Mixture models – Soft Tissue Filterhomes.di.unimi.it/~frosio/Lessons/AY2010-2011-SI/... · •...
Transcript of Mixture models – Soft Tissue Filterhomes.di.unimi.it/~frosio/Lessons/AY2010-2011-SI/... · •...
Mixture models – Soft Mixture models – Soft Tissue Filter
I. Frosio. FAIS Lab.
[email protected]:\\homes.dsi.unimi.it\∼frosio\
http:\\homes.dsi.unimi.it\∼frosio\1/45A.A. 2010-2011
Overview
• Mixture models: introduzione;Mixture models: introduzione;• Segmentazione di radiografia
f lcefalometrica;• Derivazione di EM per il caso di unDerivazione di EM per il caso di un
mixture model a componentigaussiane;gaussiane;
• Ottimizzazione vincolata(moltiplicatori di Lagrange);
• Soft Tissue Filterhttp:\\homes.dsi.unimi.it\∼frosio\2/45A.A. 2010-2011
Soft Tissue Filter.
Mixture models: introduzione
• La funzione di verosimiglianzaLa funzione di verosimiglianzapermette di stimare i parametriinc niti di una distribuzi ne (esincogniti di una distribuzione (es.media e varianza di una gaussiana);
• Nei casi reali, la densità di probabilitàpuò essere complessa a piacere;può essere complessa a piacere;
• In particolare, si può considerare unabi i li ( i t ) dicombinazione lineare (mixture) di
variabili casuali mixture models
http:\\homes.dsi.unimi.it\∼frosio\3/45A.A. 2010-2011
Mixture models: introduzione
• In un mixture model la d d p complessiva èIn un mixture model, la d.d.p. complessiva èla combinazione lineare di M d.d.p. di base.
P b bilità d l d t ll J i
dd l i
Probabilità del dato x nella J-esima distribuzione
∑M
jPj )()|()( xx
ddp complessivaProbabilità che il dato x provenga∑
=
=j
jPjpp1
)()|()( xx θdato x provenga
dalla J-esima distribuzione
∑ ∫ =<=<==M
jpjPjP 1)|(;1)(0;1)( xθ
http:\\homes.dsi.unimi.it\∼frosio\4/45A.A. 2010-2011
∑ ∫=j 1
Mixture models: introduzione (incognite)(incognite)
M
∑=
=M
jjPjpp
1)()|()( xx θ
j
Dati
La d.d.p. complessiva, p(x), viene misurata.
La forma delle d.d.p. di base, pq(x|j), viene scelta a priori (es.ussi n )gaussiana).
Incognite
I parametri θ di ogni d.d.p. di base, pθ(x|j), devono essere stimati.
Le probabilità per ogni d.d.p. di base, P(j), devono essere stimate.
http:\\homes.dsi.unimi.it\∼frosio\5/45A.A. 2010-2011
Mixture models: introduzione
• Per la stima del vettore dei parametri θPer la stima del vettore dei parametri θviene utilizzato…
• … L’approccio alla massima verosimiglianza.… L approcc o alla mass ma veros m gl anza.• Mixture model:• p(x) = Σj 1 M pθ(x | j) ·P(j)p(x) = Σj=1..M pθ(x | j) P(j)• Likelihood function:• L = L (θ) = p(x | θ) p(x | θ) p(x | θ);• L = L (θ) = p(x1 | θ) · p(x2 | θ) ·… p(xD | θ);• Negative log likelihood function:
E E (θ) l (L) Σ l [ ( | θ)]• E = E (θ) = -log(L) = -Σi=1..D log [p(xi | θ)] ==− Σi=1..D log [Σj=1..M pθ(xi | j)P(j)]
http:\\homes.dsi.unimi.it\∼frosio\6/45A.A. 2010-2011
Mixture models: esempip• In un supermercato vi sono due tipi di clienti: single e coppie.p p g pp
La percentuale di single è pari al 33%. La spesa per un singleè descritta da una variabile casuale distribuita come unagaussiana, media 70 euro, varianza 30 euro; per una coppia, lagaussiana, media 70 euro, varianza 30 euro; per una coppia, lamedia è pari a 100 euro, la varianza 40 euro -> mixture modelper descrivere la spesa media (istogramma bimodale);
• Si supponga che esistano altre categorie (famiglie,frequentatore occasionale, ...) -> è sufficiente estendere ilqmodello per includere le nuove categorie...
