專利名稱：利用外觀和形狀來檢測和匹配解剖結(jié)構(gòu)的系統(tǒng)和方法
技術(shù)領(lǐng)域：
本發(fā)明涉及用于利用外觀和形狀來檢測和匹配對象的系統(tǒng)和方法， 并且更具體地涉及用于利用離線訓(xùn)練、在線檢測以及外觀和形狀匹配 來檢測并匹配解剖結(jié)構(gòu)的系統(tǒng)和方法。
背景技術(shù)：
在醫(yī)學(xué)檢查過程中將醫(yī)學(xué)成像系統(tǒng)(例如超聲成像系統(tǒng))用于與解 剖結(jié)構(gòu)(例如，諸如心臟的器官)相關(guān)聯(lián)的異常的檢測和診斷是非常 普遍的。常常由經(jīng)過訓(xùn)練的醫(yī)學(xué)專家(例如醫(yī)生或醫(yī)學(xué)技師)來評價 圖像，以識別圖像中的特征，所述特征可以指示與解剖結(jié)構(gòu)相關(guān)聯(lián)的 異?；蛑甘窘】档慕馄式Y(jié)構(gòu)。
由于計算機技術(shù)的進步，大多數(shù)計算機可以容易地處理大量的數(shù)據(jù)
并執(zhí)行大規(guī)模的計算，所述大規(guī)模的計算可以提高所獲得的圖像的質(zhì) 量。此外，圖像處理可被用作輔助圖像的分析的工具。圖像中感興趣 的解剖結(jié)構(gòu)或?qū)ο蟮挠行z測在該結(jié)構(gòu)的進一步的分析中是重要的工 具。常常，解剖結(jié)構(gòu)的形狀的異?；蜻@種形狀的經(jīng)過時間的變化(例
如，跳動的心臟或進行呼吸的肺)指示腫瘤或各種疾病(例如心肌的
5擴張或局部缺血)。
這種類型的圖像處理可以被用于其它應(yīng)用，諸如圖像中人臉的檢 測，因為與不同面部特征相關(guān)的變量(例如頭發(fā)顏色和長度，眼睛顏 色，面部形狀等)，面部檢測不是無足輕重的任務(wù)。面部檢測可以用 于多種應(yīng)用、諸如用戶識別、監(jiān)視或安全應(yīng)用中。
各種類型的方法已經(jīng)被用于檢測感興趣的對象(例如解剖結(jié)構(gòu)或 臉).基于部分的對象檢測器(眼睛檢測器和嘴巴檢測器等)可以處 理姿勢和照明方面的大的變化，并在遮擋和異方差噪聲之下更穩(wěn)健. 例如，在超聲心動圖分析中，相同解剖結(jié)構(gòu)(例如隔膜)的局部外觀 在病人之間是相似的，而心臟的結(jié)構(gòu)或形狀可以由于例如視角或疾病 情況而顯著不同。同樣地，在臉檢測中，面部特征之間的一般空間關(guān) 系是相當一致的(例如眼睛相對于鼻子和嘴的一般位置)，而各種面 部特征的結(jié)構(gòu)和形狀(例如眼睛的形狀、嘴的表情，以及它們之間的 相對距離)可以顯著變化。
為了捕獲局部外觀變化，許多解決方案依靠高斯(Gaussian)假 設(shè)。最近，通過諸如支持向量機(Support Vector Machine, SVM)或 提升(boosting)之類的非線性學(xué)習(xí)機的使用，已經(jīng)放寬了該假設(shè)。 一些最成功的實時對象檢測方法基于簡單特征的提升的級聯(lián)。通過組 合所選數(shù)量的簡單分類器經(jīng)由提升的響應(yīng)，所得到的強分類器能夠?qū)?現(xiàn)高檢測率并能夠?qū)崟r處理圖像。然而，在存在遮擋對象的情況下， 現(xiàn)有的方法沒有解決檢測問題。簡單或弱分類器由于遮擋(occlusion) 的錯誤響應(yīng)將負面地影響檢測結(jié)果。
對于大多數(shù)視覺跟蹤應(yīng)用來說，測量數(shù)據(jù)是不確定的并且有時丟 失圖像帶有噪聲和失真，同時遮擋可能使感興趣對象的一部分變得 不可見。不確定性可以在整體上是均勻的；但在大多數(shù)真實世界情況 中，它實際上是異方差的，也就是各向異性和不均勻的。好的例子是 超聲心動圖(超聲心臟數(shù)據(jù))。超聲傾向于反射偽影，例如鏡面反射 器，諸如來自隔膜的那些鏡面反射器.由于單個"觀察方向"，鏡面 結(jié)構(gòu)的垂直表面產(chǎn)生強的回波，但傾斜的或"離軸的，，表面可以產(chǎn)生 弱回波，或根本不產(chǎn)生回波(聲學(xué)"信號失落(drop out)")。對 于超聲心動圖來說，在組織表面平行于超聲射束的心臟區(qū)域處可能出 現(xiàn)信號失落。由于它的可用性、相對低的成本以及非侵入性，心臟超聲圖像被廣 泛地用于評價心臟功能。具體地，心室運動的分析是用以評估局部缺 血和梗塞形成的程度的有效途徑。心內(nèi)壁的分割或檢測是實現(xiàn)左心室 的彈性和收縮性的量化的第一步驟。 一些現(xiàn)有方法的例子包括基于像
素的分割/聚類方法(例如，彩色室壁動態(tài)(Color Kinesis))，光 流的變化、可變形的模板和馬爾可夫隨機過程/場、以及有效輪廓/動 態(tài)輪廓(active snake)。在二維、三維或四維(犯+時間)空間中采 用一些方法。
然而，大多數(shù)現(xiàn)有的分割或檢測方法不嘗試恢復(fù)心內(nèi)壁的精確的區(qū) 域運動，并且在大多數(shù)情況中，忽略沿著壁的運動分量。僅沿著當前 輪廓的法線搜索的輪廓跟蹤器也采用該簡化的處理。這不適用于區(qū)域 壁異常檢測，因為異常左心室的區(qū)域運動很可能離開輪廓的法線，更 必說全局運動、諸如平移或旋轉(zhuǎn)(由于聲譜儀操作者的手運動或病人 的呼吸運動)，也引起輪廓上不正常的局部運動。為了區(qū)域壁運動異 常的檢測，期望跟蹤心內(nèi)壁的整體形狀以及它的局部運動。該信息可 以被用于局部缺血和梗塞形成的進一步的診斷。存在對利用外觀和形 狀來匹配解剖結(jié)構(gòu)的檢測框架的需要。

發(fā)明內(nèi)容
