發文作者:wekon | 十一月 6, 2008

[Seminar 筆記] A Statistical Learning Approach to Vertebra Detection and Segmentation from Spinal MRI

112c53776a6
(圖片來源:href="http://cdguke.blog.sohu.com/43648434.html">http://cdguke.blog.sohu.com/43648434.html)

這禮拜的 seminar 是清大資工賴尚宏教授主講
題目是 A Ststistical Learning Approach to Vertebra Detection and Segmentation from Spinal MRI
http://www.cs.nctu.edu.tw/cht/announcements/post/post_t.php?news_sn=1330&class=5


賴教授的研究主題是用自動化的方法找出 MRI 中的脊椎骨
並且描繪出詳細的骨頭形狀
以利後續的化分析骨頭異常 (應該是骨刺之類的異常)
除此之外
如果骨頭找得正確
可以幫醫生自動化計算是第幾節骨頭
人算很容易錯

整個系統分為以下幾個步驟
1. training
2. feature detection
3. curve fitting
4. segementation

前兩部份 training 主要用的是 Adaboost 再做改良
Adaboost 是一種由許多 weaker classifier 所組成的 stronger classifier
改良方式包括了納入 Bayesian 的機率觀念、以及 pair 的配對方法

feature detection 的方式是使用 sliding window
每次移動一個 pixel 來檢查是不是脊椎骨

接下來做微調
因為辨識的結果可能會多找或少找
多找的脊椎骨通常會離脊椎的整體線條偏離
所以使用 curve fitting 找出主要的骨頭走向
再將遠離的結果視為 outlier
再來,如果某兩個連續的骨頭之間距離太遠
表示中間可能少找了幾個
在這時把它補起來

到此,基本上骨頭的大致位置都確定了
接下來要將骨頭的細部形狀描繪出來
使用的方法是 segmentation
其中有用到一個技術是 normalized cut
將每個 pixel 視為 graph 中的一個 node
每兩個 node 之間有一條 link
link 上有 weight,兩個 pixel 越相近、weight 越高
目的是做一個 cut,將 graph 切成兩半
並且這兩半的大小不能差太多
(不過後來不記得為什麼要做這件事了 …)
主要在修補骨頭形狀的方法是 growing or shrinking
如果 growing 分數高就 growing,如果 shrinking 分數比較高就 shrinking
最後就可以找出接近人工的良好形狀


Responses

  1. 看了x-ray很嚇人
    那個東西有這麼大還看起來像調節器
    ^o^

  2. x-ray 還算好的
    後來有一堂課有看到手術中的照片
    開胸的
    哪種血肉 “清楚" 的才是嚇人


發表迴響

在下方填入你的資料或按右方圖示以社群網站登入:

WordPress.com Logo

You are commenting using your WordPress.com account. Log Out / 變更 )

Twitter picture

You are commenting using your Twitter account. Log Out / 變更 )

Facebook照片

You are commenting using your Facebook account. Log Out / 變更 )

Google+ photo

You are commenting using your Google+ account. Log Out / 變更 )

連結到 %s

分類

%d 位部落客按了讚: