Direkt zum Inhalt | Direkt zur Navigation

Eingang zum Volltext

Lizenz

Bitte beziehen Sie sich beim Zitieren dieses Dokumentes immer auf folgende
URN: urn:nbn:de:bsz:25-opus-67946
URL: http://www.freidok.uni-freiburg.de/volltexte/6794/


Fehr, Janis

Local invariant features for 3D image analysis

Lokale invariante Merkmale für die Analyse von 3D Bildern

Dokument1.pdf (9.610 KB) (md5sum: cf83fba8a1ec05a3aa8f163ba09d8ad0)

Kurzfassung in Englisch

The automatic analysis of 3D volume data is an emerging topic. The recent development towards increasingly cheaper, faster and better 3D imaging devices, such as CT, MRI and especially confocal microscopy results in huge amounts of 3D data which eventually have to be analyzed and evaluated. In most cases, the evaluation is still accomplished by very tedious and resource consuming manual work.
This rises the demand for (semi)-automatic algorithms, which not only allow a qualitative high throughput evaluation of the recorded data, but also provide reliable and reproducible quantitative measures for further statistical analysis or mathematical modelling of complex systems.
Typical tasks of 3D image analysis usually include the detection, segmentation and classification of objects and (sub)-structures, counting and localizing, as well as the quantitative description of textures, shapes and positions.

While there has been very intense research in the area of 3D medical image analysis over the last decades, most of the methods developed in this context tend to fail on recently emerging biological 3D image analysis problems. The main reasons can be seen in the more difficult imaging properties, smaller target structures and higher intra class variations within the biological data. Also, other new research areas in demand for 3D evaluation methods, like the analysis of protein structures or 3D object retrieval, hardly benefit from existing medical image processing results.
This motivated us to try to address the problem of 3D image analysis in a more general way - moving away from very specialized ''one Ph.D. per problem'' solutions and towards highly generic, multi purpose methods which can easily be adapted to new problems. It is obvious that this is a very ambiguous goal, but we were able to show that the methods and ideas which we derive throughout this thesis cover a wide range of different operations (detection, segmentation, classification, etc.) on quite different types of 3D volume data from different sources.

In this thesis, we present a novel framework which provides generic methods for the automatic analysis of 3D volume data. We combine local invariant feature descriptors with learning techniques to infer mathematical models describing 3D objects (structures) in dense and cluttered data.
Using annotated training examples, our overall framework is able to adapt to a wide range of different problems by learning local formations of shape and texture properties.

Local feature descriptors play the key role in our concept. Due to the often times high intra class variations and anisotropic nature of the data, we derive features that are invariant towards the most common data transformations, including rotation, gray-scale changes and for some applications also scaling and translation. Throughout this thesis, we provide as many as 14 different local 3D features: from general texture and shape features to very specific and highly specialized detectors.
The derived features operate either on gray-scale and scalar multi-channel volume data or on 3D vector fields (which usually are obtained from the gradient information of scalar input data). Besides an in-depth theoretical investigation of the mathematical background and the actual, highly optimized
implementation of invariant features for 3D volume data, we also provide learning methods for the selection and data driven construction of the features.
The second key contribution to our framework are supervised and partially interactive learning methods using the input of the local features to detect, segment and classify given objects or structures. While we are mostly relying on ''standard'' algorithms such as Support Vector Machines (SVM) and Markov Random Fields (MRF) to train our framework, we derived several algorithms to speedup the classification of huge 3D volume datasets:
We introduce a novel fast linear approximation of non-linear SMVs and also derive two new algorithms for the fast inference of MRFs via ''Generalized Belief Propagation''.


Kurzfassung in Deutsch

Die automatische Analyse von 3D Volumendaten wird in naher Zukunft eine immer grössere Rolle spielen. Die aktuelle Entwicklung hin zu immer
billigeren, schnelleren und qualitativ höherwertigen Bildgebungsverfahren zur Erzeugung von 3D Volumendatan wie z.B. CT, MRT und insbesondere
die 3D Konfokalmikroskopie, führen dazu, dass enorme Mengen an 3D Daten anfallen, welche ausgewertet und analysiert werden müssen.
Da die Auswertung der Daten in den allermeisten Fällen noch in aufwändiger und zeitraubender "Handarbeit" durch menschliche Experten
erledigt wird, steigt mit zunehmender Datenmenge auch rapide der Bedarf an (semi)-automatischen Analyse- und Auswertungsverfahren.
Diese sollen in der Regel nicht nur eine qualitative "Hochdurchsatz"-Analyse der Daten liefern, sondern oftmals auch robuste, quantitative
Kenngrössen liefern, welche in weiteren Verarbeitungsschritten zur Erstellung statistischer Auswertungen oder mathematischer Modelle
verwendet werden sollen.
Typische Teilaufgaben der Bildanalyse beinhalten die Detektion, Segmentierung und Klassifikation von Objekten oder (Teil)Strukturen, das
Zählen und Lokalisieren, sowie die quantitative Beschreibung von Texturen, Formen und relativen Positionen.