本發(fā)明涉及利用外觀和形狀來匹配解剖結(jié)構(gòu)的檢測框架。使用圖像 的訓(xùn)練組，在該訓(xùn)練組中在圖像中注釋對象形狀或結(jié)構(gòu)。圖像的第二訓(xùn) 練組表示這種形狀和結(jié)構(gòu)的負樣本，也就是不包括這種對象或結(jié)構(gòu)的圖 像。根據(jù)該訓(xùn)練組所訓(xùn)練的分類算法被用于檢測在它的位置處的結(jié)構(gòu)。匹配。
本發(fā)明的另一個方面涉及一種用于檢測包括無效數(shù)據(jù)區(qū)域的圖像 中的對象的方法。確定用于該圖像的數(shù)據(jù)掩模(mask)，以指示圖像 中的哪些像素是有效的。該數(shù)據(jù)掩模被表示為積分掩模，在所述積分 掩模中每一像素具有對應(yīng)于在該像素之上和在該像素左邊的圖像中的
有效像素的總數(shù)的值。將矩形特征應(yīng)用于該圖像，所述矩形特征至少 具有一個正區(qū)域和一個負區(qū)域。利用積分掩模對矩形特征中那些有效 的像素進行確定。對包括無效像素的區(qū)域的平均亮度值求近似。通過計算矩形特征的正和負區(qū)域中亮度值的總和之間的加權(quán)差，確定矩形 特征的特征值。利用該特征值來確定是否已經(jīng)檢測到對象。
本發(fā)明的另一個方面涉及一種用于檢測圖像中的對象的方法。為圖 像的窗中的分類器計算特征值。確定該特征值是否超過預(yù)定閾值。如 果該特征值超過閾值，則為圖像的窗中的隨后的分類器計算隨后的特 征值。組合該特征值和隨后的特征值的值。確定組合特征值是否超過 當前組合的組合閾值。如果組合特征值超過組合閾值，則計算進一步 的組合特征值，包括進一步的隨后的分類器，直至沒有隨后的分類器 或者組合特征值不超過組合閾值。最后的組合特征值被用于確定是否 已經(jīng)檢測到對象。
本發(fā)明的另 一個方面涉及一種用于檢測圖像中的解剖結(jié)構(gòu)以及使 圖像中的解剖結(jié)構(gòu)與圖像的訓(xùn)練組中的一個或多個解剖結(jié)構(gòu)相匹配的 系統(tǒng)和方法。接收候選圖像，并且從候選圖像中提取特征值。應(yīng)用分 類函數(shù)，以檢測解剖結(jié)構(gòu)。如果檢測到解剖結(jié)構(gòu)，則通過使候選圖像
的訓(xùn)練組中的一個或多個配對圖像。來自訓(xùn)練組的匹配配對圖像中的 解剖結(jié)構(gòu)的形狀被用于確定候選圖像中的解剖結(jié)構(gòu)的形狀。
本發(fā)明的另一個方面涉及一種用于使圖像中的解剖結(jié)構(gòu)與圖像的 訓(xùn)練組中的一個或多個相似成形的解剖結(jié)構(gòu)相匹配的方法。接收候選 解剖結(jié)構(gòu)的圖像，并從該圖像中提取特征。將與相似成形的解剖結(jié)構(gòu) 相關(guān)的特征與候選解剖結(jié)構(gòu)相比較。通過利用來自訓(xùn)練組的至少一個 最近的鄰近者的形狀來確定候選解剖結(jié)構(gòu)的形狀。
本發(fā)明的另一個方面涉及一種用于檢測和跟蹤圖像中的候選對象 的可變形形狀的系統(tǒng)和方法.通過多個所標記的控制點來表示該形狀。 檢測圖像幀中可變形形狀的至少一個控制點。針對與候選對象相關(guān)的 每一個控制點，計算位置不確定性矩陣。產(chǎn)生形狀模型，以表示隨后 的圖像幀中可變形形狀的動態(tài)，其中該形狀模型包括來自典型對象的 圖像的訓(xùn)練數(shù)據(jù)組的統(tǒng)計信息。使該形狀模型與候選對象的可變形形 狀對準。合并該形狀模型與可變形形狀，并評估候選對象的當前形狀。


下面將參考附圖更詳細地描述本發(fā)明的優(yōu)選實施例，其中相似的參考數(shù)字表示相似的元件
圖l示出超聲心動圖系統(tǒng)的示范性體系結(jié)構(gòu)，所述超聲心動圖系統(tǒng)使 用依據(jù)本發(fā)明的用于檢測和跟蹤左心室的心內(nèi)壁的形狀的方法；
圖2示出心臟的典型的超聲心動像；
圖3a-3d示出依據(jù)本發(fā)明的表示弱分類器的矩形特征的例子；
圖4示出依據(jù)本發(fā)明的用于利用積分圖像來確定給定窗的亮度和的 方法；
圖5示出依據(jù)本發(fā)明的被部分遮擋的積分圖像中的矩形特征；
圖6示出依據(jù)本發(fā)明的用于圖5的積分圖像的遮擋掩模；
圖7a和7b示出依據(jù)本發(fā)明的Hi-,和Hi —r的關(guān)系；
圖8示出依據(jù)本發(fā)明的、利用存儲器技術(shù)的提升的級聯(lián)的示意圖9示出依據(jù)本發(fā)明的用于左心室心內(nèi)膜邊界檢測的框架；
圖10示出依據(jù)本發(fā)明的用于檢測三維數(shù)據(jù)容積中的肺瘤的框架；
圖ll示出依據(jù)本發(fā)明的用于形狀對準的不變流形；
圖12a和12b示出依據(jù)本發(fā)明的形狀對準；以及
圖13示出依據(jù)本發(fā)明在形狀檢測和跟蹤過程中的不確定性傳播。
具體實施例方式
本發(fā)明涉及用于檢測和匹配解剖結(jié)構(gòu)的方法。將采用這種方法的一 個例子是通過經(jīng)由機器學(xué)習(xí)或分類來檢測并分割心室心內(nèi)膜和心外 膜邊界，以及通過識別來自帶注釋的數(shù)據(jù)庫的相似情況，檢測心臟中 的區(qū)域壁運動異常。本領(lǐng)域的普通技術(shù)人員應(yīng)理解的是，本發(fā)明可以 被用于其它應(yīng)用，其中形狀檢測和匹配是有用的，諸如但不局限于識 別人的特征、諸如面部特征或其它身體特征。本發(fā)明也可以被用于二 維、三維和四維(3D+時間)數(shù)據(jù)分析、例如諸如可隨時間的過去而演 化的心臟、肺或肺瘤之類的解剖結(jié)構(gòu)的醫(yī)學(xué)分析，
