(tǒng)，可以圍繞系 統(tǒng)軸8旋轉(zhuǎn)，因此患者3可以按照相對于所述系統(tǒng)軸8的各種投射角 度、以及沿系統(tǒng)軸8的各種位置，進行X射線透視。單個檢測器元件 的合成輸出信號由數(shù)據(jù)檢測系統(tǒng)IO讀出。信號發(fā)送到信號處理器12， 依次計算出能在監(jiān)視器13上顯示的患者3的圖像。
由CT系統(tǒng)掃描并通過信號處理器12計算的圖像，傳送到CAD系 統(tǒng)20，作進一步處理。CAD系統(tǒng)20對可以或不可以用電子方式消除 的殘留物質(zhì)作出標記。采用一項以有關(guān)知識為基礎的方法，檢測結(jié)腸 中的息肉。
按照本發(fā)明，才艮據(jù)加標記的物質(zhì)的原始數(shù)據(jù)直接檢測息肉。圖3 表示65個陽性實例中的12個息肉。由于加標記物質(zhì)顯示了顯著的分 散情況，因此這種方法更具挑戰(zhàn)性。雖然大部分息肉似乎具有巻曲形 狀，但是息肉通常很小，難于識別，并帶有折痕，特別是當息肉被加 標記物質(zhì)環(huán)繞時。采用一種中間方法也是可^f亍的，在這種方法中先除 去很亮的大便，然后采取檢測程序，查找息肉。
按照本發(fā)明，采用以OpenGL Volumizer為基礎的界面，對3D 結(jié)腸數(shù)據(jù)進行目測及處理。但是，本領域普通技術(shù)人員應該了解，也 可以采用不脫離本發(fā)明的范圍及構(gòu)思的其他界面。圖4舉例說明對界 面拍照片的情況。右下方的窗口 408表示整個容積的3D顯像。使用 者可以旋轉(zhuǎn)該容積，并且切入觀察不同的片斷。其他三個窗口 402 -406展示了XY、 YZ、 XZ平面的片斷。
一旦獲得結(jié)腸的3D圖像數(shù)據(jù)，就對圖像進行掃描，尋找圖像中 具有高曲率的目標。將這些目標收集起來作為進行分析的候選對象，
以確定這些目標是否在下文中將會更詳細描述的息肉。其次，對用來
檢測息肉的分類器進行訓練。假設每個3D輸入圖像容積是各向同性 的。由于息肉的形狀變化很大，因此息肉的檢測難度^艮大。對于中小 尺寸的息肉來說，經(jīng)常觀察到呈1/4球的規(guī)則形狀。由于結(jié)腸壁和其 他組織的相互作用，當息肉變大時，開始逐步顯示出多種形狀。
此外，息肉出現(xiàn)于結(jié)腸壁上所有可能的方位。為了對分類器組進 行訓練，特地創(chuàng)造了一個再生模型。詞典*中規(guī)定1|;= (Ah厶2,…)， 而是一個2D/3D模版。每個目標實例x假定為由T對ilr的變換函 數(shù)產(chǎn)生。 一組典型參數(shù)T, 0 = {1, s, e, 0, a)可以是，1: 采用的模版數(shù)量，s:縮放比例，e:旋轉(zhuǎn)角度，0:形變，其他參數(shù) 用oc表示。如果y是x的標記，則當x是一個引起注意的目標(陽性) 時，y = +1 ;當x不是引起注意的目標(陰性)時，y - -1。 X 的概率可以由下述再生模型模擬
柳;拜)=去e邵Hlx-T(0'禮 (1)
其中||||確定x和T ()之間的距離度量，Z是分配函數(shù)Z = 》XP (Hlx-TP 。
在辨別法中，樣本x根據(jù)后面的公式進行分類
P脅) (2) 在替換法中，O參數(shù)可以精確地計算
柳=i;p(:H0力(0!k) (3)
根據(jù)公式(3)， 一個目的是減小訓練樣本的復雜性。對參數(shù)進行
選擇，使e^ - {s, e, <x}，其中s是縮放比例，e是方位，a是息
肉的高寬比，w、r、t是息肉的深度、高度和寬度。創(chuàng)建尺寸為24x24x16 的模版，其2D視圖示于圖5a。 一個方位球體被分為14個區(qū)域，其中 的4個沿著圖5b中所示的主軸。每個候選目標或息肉沿著圖5c中所 示的主要方位排列。
在方位區(qū)域ri中，對可能的詳細方位(e^ e2)進行抽^f羊，以 增加訓練數(shù)據(jù)。其結(jié)果是，(e^ e2)的比值不需要進行搜索。此夕卜，
