專利名稱：用于自動確定可疑的物體邊界的系統(tǒng)和方法
技術(shù)領(lǐng)域：
本發(fā)明總的涉及用于確定在組織中可疑的物體邊界的系統(tǒng)和方法，更具體地，涉及自動確定可疑的物體邊界的系統(tǒng)和方法。
計算機輔助檢測(CAD)和計算機輔助診斷(CADx)是基于計算機的用于可疑的物體檢測和診斷的方法。這些方法被認(rèn)為比起傳統(tǒng)的由放射學(xué)家進(jìn)行的視覺檢查執(zhí)行得更好，因為計算機化的系統(tǒng)具有更精確地看見可疑物體的醫(yī)療診斷圖像中詳細(xì)特性的能力。另外，研究者正在不斷改進(jìn)用于CAD和CADx的算法。
雖然開發(fā)了許多算法以便使用CAD來檢測可疑物體，但執(zhí)行有效的自動的可疑物體分段提出了很大的挑戰(zhàn)，因為可疑物體的邊界是非常難檢測的，所以這些算法通常給放射學(xué)家提供調(diào)整邊界的能力以確定實際的邊界。雖然這看來沒有對放射學(xué)家造成太多的不方便，但它確實給CADx造成困難。
傳統(tǒng)上，CADx是在CAD完成后執(zhí)行的，它利用來自CAD的輸出(尤其是可疑物體分段數(shù)據(jù))作為輸入，因此使用更正確地檢測可疑物體邊界的CAD系統(tǒng)，直接有利地影響CADx系統(tǒng)的成功率。CADx系統(tǒng)使用CAD輸出數(shù)據(jù)來生成某些分類器。CADx系統(tǒng)對于CAD數(shù)據(jù)采用各種分類方案，諸如人工神經(jīng)網(wǎng)絡(luò)、Bayesian、判決樹等等，以得出診斷。通過以客觀方式正確地訓(xùn)練這些分類方案(即，機器學(xué)習(xí)系統(tǒng))，最終得到的診斷成功率得以提高。
當(dāng)前的可疑物體檢測算法在可疑物體分段方面具有共同的問題算法不可能對于任何給定的可疑物體提供精確的邊界定義。原因是簡單的；在可疑物體與周圍的組織之間的邊界不是被清晰地割斷的。沒有分辨可疑物體像素與邊界像素的明確的閾值或算法。算法所能完成的工作是提供參數(shù)調(diào)整特性(帶有一定的可能是最佳的一定的缺省參數(shù)值)，以供放射學(xué)家確定可疑物體邊界。所以，計算機從數(shù)字圖像將可疑物體分段的能力就成為有限的，并且很大地依賴于各個放射學(xué)家本人的判斷。
在計算建模領(lǐng)域中受到喜愛的算法組是被稱為遺傳算法(geneticalgorithm)的算法族。遺傳算法使用受染色體啟示的數(shù)據(jù)結(jié)構(gòu)來對解進(jìn)行編碼和以保留關(guān)鍵信息的方式把重組合算子施加到這些結(jié)構(gòu)。


圖1a和1b顯示由FastMarch算法進(jìn)行分段的乳腺癌腫瘤。如圖1a和1b所示，通過調(diào)整參數(shù)，腫瘤的檢測到的形狀可以有引人注目的改變。分段的這樣的自由度帶來以下問題1.它阻礙自動可疑物體分段和自動報告生成。
2.它使得CADx操作復(fù)雜化。CADx首先通過使用一組包含具有已知特性(惡性/良性)的可疑物體的例子，這里也稱之為基礎(chǔ)事實，來訓(xùn)練計算機。然而，如果這些訓(xùn)練例子的分段是由放射學(xué)家任意確定的，則基于這些訓(xùn)練例子的機器學(xué)習(xí)不能生成用于診斷新的可疑物體的最佳性能。
本發(fā)明的系統(tǒng)和方法通過建立用于訓(xùn)練數(shù)據(jù)的相關(guān)分段參數(shù)的最佳缺省值組而克服這樣的問題，并且這些數(shù)值可以一致的方式應(yīng)用到新的可疑物體，用于分段/診斷。
本發(fā)明的系統(tǒng)和方法提供了機器學(xué)習(xí)和遺傳算法技術(shù)的組合以確定可疑的物體邊界。使用機器學(xué)習(xí)(例如，人工神經(jīng)網(wǎng)絡(luò)、Bayesian方法、判決樹等等)的概念是根據(jù)具有基礎(chǔ)事實(一個小瘤通常是惡性還是良性)的大量例子進(jìn)行學(xué)習(xí)，以便讓計算機預(yù)測新的可疑物體的特性。這樣的預(yù)測的輸出將或者是良性/惡性或者是惡性的概率。