為了描述本發(fā)明，將針對檢測人心臟的左心室的心內(nèi)壁來描述例 子。圖1示出超聲心動圖系統(tǒng)的示范性體系結(jié)構(gòu)，其中所述超聲心動 圖系統(tǒng)使用依據(jù)本發(fā)明的用于利用形狀和外觀來檢測左心室的心內(nèi)壁 的方法。諸如超聲換能器之類的醫(yī)學(xué)傳感器102被用于對病人執(zhí)行檢 查。傳感器102被用于獲得與具體醫(yī)學(xué)檢查一致的醫(yī)學(xué)測量。例如， 經(jīng)受心臟問題的病人可以具有為幫助診斷具體的心臟疾病而執(zhí)行的超聲心動圖。超聲系統(tǒng)根據(jù)各種透視圖提供心臟的二、三和四(3D+時間) 維圖像。
通過傳感器102獲得的信息被傳送至處理器104，所述處理器可以 是工作站或個人計算機。處理器104將傳感器數(shù)據(jù)轉(zhuǎn)換成被傳送至顯 示器108的圖像。顯示器108也可以傳送涉及圖像的其它圖形信息或 信息的表。依據(jù)本發(fā)明，也為處理器104提供表示心內(nèi)壁的初始輪廓 的數(shù)據(jù)。該數(shù)據(jù)可以由諸如醫(yī)生或聲譜儀操作者之類的用戶人工地提 供，或由處理器104自動地提供。該輪廓包括一系列單獨的點，通過 處理器104跟蹤這些點的運動并將其示出于顯示器108上。
除了來自醫(yī)學(xué)傳感器102的數(shù)據(jù)，處理器104也可以接收其它數(shù)據(jù) 輸入。例如，處理器可以接收來自與處理器104相關(guān)聯(lián)的數(shù)據(jù)庫106 的數(shù)據(jù)。這種數(shù)據(jù)可以包括子空間模型，所述子空間模型表示心內(nèi)壁 的潛在輪廓形狀。這些子空間模型可以是表示多個病人的左心室的圖 像，或者可以是計算機產(chǎn)生的基于統(tǒng)計信息的輪廓形狀模型。利用已 知的方法、諸如貝葉斯核(Bayesian kernel)匹配或基于光^充的方法， 處理器104跟蹤輪廓形狀的單獨的點。通過利用多模板自適應(yīng)匹配框 架來補救在跟蹤過程中的誤差累積.在每一個點處以協(xié)方差矩陣的形 式表示跟蹤的不確定性，其中使用非正交投影的子空間形狀約束隨后 完全采用所述協(xié)方差矩陣。
圖2示出心臟的典型的超聲心動像。用實線橢圓208來標記具 有聲學(xué)信號失落的左心室的心內(nèi)壁的部分。用虛線橢圓202、 204來表
示局部壁運動的估計。因為聲學(xué)信號失落，心內(nèi)壁不總是在圖像中的 最強邊緣處。超聲心動像的特征是用虛線210、 212表示的圖像的 扇形。在扇形外部的區(qū)域不包含有用的數(shù)據(jù)。
許多檢測方法利用弱分類器或特征的提升來檢測圖像中的對象。通 過組合所選數(shù)量的弱分類器經(jīng)由提升的響應(yīng)，所得到的強分類器能夠 實現(xiàn)高檢測率。然而，已知的方法不解決在存在其它遮擋對象(例如 扇形之外的數(shù)據(jù))時檢測對象的問題。弱分類器由于遮擋的錯誤響應(yīng) 負面地影響對象的檢測。
依據(jù)本發(fā)明的一個方面，現(xiàn)在將描述用于在對象檢測過程中消除已 知遮擋的影響的方法。例如，可以以不考慮扇形之外的圖像數(shù)據(jù)(也 就是無用或無效的數(shù)據(jù))的方式來處理超聲心動像。換句話說，在扇形外部的數(shù)據(jù)被作為遮擋處理。與對象的圖像相關(guān)聯(lián)的簡單特征被識別為弱分類器。這種特征的例子是在圖3a-3d中示出的矩形特征。每一矩形特征的值是每一矩形的 白色(也被稱作正)區(qū)域與灰色(也被稱作負)區(qū)域中的像素亮度的 總和之間的差。對于圖3a中所示的矩形特征來說，負區(qū)域是302,并 且正區(qū)域是304。對于圖3b中所示的矩形特征來說，負區(qū)域是308， 并且正區(qū)域是306。對于圖3c中所示的矩形特征來說，負區(qū)域是312 和314，并且正區(qū)域是310和316。對于圖3d中所示的矩形特征來說， 負區(qū)域是320，并且正區(qū)域是318和322。矩形特征為基本區(qū)域提供過完備基礎(chǔ)。例如，如果矩形在尺寸上是 24 x 24像素，則特征的數(shù)量是180000。矩形特征的優(yōu)點之一是計算速 度。通過利用如圖4中所示的稱為積分圖像(II )的中間表示，可以利用小的固定數(shù)量的操作來計算特征值。在矩形特征的計算之前，預(yù)先計算輸入圖像(例如左心室的超聲心 動像)的II。針對II中的每一像素(x，y)，確定亮度值。這些 亮度值被存儲在數(shù)據(jù)庫106中(圖1). 一旦已經(jīng)為輸入圖像計算了 II，就大大簡化所有未來的計算。針對輸入圖像中的位置(x。，y。)處 的每一像素，可以通過確定在位置(x。，y。)之上和在位置(x。，y。)的 左邊的所有像素的亮度之和來計算亮度值。換句話說，在II (x。，y。) 處可以如下確定II的子集i!(2 o,yo)= E (1)其中I (x，y)是在位置(x，y)處的像素的亮度。圖3示出如何確定在矩形特征Rf處II的亮度值的計算。計算位置 408處的n，其等于實線410之內(nèi)的區(qū)域。用于限定位置408處的I1 的另一方式是矩形(A+B+C+Rf)的亮度值的總和。為了獲得Rf的總和， 必須進行附加計算。位置406的II提供通過線412限定的區(qū)域的總和， 其等于矩形(A+C)的亮度值的總和。從位置408的II中減去位置406 的II導(dǎo)致矩形(B+Rf)的II'。接著，計算位置404的II，其提供通 過(A+B)限定的區(qū)域的總和。從II'中減去位置404的II導(dǎo)致矩形 (-A+Rf)的II''。最后，將位置402的II與II''相加，這提供Rf的總和。然而，在Rf中的像素包括遮擋的情況中，那些像素的亮度值提供 無效值，這將最終產(chǎn)生對矩形特征的不正確估計。圖5示出包括遮擋 504的積分圖像502的例子。矩形特征506被置于包括遮擋504的一部 分的位置處。依據(jù)本發(fā)明，遮擋掩模被用于消除包括在矩形特征中的被遮擋的像 素的作用。在圖6中示出了用于圖5的II的遮擋掩模的例子。