訓練樣本從130個增至13000個，減小了過度配合的幾率。圖6表示
一個排列后的典型息肉樣本及其三個尺寸的擴充數(shù)據(jù)。
按照本發(fā)明，對以24x24x16的模板為基礎的一個子容積進行分 類。對陽性樣本進行排列并將其頂端擴大到一個主要方向上。用于息 肉檢測的特征應有很多性質(zhì)。特征在一定程度上應該是縮放比例和高 寬比不變的。為了實現(xiàn)這一點，在檢測階段采用不同的可能縮》文比例 及高寬比，在下文中將進一步詳細描述。特征應該是能夠快速計算并 易于計算的。特征應該對所關(guān)注的目標提供信息。
按照本發(fā)明，應將一個完整容積及多個3D Haar過濾器用于息肉 檢測。圖7舉例說明本發(fā)明所采用的1D、 2D和3D Haar過濾器。每
個位置(Xh Yl, zj上的完整容積用公式J]Jv(x,y,z)dxdydz計算。由
xlylzl
于在完整容積中只需計算Haar過濾器的角落值之和，因此計算Haar 過濾器的計算成本大大降低。因為排列數(shù)據(jù)和訓練分類器的過程是耗 費時間的，因此特征最好采用半旋轉(zhuǎn)不變量。即一旦一個主要方向rl 的分類器進行了訓練，則自動得出其他方位的分類器。適合這一需要 的六個主要方位的Haar過濾器示于圖9。對于其他的八個方位來f兌， 檢測階段的3D數(shù)據(jù)在旋轉(zhuǎn)，而不必為他們另設一組分類器。由于實際
上只有一個分類器進行訓練，因此減少了訓練工作，并且減少了過度 配合的幾率。
按照本發(fā)明，采用概率推進樹(PBT)來明確計算具有辨別力的
模型。在訓練階段，反復構(gòu)建一個概率增大樹，其中每個樹節(jié)點是一 個強分類器。按照經(jīng)過訓練學習的分類器，輸入訓練組分為兩組，左 邊組和右邊組。然后用這兩組反復訓練左邊和右邊的子樹。樹的每層 是一個增大的變量。按照原有設計，在學習階段，就要聚集成組，自 動分為不同層的各個組。PBT以分治的方式進行訓練和測試，并輸出 總的具有辨別力的模型
淑t) = X^fe卩i，咖("w
=E跑卩"，咖味，咖("一)
=E ftl",…"u)"'"他卩i，")《"W
PBT的例子見圖8和圖10。每個樹層li是一個增大的變量。為 了便于模擬并減少PBT的陰性數(shù)量，采用一種圖IO所示的層疊方法。 PBT的每一級都有一個作為閾值的概率。^ (y x)大于該概率的值 將進入下一級。
下面描述按照本發(fā)明的方法訓練息肉分類器的一個例子。在示例 中，80個容積用于訓練，其中有130個以放射性物質(zhì)作了標記并進行 分割的息肉。首先，AdaBoost分類器進行訓練，對息肉表面是否有 體素進行分類。此種分類器用來快速掃描出大部分平面上的體素。采 用的特征有亮度、傾斜度、高斯型曲率、平均曲率等。 一個AdaBoost 通用算法經(jīng)過訓練，將這些特征結(jié)合在一起。在圖11中舉例說明了若 干結(jié)果。
其次，對包含PBT分類器分級的分類器進行訓練。根據(jù)息肉的分 割及其頂部的標記，可以精確地確定其界框。對訓練樣本進行朝夂列并 增大到尺寸為24x24x16的13,000個陽性樣本。在80個訓練容積 中，對傾斜度沿著主要rl方位的體素隨機抽樣，并已通過第一基本形 狀分類器。并且，這些體素不應在任何已作標記的息肉的表面。然后 從尺寸24x24x16顯露出3D子容積，用模板中的頂部位置排列這些體
素。獲得總共30,000個這種陰性樣本。利用這些陽性和陰性樣本， 一個PBT對于每個AdaBoost節(jié)點，訓練最高9層及22個弱分類器。 一旦PBT進行了訓練，就用來快速通過訓練容積，進行模擬以獲 得更多的陰性樣本。五個訓練過的PBT產(chǎn)生五層分級。由于每個PBT 都計算有辨別力的模型5 (y lrx)，因此閾值可以很容易地在檢測 率和假陽性的數(shù)量之間調(diào)節(jié)到平衡。最初的兩極的檢測率設置為接近 100%。每個PBT在Haar過濾器上包含大約1,000個弱分類器。根據(jù) 已訓練的PBT分級，通過如圖9所示旋轉(zhuǎn)Haar過濾器，獲得其他的5 個分級。