• Si supponga che la spesa per le famiglie sia ben• Si supponga che la spesa per le famiglie sia benrappresentata da una variabile casuale con distribuzione chiquadro, media xxx, etc...E’ un problema? -> NO! Possiamoi l d h t l i t d l
http:\\homes.dsi.unimi.it\∼frosio\7/45A.A. 2010-2011
includere anche questo caso nel mixture model...
Mixture models: introduzione (riassunto)(riassunto)
• Mixture models: una combinazione lineareMixture models: una combinazione linearedi densità di probabilità utilizzata perdescrivere la densità di probabilità deglidescrivere la densità di probabilità deglielementi di un vettore di dati misurato.
• Le incognite sono i parametri di ogni ddp• Le incognite sono i parametri di ogni ddpdel mixture e la probabilità di ogni singolacomponente del mixturecomponente del mixture.
• I parametri vengono calcolatissi i d l f i dimassimizzando la funzione di
verosimiglianza.
http:\\homes.dsi.unimi.it\∼frosio\8/45A.A. 2010-2011
Mixture models: segmentazione radiografia cefalometricaradiografia cefalometrica
I(x,y) immagine NRow x NCol, 8 bit (256 livelli di grigio g);Hist(·) istogramma 256 componenti;Hist( ) istogramma, 256 componenti;Hist(g) # pixel t.c. I(x,y)=g;Hist(g) / (NRow * NCol) = p(g). ddpp
Hist(g)
I(x,y) ) = #pixSolo 4 livelli di xelSolo 4 livelli di grigio
http:\\homes.dsi.unimi.it\∼frosio\9/45A.A. 2010-2011g
Mixture models: segmentazione radiografia cefalometricaradiografia cefalometrica
nde
ackg
roun
kgro
und
Soft
tiss
ueBone tissue
Bone tissueIstogramma tipico immagine
radiografica cefalometrica
Ba
Bac
k SSoft tissue
o e ssue g
p(g)
Measured histogram
Background Bone tissue
http:\\homes.dsi.unimi.it\∼frosio\10/45A.A. 2010-2011 g
Soft tissue
Mixture models: segmentazione radiografia cefalometricaradiografia cefalometrica
p(g)p(g)
Measured histogram
BackgroundSoft tissue
Bone tissue
g
Soft tissue
Livelli di grigio diversiLivelli di grigio diversiidentificano tessutidiversi (soglia
http:\\homes.dsi.unimi.it\∼frosio\11/45A.A. 2010-2011
d ve s (sogsegmentazione).
Mixture models: segmentazione radiografia cefalometricaradiografia cefalometrica
p(g)p(g)
Measured histogram
Soft tissue
Bone tissue
g
Soft tissue
Pixel classificati erroneamente
http:\\homes.dsi.unimi.it\∼frosio\12/45A.A. 2010-2011
Mixture models: segmentazione radiografia cefalometricaradiografia cefalometrica
• L’istogramma di una radiografiag gcefalometrica è composto da trecomponenti principali;Il bl di t i d ll’i i• Il problema di segmentazione dell’immaginesi presta ad essere trattato con unapproccio tipo mixture model;approccio tipo mixture model;
• Ogni componente del mixture model saràresponsabile rispettivamente dellap pgenerazione dei dati relativi a background,soft tissue e bone tissue;M i i i d ll i i li EM• Massimizzazione della verosimiglianza: EM(massimizzazione di lower bound).