當在受控制的環(huán)境中獲得圖像時可以使用遮擋掩模，或者可以從數(shù)據(jù)中推斷 出遮擋掩模。例如，在監(jiān)視應(yīng)用中，已知靜態(tài)背景(例如門、墻壁、 家具等的位置)。可以確定引起遮擋的背景中的對象的似然性，并將 其用于創(chuàng)建遮擋掩模。另一例子是超聲圖像。在超聲圖像中，通過超 聲機器來給出扇形位置，或可以計算扇形位置，例如時間變化的分析 可以產(chǎn)生靜態(tài)無效區(qū)域。 一旦識別出扇形，就可以創(chuàng)建遮擋掩模，以 在II計算中有效地排除或取消扇形的存在。通過將被遮擋的或否則無效的像素的亮度值設(shè)為零，矩形的亮度值 的總和將不再受不正確的值影響。然而，因為現(xiàn)在存在"丟失"數(shù)據(jù)， 所以總和將是不平衡的。當不存在丟失值時，矩形總和與矩形的平均 亮度值成比例。因此，為了補償丟失值，當存在遮擋時，通過利用具 有有效亮度值的像素的數(shù)量來近似平均值。可以通過首先計算等效圖 或遮擋掩模來得到有效像素的數(shù)量。遮擋掩模M包括布爾值，其中有效像素被賦予值l,并且無效或被 遮擋的像素被賦予值0?？梢匀缦吕迷诋斍拔恢?x。，y。)之上和在當 前位置(x。，y。)的左邊的有效像素的數(shù)量來計算積分掩模孺(，〉；JC::: (2)類似于方程(l)的II，可以以如上所述的相同數(shù)量的操作根據(jù)積分掩 模來計算矩形中有效像素的數(shù)量。將為矩形特征506的等效特征值提供正和負圖像區(qū)域中的亮度的 總和之間的加權(quán)差。如果&表示像素亮度以正值作出貢獻的區(qū)域并且 fl-表示像素亮度以負值作出貢獻的區(qū)域，則特征值/如下200910140865.7說明書第8/18頁Rf的總和。然而，在Rf中的像素包S -， S )， (3)其中/7.,A7+分別表示負和正區(qū)域的有效像素的數(shù)量，每一個區(qū)域包括N個像素。如果ru和n+都非零，則通過N/(n-n+)將最終的特征值標準化。通過利用遮擋掩模來計算矩形特征的積分圖像，獲得更精確的結(jié)果，其 導(dǎo)致更好的對象檢測。特別是在諸如臉或解剖結(jié)構(gòu)的復(fù)雜對象的情況下，由于為了對象的 檢測而需要被計算的大量特征或部分，工具被用于減小所需要的計算 量，同時仍產(chǎn)生精確的結(jié)果。普遍使用的一種這樣的工具是提升。一 般，提升識別多個弱分類器或特征。針對每一個弱分類器，可以計算 一個值，所述值然后與預(yù)定閾值進行比較。如果弱分類器的值超過閾 值，則保留該分類器。如果弱分類器的值低于閾值，則拒絕該分類器。 通過對超過閾值的、弱分類器的所有值求加權(quán)和，可以產(chǎn)生強分類器， 其可以被用于對象檢測中。提升的變型是提升的級聯(lián)。在該技術(shù)中，把分類器區(qū)分優(yōu)先次序。 針對窗計算第一分類器，并且如果它不滿足閣值，那么窗被移動至另 一位置。僅僅保留所計算的分類器超過閾值的那些位置。閾值典型地 被設(shè)置在適度的水平處，以允許寬大的誤差裕度。通過減小執(zhí)行計算 的位置的數(shù)量，該方法是有效的。然而，這些方法丟棄來自之前的分 類器的輸出。下一階段的訓(xùn)練以對新的樣本組的均一加權(quán)開始。依據(jù)本發(fā)明，保留每一個所計算的分類器的值，并將其用于未來分 類器的計算，以便加強在之后階段的分類器計算。通過在如圖7a和7b 中所示的當前階段的新訓(xùn)練組之上設(shè)置新的閾值TV以及相關(guān)的奇偶性 Pi'，從級聯(lián)的之前階段直接使用中間強分類器H卜l然后，在基于原始特征進行訓(xùn)練之前，用新的分類器&—r的誤差對訓(xùn)練樣本進行加權(quán)。當前階段的強分類器是HiV和所選擇的單特征分類器的加權(quán)和。在檢測過 程中，代替扔掉來自之前階段的分類器輸出，它被利用Ti'和相關(guān)的奇 偶性Pi'來設(shè)置閾值，并依據(jù)其誤差被加權(quán)，并被加到來自當前階段的 單特征弱分類器的輸出的加權(quán)和中?？梢匀缦聛砻枋鲆话愕?利用存儲器的提升的級聯(lián)"(BCM)訓(xùn)練算法 存儲器中的初始級聯(lián)分類器H。'-NULL;其中誤差5=oo。
P-正樣本組，N-負樣本組； .i=0;通過級聯(lián)的階段i的循環(huán)使用P和N，以使用AdaBoost利用H卜r和確定數(shù)量的附加特征來訓(xùn)練分類器Hi,以便滿足所要求的錯誤正數(shù)和錯誤檢測率； 通過將Hi的錯誤正數(shù)用作負樣本并且必要時調(diào)節(jié)正組來重構(gòu)訓(xùn)練組，P卄P'以及N —N.; 重新訓(xùn)練Hi:修改Hi (例如通過選擇最佳閾值TV和奇偶性)，以根據(jù)新的訓(xùn)練數(shù)據(jù)P'和N'最小化它的分類誤差。將所得到的Hi'和它的輸出放入存儲器中。在上面的算法中，假定如果使用Hi-,*,則它將是第一個。H卜,'也可 以被用在其它單特征弱分類器的中間。所有需要改變的是，代替在之 前階段的結(jié)束時，而是在當前階段的訓(xùn)練過程中，學(xué)習(xí)新的閾值和奇 偶性?？梢岳卯斍坝?xùn)練組或完全有代表性的驗證組來進行Hi的評估。 在前一情況中，僅使用Hi,并且目標是滿足當前階段的性能目標(即， 每階段95%);而在后一情況中，應(yīng)使用總級聯(lián)分類器，并且目標是直 至當前階段i的綜合性能目標(即，O鄰。。下面示出利用存儲器的提升的級聯(lián)算法的另一個例子。-用戶選擇f、即每層最大可接受的錯誤正率以及d、即每層最小可接受的檢測率的值， 用戶選擇目標總錯誤正率Ftaiget。 .P-正樣本組，N-負樣本組 F0=l. O;D,l. 0; i=0; -存儲器中的初始級聯(lián)分類器H。'