Frank Vogelsang

Content-based image retrieval in medical applications: a novel multistep approach

In the past few years, immense improvement was obtained in the field of content-based image retrieval. Nevertheless, existing systems still fail when applied to medical image databases. Simple feature-extraction algorithms that operate on the entire image for characterization of color, texture, or shape cannot be related to the descriptive semantics of medical knowledge that is extracted from images by human experts.

Detection and compensation of rib structures in chest radiographs for diagnostic assistance

We developed a new method to compensate the rib structures in digital x-ray images. The intrinsic information of rib structures is eliminated and a higher image quality for the diagnosis of pulmonal structures is achieved. An essential task of the algorithm is the robust detection of the rib borders. In this paper we introduce three algorithms to perform this task. The first, introduced by Schreckenberg and Joswig, uses the hough transform to find rib borders, the second one uses a synergetic classifier to estimate the matching between rib edge templates and rib borders. The last one, the sinking lead algorithm, gives the best classification results by performing a matched template technique in combination with partial methods from the former two algorithms.

Skeletal maturity determination from hand radiograph by model-based analysis

Derived from a model based segmentation algorithm for hand radiographs proposed in our former work we now present a method to determine skeletal maturity by an automated analysis of regions of interest (ROI). These ROIs including the epiphyseal and carpal bones, which are most important for skeletal maturity determination, can be extracted out of the radiograph by knowledge based algorithms.

Model based analysis of chest radiographs

Chest radiographs represent a difficult class of images concerning automatic analysis with image processing methods. In our former work we presented a model based method to detect the rib borders and implemented a compensation algorithm of the rib structures. Recently we developed an improved method for rib border detection and algorithms to find the objects like chest border, vertebral spine, heart and intravascular catheter within a model driven approach. The determined borders of these objects allow further analysis and image enhancement for diagnose assistance.

Knowledge-based automated feature extraction to categorize secondary digitized radiographs

An essential part of the IRMA-project (Image Retrieval in Medical Applications) is the categorization of digitized images into predefined classes using a combination of different independent features. To obtain an automated and content-based categorization, the following features are extracted from the image data: Fourier coefficients of normalized projections are computed to supply a scale- and translation-invariant description. Furthermore, histogram information and Co-occurrence matrices are calculated to supply information about the gray value distribution and textural information. But the key part of the feature extraction is the shape information of the objects represented by an Active Shape Model. The Active Shape Model supports various form variations given by a representative training set; we use one particular Active Shape Model for each image class. These different Active Shape Models are matched on preprocessed image data with a simulated annealing optimization. The different extracted features were chosen with regard to the different characteristics of the image content. They give a comprehensive description of image content using only few different features. Using this combination of different features for categorization results in a robust classification of image data, which is a basic step towards medical archives that allow retrieval results for queries of diagnostic relevance.

Ein strukturiertes Konzept zum inhaltsbasierten Zugriff auf medizinische Bildarchive

Der inhaltsbasierte Zugriff auf grose medizinische Bildarchive ist bislang methodisch noch nicht ausreichend konzeptioniert. Unser Ansatz fur die Realisierung eines medizinischen Image-Retrieval-Systems basiert auf der strikten Trennung, der sequentiell aufbauenden Kombination und der eindeutigen Formalisierung von Kategorisierung, Registrierung, Merkmalsextraktion, Merkmalsselektion, Abstraktion, Identifikation und des eigentlichen Retrievals. Bilder einer Datenbank werden zunachst mit globalen Bildverarbeitungsalgorithmen oder DICOM-Informationen in Hauptklassen nach Modalitat, Korperregion und Orientierung eingeteilt, bevor eine automatische Registrierung innerhalb der jeweiligen Kategorie erfolgt. Die Bilder befinden sich danach in einer standardisierten und somit vergleichbaren Darstellung. Aus den Bildern werden lokale Merkmale ermittelt und zu Merkmalsvektorbildem kombiniert. Nachfolgend wird eine abstrakte, im Informationsumfang stark reduzierte Bildreprasentation bestimmt. Unter Berucksichtigung des medizinischen Kontextes konnen auf dieser abstrakten Ebene semantische Anfragen behandelt werden, die sowohl in der diagnostischen Routine als auch in der klinischen Forschung von Bedeutung sind.