http:\\homes.dsi.unimi.it\∼frosio\13/45A.A. 2010-2011
Mixture models: segmentazione radiografia cefalometricaradiografia cefalometrica
• Funzione da minimizzare (incognita θ):Funzione da minimizzare (incognita θ):
( ) ( ) ( )∏ ∑−=−=−=N N
nn xpxpLE lnlnln ϑϑ( ) ( ) ( )∏ ∑= =n n
pp1 1
ϑϑ
• Per ogni iterazione, i parametri vengonoaggiornati (old new, indice θ omesso):gg ( , )
( ) ( ) ( )( )∑∑∑ ⎥
⎦
⎤⎢⎣
⎡−=⎥
⎦
⎤⎢⎣
⎡−−−=−
N
nold
nnewNnold
Nnnewoldnew xpxpxpEE lnlnln ( ) ( ) ( )∑∑∑
===⎥⎦
⎢⎣
⎥⎦
⎢⎣ n
noldnn xp
pp111
http:\\homes.dsi.unimi.it\∼frosio\14/45A.A. 2010-2011
Mixture models: segmentazione radiografia cefalometricaradiografia cefalometrica
( ) ( ) ( )( )∑∑∑ ⎥
⎤⎢⎡
=⎥⎤
⎢⎡
=N nnewN
noldN
nnewoldnew xpxpxpEE lnlnln ( ) ( ) ( )( )∑∑∑
===⎥⎦
⎢⎣
−=⎥⎦
⎢⎣−−−=−
nnold
nn xpxpxpEE
111lnlnln
( ) ( ) ( )∑ ⋅=M
jxpjPxp |
Ricordando che:
( ) ( ) ( )∑=
⋅=j
jxpjPxp1
|1
Si ottiene:
( ) ( )( )
( )( )∑ ∑ ⎥
⎦
⎤⎢⎣
⎡⋅−=−
N M
nold
nold
nold
nnewnewoldnew
jPxjPjxpjPEE
|||ln
http:\\homes.dsi.unimi.it\∼frosio\15/45A.A. 2010-2011
( ) ( )∑ ∑= = ⎦⎣n j
noldnold xjPxp1 1 |
Mixture models: segmentazione radiografia cefalometricaradiografia cefalometrica
• La disuguaglianza di Jensen dice che:La disuguaglianza di Jensen dice che:1.. 22 =∑
M
jj ctdati λλ1=j
( )∑∑ ⇒≥⎟⎟⎞
⎜⎜⎛ MM
KK 22 lnln λλ ( )∑∑==
⎞⎛
⇒≥⎟⎟⎠
⎜⎜⎝
MM
jjj
jjj KK
11lnln λλ
( )∑∑==
−≤⎟⎟⎠
⎞⎜⎜⎝
⎛−⇒
M
jjj
M
jjj KK
1
2
1
2 lnln λλ⎠⎝ jj 11
http:\\homes.dsi.unimi.it\∼frosio\16/45A.A. 2010-2011
Mixture models: segmentazione radiografia cefalometricaradiografia cefalometrica
12 =∑M
jλ ( ) nxjPM
nold ∀=∑ ,1|1
∑=j
j ( )j∑
=1
Jensen Mixture model
E’ p ssibil pplic r l disu u li nz di J ns n i E possibile applicare la disuguaglianza di Jensen ai mixture model, ove i Pold(j | xn) giocano il ruolo dei λj
2.