-NULL;當Fi>Ft"get時i++當F,f x Fh時Oo使用P和N，以使用AdaBoost利用Hh'和iii個附加特征來 訓(xùn)練分類器Hi (當i>l時，已經(jīng)利用存儲于存儲器中的結(jié)果 訓(xùn)練了Hw';如果它比特征強，則選擇Hi-r作為階段i的弱 分類器。利用Hi-r的誤差來更新關(guān)于訓(xùn)練樣本的權(quán)重，以便 基于特征選擇剩余的弱分類器。) o評估關(guān)于驗證組的當前級聯(lián)分類器Hi，以確定Fi和Di o減小第i個分類器Hi的閾值(Ti)，直到當前級聯(lián)分類器具 有至少d x D卜t的檢測率(這也影響Fi)N-0如果F々Ftarg"，那么評估關(guān)于非臉圖像組的當前級聯(lián)檢測器Hi， 并把任何錯誤檢測放進組N中。重新訓(xùn)練Hi':為Hi選擇第二最佳閣值T i'和奇偶性p i'，以根據(jù) 新的訓(xùn)練數(shù)據(jù)P和N使它的分類誤差最小化；將所得到的H/和 它的輸出放進存儲器。在BCM框架中，檢測過程將以下中間強分類器用于級聯(lián)的每一階段階段1一H!: ai h，十ot2h2+...ani hn1階段2— H2: 叫1 P1* (Hi 一 Ti ) + (On1+1 hni+1 + On1+2 hni+2十…On1+n2 hnl+n2)因為在之前階段中已經(jīng)評估了 Hi,附加的計算僅是針對每一附加 階段的減法和乘法，其中如圖8中所示當前測試樣品將通過所述附加 階段。對于所考慮的每一附加分類器來說，考慮與先前計算的分類器 相關(guān)的值，并將其與針對附加值的值結(jié)合。所得到的值然后與閾值進 行比較。最終結(jié)果是提供對象檢測的更精確指示的值。一旦已經(jīng)潛在地檢測到對象，就可以利用進一步的處理技術(shù)來獲得 關(guān)于圖像的附加信息。依據(jù)本發(fā)明的另一個方面，可以基于一組訓(xùn)練圖像應(yīng)用外觀和形狀的共同使用，以匹配和檢測測試圖像中的對象形 狀或解剖結(jié)構(gòu)。外觀被用于測試圖像中的對象或結(jié)構(gòu)的定位。然后采 用匹配技術(shù)，以從正訓(xùn)練數(shù)據(jù)集中找到相似情況并為所檢測的候選物 提供形狀或結(jié)構(gòu)細節(jié)?？梢砸苑旨壏绞竭M行檢測、定位和匹配，以實 現(xiàn)更精確的結(jié)果。匹配技術(shù)利用在檢測過程中所學(xué)習(xí)的特征，以節(jié)約 計算時間和改進匹配性能。依據(jù)本發(fā)明，用于對象或解剖結(jié)構(gòu)檢測和形狀恢復(fù)的一般框架包括三個階段離線訓(xùn)練階段、在線檢測階段和匹配階段。在離線訓(xùn)練階段，正訓(xùn)練樣本作為訓(xùn)練數(shù)據(jù)組被存儲。例如，在超 聲心動圖的情況下，訓(xùn)練組將包括人心臟的左心室的圖像。訓(xùn)練組將 包括不同成形的左心室的樣本以及異常左心室的樣本的全面的組。優(yōu) 選地，在最佳條件(例如左心室居于圖像中間；圖像被標準化以消除 尺寸和旋轉(zhuǎn)的影響等)下示出訓(xùn)練組中的圖像。在訓(xùn)練階段過程中， 將提升算法應(yīng)用于圖像。從這些應(yīng)用所獲得的數(shù)據(jù)與訓(xùn)練數(shù)據(jù)一起被 存儲，并且可以包括指示弱分類器輸出的特征向量。處理所有正訓(xùn)練樣本，以保持不變特性。例如，整體平移、旋轉(zhuǎn)和 縮放是對人心臟的左心室的不變變換(invariant transform)。正數(shù) 據(jù)的對準直接影響檢測器的設(shè)計，即，在檢測過程中每一對準軸需要 被擴展。換句話說，例如，如果在訓(xùn)練數(shù)據(jù)中取消旋轉(zhuǎn)，則在檢測過 程中檢測器不得不搜索多個旋轉(zhuǎn)。利用被對準的訓(xùn)練數(shù)據(jù)，學(xué)習(xí)算法 輸出所選擇的特征和用于正/負分類的相應(yīng)的判定函數(shù)。依據(jù)本發(fā)明， 可以變換(例如縮放和旋轉(zhuǎn))所有訓(xùn)練數(shù)據(jù)，以訓(xùn)練所變換的檢測器。訓(xùn)練數(shù)據(jù)(包括被變換的訓(xùn)練數(shù)據(jù))的所有特征被存儲于數(shù)據(jù)庫 106中(圖1)。此外，為每一正數(shù)據(jù)圖像計算特征向量，所述正數(shù)據(jù) 圖像包括弱分類器輸出和它們的相關(guān)權(quán)重。每一弱分類器表示與對象 相關(guān)的部分。正數(shù)據(jù)的特征向量隨后可與為測試圖像所計算的特征向 量相比較，以幫助識別具有相似特征的正數(shù)據(jù)。每一正數(shù)據(jù)圖像的對 應(yīng)于沿著對象輪廓的點的位置點也被存儲，并被用于形狀匹配階段.在在線檢測階段中，通過對測試圖像或數(shù)據(jù)容積內(nèi)的窗或立方體進 行平移、旋轉(zhuǎn)和/或縮放，采用用于圖像或數(shù)據(jù)容積的掃描方案，以產(chǎn) 生候選數(shù)據(jù)補片(patch).針對每一候選物，在整個掃描過程期間或 之后達到對象位置、縮放和/或旋轉(zhuǎn)。在一些情況中，應(yīng)用多個被變換可以被用于指示圖像中 的對象或候選物位置.在形狀匹配階段中，識別看來似乎包括對象的那些候選物(得勝的 候選物)。將相似性匹配算法應(yīng)用于這些候選物，以從相應(yīng)的訓(xùn)練數(shù) 據(jù)組中檢索最近的鄰近者，并將它們的相關(guān)形狀應(yīng)用于候選物。特征向量被用于形狀匹配，所述形狀匹配基于弱分類器輸出h/s和它們的 相關(guān)權(quán)重ct/s。利用以下空間中的距離度量進行匹配(ot,h,， oc2h2，...， ouhj，其中K是弱分類器特征的數(shù)量。也可以使用其它特征空間。