J'essaie de détecter automatiquement certains repères anatomiques définis médicalement dans un volume reconstruit CT. Les médecins utilisent ces repères pour mesurer certains paramètres spécifiques au patient. J'ai essayé d'utiliser le descripteur de fonctionnalité SIFT, car ces repères anatomiques sont en quelque sorte des «points clés». Cela n'a pas très bien fonctionné car les points de repère sont des points (ou de minuscules régions) qui ne sont en général pas des "points d'intérêt" tels que définis par SIFT. J'ai cherché de nombreux algorithmes de correspondance de modèles / modèles mais, lorsque je n'ai pas de problèmes de rotation / traduction / échelle, je trouve que les fonctionnalités extraites ne différencient pas suffisamment chaque point de repère (du reste des points de repère et du reste du non des patchs historiques) pour former un classifieur suffisamment performant (au moins 80% de précision de détection).
Veuillez me le faire savoir si je n'énonce pas le problème suffisamment clairement.
J'apprécierais vraiment tout conseil.
Merci!
Exemple d'image:
Les petits croix x et les petits carrés sont au-dessus des points de repère que je veux détecter (j'ai oublié de mentionner que j'ai un ensemble d'entraînement, avec les points de repère étiquetés). Les lignes blanches représentent les mesures prises. Ce sont des tranches de cas différents (bien sûr, je ne peux pas publier le volume 3D complet).
la source
Réponses:
J'hésite à écrire ceci comme réponse, mais étant donné que vous ne demandez que des conseils, je le ferai.
Je suggère d'étudier des techniques basées sur la transformation en ondelettes complexes à double arbre (DTCWT). Celles-ci se sont révélées utiles pour générer des descripteurs qui ont une bonne tolérance au décalage, à l'échelle et à la rotation des images source. Ce n'est pas le problème classique en ce que vous ne permettez pas que les points soient attribués pour vous, mais je pense que certains pensent que vous pouvez adapter les techniques à des points de repère prédéfinis.
De toute évidence, les points de repère ont un certain intérêt du point de vue d'un clinicien, il y a donc quelque chose d'intéressant à leur sujet - il s'agit simplement de modéliser cela dans le descripteur. Les techniques d'ondelettes (en particulier le DTCWT) ont tendance à être bonnes pour modéliser les caractéristiques que l'œil détecte.
Un point de départ serait probablement ce document assez récent .
la source