http:\\homes.dsi.unimi.it\∼frosio\17/45A.A. 2010-2011
Mixture models: segmentazione radiografia cefalometricaradiografia cefalometrica
• Applicando Jensen:Applicando Jensen:
⎞⎛ MM
( )∑∑ −≤⎟⎟⎠
⎞⎜⎜⎝
⎛−
M
jjj
M
jjj KK
1
2
1
2 lnln λλ== ⎠⎝ jj 11
( ) ( ) ( )⎤⎡ ( ) ( )( )
( )( )∑ ∑ ⎥
⎦
⎤⎢⎣
⎡⋅−=−
N M
jnold
nold
nold
nnewnewoldnew
xjPxjP
xpjxpjPEE
1 1 |||ln
http:\\homes.dsi.unimi.it\∼frosio\18/45A.A. 2010-2011
( ) ( )= = ⎦⎣n j xjPxp1 1 |
Mixture models: segmentazione radiografia cefalometricaradiografia cefalometrica
( ) ( )( )
( )( )∑ ∑ ⎥
⎦
⎤⎢⎣
⎡⋅−=−
N M
nold
nold
nold
nnewnewoldnew
jPxjPjxpjPEE
|||ln ( ) ( )∑ ∑
= =⎥⎦
⎢⎣n j
noldnold xjPxp1 1 |
( ) ( ) ( )( ) ( )∑ ⎥
⎤⎢⎡ ⋅
⋅−≤M
ldld
nnewnewnold jxpjPxjP |ln|( ) ( ) ( )∑
=⎥⎦
⎢⎣ ⋅j
noldnold xjPxpj
1 ||
http:\\homes.dsi.unimi.it\∼frosio\19/45A.A. 2010-2011
Mixture models: segmentazione radiografia cefalometricaradiografia cefalometrica
( ) ( ) ⎫⎧N M nnewnew |( ) ( ) ( )( ) ( )∑∑
= = ⎭⎬⎫
⎩⎨⎧
⋅−≤−
N
n
M
jnoldnold
nnewnewnoldoldnew
xjPxpjxpjPxjPEE
1 1 ||ln| ( ) ( )⎭⎩n j jp1 1 |
ld QEE oldnew +≤ Minimizzando Q si minimizza E!
Pold(xn), Pold(j | xn) costanti…
d Q Q (θ )!… dunque Q = Q (θnew)!
http:\\homes.dsi.unimi.it\∼frosio\20/45A.A. 2010-2011
Mixture models: segmentazione radiografia cefalometricaradiografia cefalometrica
Eliminando i termini costanti (old) nella somma (! trasf. Logaritmica!), è
N M
Eliminando i termini costanti (old) nella somma (! trasf. Logaritmica!), è sufficiente minimizzare ad ogni iterazione:
( ) ( ) ( ){ }∑∑−=N M
nnewnewnold jxpjPxjPQ |ln|~= =n j1 1
Tenendo inoltre conto del fatto che:
( ) nxjPM
nnew ∀=∑ ,1|
Tenendo inoltre conto del fatto che:Siamo tornati alla funzione
expectation!!!i i i è ò i
( )jj∑
=
,|1
L’ottimizzazione è però, in questo caso,
VINCOLATA
http:\\homes.dsi.unimi.it\∼frosio\21/45A.A. 2010-2011
VINCOLATA...
Mixture models: segmentazione radiografia cefalometricaradiografia cefalometrica
Si minimizza allora (metodo dei moltiplicatori di Lagrange):
( ) ⎟⎟⎠
⎞⎜⎜⎝
⎛−+= ∑
=
M
j
new jPQf1
1~ ψ⎠⎝ =j 1
⎧ ∂f
Cioè: Vincolo
⎪⎪⎪⎧
∂
=∂
∂ 0μ
f
fnewj
D t i t⎪⎪⎪
⎨
=∂
∂ 0σ
fnewj
Da questo sistema possono esserericavate le equazioni perl’aggiornamento dei parametri del
⎪⎪⎪⎨
=∂
∂ 0)( jP
fnew
l aggiornamento dei parametri delmixture model ad ogni iterazione.
http:\\homes.dsi.unimi.it\∼frosio\22/45A.A. 2010-2011⎪⎪⎪
⎩=
∂∂ (vincolo)0ψf
Ottimizzazione vincolata (moltiplicatori di Lagrange)(moltiplicatori di Lagrange)
• Vogliamo trovare (x y) t c f(x y) èVogliamo trovare (x,y) t.c. f(x,y) èminima nell’insieme g(x,y) = c.f( ) f d• f(x,y) -> funzione da ottimizzare.
• g(x y) – c = 0 -> vincolog(x,y) c 0 vincolo.
• Nel caso dell’ottimizzazione nonvincolata -> (df/dx = 0) & (df/dy = 0).( f ) ( f y )
http:\\homes.dsi.unimi.it\∼frosio\23/45A.A. 2010-2011
Ottimizzazione vincolata (moltiplicatori di Lagrange)(moltiplicatori di Lagrange)
• Nel caso di ottimizzazionevincolata la g(x,y) – c =0identifica una linea curvanello spazio (x,y).
f(x,y)
nello spazio (x,y).• Il vettore [dg/dx dg/dy]
identifica la normale ag(x y)=c ( )g(x,y)=c.
• Il punto massimo/minimot.x. g(x,y) = c deve essere
g(x,y)=c[dg/dx dg/dy]
g yt.c. [dg/dx dg/dy] èparallelo al gradiente di f[quindi, muovendosi lungo[q , m gg(x,y)=c, si osservalocalmente una variazionenulla di f] [df/d df/d ]
http:\\homes.dsi.unimi.it\∼frosio\24/45A.A. 2010-2011
nulla di f]. [df/dx df/dy]
Ottimizzazione vincolata (moltiplicatori di Lagrange)(moltiplicatori di Lagrange)
• Coma facciamo ad imporre che [dg/dxComa facciamo ad imporre che [dg/dxdg/dy] sia parallelo a [df/dx df/dy]?
• Imponiamo che grad(f) possa essere• Imponiamo che grad(f) possa essereottenuto semplicemente scalando grad(g)per un fattore λ (incognito – moltiplicatoreper un fattore λ (incognito – moltiplicatoredi Lagrange), ovvero:
d(f) λ d( ) 0 (1)grad(f) + λ·grad(g) = 0 (1)• L’equazione (1) si ottiene minimizzando
(ottimizzazione non vincolata) la funzionef+λ·(g-c) (detta funzione Lagrangiana).
http:\\homes.dsi.unimi.it\∼frosio\25/45A.A. 2010-2011
Ottimizzazione vincolata (moltiplicatori di Lagrange)(moltiplicatori di Lagrange)
• (x*,y*, λ*) = argmaxx y λ f(x,y)+λ·(g(x,y)-c) =>(x ,y , λ ) argmaxx,y,λ f(x,y) λ (g(x,y) c)
df(x*,y*)/dx+λ·dg(x*,y*)/dx = 0 Derivando rispetto a x,y ottieniamo il
ll ldf(x*,y*)/dy+λ·dg(x*,y*)/dy = 0 parallelismo tra i due gradienti
g(x*,y*)-c = 0 Derivando rispetto a λ ottieniamo il vincolo
http:\\homes.dsi.unimi.it\∼frosio\26/45A.A. 2010-2011
Mixture models: segmentazione radiografia cefalometricaradiografia cefalometrica
• Aggiornamento P(j):Aggiornamento P(j):( ) ( )∑=
Nnoldnew xjP
NjP |1
• Nel caso di ddp gaussiane:
( )∑=nN 1
• Nel caso di ddp gaussiane:
( )∑N
ld ( )( )N 2( )
( )∑
∑== N
nold
n
nnold
newj
xxjP1
|
|μ ( )
( )( )
( )∑
∑=
−= N
nold
nj
nnold
newj
jP
xxjP1
2
2
|
| μσ
( )∑=n
nold xjP1
| ( )∑=n
nold xjP1
|
http:\\homes.dsi.unimi.it\∼frosio\27/45A.A. 2010-2011
Mixture models: segmentazione radiografia cefalometricaradiografia cefalometrica
http:\\homes.dsi.unimi.it\∼frosio\28/45A.A. 2010-2011
Risultato (bone tissue)( )
• Clusterizzazione immagine in 3 zoneClusterizzazione immagine in 3 zone(background, soft tissue, bonetissue)tissue).
http:\\homes.dsi.unimi.it\∼frosio\29/45A.A. 2010-2011
Bibliografiag• Cristopher M. Bishop, Pattern Recognition and Machine
L rnin C pit l 2 3 9 (mixtur di ussi n ) C pit l 9 1Learning, Capitolo 2.3.9 (mixture di gaussiane), Capitolo 9.1,9.2, 9.3 (K-means, mixture models, EM).