形 狀匹配算法搜索與訓(xùn)練數(shù)據(jù)中的一個或多個圖像相關(guān)聯(lián)的"配對 (counterpart)"特征向量。 一旦已經(jīng)獲得匹配，來自訓(xùn)練組中的相 關(guān)匹配圖像的數(shù)據(jù)可以被用于提供關(guān)于對象形狀和結(jié)構(gòu)的細節(jié)?，F(xiàn)在將利用二維(2D)數(shù)據(jù)來描述例子。本領(lǐng)域的技術(shù)人員應(yīng)理 解的是，本發(fā)明也可以處理三維(3D)數(shù)據(jù)和四維(3D+時間)數(shù)據(jù)。 圖9示出利用原始圖像和所跟蹤的心內(nèi)邊界、使用LV幀的帶注釋的數(shù) 據(jù)組、基于學(xué)習(xí)和匹配的左心室(LV)心內(nèi)邊界檢測的示范性框架。該框架首先構(gòu)造例如界標或控制點的有序組形式的、被對準的LV 補片(模數(shù)平移、縮放和旋轉(zhuǎn))的數(shù)據(jù)庫，其中它的邊界帶注釋。利 用該組樣本和其它負補片來設(shè)計和訓(xùn)練檢測算法。例如，可以使用基 于提升的特征選擇和分類器構(gòu)造算法。為所有樣本計算特征向量。然后，該框架為LV的定位采用學(xué)習(xí)的檢測算法，所檢測的候選物 是包括LV的、具有其正確的尺寸和旋轉(zhuǎn)的局部補片。(通過以多個可 能的縮放和旋轉(zhuǎn)掃描圖像來確定該尺寸和旋轉(zhuǎn)。)最后，從所檢測的候選物中提取特征向量，并與數(shù)據(jù)庫相比較，以 找到一個或多個最近的鄰近者。然后例如利用加權(quán)和來組合它們的輪 廓，以形成所檢測的候選補片的輪廓，其中權(quán)重與它們至所檢測的補 片的匹配距離成比例. 一個可能的特征類型將是補片內(nèi)的圖像亮度(具 有或不具有二次采樣)。其它特征包括弱分類器輸出(具有或不具有 加權(quán)因子)'也可以利用主成分分析(Principal Component Analysis )， 以選擇這種特征的子集。圖IO示出三維數(shù)據(jù)容積中的腫瘤檢測的例子。該方法類似于上面 所述的方法，除了 3D鄰域、3D特征和3D掃描被用于檢測匹配，一旦已經(jīng)在形狀和外觀方面檢測到并匹配了對象，然后就可以隨著時間的過去而跟蹤對象的形狀。由于心肌的有節(jié)律的運動，這種跟蹤在超聲心動圖中是重要的。在形狀跟蹤過程中，測量不確定性起重要的作用。依據(jù)本發(fā)明，將單獨訓(xùn)練的部分檢測器應(yīng)用于圖像，以開發(fā)相對穩(wěn)定的局部外觀，同時利用整體形狀模型來約束部分合并過程?，F(xiàn)在將描述用于在自動形狀檢測和跟蹤過程中最佳地合并來自局部檢測、運動動態(tài)和子空間形狀建模的不確定性的統(tǒng)一框架。提升的部分檢測器被用于超聲心動圖序列中的左心室邊界定位。
假設(shè)用N (x，")、即具有平均值x和協(xié)方差"的多維高斯分布表示的候選之前形狀的檢測，第一步驟是在最佳不變變換的情況下下在樣本之前形狀x。之中找到具有通過N (x，Cx)、形狀模型N (m，C,)和來自前一時間步驟的預(yù)測形狀N (x-,Cx—)共同產(chǎn)生的最大似然性的樣本之前形狀。等效公式是找到x'，以最小化之前形狀空間和所變換的形狀空間中的Mahalanobis距離的總和，也就是，
jc* d2，
(x^-5c) + (x° - x一)d^,x一)， ； (5)
其中xa'=T ( ),其中T是不變變換。
在多個候選之前形狀的情況下，產(chǎn)生最高似然性的、也考慮檢測圖中的似然性值的候選之前形狀在判定時間獲勝。方程(5)需要在位置和變換上的同時最佳化，并且甚至對于簡單的變換、諸如僅允許平移、旋轉(zhuǎn)和縮放的相似性變換來說也不具有封閉形式的解?？梢酝ㄟ^迭代在數(shù)值上尋找整體最佳，但是計算可能太昂貴。
困難源于以下事實，即由任意的之前形狀經(jīng)所有可能的變換所跨越的流形(也就是形狀) 一般、特別是當子空間維數(shù)相對小時不與形狀子空間相交。在本發(fā)明中，形狀子空間具有從6至12的維數(shù)，而全歐幾里德(Euclidean)空間具有>34的維數(shù)。圖11示出用于概念地示出該關(guān)系的形狀對準的不變流形，其中粗曲線1102描繪之前形狀向量X、以及傾斜軸1104和表示子空間模型的一維高斯分布1106所跨越的流形。 一般，流形將不與形狀模型子空間相交(也就是傾斜軸1104包括模型質(zhì)心M)。在此省略預(yù)測，或者可以把X看作檢測和預(yù)測的合并結(jié)果。本發(fā)明涉及作為整體解決方案的兩步驟最佳化方案，具有針對兩個步驟的封閉形式的解?？梢詤⒄請D11容易地解釋該方案第一步驟是利用Cx中的信息從X轉(zhuǎn)至X'，或換句話說，找到從X至M的最佳變換。第二步驟是利用來自cm的附加信息從X'轉(zhuǎn)至XM。第一步驟被稱作對準步驟，而第二步驟被稱作約束步驟。
對準步驟的目標是考慮在之前形狀和它的協(xié)方差矩陣朝模型變換的過程中分量不確定性.首先如下最小化d2:
其中x'-T(x)，并且C'尸T(Cx)。為了簡化符號，假定預(yù)測N(x-，Cx-)已經(jīng)被合并成N (x， Cx)。當T是相似性變換時，具有
其中t是具有兩個自由參數(shù)的平移向量，并且R是塊對角矩陣，其中每一塊是
利用純代數(shù)(straight algebra),可以如下重寫方程(6):<formula>formula see original document page 19</formula>
通過對R和t中的四個自由參數(shù)取導(dǎo)數(shù)，可以獲得封閉形式的解.圖12a和12b示出在考慮和沒有考慮點位置的不確定性的情況下的形狀對準。圖12a示出在沒有考慮定位的不確定性的情況下的形狀對準。圖12b示出利用異方差不確定性的形狀對準。橢圓1202-1212描繪關(guān)于點位置的協(xié)方差，表示塊對角C,中的信息。直覺是更相信具有更高置信度的點。