假設(shè)可疑物體診斷系統(tǒng)具有五個可調(diào)整的參數(shù)，理論上，對于整個訓(xùn)練數(shù)據(jù)組，將測試這些數(shù)值的每個可能的組合(窮盡方法)，以便弄清這樣的分段是否導(dǎo)致在機器預(yù)測能力與已知的基礎(chǔ)事實之間的最接近的匹配。然而，由于實際上參數(shù)值的范圍是非常大的，通常不可能在可容忍的時間限制內(nèi)運行這樣的算法。所以，本發(fā)明使用遺傳算法，以合理的時間達(dá)到接近最佳的解。
本發(fā)明的實施例提供一種使用機器學(xué)習(xí)和遺傳算法的自動確定可疑物體邊界的系統(tǒng)和方法。該系統(tǒng)和方法包括至少一個可疑物體識別圖像的訓(xùn)練組，這些圖像最初用一組隨機生成的參數(shù)值進(jìn)行分段。然而，參數(shù)值也可以從被存儲的一組優(yōu)選值中進(jìn)行選擇。分段的可疑物體識別圖像通過使用圖像特性提取算法來進(jìn)行處理，產(chǎn)生用于機器學(xué)習(xí)系統(tǒng)的輸入數(shù)據(jù)。隨后，機器學(xué)習(xí)算法通過使用至少一個測試組的可疑物體識別圖像來測試。機器學(xué)習(xí)系統(tǒng)的性能通過比較在測試期間產(chǎn)生的輸出與該測試組的已知的基礎(chǔ)事實而被評估。性能水平是根據(jù)在輸出與基礎(chǔ)事實之間出現(xiàn)的差值量而被確定，并且被傳送到遺傳算法以用作為被評估的參數(shù)組的擬合程度的度量。
性能水平的可接受性由遺傳算法(根據(jù)預(yù)置值)來確定和被使用來決定是繼續(xù)還是暫停。如果性能水平是可接受的，則性能值被設(shè)置為缺省值，供自動分段使用，然而，如果性能水平是不可接受的，則遺傳算法就調(diào)整參數(shù)值，并通過使用調(diào)整的參數(shù)值代替以前的參數(shù)值再次執(zhí)行方法步驟。
系統(tǒng)包括處理器，該處理器被配置成用于執(zhí)行如上所述的方法；以及輸入裝置(例如，鍵盤、鼠標(biāo)等等)，硬驅(qū)動器和或光學(xué)存儲裝置和顯示屏。任選地，可以提供圖形用戶接口。
本發(fā)明的再一個實施例可以是軟件應(yīng)用，一組軟件工具，或計算機可執(zhí)行的指令，用于在個人計算機、工作站、服務(wù)器或其它計算裝置上執(zhí)行上述的方法。軟件可被存儲在諸如磁性媒體、光學(xué)媒體、存儲卡、和ROM那樣的計算機可讀的媒體。
另外，軟件可以跨越網(wǎng)絡(luò)執(zhí)行。在這樣的情形下，軟件被存儲在被聯(lián)網(wǎng)到一個或多個工作站的服務(wù)器中。工作站給操作員提供控制在服務(wù)器上執(zhí)行的軟件的能力。
參照以下的說明和附圖將更好地理解本發(fā)明的這些和其它特性、方面與優(yōu)點，其中圖1a和1b是現(xiàn)有技術(shù)的通過使用兩個不同組的參數(shù)值對乳腺癌可疑物體進(jìn)行分段的圖；圖2是顯示在執(zhí)行本發(fā)明的實施例時的步驟的流程圖；圖3是按照本發(fā)明的可疑物體診斷系統(tǒng)的圖；圖4是按照本發(fā)明的集成的醫(yī)療成像和診斷系統(tǒng)的圖；圖5是顯示按照本發(fā)明的用于訓(xùn)練診斷系統(tǒng)的惡性可疑物體的訓(xùn)練例子的圖；以及圖6是顯示按照本發(fā)明的用于訓(xùn)練診斷系統(tǒng)的良性可疑物體的訓(xùn)練例子的圖。