I Frosio G Ferrigno N A Borghese “Enhancing Digital• I. Frosio, G. Ferrigno, N. A. Borghese, Enhancing DigitalCephalic Radiography with Mixture Model and Local GammaCorrection,” IEEE Transaction on Medical Imaging, Vol. 25,No. 1, Jan. 2006, pp. 113-121 (mixture models e radiografiaNo. 1, Jan. 2006, pp. 113 121 (mixture models e radiografiacefalometrica).
• Poul Erik Frandsen, Kristian Jonasson, Hans Bruun Nielsen,oul Er k Frandsen, Kr st an Jonasson, Hans Bruun N elsen,Ole Tingleff, Unconstrained Optimization, disponibile inrete, algoritmi di minimizzazione (approfondimento).
• Cristopher M. Bishop, Pattern Recognition and MachineLearning, Capitolo 9.4, EM come minimizzazione di un lowerbound (approfondimento).
http:\\homes.dsi.unimi.it\∼frosio\30/45A.A. 2010-2011
Exposure problemsExposure problems
• From film to phosphor film to CCDp p• Underexposed radiographies: bone cannot be
distinguished from soft tissued d h f d• Overexposed radiographies: soft tissue tends to mix
with background
http:\\homes.dsi.unimi.it\∼frosio\31/45A.A. 2010-2011
Typical HW solutionyp
Lo intensit X raH h X Low intensity X-ray
fieldHigh intensity X-
ray field
Cu Filter
http:\\homes.dsi.unimi.it\∼frosio\32/45A.A. 2010-2011
SW solution: gamma correctioncorrection
’Gray level correctionformula;U d f l b l
γ = 3g’
Used for global exposurecorrection;For 8 bit image gray level
γ = 1
For 8 bit image, gray levelg is corrected to g’ as:
g’ = 255 · [(g / 255) 1/γ]
γ = 0.33g g
g
γ > 1 Stretching of the low levels, compression of the high levels.γ < 1 Compression of the low levels, stretching of the high levels.
http:\\homes.dsi.unimi.it\∼frosio\33/45A.A. 2010-2011
Global γ correctionGlobal γ correction
γ 3γ = 3
• Nowadays clinicalNowadays cl n calpractice: global γcorrection
• γ = 0 25 (underexposed)• γ = 0.25 (underexposed),soft tissue darkens!
• γ = 3 (overexposed),
http:\\homes.dsi.unimi.it\∼frosio\34/45A.A. 2010-2011
bone tissue mixes withsoft tissue!