一旦之前形狀與模型對準，對由兩個竟爭信息源(也就是，對準的
x ,眾檢測/預(yù)測與(子空間)模型相對)所產(chǎn)生的具有最大似然性的形狀進
行確定，在全空間模型的情況下，公式直接涉及利用高斯源或BLUE(最佳線性無偏估計量(Best Linear Unbiased Estimator))的信息合并。
假定相同的n維變量x的兩個有噪聲的測量，每一個測量的特征在于多維高斯分布，即N (x,，d)和N (x2，C2) ， x的最大似然估計是具有修訂的Mahalanobis距離D2 ( x， x2， C2)的最小總和的點。不失一般性地假定C2是奇異的。利用C2=UAUT的奇異值分解，其中U-[u!，U2，…，uJ，同時Ui是標準正交的，并且A-diag(X"入2，…，入p， 0，…，0}，至乂2的Mahalanobis距離如下
(10)
當入i趨于0時，D2 (Xl，x2，C2)趨向無窮大，除非UT。x=0，其中U。= [up+1， u p+2, ...， un]。在這里不失一般性地假定子空間通過原始空間的原點。由于X2居于子空間中，所以U。、-0。
因為U。Tx-0，所以f現(xiàn)在變成
，(爭-x,C^(U^ -
(")
其中y是lxp向量。
對y取導(dǎo)數(shù)，產(chǎn)生子空間的合并估計量
(12)
(13)
利用原始空間中的等效表達式<formula>formula see original document page 21</formula>可以示出Cx'和Cy'是x'和y'的相應(yīng)的協(xié)方差矩陣。
替代地，可以如下來寫方程(l2)和方程(13):<formula>formula see original document page 21</formula>
在這里，y2是X2在由Up所跨越的子空間中的變換坐標，并且A,diag(入n入2，...，入p)。方程(16)可被看作兩個高斯分布的子空間中的BLUB合并，其中一個高斯分布是N (y2， Ap),并且另一個高斯分布是子空
間中的N (x,，d) 、 N((uTpd—'Up)mTpCri,， 0JTpCrx)—')的交集。上述子空間合并為(子空間)模型約束、將(具有異方差不確定性
的)形狀測量和主成分分析(PCA)形狀模型視為兩個信息源提供一般
公式。下面，添加第三個源，其表示根據(jù)跟蹤的動態(tài)預(yù)測。除檢測之外從跟蹤獲得的至關(guān)重要的好處是來自支配預(yù)測的系統(tǒng)動態(tài)的附加信
息以及信息在時間上的合并。基于上面的分析，方程(4)的解具有下面的形式
<formula>formula see original document page 21</formula>
該解將來自檢測、形狀模型和動態(tài)預(yù)測的信息放在統(tǒng)一的框架中。當也在子空間中限定預(yù)測形狀時，上面所述的子空間BLUE公式可以以嵌套方式被應(yīng)用于變換T內(nèi)。預(yù)測N (x，Cx-)包括來自系統(tǒng)動態(tài)的信息。該信息被用于對全局運動趨勢、諸如擴張和收縮以及緩慢的平移和旋轉(zhuǎn)進行編碼。利用傳統(tǒng)的方法、諸如Kalman設(shè)置中的預(yù)測濾波器，可以獲得N (x-，Cx-):<formula>formula see original document page 21</formula>其中系統(tǒng)動態(tài)方程是<formula>formula see original document page 22</formula>并且Q是q的協(xié)方差，并且"prev"表示來自前一時間步驟的信息。
圖13示出分析步驟的示意圖，其中通過所有步驟傳播檢測的不確定性。在每一幀處，通過比較在兩個形狀模型的上下文中多個檢測候選物的似然性以及基于系統(tǒng)動態(tài)根據(jù)前一幀的預(yù)測，對多個檢測候選物進行評估。諸如1302-1316的橢圓示出位置不確定性。在對準過程中利用形狀對不確定性進行變換，在似然估計與跟蹤過程中利用模型和預(yù)測的先驗信息來合并不確定性。
已經(jīng)描述了用于利用外觀和形狀來檢測和匹配解剖結(jié)構(gòu)的方法的實施例，但需要指出，根據(jù)上面的教導(dǎo)，本領(lǐng)域的技術(shù)人員可以進行修改和改變。因此應(yīng)理解的是，可以在如所附的權(quán)利要求所限定的本發(fā)明的范圍和精神中公開的本發(fā)明的具體實施例中進行改變。已經(jīng)因此描述了具有專利法所要求的細節(jié)和特性的本發(fā)明，在所附的權(quán)利要求中闡述了由專利特許證要求保護和期望保護的內(nèi)容。
權(quán)利要求
1、一種用于檢測圖像中的解剖結(jié)構(gòu)以及使圖像中的解剖結(jié)構(gòu)與圖像的訓(xùn)練組中的一個或多個解剖結(jié)構(gòu)相匹配的方法，包括以下步驟接收候選圖像；從該候選圖像中提取特征值；應(yīng)用分類函數(shù)，以檢測解剖結(jié)構(gòu)；如果檢測到解剖結(jié)構(gòu)，則通過使候選圖像的所提取的特征值與訓(xùn)練組中的配對圖像的特征值相匹配來識別圖像的訓(xùn)練組中的一個或多個配對圖像；以及利用來自訓(xùn)練組的匹配配對圖像中的解剖結(jié)構(gòu)的一個或多個形狀來確定候選圖像中的解剖結(jié)構(gòu)的形狀。
2、 權(quán)利要求l的方法，其中，匹配特征值的步驟進一步包括以下 步驟為候選解剖結(jié)構(gòu)產(chǎn)生特征向量；以及 比較候選特征向量和與配對圖像相關(guān)的特征向量。
3、 權(quán)利要求2的方法，其中，所述特征向量包括多個弱分類器輸 出h/s和相關(guān)的權(quán)重ot/s。
