Open Access

Dennis Sandkühler

• In der vorliegenden Arbeit wurde ein rotationsinvariantes Texturmodell für eine Unterscheidung struktureller Merkmale in Bildmustern für die überwachte Bildmustererkennung systematisch entwickelt und evaluiert. Es wurde gezeigt, dass die Komponenten: Merkmale, Merkmalsselektionsmethoden und Klassifikator eines Mustererkennungssystems so gewählt werden können, dass dies möglichst "effizient" ist, d.h. quantitative Forderungen nach Richtigklassifikationsraten mit einer möglichst geringen Anzahl an Merkmalen erfüllt werden. Zweidimensionale Ultraschallbilder bilden charakteristische Texturen aus, die von der Bildgebung selbst und dem betrachteten Gewebe abhängen. Als Textur wird die Zusammensetzung einer Region aus Texturprimitiven, sogenannten Texeln, und deren Anordnungsregeln bezeichnet. Merkmale von Texturen werden im Allgemeinen über Modelle, sogenannte Texturmodelle beschrieben. Konventionelle Texturmerkmale nach Haralick und Laws wurden den Merkmalen des entwickelten rotationsinvarianten Texturmodells in einer Untersuchung zur "Erkennung von Knochenkonturpixeln in zweidimensionalen Ultraschallbildern" gegenübergestellt. Bei dieser Untersuchung wurden Merkmale nach Haralick, Laws und des rotationsinvarianten Texturmodells abwechselnd mit einer sequenziellen und einer rangordnungsbasierten Merkmalsselektion sowie einem Bayes- und einem Support-Vector-Klassifikator kombiniert. Anhand von Bildmustern, die an einem humananatomischen Präparat aufgezeichnet und von einem Experten klassifiziert wurden, ließ sich die Effizienz der ausgewählten Komponenten überprüfen. Gefordert wurde, mindestens eine Richtigklassifikationsrate von 97% für die Muster der Klasse Gewebe (Spezifität ≥ 0,97) und von mindestens 50% für Muster der Klasse Knochen (Sensitivität > 0,50) zu erreichen. Die Ergebnisse bei der Erkennung von Knochenkonturpixeln in Ultraschallbildern haben gezeigt, dass die Klassifikation mit Merkmalen des entwickelten rotationsinvarianten Texturmodells, gegenüber den Methoden nach Haralick und Laws, insgesamt erfolgreicher ist. Die Extraktion von Merkmalen des rotationsinvarianten Texturmodells ist sogar entscheidend für die Erreichbarkeit der Forderungen. Erst durch Merkmale des entwickelten rotationsinvarianten Texturmodells werden die geforderten Klassifikationsraten erreicht (Spezifität = 0,971, Sensitivität = 0,520). Zudem wird nur eine geringe Anzahl von Merkmalen benötigt. Durch Hinzunahme weiterer Merkmale kann eine Klassifikationsrate über die Forderungen hinaus erfolgen (Spezifität = 0,971, Sensitivität = 0,633). Durch das Erfüllen der Forderungen konnte die Effektivität der Methode zur Erkennung von Knochenkonturpixeln gezeigt werden. Die geringe Anzahl an Merkmalen zeigt zudem die enorme Effizienz der vorgestellten Methode, was in der praktischen Anwendung zu einem reduzierten Rechenaufwand und somit zu einer verkürzten Rechenzeit bei der Klassifikation von Bildmustern führt.
• In this work a new rotation invariant texture model has been systematically developed and evaluated which allows us to distinguish structural features in image patterns intended for supervised pattern recognition. The components "feature", "feature selection" and "classifier" for a pattern recognition system can be selected in such a way as to be as efficient as possible, i.e. so that the quantitative demands for correct classification rates can be fulfilled with a minimum number of features. Two-dimensional ultrasound images show characteristic textures that depend on the imaging technique itself as well as on the tissue under consideration. A texture is the composition of a region of primitive elements -- so called texels -- and their relations to each other. The features of textures are generally described using models, known as texture models. In a study for "detection of bone edge pixels in two-dimensional ultrasound images", the classification results of conventional texture features as described by Haralick and Laws were compared to the classification results of features of the rotation invariant texture model. In this study, the features according to Haralick and Laws and those of the rotation invariant texture model were alternately combined with a sequential and a ranking feature selection as well as with a Bayesian and a support vector classificator. The efficiency of the chosen components was rated using image data acquired from a human anatomical specimen. An expert classification of these datasets was given according to the demands of supervised pattern recognition. For the following automatic classification a classification rate of 97% for correctly identifying patterns belonging to class "tissue" (specificity ≥ 0.97) and at least 50% for correctly identifying patterns belonging to class "bone" (sensitivity > 0.50) was required. The results of the bony structure pixel identification show that a classification based on the features of the rotation invariant texture model has a higher success rate than the features described by Haralick and Laws. Extracting the features of the rotation invariant model is even crucial for achieving the required classification rates, i.e. the required classification rate can only be achieved using the characteristics of the rotation invariant texture model (specificity = 0.971, sensitivity = 0.520). In addition, only a comparatively small number of features are necessary to achieve the demanded classification rate. The quality of the classification can be further improved by increasing the number of used features (specificity = 0.971, sensitivity = 0.633). The effectiveness of the method described for identifying pixels belonging to bony structures was demonstrated by the fact that the proposed classification rate was achieved. Moreover, the small number of necessary features shows the high efficiency of the method as presented here. In a practical setting this reduces the required computational effort and thus leads to a lower computing time for image pattern classification.