Typical histogram Typical histogram
• Three characteristic gray zones: background (1), softhree character st c gray zones background ( ), softtissue (2), bone tissue (3)
• 5% boundary eliminated (white margins, logo)y ( g g )• Gray level zero eliminated (saturated pixels)
http:\\homes.dsi.unimi.it\∼frosio\35/45A.A. 2010-2011
Mixture model• A powerful technique to estimatep q
complex probability densitiesdistributions by using a restricteddistributions by using a restrictednumber of parametersLi bi ti f M b bilit• Linear combination of M probabilitydensities:
( ) ( ) ( )∑ ⋅=M
MM jxpjPxp |=j 1
http:\\homes.dsi.unimi.it\∼frosio\36/45A.A. 2010-2011
Two Gaussian one LognormalTwo Gaussian, one Lognormal
• Mixture of three components (M = 3)M xture of three components (M 3)• Two Gaussians: background, soft tissue (symmetric
peaks)p )• One Inverted Lognormal: bone tissue (asymmetric
peak)
http:\\homes.dsi.unimi.it\∼frosio\37/45A.A. 2010-2011
Parameters estimation• Parameters: P(j), μj, σj, j=1…3(j), μj, j, j• Negative log likelihood
{ }∑ ∑−=−=−=N N
nn jPjxpxpLE )()|(ln)(lnln { }∑ ∑= =
===n n
MM jPjxpxpLE1 1
)()|(ln)(lnln
• E is minimized through the EMalgorithmalgorithm
http:\\homes.dsi.unimi.it\∼frosio\38/45A.A. 2010-2011
Updating equationsp g q• Mixing parameters ( ) ( ) ( )gHgjP
NjP
GLNoldnew ⋅= ∑
−1
|1N g=0
G i( ) ( )∑
−
⋅⋅1
0
|GLN
g
old gHggjP
( )( ) ( ) ( )∑
−
⋅−⋅1
2|GLN
newj
old gHggjP μ• Gaussians
( ) ( )∑−
=
=
⋅= 1
0
0
|GLN
g
old
gnewj
gHgjPμ ( )
( ) ( )∑
∑−
=
=
⋅= 1
0
02
|GLN
g
old
gj
newj
gHgjPσ
−1GLN 1N
• Lognormal( ) ( ) ( )
( ) ( )∑
∑−
=
⋅
⋅−⋅= 1
1
0
|
ln|
GL
GL
Nold
N
gGL
old
newj
gHgjP
gHgNgjPμ ( )
( ) ( )[ ] ( )
( ) ( )∑
∑−
=
−
=
⋅
⋅−−⋅= 1
0
1
0
2
2
|
ln|
GL
GL
N
g
old
N
g
newjGL
old
newj
gHgjP
gHgNgjP μσ
http:\\homes.dsi.unimi.it\∼frosio\39/45A.A. 2010-2011
=0g=0g
ClusteringClustering
• Thresholds Th(j,j+1) minimizehresholds h(j,j ) m n m ze
( ) ( ) ( ) ( )∫∫−
+
+⋅++⋅+
1
)1,(
)1,(
0|1|1 GLN
jjTh
jjThdxjxpjPdxjxpjP
• Three classes: Background, soft tissue, bone tissue
http:\\homes.dsi.unimi.it\∼frosio\40/45A.A. 2010-2011
Local γ CorrectionLocal γ Correction
• γ = 1 backgroundγ background• γ = 0.25 bone tissue• γ = 1.5 soft tissueγ 1.5 soft tissue• Artifacts, patient profile not clearly visible!
http:\\homes.dsi.unimi.it\∼frosio\41/45A.A. 2010-2011
γ smoothing: low pass filteringfiltering
f l f• Low pass filtering of γ …
Filter (5x5):Filter (5x5):
1/25 1/25 1/25 1/25 1/251/25 1/25 1/25 1/25 1/25
1/25 …
…
… 1/25
http:\\homes.dsi.unimi.it\∼frosio\42/45A.A. 2010-2011
γ smoothingγ smoothing
• γ map has to be smoothedγ map has to be smoothed• Down sampling, moving average 3x3 filtering, up
sampling using bilinear interpolation (or efficientp g g p (moving average filter in space domain)
• Two classes: Background & soft tissue, bone tissue
http:\\homes.dsi.unimi.it\∼frosio\43/45A.A. 2010-2011
ResultsResults
Original Gamma correction
Unsharp masking Soft tissue filter
http:\\homes.dsi.unimi.it\∼frosio\44/45A.A. 2010-2011
Unsharp masking Soft tissue filter
Summary Soft Tissue Filtery• Mixture model for clustering;g• Gamma correction;
L filt i f• Low pass filtering of gamma map.
http:\\homes.dsi.unimi.it\∼frosio\45/45A.A. 2010-2011