4、 權(quán)利要求3的方法，其中，匹配步驟進一步包括利用不同的距 離量度，這包括利用歐幾里得距離函數(shù)中的加權(quán)矩陣。
5、 權(quán)利要求l的方法，其中，所述應(yīng)用分類函數(shù)的步驟進一步包 括以下步驟使窗掃描通過候選圖像。
6、 權(quán)利要求l的方法，其中，以分級方式執(zhí)行所述應(yīng)用步驟。
7、 權(quán)利要求l的方法，其中，所述分類函數(shù)利用提升。
8、 權(quán)利要求l的方法，其中，所述分類函數(shù)利用AdaBoosting。
9、 權(quán)利要求l的方法，其中，所述分類函數(shù)利用RankBoosting。
10、 權(quán)利要求l的方法，其中，所述分類函數(shù)利用支持向量機。
11、 權(quán)利要求l的方法，其中，所述圖像是超聲圖像。
12、 權(quán)利要求ll的方法，其中，所述解剖結(jié)構(gòu)是左心室。
13、 權(quán)利要求l的方法，其中，所述解剖結(jié)構(gòu)是臉。
14、 一種用于使圖像中的解剖結(jié)構(gòu)與圖像的訓(xùn)練組中的一個或多個相似成形的解剖結(jié)構(gòu)相匹配的方法，包括以下步驟 接收候選解剖結(jié)構(gòu)的圖像； 從該圖像中提取特征；將與相似成形的解剖結(jié)構(gòu)相關(guān)的特征與候選解剖結(jié)構(gòu)相比較；以及 通過利用來自訓(xùn)練組的至少一個最近鄰近者的形狀來確定候選解 剖結(jié)構(gòu)的形狀。
15、 權(quán)利要求14的方法，其中，所述候選解剖結(jié)構(gòu)具有用一組控 制點來注釋的它的輪廓。
16、 權(quán)利要求14的方法，其中，所述相似成形的解剖結(jié)構(gòu)中的每一個都具有用一組控制點來注釋的它的輪廓。
17、 權(quán)利要求14的方法，其中，比較特征的步驟進一步包括以下為候選解剖結(jié)構(gòu)產(chǎn)生特征向量；以及 比較候選特征向量和與相似成形的解剖結(jié)構(gòu)相關(guān)的特征向量.
18、 權(quán)利要求17的方法，其中，所述特征向量包括多個弱分類器 輸出h/s和相關(guān)的權(quán)重a/s。
19、 權(quán)利要求18的方法，其中，比較步驟進一步包括利用不同的 距離量度，這包括利用歐幾里得距離函數(shù)中的加權(quán)矩陣。
20、 權(quán)利要求14的方法，其中，所述圖像是超聲圖像。
21、 權(quán)利要求20的方法，其中，所述解剖結(jié)構(gòu)是左心室。
22、 權(quán)利要求14的方法，其中，所述解剖結(jié)構(gòu)是臉。
23、 一種用于檢測圖像中的解剖結(jié)構(gòu)以及使圖像中的解剖結(jié)構(gòu)與 圖像的訓(xùn)練組中的一個或多個解剖結(jié)構(gòu)相匹配的系統(tǒng)，包括以下步驟用于接收候選圖像的裝置；用于從候選圖像中提取特征值的裝置；用于應(yīng)用分類函數(shù)以檢測解剖結(jié)構(gòu)的裝置；特征值相匹配來識別圖像的訓(xùn)練組中的 一個或多個配對圖像的裝置； 以及用于利用來自訓(xùn)練組的匹配配對圖像中的解剖結(jié)構(gòu)的形狀來確定 候選圖像中的解剖結(jié)構(gòu)的形狀的裝置。
24、權(quán)利要求23的系統(tǒng)，其中，用于識別配對圖像的裝置進一步包括用于為候選解剖結(jié)構(gòu)產(chǎn)生特征向量的裝置；以及 用于比較候選特征向量和與配對圖像相關(guān)的特征向量的裝置。
25、 權(quán)利要求24的系統(tǒng)，其中，所述特征向量包括多個弱分類器 輸出h/s和相關(guān)的權(quán)重oc/s。
26、 權(quán)利要求23的系統(tǒng)，其中，所述用于應(yīng)用分類函數(shù)的裝置進 一步包括用于使窗掃描通過候選圖像的裝置。
27、 權(quán)利要求23的系統(tǒng)，其中，所述分類函數(shù)利用提升。
28、 權(quán)利要求23的系統(tǒng)，其中，所述分類函數(shù)利用AdaBoosting。
29、 權(quán)利要求23的系統(tǒng)，其中，所述分類函數(shù)利用RankBoosting,
30、 權(quán)利要求23的系統(tǒng)，其中，所述分類函數(shù)利用支持向量機。
31、 權(quán)利要求23的系統(tǒng)，其中，所述圖像是超聲圖像。
32、 權(quán)利要求31的系統(tǒng)，其中，所述解剖結(jié)構(gòu)是左心室，
33、 權(quán)利要求33的系統(tǒng)，其中，所述解剖結(jié)構(gòu)是臉。
全文摘要
公開了一種利用外觀和形狀來匹配解剖結(jié)構(gòu)的系統(tǒng)和方法。本發(fā)明還涉及一種用于檢測圖像中的解剖結(jié)構(gòu)以及使圖像中的解剖結(jié)構(gòu)與圖像的訓(xùn)練組中的一個或多個解剖結(jié)構(gòu)相匹配的方法，包括以下步驟接收候選圖像；從該候選圖像中提取特征值；應(yīng)用分類函數(shù)，以檢測解剖結(jié)構(gòu)；如果檢測到解剖結(jié)構(gòu)，則通過使候選圖像的所提取的特征值與訓(xùn)練組中的配對圖像的特征值相匹配來識別圖像的訓(xùn)練組中的一個或多個配對圖像；以及利用來自訓(xùn)練組的匹配配對圖像中的解剖結(jié)構(gòu)的一個或多個形狀來確定候選圖像中的解剖結(jié)構(gòu)的形狀。
文檔編號G06K9/62GK101551865SQ20091014086
公開日2009年10月7日 申請日期2004年11月19日 優(yōu)先權(quán)日2003年11月19日
發(fā)明者A·古普塔, B·戈格斯庫, D·科馬尼丘, R·B·勞, X·S·周 申請人:美國西門子醫(yī)療解決公司