Synergetic impact obtained by a distributed development platform for image retrieval in medical applications (IRMA)

Image retrieval in medical applications (IRMA) requires the cooperation of experts in the field of medicine, image analysis, feature analysis and systems engineering. A distributed developing platform was implemented to support the progress of the IRMA-system. As the concept for this system strictly separates the steps for medical image retrieval, its components can be developed separately by work groups in different departments. The development platform provides location and access transparency for its resources. These resources are images and extracted features as well as methods which all are distributed automatically between the work groups. Replications are created to avoid repeated network transfers. All resources are administered in one central database. Computationally expensive feature extraction tasks are distributed also automatically to be processed on concurring workstations of different work groups. The developing platform intensifies and simplifies the cooperation of the interdisciplinary IRMA-development- team by providing fast and automated deliveries of components from software developers to physicians for evaluation.

Eine Entwicklungsumgebung für die interdisziplinare Zusammenarbeit bei der Entwicklung des Image-Retrieval-Systems IRMA

Beim Aufbau eines Image-Retrieval-Systems, das inhaltsbasierte Anfragen an eine medizinische Bilddatenbank erlauben soil, mus das Zusammenfuhren der interdisziplinaren Kompetenzen aller Beteiligten durch eine entsprechend gestaltete Entwicklungsumgebung unterstutzt werden. Die Ressourcen eines Image-Retrieval-Systems sind das Bildmaterial, zu den Bildern extrahierte Merkmale inhaltlicher Relevanz und die Algorithmen zur Merkmalsextraktion, die bei den Projektpartnern verteilt zur Verfugung stehen. Eine Entwicklungsumgebung mus im interdisziplinaren Rahmen den Austausch dieser Ressourcen moglichst einfach gestalten. Dies erst erlaubt die konstruktive Zusammenarbeit trotz raumlicher Trennung der Partner, die in der klinischen Routine und im Forschungsbereich tatig sind.

Kategorisierung von digitalen Rontgenbildern mit parametrisierbaren Formmodellen

Die automatische Kategorisierung von Bildern im Zusammenhang mit digitalen Bildarchiven erlangt in der medizinischen Informatik eine immer grosere Bedeutung. Wir verwenden Vorwissen uber die moglichen dargestellten Objekte und deren spezifischen Formmerkmale. Das Verfahren ist in der Lage, unterschiedliche Formeigenschaften anhand einer Trainingsdatenmenge mit Hilfe von vergleichsweise wenigen Parametern hinreichend genau zu beschreiben. Eine Optimierung dieser Formmodelle liefert fur jedes Modell eine Minimalenergie, die die Korrelation des Modells mit den abgebildeten Objekten im Bild beschreibt. Anhand dieser Formenergien kann eine Zuordnung des Bildes in eine bestimmte Kategorie erfolgen. Entgegen klassischen Ansatzen, die kein Vorwissen einsetzen, erweist sich dieser Ansatz als robust gegenuber Bildartefakten und unvollstandiger Objektkonturinformation.

Modell- und wissensbasierte Segmentierung und Bildanalyse von Röntgenbildern

Im Bereich der medizinischen Bildverarbeitung ist die Segmentierung der wichtigste Vorverarbeitungsschritt fur die nachfolgende Bildanalyse. Um einen den visuellen und kognitiven Fahigkeiten des Menschen wenigstens nahen Algorithmus zu entwickeln, mus nach Ansicht der Autoren moglichst umfassend das a priori verfugbare Wissen uber das Segmentierungszenario berucksichtigt werden, um eine Kopplung von Segmentierungs- und Analyseprozes zu erreichen. Ein wesentliches Problem bei der Verwendung von aktiven Konturen zur Segmentierung ist eine hinreichend gute Initialisierung. Es wird eine Methode zur Initialisierung des vorgestellten Bildmodells mit Active Shapes beschrieben, die unter Ausnutzung der im Modell verankerten topographischen Information eine sehr gute initiale Ausrichtung zur Feinsegmentierung der zu detektierenden Objekte erlaubt.