Page 33 - IFM_201401_v9 150

Inżynier i Fizyk Medyczny 1/2014 vol. 3 31
diagnostyka obrazowa / medical diagnosis artykuł naukowy / scientific paper
Wyróżnikiem koncepcji rozumienia obrazów na bazie seonów
jest integracja szeregu czynników istotnych w modelowaniu,
postrzeganiu i wyjaśnianiu obrazów, odniesiona do realnych
wymagań systemów wspomagania obrazowej diagnostyki me-
dycznej poprzez ich obiektywizację, formalizację i uproszczenie.
Można mówić w tym przypadku o pewnego rodzaju platformie
integrującej wiedzę i umiejętności lekarzy z możliwościami mo-
delowania sygnałów z wykorzystaniem coraz doskonalszych
narzędzi analizy funkcjonalnej oraz rozwiązań numerycznych
z zakresu optymalizacji rekonstrukcji obrazów na bazie ich
kompresowalności.
Przedstawiono zaledwie zarys pomysłu odnoszącego psy-
chowizualne metody postrzegania, diagnostyczne modele po-
znawcze (odwołanie do konkretnych form reprezentacji wiedzy)
i wykonawcze (mechanizmy rozumienia treści i konsekwencji
interpretacji) do matematycznych i numerycznych form mode-
lowania sygnałów i ich komponentów. Podstawą, wspólną osią
tej integracji jest semantyczna reprezentacja wiedzy dziedzi-
nowej (wspomniana ontologia). Na jej podstawie budowane są
relacje faktów, zależności objawów, a także formy wnioskowa-
nia przypuszczeń, weryfikowanych na decydującej płaszczyźnie
eksperckich decyzji, ale też w równoległej przestrzeni liczonych
niezmienników i ekstrahowanych znaczeń.
Prowadzone są dalsze prace nad optymalizacją koncepcji se-
onów w odniesieniu do wspomnianych zadań diagnostycznych,
jak też w zacznie szerszej klasie zastosowań.
Podziękowania
Praca została sfinansowana ze środków Narodowego Centrum
Nauki przyznanym na podstawie decyzji numer DEC-2011/03/B/
ST7/03649.
Literatura
1. W. Błasiak, M. Godlewska, R. Rosiek: Czy komputer pomaga
w rozumieniu świata? [w:] J.A. Morbitzera (red.): Człowiek, me-
dia, edukacja, Katedra Technologii i Mediów Edukacyjnych UP,
Kraków 2010, 44-48.
2. L.A. Schmitt: A structured approach to computer image under-
standing: the use and representation of real-world knowledge in
an artificial vision system , Doctoral Dissertation, The University
of Wisconsin – Madison, 1982.
3. R. Chellappa, R.L. Kashyap: Image understanding [in:] S.C. Shapi-
ro (ed.): Encyclopedia of artificial intelligence, John Wiley & Sons,
1, 1992, 641-663.
4. R. Tadeusiewicz, M.R. Ogiela: Medical Image Understanding
Technology, Series: Studies in Fuzziness and Soft Computing,
156, Springer-Verlag, 2004.
5. J. Hawkins, S. Blakeslee: On intelligence, Times Books, 2004.
6. R. Penrose: On understanding , International Studies in the
Philosophy of Science 11(1), 1997, 7-20.
7. M. Möller, M. Sintek, P. Buitelaar et al.: Medical image under-
standing through the integration of cross-modal object recognition
with formal domain knowledge , Proc. Health Inf, 2008, 134-141.
8. T. Berners-Lee, J. Hendler, O. Lassila: The Semantic Web: A new
form of Web content that is meaningful to computers will unleash
a revolution of new possibilities, Scientific American Magazine,
2001.
9. J.T. Pollock, R. Hodgson: Adaptive Information: Improving Busi-
ness Through Semantic Interoperability, Grid Computing, and En-
terprise Integration, J. Wiley and Sons, 2004.
10. I. Biederman: Recognition-by-components: a theory of human
image understanding, Psychol Rev, 94(2), 1987, 115-147.
11. J.L. Kulikowski: Ontological models as tools for image content un-
derstanding, LNCS, 6374, 2010, 43-58.
12. TT. Dao, F. Marin, MC. Ho Ba Tho: Computer-Aided Decision Sys-
tem (CADS) to diagnose pathologies concerning the musculoskele-
tal system of the lower limbs, Comp Met Biomech Biomed Engin,
1, 2008, 73-74.
13. TT. Dao, F. Marin, MC. Ho Ba Tho: Computer-aided decision sys-
tem for the clubfeet deformities , Adv Exp Med Biol, 696 2011,
623-635.
14. M.R Ogiela, R. Tadeusiewicz: Modern computational intelligence
methods for the interpretation of medical images, Studies in Com-
putational Intelligence, 84, Springer-Verlag, Berlin-Heidelberg
2008.
15. Y. Zheng, R. Wei, H. Lu, X. Xue: Refining local descriptors by em-
bedding semantic information for visual categorization, ACM Mul-
timedia, 2011, 1381-1384.
16. M. Jasionowska, A. Przelaskowski: Angular resolution study of
vectors representing subtle spiculated structures in mammograms,
submitted to ITIB 2014.
Rys. 4Zaskakujące efekty odkrywania świata ukrytego jako przykład komputero-
wego wsparcia procesu rozumienia obrazów; od góry-lewo kolejno: a) rezultat póź-
nego badania diagnostycznego (follow-up) CT z widocznym w prawej półkuli obsza-
rem niedokrwiennym – bezpośrednim symptomem niedokrwiennego udaru mózgu;
b) wynik wcześniejszego badania tego samego pacjenta w ostrej fazie udaru, bez
widocznych zmian hipodensyjnych – tzw. obraz niemy; c-f) nieskuteczne efekty ko-
lejnych prób ekstrakcji choćby niewielkich, asymetrycznych symptomów hipodensji
z badania wczesnego za pomocą doboru optymalnego okna i poprawy kontrastu;
g-h) skuteczny efekt ‘wydobycia’ treści ukrytej – wynik przetwarzania obrazu za po-
mocą atomów falek