Orvosbiológiai képkereső rendszer teljesítményének képek osztályozásán alapuló javítása Június 23, 2008 Budapest Altrichter Márta Konzulens: dr. Horváth Gábor
2 A feladat Publikációk száma kvadratikusan nő – (BioMed Central (BMC)) Képek szemantikus információtartalma jelentős Igény képkeresésre – CBIR (content-based image retrieval) – Kézi annotáció (google képek) – Automatikus annotáció
3 Cél Biomedikus képkereső rendszer létrehozása Extra szemantikus információ: Képkategorizálás – Grafikonok – Gél képek (pl: kromatográfiás kép, Southern blot) – Dolog képek (pl: mikroszkóp felvétel) – Modellek (pl: fehérjedokkolás modelje)
4 Példa
5 Megtervezett rendszer
6 Osztályozás Mesterséges Neurális Hálóval 1 Minták alapján tanuló eljárás Alap építőegysége Perceptron:
7 Osztályozás Mesterséges Neurális Hálóval 2 Perceptronok hálózata alkot egy Neurális Hálót
8 Neurális Hálóhoz kinyert jellemzők Binárisá alakított kép jellemzői: maximális objektumméret, minimális méret, átlag, … Intenzitás (0-255) jellemzők: átlag, szórás, kurtózis Kép hisztogramjának entrópiája:
9 Kép hisztogramja
10 Hisztogram entrópia jellemző
11 Él energia jellemzők Sobel operátorral élkép képzése Élkép vízszintes és függőleges összeadása NN jellemzők: 2 függvény átlaga, szórása, kurtózisa, skew-ja
12
13 További jellemzők Sarokjellemzők: heurisztikus módszerrel grafikonoknál látott sarokpont keresés Színjellemzők Kép címének szöveg alapú kategorizálása
14 Jellemzők kiválasztása Főkomponens analízissel
15 Neurális Hálózat tanítása 603 Grafikon, 329 Model, 196 Dolog, 114 Gél kép -> 50% tanító halmaz, 20% validáló halmaz, 30% teszt halmaz 10 rejtett rétegbeli neuron, 4 kimeneti neuron 18 kiválasztott jellemző
16 Eredmények
17 Köszönöm a figyelmet!