本發(fā)明的實施例執(zhí)行如圖2所示的步驟。過程從步驟201開始，其中選擇了一組隨機生成的參數(shù)值。在步驟202，這組隨機生成的參數(shù)值被利用來執(zhí)行一組訓(xùn)練例子的可疑物體的分段。如圖5和6所示的訓(xùn)練例子是以前表征過的可疑物體，并具有相應(yīng)的基礎(chǔ)事實的記錄，它在以后的步驟中用來對可疑物體邊界確定系統(tǒng)的性能進(jìn)行評價?；A(chǔ)事實可包括諸如可疑物體的惡性腫瘤、形狀/輪廓那樣的信息。在步驟203，分段的可疑物體由圖像特性提取算法來處理。可應(yīng)用的圖像特性的某些例子包括邊界周界長度、疊加的和擬合的圓或橢圓的面積、邊界邊緣的粗糙度、亮度梯度等等。在步驟204，從步驟203輸出的生成的特性和特征數(shù)據(jù)連同基礎(chǔ)事實的記錄一起被輸入到機器學(xué)習(xí)系統(tǒng)或分類器(例如神經(jīng)網(wǎng)絡(luò))。在步驟205，來自分類器的輸出在一組測試?yán)?被分段和像訓(xùn)練數(shù)據(jù)那樣被提取特性的另一個組可疑物體)上被測試。隨后在步驟206，把測試結(jié)果(預(yù)測的惡性或然率)與該測試?yán)咏M的基礎(chǔ)事實進(jìn)行比較。在步驟207，實際的基礎(chǔ)事實的數(shù)據(jù)與測試結(jié)果相比較，并且其差值作為性能評價來對待(差值越低，性能越好)。在步驟208，根據(jù)預(yù)置值確定性能評價是否可接受。如果性能評價被認(rèn)為是可接受的，則在步驟209，停止遺傳算法，以及當(dāng)前的參數(shù)值組連同與它一起最佳地工作的訓(xùn)練的分類器一起被用作為用于自動分段的缺省值。然而，如果性能評價是不可接受的，則在步驟210，遺傳算法通過使用幾種方法(例如，置換和交叉)的任何一種來調(diào)整參數(shù)，并從步驟202繼續(xù)進(jìn)行整個處理。
使用機器學(xué)習(xí)和至少一個遺傳算法的自動可疑物體邊界確定的總的本發(fā)明方法包括這樣的步驟提供可疑物體識別圖像的至少一個訓(xùn)練組，其中至少一個訓(xùn)練組是使用所選擇的或隨機生成的參數(shù)值的組來分段的；以及使用圖像特性提取算法來處理分段的可疑物體的識別圖像，以便為機器學(xué)習(xí)系統(tǒng)產(chǎn)生輸入數(shù)據(jù)。該方法還包括這樣的步驟通過使用至少一個測試組的可疑物體識別圖像和估計機器學(xué)習(xí)系統(tǒng)的性能來測試機器學(xué)習(xí)系統(tǒng)。在測試步驟中產(chǎn)生的輸出與測試組的已知的基礎(chǔ)事實進(jìn)行比較(即，交叉驗證)。根據(jù)在輸出與基礎(chǔ)事實結(jié)果之間出現(xiàn)差值的次數(shù)和或大小來確定性能水平。該方法還包括根據(jù)預(yù)置值確定性能水平的可接受性的步驟。如果性能水平是可接受的，則終止遺傳算法，以及參數(shù)值被設(shè)置為在自動分段中使用的缺省值，并且利用這些缺省值來工作的經(jīng)訓(xùn)練的分類器就被設(shè)定。如果性能水平是不可接受的，則遺傳算法調(diào)整參數(shù)值，并通過使用調(diào)整過的參數(shù)值代替以前的隨機生成的參數(shù)值從提供的步驟再次開始執(zhí)行這些方法步驟。
如圖3所示，本發(fā)明的另外的實施例提供計算機系統(tǒng)300，它具有處理器302、顯示屏幕304、和輸入裝置，諸如鍵盤306與鼠標(biāo)308。另外，系統(tǒng)300至少包括媒體存儲裝置310，例如硬驅(qū)動器、CD-ROM、光盤儲存器等等。系統(tǒng)還可具有聯(lián)網(wǎng)的接口312，諸如10/100/1000Base-T或無線IEEE 802.11a/b/c。
計算機系統(tǒng)300被配置成執(zhí)行計算機可讀的指令，以用于執(zhí)行如上所述的方法。指令可被存儲在媒體存儲裝置310上或可由海量存儲裝置讀出的可移動媒體上。另外，指令可以是可從網(wǎng)絡(luò)--LAN或因特網(wǎng)--下載的--或可通過網(wǎng)絡(luò)執(zhí)行的。