Wenngleich es im Bereich der medizinischen Bildverarbeitung bereits seit Jahrzehnten eine intensive Forschung in Richtung automatischer Analyse
von 3D Volumendaten gibt, hat es sich gezeigt, dass sich die dort entwickelten Methoden oftmals leider nicht direkt auf die jetzt
aufkommenden Daten und Probleme (insbesondere aus dem Bereich der 3D Mikroskopie) anwenden lassen. Die Hauptursache hierfür sind die
schlechteren
Bildgebungseigenschaften, kleinere Strukturen und die erhöhte Intraklassenvarianz der biologischen Daten. Aber auch andere neue
Anwendungsgebiete der 3D Bildanalyse konnten bisher nur beschränkt von den bereits existierenden Methoden aus der medizinischen Bildverarbeitung
profitieren. Dies hat uns motiviert das Problem der 3D Bildanalyse von einem sehr allgemeinen Standpunkt aus anzugehen und zu versuchen, einen
generischen Ansatz zu finden, der sich leicht auf eine Vielzahl verschiedener Probleme anpassen lässt, anstatt wie meist üblich, sehr spezielle
Lösungen nach dem Motto ''ein Problem - eine Doktorarbeit'' zu entwerfen. Es liegt auf der Hand, dass dies ein sehr ambitioniertes Vorhaben
ist, welches sicherlich nicht im Rahmen dieser Arbeit vollständig gelöst werden kann. Dennoch sind wir mit den in dieser Arbeit vorgestellten
Methoden bereits in der Lage, ein breites Spektrum an unterschiedlichsten Problemen (wie der Detektion, Segmentierung, Klassifikation usw.) auf
unterschiedlichen Typen von 3D Volumendaten zu lösen.

In dieser Arbeit präsentieren wir ein neuartiges, generisches Verfahren zur automatischen Analyse von 3D Volumendaten. Wir nutzen eine
Kombination aus lokalen invarianten Merkmalen und Lernalgorithmen, um mathematische Modelle von 3D Objekten (Strukturen) in dichten
und verrauschten Daten zu erstellen. Das vorgestellte Verfahren ist in der Lage sich bei gegebenen annotierten Traingsdaten, an eine Vielzahl
von unterschiedlichen Problemstellungen anzupassen. Dies geschieht im Wesentlichen durch das Erlernen der problemspezifischen lokalen
Konstellation von Textur- und Formmerkmalen.

Lokale Merkmalsdeskriptoren spielen eine Schlüsselrolle im vorgestellten Ansatz: auf Grund der meist starken Intraklassenvariationen und
anisotropen Strukturen verwenden wir Merkmale, welche gegen die dominanten Transformationen invariant sind. Dies beinhaltet in Wesentlichen
Invarianz gegen Rotation und Grauwertänderung und in manchen Fällen auch Skalierung und Translation. Im Lauf der Arbeit präsentieren
wir 14 verschiedene Ansätze für lokale invariante 3D Merkmale: von Textur- über Formmerkmale bis hin zu hochspezialisierten
Objektdetektoren.
Einige der Merkmale operieren auf Grauwert Daten, andere auf skalaren Multi-Kanal Daten und wiederum andere auf 3D Vektorfeldern,
welche gewöhnlich aus der Gradienteninformation skalarer Daten gewonnen werden.
Neben der theoretischen mathematischen Herleitung und optimierten Implementationen der Merkmale stellen wir auch eine Reihe von Verfahren zur
Selektion der geeignetsten Merkmale und deren problemspezifischen Konstruktion vor.

Die zweite Schlüsselrolle im vorgestellten Ansatz spielen Methoden für das überwachte und teilweise iterative Lernen, welches basierend
auf den lokalen Merkmalen die Detektions-, Segmentierungs- und Klassifikationsaufgaben umsetzen. Dabei stützen wir uns auf
''Standardalgorithmen'' wie Support Vektor Maschinen (SVM) und Markov Netzwerke (MRF), welche allerdings für die gegebenen Anwendungen
erheblich beschleunigt werden mussten:
Wir stellen daher in der Arbeit einen Algorithmus zur schnellen, linearen Approximation nicht-linearer SVMs vor und entwickeln zwei sehr
schnelle Verfahren zur Inferenz von MRFs mittels ''Generalized Belief Propagation''.


SWD-Schlagwörter: Bildverarbeitung , Mustererkennung
Freie Schlagwörter (deutsch): Invariante Merkmale , 3D Bildanalyse
Freie Schlagwörter (englisch): Invariant Features , 3D Analysis
Institut: Institut für Informatik
Fakultät: Technische Fakultät (bisher: Fak. f. Angew. Wiss.)
DDC-Sachgruppe: Informatik
Dokumentart: Dissertation
Erstgutachter: Burkhardt, Hans (Prof. Dr.)
Sprache: Englisch
Tag der mündlichen Prüfung: 21.07.2009
Erstellungsjahr: 2009
Publikationsdatum: 31.07.2009
Indexliste