Pollock模型最小平方法之樹冠偵測與描繪

Pollock模型最小平方法之樹冠偵測與描繪
(Least Square Fitting of Pollock Model for tree detection and crown delineation)

碩士論文    報告學生:蔡紹安


摘要

近年來氣候越趨近極端,大自然的保護更為重要,如何有效的管理森林面積以及利用樹種變遷來追蹤氣候的變化,成為一個非常重要的議題。但因為透過人工方式實地去調查非常費時且耗人力,由於遙測影像具有大範圍與即時監控等特性,因此該技術被廣泛地用於此一應用。

自1980年以來有許多的樹木偵測與輪廓描繪的演算法被提出,最早的演算法是利用樹木於彩色(RGB)空照圖上的特性,將每棵樹的輪廓圈選出來。近十多年來,由於光達影像可以提供物體垂直的結構,因此開始被廣泛地用於此應用。縱然許多的針對多光譜或RBG彩色影像所提出演算法依然適用於光達影像,然而這些演算法均未善加利用光達影像所提供的樹木垂直特性。

本論文利用Pollock所提出的三維樹木模型,此一模型可以用來模擬樹木三維的輪廓,然而此一模型的精確度嚴重的仰賴各項參數。為了解決此一問題,本論文提出一套迭代式演算法,於迭代的過程中找出與樹冠頂端的資料點最接近的Pollock模型,並透過最小平方法求得誤差,利用此一誤差將樹冠區域過濾出來,並將其概略的輪廓描繪出來,所提出的演算法將提供更精確的樹木偵測率與快速的運算,使其更適合運用於樹木的偵測與描繪。

利用Band-Expansion Process 來改善腰椎椎管之分類效能

利用Band-Expansion Process 來改善腰椎椎管之分類效能
(Improving Classification Rate of Lumbar Spinal with Band-Expansion Process)

104學年度專題    報告學生:李冠儒


摘要

    神經外科中的腰椎椎管狹窄症,目前大多採用核磁共振影像(Magnetic Resonance Images,MRI)以作為臨床上診斷的重要工具。然而辦別的方法大多以具有經驗的神經外科醫生用目測的方式進行診斷,至於定量性的判別,則必須由人工圈選腰椎椎管後,再輔以軟體量測圈選範圍的面積,此兩種方式都必須依賴判讀者的經驗,因此難以建立長期性準確的量化指標。

近年來,相關研究採用圖形辨識技術來測量腰椎椎管之截面積,然而核磁共振影像(MRI)僅有T1與T2兩種波序,使得脊椎椎管區域的特徵並不明顯,導致分類演算法的效能下降。因此本專題參考高光譜概念在分類腦部灰白值的技術,採用非線性的函數來擴充T1與T2兩個波序,以增加脊椎椎管區域的特徵值,進而提升椎管區域的分類效能,使得椎管界線能使電腦自動化處理並計算出椎管橫截面積;此一方式不涉及人類的主觀判定,完全由特徵進行辨識,因此可以提供臨床醫學上一個科學且標準的方式來量化腰椎椎管的橫截面積。


研究動機與目的

    近年來,台灣的醫療技術隨著科技的更新而不斷在進步,人類的生命得以延長,使得人口逐趨老化、漸漸成為高齡化社會,再加上生育率的下降、人口少子化進而影響人口勞動力,縱然醫療技術再怎麼新穎、醫療照護人口的不足儼然成為未來相當急迫的問題,本專題希望藉由電腦以及演算法的配合,改良並發展出一套有效的方式,以協助部分醫療人員、減少醫護人力的負擔。

神經外科中的腰椎椎管狹窄症,目前大多採用核磁共振影像(Magnetic Resonance Images,MRI)以作為臨床上診斷的重要工具。然而辦別的方法大多以具有經驗的神經外科醫生用目測的方式進行診斷,至於定量性的判別,則必須由人工圈選腰椎椎管後,再輔以軟體量測圈選範圍的面積,此兩種方式都必須依賴判讀者的經驗,因此難以建立長期性準確的量化指標。

近年來,相關研究採用圖形辨識技術來測量腰椎椎管之截面積,然而核磁共振影像僅有T1與T2兩種波序,使得脊椎椎管區域的特徵並不明顯,導致分類演算法的效能下降。因此本專題參考高光譜概念在分類腦部灰白值的技術,採用非線性的函數來擴充T1與T2兩個波序,以增加脊椎椎管區域的特徵值,進而提升椎管區域的分類效能,使得椎管界線能使電腦自動化處理並計算出椎管橫截面積;此一方式不涉及人類的主觀判定,完全由特徵進行辨識,因此可以提供臨床醫學上一個科學且標準的方式來量化腰椎椎管的橫截面積。


 

Band-Expansion Process

    Band-Expansion Process(簡稱為BEP)的概念最早是使用於遙測領域中多頻譜影像,此一技術是利用隨機程序的概念,藉由一階以及二階統計量產生新的波序;若我們將原始的影像視為一個隨機變數,將可以利用不同隨機變數之間的關聯性產生一系列二階統計量的頻帶影像,這樣的二階統計量包含了:auto-correlation、cross-correlation、nonlinear correlation,透過這些非線性的統計量來產生新的波段,與原始的波段整合在一起,以補足不足的光譜值。在參考文獻中,應用核磁共振影像中分類腦部的灰白值,並且也證實此一方式能有效提升分類準確率。

因此我們認為Band-Expansion Process將核磁共振影像的T1以及T2波序作為擴張的基底,並利用彼此之間的correlation來增加可分析波序,這樣的方法可以減少在分析核磁共振影像時的不足。可以產生七張新的影像,結合原先的T1以及T2將特徵空間由一開始的兩個維度擴充為九個,使腦脊髓液以及神經束可以與背景進一步區分;爾後再結合SVM的分類方式,透過kernel function參數的調整,進而提升脊椎椎管區域的分類功能。