本發(fā)明的再一個實施例提供如圖4所示的完整的醫(yī)療診斷系統(tǒng)400。醫(yī)療診斷系統(tǒng)400包括一個或多個醫(yī)療成像系統(tǒng)402，例如超聲成像、磁共振成像、X射線等等，以及如上所述的計算機系統(tǒng)300。這樣的醫(yī)療診斷系統(tǒng)400提供用于可疑物體成像、分段和診斷的整體解決方案。
利用機器學(xué)習(xí)系統(tǒng)和至少一個遺傳算法的自動可疑物體邊界確定的總的本發(fā)明系統(tǒng)包括至少可疑物體識別圖像的一個訓(xùn)練組。該至少一個訓(xùn)練組使用一組隨機生成的參數(shù)值來分段。系統(tǒng)還包括至少一個圖像特性提取算法，用于處理經(jīng)分段的可疑物體的識別圖像以產(chǎn)生用于機器學(xué)習(xí)系統(tǒng)的輸入數(shù)據(jù)；以及可疑物體識別圖像的至少一個測試組，以用于測試機器學(xué)習(xí)系統(tǒng)的輸出。該至少一個遺傳算法對來自該至少一個測試組的結(jié)果進(jìn)行評估，以便確定機器學(xué)習(xí)系統(tǒng)的性能水平。如果性能水平是可接受的，則參數(shù)值被設(shè)置為在自動分段中使用的缺省值。如果性能水平是不可接受的，則遺傳算法調(diào)整參數(shù)值。
本發(fā)明的所描述的實施例的用意是作為說明，而不是作為限制，并且不打算代表本發(fā)明的每個實施例?？梢宰鞒龈鞣N修改方案和變例，而不背離如在以下的權(quán)利要求中書面上和在法律上承認(rèn)的等同物方面闡述的本發(fā)明的精神或范圍。
權(quán)利要求
1.一種使用機器學(xué)習(xí)和至少一個遺傳算法自動確定可疑物體邊界的方法，所述方法包括以下步驟提供可疑物體識別圖像的至少一個訓(xùn)練組，其中所述至少一個訓(xùn)練組通過使用一組初始參數(shù)值(201)而被分段(202)；通過使用圖像特性提取算法處理所述經(jīng)分段的可疑物體識別圖像(203)，為機器學(xué)習(xí)系統(tǒng)產(chǎn)生輸入數(shù)據(jù)；通過使用可疑物體識別圖像的至少一個測試組測試所述機器學(xué)習(xí)系統(tǒng)(205)；估計所述機器學(xué)習(xí)系統(tǒng)的性能(206)，其中把在所述測試步驟中產(chǎn)生的輸出與所述測試組的基礎(chǔ)事實進(jìn)行比較，所述性能的水平是根據(jù)在所述輸出與所述基礎(chǔ)事實之間出現(xiàn)差值而確定的；以及根據(jù)預(yù)置值確定所述性能水平的可接受性(207)，所述確定由所述至少一個遺傳算法來執(zhí)行，如果性能水平是可接受的(209)，則所述參數(shù)值被設(shè)置為在自動分段時使用的缺省值，如果所述性能水平是不可接受的(210)，則所述遺傳算法調(diào)整所述參數(shù)值，并通過使用所述經(jīng)調(diào)整的參數(shù)值代替所述隨機生成的參數(shù)值從所述提供的步驟開始執(zhí)行所述方法步驟。
2.權(quán)利要求1的方法，其中初始參數(shù)值(201)是隨機生成的。
3.權(quán)利要求1的方法，其中初始參數(shù)值(201)是由熟悉使用分段算法的操作人員生成的。
4.權(quán)利要求1的方法，其中初始參數(shù)值(201)是隨機生成的和操作員生成的數(shù)值的組合。
5.權(quán)利要求1的方法，其中所述機器學(xué)習(xí)系統(tǒng)利用神經(jīng)網(wǎng)絡(luò)、自然Bayesian分類器、Bayesian網(wǎng)絡(luò)、判決樹、支持向量機、線性或非線性判別函數(shù)中的至少一項。
6.權(quán)利要求1的方法，其中所述特性提取算法被配置成用于提取(203)從包含邊界周界長度、疊加的和擬合的圓或橢圓的面積、邊界邊緣的粗糙度、亮度梯度的組中選擇的一個或多個特性。
7.權(quán)利要求1的方法，其中所述參數(shù)值(201)是為一個組中的任何一個或多個參數(shù)而提供的，該組包括感興趣的區(qū)域(ROI)中的種子點位置、分段算法、圖像預(yù)處理、衰減補償、和邊界停止準(zhǔn)則。