按照本發(fā)明，現(xiàn)在將參照圖12及圖13 a-b，說明息肉的檢測方 法。采用一種候選產(chǎn)生法以獲得一組候選位置(步驟1302)。圖12 中舉出了候選位置的一個實例。對于每個候選位置，創(chuàng)建9個子容積。 9個子容積包含不同縮放比例的3種容積，每個容積如圖12所示，在 3個方向旋轉(zhuǎn)。圖12中的頂行表示3個不同縮放比例的子容積。這樣 就兼顧了大縮放比例下不同尺寸的可能性。底行表示不同方位的3個 子容積。右圖表示rl、 r2、 r3的定義，以及旋轉(zhuǎn)的容積是如何獲得 的。
更確切地說，對于容積中的每個候選位置，子容積在不同的縮放 比例下顯露出來(步驟1304 )。例如，子容積可以重新進行調(diào)節(jié)，以
便在原縮放比例的一半中有一個子容積，在原縮放比例中有一個子容 積，在原縮放比例的1.5倍中有第三個子容積。本領域普通技術(shù)人員 應該清楚，息肉檢測法中采用的三個不同的縮放比例，才艮據(jù)臨床結(jié)果 及減小檢測出假陽性的可能性，可以是不同的，沒有脫離本發(fā)明的范 圍和構(gòu)思。然后將三個子容積調(diào)整到60x60x60的容積(步驟1306)。
對于三個子容積中的每一個來說，在不同方位獲得三個附加的子 容積。每個子容積從方向r2旋轉(zhuǎn)到方向rl。子容積同時還從方向r3 旋轉(zhuǎn)到rl (步驟1308 )。這使得每個候選位置產(chǎn)生了 9個子容積。
對于9個子容積中的每一個來說，第一層形狀分類器能夠排除不 在息肉表面的體素(步驟1310)。對于每個通過形狀分類器的體素來 說，對其傾斜方向進行計算(步驟1312)。如果傾斜方向?qū)儆诹鶄€主 要方位中的一個，則PBT分類器的相應分級被激發(fā)(步驟1314)。其 次，考慮到現(xiàn)有體素是模板的頂端，對模板的96種不同尺寸和高寬比 的可能的結(jié)合進行了試驗(步驟1316) 。 96種可能性對應于已經(jīng)離 線計算過的96個Haar過濾器。應該充分理解，可以采用可能的不同 數(shù)量對體素進行分析，而不脫離本發(fā)明的范圍和構(gòu)思。
如果體素通過了分級，記下了界框，并且在分級的末層輸出其相 應的概率，作為一種置信度量(步驟1318)。對9個子容積中的每一 個重復這一過程(步驟1320)。如果每個子容積都進行了分析以后， 界框仍然存在，則采用具有最高置信度量的界框，該候選材料應確定 為息肉(步驟1322 )。
檢測階段消耗了更多的時間，其結(jié)果減小了樣品訓練的復雜性。 此外，只有對于rl的PBT的一個分級進行了訓練，并用于所有其他 方向。這有助于改進檢測器的共性，并產(chǎn)生更大的效率。能夠看出， 如果樣本在右上位置時，比傾斜時獲得特征容易得多。對于子容積中 的每個體素來說，除分級PBT之外，還以不同的縮放比例及高寬比運 行一個形狀分類器。如果發(fā)現(xiàn)是息肉，還可以輸出最好的界框。
對于已經(jīng)描述的在三維結(jié)腸圖像數(shù)據(jù)中檢測息肉的方法的實施方 案，應該注意到，可以由本領域普通技術(shù)人員根據(jù)上述教導作出修改 及變化。因此，應該充分理解，可以在本發(fā)明公開的具體實施方案中， 在附屬權(quán)利要求所規(guī)定的本發(fā)明的范圍和構(gòu)思內(nèi)作出改變。在^f艮據(jù)專 利法要求的細節(jié)和特點對本發(fā)明作了如上描述后，下面在權(quán)利要求部 分對于所要求并希望被專利法保護的權(quán)利要求加以陳述。
權(quán)利要求
1.在解剖結(jié)構(gòu)的三維(3D)圖像容積中檢測目標對象的方法，包含的步驟有在圖像容積中獲得一組候選位置；對于每個候選位置，顯露出至少兩個不同縮放比例的子容積，每個子容積包含多個體素；對于這些子容積中的每一個來說，在至少兩個不同的方位旋轉(zhuǎn)每個子容積；將形狀分類器應用于每個子容積；如果子容積中的體素通過了形狀分類器，則計算體素的傾斜方向；如果體素的傾斜方向是預先規(guī)定的方位中的一個，則將概率分類器應用于體素；采用由概率分類器計算的概率度量作為子容積的置信度量；如果該置信度量高于預定的閾值，則確定該子容積包含了目標對象。
