Open Access

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.