8.一種利用機器學(xué)習(xí)系統(tǒng)(300)和至少一個遺傳算法的自動確定可疑物體邊界的系統(tǒng)，所述系統(tǒng)包括可疑物體識別圖像的至少一個訓(xùn)練組，其中所述至少一個訓(xùn)練組通過使用一組初始參數(shù)值而被分段；至少一個圖像特性提取算法，用于處理所述經(jīng)分段的可疑物體識別圖像以便為所述機器學(xué)習(xí)系統(tǒng)(300)產(chǎn)生輸入數(shù)據(jù)；可疑物體識別圖像的至少一個測試組，用于測試所述機器學(xué)習(xí)系統(tǒng)(300)的輸出；以及用于估計來自所述至少一個測試組的結(jié)果的所述至少一個遺傳算法，它用于確定所述機器學(xué)習(xí)系統(tǒng)(300)的性能水平，如果所述性能水平是可接受的，則所述參數(shù)值被設(shè)置為在自動分段時使用的缺省值，如果所述性能水平是不可接受的，則所述遺傳算法調(diào)整所述參數(shù)值。
9.權(quán)利要求8的系統(tǒng)，其中初始參數(shù)值是隨機生成的。
10.權(quán)利要求8的方法，其中初始參數(shù)值是由熟悉使用分段算法的操作人員生成的。
11.權(quán)利要求8的系統(tǒng)，其中初始地生成的參數(shù)值是隨機生成的和由人生成的數(shù)值的組合。
12.權(quán)利要求8的系統(tǒng)，其中所述機器學(xué)習(xí)系統(tǒng)利用神經(jīng)網(wǎng)絡(luò)、Bayesian、和判決樹的至少一項。
13.權(quán)利要求8的系統(tǒng)，其中所述系統(tǒng)被重新訓(xùn)練和重新測試，直至得到可接受的性能水平為止。
14.權(quán)利要求8的系統(tǒng)，其中所述特性提取算法被配置成用于提取從包含邊界周界長度、疊加的和擬合的圓或橢圓的面積、邊界邊緣的粗糙度、亮度梯度等的組中選擇的一個或多個特性。
15.權(quán)利要求8的系統(tǒng)，還包括醫(yī)療成像設(shè)備(402)，用于對病人成像和給所述機器學(xué)習(xí)系統(tǒng)(300)提供所述成像的數(shù)據(jù)，以供以后分段和診斷。
16.權(quán)利要求15的系統(tǒng)，其中所述醫(yī)療成像設(shè)備(402)是從包含MRI、超聲和X射線成像系統(tǒng)的組中選擇的。
17.一種計算機可讀的媒體，存儲著用于執(zhí)行自動確定可疑物體邊界的多個計算機可執(zhí)行的指令所述指令被配置成用于執(zhí)行以下步驟生成一組初始參數(shù)值(201)；提供可疑物體識別圖像的至少一個訓(xùn)練組，其中所述至少一個訓(xùn)練組通過使用所述隨機生成的參數(shù)值組而被分段(202)；通過使用圖像特性提取算法來處理所述經(jīng)分段的可疑物體識別圖像(203)，以便為機器學(xué)習(xí)系統(tǒng)(300)產(chǎn)生輸入數(shù)據(jù)；通過使用可疑物體識別圖像的至少一個測試組來測試所述機器學(xué)習(xí)系統(tǒng)(205)；估計所述機器學(xué)習(xí)系統(tǒng)(300)的性能，其中把在所述測試步驟中產(chǎn)生的輸出與所述測試組的基礎(chǔ)事實進(jìn)行比較(206)，所述性能的水平是根據(jù)在所述輸出與所述基礎(chǔ)事實之間出現(xiàn)差別的次數(shù)而確定的(207)；以及根據(jù)預(yù)置值確定所述性能水平的可接受性(208)，所述確定由所述至少一個遺傳算法來執(zhí)行，如果所述性能水平是可接受的，則所述參數(shù)值被設(shè)置為在自動分段時使用的缺省值(209)，如果所述性能水平是不可接受的，則所述遺傳算法調(diào)整所述參數(shù)值(210)，并通過使用所述經(jīng)調(diào)整的參數(shù)值代替所述隨機生成的顯示值，從所述提供的步驟開始執(zhí)行所述方法步驟。