2. 權(quán)利要求l中的方法，其中的概率分類器是AdaBoost分類器。
3. 權(quán)利要求l中的方法，其中的概率分類器是概率推進樹(PBT)分類器。
4. 權(quán)利要求1中的方法，其中將概率分類器應用于體素的步驟 中進一步包含下列步驟對子容積應用多個過濾器。
5. 權(quán)利要求l中的方法，其中的多個過濾器為Haar過濾器。
6. 權(quán)利要求5中的方法，其中所述的過濾器是3DHaar過濾器。
7. 權(quán)利要求5中的方法，其中所述的Haar過濾器對應于模板的 不同尺寸與高寬比的多種結(jié)合。
8. 權(quán)利要求5中的方法，其中所述的Haar過濾器離線地進行計算。
9. 權(quán)利要求l中的方法，其中所述的3D圖像容積是X射線斷層 掃描(CT)圖像容積。
10. 權(quán)利要求l中的方法，其中所述的解剖結(jié)構(gòu)是結(jié)腸。
11. 權(quán)利要求l中的方法，其中所述的解剖結(jié)構(gòu)是肺。
12. 權(quán)利要求l中的方法，其中所述的解剖結(jié)構(gòu)是淋巴結(jié)。
13. 權(quán)利要求l中的方法，其中所述的目標對象是息肉。
14. 確定三維(3D)圖像容積中已識別的候選位置是否為息肉的 方法，該方法包含的步驟有對于每個候選位置，在3D圖像容積中顯露出子容積； 在多重縮》文比例下縮i文每個子容積，每個容積包含多個體素； 在至少兩個不同方位旋轉(zhuǎn)每個已縮放的子容積，導致對每個候選 位置產(chǎn)生一組子容積；將形狀分類器應用于每個子容積；如果子容積中的體素通過了形狀分類器，則計算體素的傾斜方向；如果體素的傾斜方向是預先規(guī)定的方位中的一個，則將概率分類 器應用于體素；釆用由概率分類器計算的概率度量作為子容積的置信度量； 如果這些置信度量高于預定的閾值，則確定該子容積中包含一個息肉。
15. 權(quán)利要求14的方法，其中所述的概率分類器是概率推進樹(PBT)分類器。
16. 權(quán)利要求14中的方法，其中對體素應用概率分類器的步驟 進一步包含步驟對子容積應用多個Haar過濾器。
17. 權(quán)利要求16中的方法，其中所述的Haar過濾器對應于模 板的不同尺寸與高寬比的多種結(jié)合。
18. 權(quán)利要求16中的方法，其中所述的Haar過濾器離線地進行計算。
19. 權(quán)利要求14中的方法，其中所述的3D圖像容積是X射線 斷層掃描(CT)圖像容積。
20. 權(quán)利要求14中的方法，其中所述的解剖結(jié)構(gòu)是結(jié)腸。
21. 權(quán)利要求14中的方法，其中所述的解剖結(jié)構(gòu)是肺。
22. 權(quán)利要求14中的方法，其中所述的解剖結(jié)構(gòu)是淋巴結(jié)。
全文摘要
本發(fā)明涉及在解剖結(jié)構(gòu)的三維(3D)圖像容積中，檢測目標對象的方法。獲得了圖像容積中的一組候選位置。對于每個候選位置，顯露出至少兩個不同縮放比例的子容積。每個子容積包含多個體素。對于每個子容積來說，每個子容積在至少兩個不同方位旋轉(zhuǎn)。將形狀分類器應用于每個子容積。如果子容積中的體素通過形狀分類器，則對體素計算一個傾斜方向。如果體素的傾斜方向是預先規(guī)定的方位中的一個，則將概率分類器應用于體素。由概率分類器作為一種置信度量計算的概率度量用于子容積。如果置信度量高于預定的閾值，則確定子容積包含了目標對象。
文檔編號G06K9/62GK101116089SQ200580042308
公開日2008年1月30日 申請日期2005年10月7日 優(yōu)先權(quán)日2004年10月12日
發(fā)明者A·巴布, D·科馬尼丘, L·博戈尼, X·S·周, Z·屠 申請人:西門子共同研究公司;美國西門子醫(yī)療解決公司