Классификатор изображений на основе 3Д векторного анализа
Метки: Computer aided detection, Computer vision, Компьютерное зрение, Машинное зрение, Радиомика, манускрипт, распознавание образов, хай-тек
В данной короткой публикации я продолжаю информировать о работе над моим алгоритмом компьютерного зрения.
Наконец у меня дошли руки и до классификатора.
Были использованы те же изображения-мишени(шаблоны) и тот же порог, что и в прошлых работах:
Для проверки работоспособности, классификатору была дана задача классифицировать, а точнее разобрать по группам/видам все изображения-мишени, т.е. всё было брошено в одну кучу: самолеты, корабли и гемангиомы.
И вот что получилось:
В самом верху вы видите последовательность изображений-мишеней слева направо по принципу их усложнения с точки зрения векторного анализа, т.е. от простого к сложному или как я бы еще сказал - от амебы до человека.
Далее представлены группы на которые классификатор разбил эту последовательность.
В сравнении с представляемыми презентациями работы искусственных нейронных сетей, некоторые наверное обратили внимание, здесь нет названий групп вроде: Самолеты, гемангиомы, корабли. Данный алгоритм не ставит перед собой такой задачи, однако введение такого словаря в работу данного алгоритма также возможно.
Как я уже и упоминал в прошлых работах, одним из перспективных на мой взгляд направлений развития CAD является именно работа с библиотеками изображений, с возможностью причисления нового изображения к группе уже имеющихся или даже определению их подгрупп, т.е. многоуровневая классификация, т.е. не только 1,2,3,4, но и 1а,1б,1с и т.д.
И данный алгоритм демонстрирует эту возможность на группах с гемангиомами.
Как видите, с самолетами и кораблями все оказалось проще, а с гемангиомами вместо одной группы получилось целых 3.
Причем, если вы посмотрите на эти группы внимательно, то увидите, что во всех трех группах есть общий член, гемангиома чем-то напоминающая цветок розы. Т.е. она имеет признаки двух остальных гемангиом, тогда как две остальные гемангиомы не имеют общих признаков, но связываются в общую группу благодаря общему "родственнику" и также алгоритм предлагает еще две группы по два члена. Т.е. это нечто вроде генеалогического древа, т.е. общий предок и его дети.
На мой взгляд это весьма многообещающий результат для практикующих врачей - иметь возможность автоматической классификации различных образований, например, молочной или щитовидной желез по аналогии с Би-радс и Ти-радс.
И хочу обратить внимание читателей в очередной раз на то, что данный алгоритм не является искусственной нейронной сетью, это просто статистический алгоритм на основе векторного анализа представленного ранее.
