Frank Weiler

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.

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.

Automatic recognition of image contents using textural information and a synergetic classifier

We describe a method to automatically detect which kind of x-ray a given image is. Based on a feature space which represents the textural information of the image, using second order statistics, a synergetic classifier is used. The synergetic classifier is especially studied for high dimensional feature spaces and has the advantage of nearly automatic parameterization. Within a test suite consisting of numerous example images the practicability of the method is demonstrated.