18.權(quán)利要求17的計算機可讀的媒體，其中所述計算機可讀的媒體是從包含磁性媒體、光學(xué)媒體、存儲卡和ROM的組中選擇的。
19.權(quán)利要求17的計算機可讀的媒體，其中所述指令是可在網(wǎng)絡(luò)上執(zhí)行的。
20.一種使用機器學(xué)習(xí)和至少一個遺傳算法的自動確定可疑物體邊界的系統(tǒng)，所述系統(tǒng)包括用于提供可疑物體識別圖像的至少一個訓(xùn)練組的裝置，其中所述至少一個訓(xùn)練組通過使用一組初始參數(shù)值(201)而被分段(202)；用于通過使用圖像特性提取算法來處理所述經(jīng)分段的可疑物體識別圖像(203)以便為機器學(xué)習(xí)系統(tǒng)(300)提供輸入數(shù)據(jù)的裝置；用于通過使用可疑物體識別圖像的至少一個測試組測試(205)所述機器學(xué)習(xí)系統(tǒng)(300)的裝置；用于估計所述機器學(xué)習(xí)系統(tǒng)(300)的性能的裝置，其中把在所述測試步驟中產(chǎn)生的輸出與所述測試組的基礎(chǔ)事實進(jìn)行比較(206)，所述性能的水平是根據(jù)在所述輸出與所述基礎(chǔ)事實之間出現(xiàn)差別的次數(shù)而確定的(207)；以及用于根據(jù)預(yù)置值確定所述性能水平的可接受性(208)的裝置，所述確定由所述至少一個遺傳算法來執(zhí)行，如果性能水平是可接受的，則所述參數(shù)值被設(shè)置為在自動分段時使用的缺省值(209)，如果所述性能水平是不可接受的，則所述遺傳算法調(diào)整所述參數(shù)值(210)，并通過使用所述經(jīng)調(diào)整的參數(shù)值代替所述隨機生成的參數(shù)值從所述提供的步驟開始執(zhí)行所述方法步驟。
21.權(quán)利要求20的系統(tǒng)，其中所述機器學(xué)習(xí)系統(tǒng)(300)利用神經(jīng)網(wǎng)絡(luò)、Bayesian、和判決樹的至少一項。
22.權(quán)利要求20的系統(tǒng)，其中所述系統(tǒng)被重新訓(xùn)練(204)和被重新測試(205)，直至得到可接受的性能水平為止。
23.權(quán)利要求20的系統(tǒng)，其中所述特性提取算法被配置成用于提取從包括邊界周界長度、疊加的和擬合的圓或橢圓的面積、邊界邊緣的粗糙度、亮度梯度的組中選擇的一個或多個特性。
24.權(quán)利要求20的系統(tǒng)，還包括用于對病人進(jìn)行成像(402)和用于給所述機器學(xué)習(xí)系統(tǒng)(300)提供所述成像的數(shù)據(jù)以供以后分段和診斷的裝置。
25.權(quán)利要求24的系統(tǒng)，其中所述成像裝置(402)是從包括MRI、超聲和X射線成像系統(tǒng)的組中選擇的。
全文摘要
提供一種使用機器學(xué)習(xí)系統(tǒng)(300)和遺傳算法的自動確定可疑的物體邊界的系統(tǒng)和方法。機器學(xué)習(xí)系統(tǒng)(300)通過使用預(yù)先分類的例子組而被訓(xùn)練(204)和被測試(205)。遺傳算法指定初始參數(shù)值(201)，估計在測試期間的系統(tǒng)的性能(206)，和指定性能評價(207)，此后，如果額定值是可接受的，則把當(dāng)前的機器學(xué)習(xí)系統(tǒng)的設(shè)置值指定為缺省參數(shù)(209)，用于將來的可疑物體分段。然而，如果性能額定值是不可接受的，則遺傳算法調(diào)整設(shè)置值(210)，并通過使用新調(diào)整的設(shè)置值重新訓(xùn)練系統(tǒng)。
文檔編號G06T5/00GK1989524SQ200580025104
公開日2007年6月27日 申請日期2005年7月21日 優(yōu)先權(quán)日2004年7月26日
發(fā)明者L·趙, J·D·謝菲爾 申請人:皇家飛利浦電子股份有限公司