Preview

Информатика

Расширенный поиск

МЕТОДИКА КОЛИЧЕСТВЕННОГО ОПИСАНИЯ БИОМЕДИЦИНСКИХ ИЗОБРАЖЕНИЙ НА ОСНОВЕ СЛОВАРЕЙ СУПЕРПИКСЕЛОВ

Полный текст:

Аннотация

Предлагается методика количественного описания биомедицинских изображений, основанная на разбиении целевого изображения на суперпикселы и их сопоставлении с ранее подготовленным словарем суперпикселов, характерных для изображений анализируемого типа. Методика протестирована на задачах распознавания биомедицинских изображений трех типов (КТ-снимков легкого, гистологических изображений образцов тканей яичников и тканей щитовидной железы). Экспериментально показывается, что предлагаемая методика обеспечивает результаты, сравнимые по качеству распознавания с традиционными методами описания структуры изображений либо превосходящие их.

Об авторах

В. А. Левчук
Объединенный институт проблем информатики НАН Беларуси
Беларусь


В. А. Ковалев
Объединенный институт проблем информатики НАН Беларуси
Беларусь


Список литературы

1. Kovalev, V. Color Co-occurence Descriptors for Querying-by-Example / V. Kovalev, S. Volmer // Proc. of the 1998 Conf. on MultiMedia Modeling. – Switzerland, 1998. – P. 32–38.

2. Content-based image retrieval as a method for melanoma diagnosis / V. Liauchuk [et al.] // Proc. of the 29th Intern. Congress on Computer Assisted Radiology and Surgery (CARS– 2015). – Spain, 2015. – Vol. 10. – P. 291–292.

3. Pinto, N. A high-throughput screening approach to discovering good forms of biologically inspired visual representation / N. Pinto, D. Doukhan, D. Cox // PLoS Computational Biology. – 2009. – Vol. 5(11). – P. 1–12.

4. Evaluating Bag-of-Visual-Words Representations in Scene Classification / J. Yang [et al.] // Proc. of the Intern. Workshop on Multimedia Information Retrieval. – Germany, Augsburg, 2007. – P. 197–206.

5. Quantized Image Patches Co-occurrence Matrix: A New Statistical Approach for Texture Classification using Image Patch Exemplars / Zh. Liu [et al.] // Proc. of the 3th Intern. Conf. on Digital Image Processing (ICDIP 2011). – China, Chengdu, 2011. – Vol. 8009. – P. 56–64.

6. Fulkerson, B. Class segmentation and object localization with superpixel neighborhoods / B. Fulkerson, A. Vedaldi, S. Soatto // Proc. of the 12th Intern. Conf. on Computer Vision. – Kyoto, Japan. – 2009. – P. 8.

7. Levinshtein, A. Multiscale symmetric part detection and grouping / A. Levinshtein, C. Sminchisescu, S. Dickinson // Proc. of the 12th Intern. Conf. on Computer Vision. – Kyoto, Sapan. – 2009. – Vol. 104. – P. 117–134.

8. Li, X. An Object Co-occurrence Assisted Hierarchical Model for Scene Understanding / X. Li, Y. Guo // Proc. of the British Machine Vision Conference. – Surrey, 2012. – P. 1–11.

9. Multi-scale feature learning on pixels and super-pixels for seminal vesicles MRI segmentation / Q. Gao [et al.] // SPIE 9034, Medical Imaging 2014: Image Proc. – 2014. – Vol. 9034. – Р. 903407–903407-6.

10. Micusik, B. Semantic segmentation of street scenes by superpixel co-occurrence and 3D geometry / B. Micusik, J. Kosecka // IEEE Workshop on Video-Oriented Object and Event Classification (VOEC). – Japan, 2009. – P. 625–632.

11. He, X. Learning and incorporating top-down cues in image segmentation / X. He, R. Zemel, D. Ray // Proc. of the 9th European Conf. on Computer Vision. – Austria, 2006. – P. 338–351.

12. Sicre, R. SuperPixel based angular differences as a mid-level image descriptor / R. Sicre, E. Tasli, T. Gevers // Proc. of the 22th Intern. Conf. on Pattern Recognition (ICPR). – Sweden, 2014. – P. 3732–3737.

13. Content-based image retrieval of histology images / A. Dmitruk [et al.] // Proc. of Swedish Symposium on Image Analysis (SSBA-2010). – Uppsala, Sweden, 2010. – P. 91–92.

14. Tighe, J. SuperParsing: Scalable nonparametric image parsing with superpixels / J. Tighe, S. Lazebnik // ECCV’10 Proc. of the 11th European Conf. on Computer Vision. – Germany, Heidelberg, 2010. – P. 352–365.

15. SLIC Superpixels Compared to State-of-the-art Superpixel Methods / R. Achanta [et al.] // IEEE Transactions on Pattern Analysis and Machine Intelligence. – 2012. – Vol. 34(11). – P. 2274– 2282.

16. Ковалев, В.А. Влияние мер близости в пространстве признаков на качество поиска медицинских изображений по содержанию / В.А. Ковалев, А.А. Дмитрук // Информатика. – 2011. – № 30. – С. 5–11.

17. Efron, B. Bootstrap Methods: Another Look at the Jackknife / B. Efron // Annals of Statistics. – 1979. – Vol. 1. – P. 1–26.

18. Matas, T. Extended set of local binary patterns for rapid object detection / T. Matas, J. Matas // Proc. of the Computer Vision Winter Workshop. – Czech Republic, Nové Hrady, 2010. – Vol. 2010. – P. 37–43.


Для цитирования:


Левчук В.А., Ковалев В.А. МЕТОДИКА КОЛИЧЕСТВЕННОГО ОПИСАНИЯ БИОМЕДИЦИНСКИХ ИЗОБРАЖЕНИЙ НА ОСНОВЕ СЛОВАРЕЙ СУПЕРПИКСЕЛОВ. Информатика. 2016;(1):49-57.

For citation:


Liauchuk V.A., Kovalev V.A. A METHOD FOR QUANTITATIVE DESCRIPTION OF BIOMEDICAL IMAGES BASED ON SUPERPIXEL DICTIONARIES. Informatics. 2016;(1):49-57. (In Russ.)

Просмотров: 251


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 1816-0301 (Print)
ISSN 2617-6963 (Online)