Method for probabilistic boosting tree-based lesion segmentation in e.g. ultrasound image data for diagnosis of liver tumors, involves minimizing error to select base classifiers to compute total classifiers in probabilistic boosting tree
Die Erfindung betrifft ein Verfahren und eine Recheneinheit (C10, N10) zur PBT-basierten (PBT = Probabilistic Boosting Tree) Läsionssegmentierung in medizinischen, insbesondere tomographischen, Bilddatensätzen mit einer Vielzahl von Bildpunkten, bei dem zunächst mit einem Lernverfahren (T1–T3) die für den PBT nötigen Gesamtklassifikatoren (H(xi)) als gewichtete Kombination von ausgewählten Basisklassifikatoren (B) bestimmt werden und eine PBT-basierten Läsionserkennung (E1–E3) auf die Bildpunkte eines zu beurteilenden Bilddatensatzes unter Verwendung der zuvor durch Training ermittelten Gesamtklassifikatoren (H(xi)) ausgeführt wird, wobei erfindungsgemäß zur Auswahl der Basisklassifikatoren (B) zur Berechnung der Gesamtklassifikatoren (H(xi)) im PBT beim AdaBoost-Training sowohl ein Fehler(φ*i(h))bei der Zuordnung der Bildpunkte durch den Gesamtklassifikator (H(xi)) als Läsion als auch ein Kostenfaktor für die Anzahl der Berechnungen minimiert wird.The method involves applying a probabilistic boosting tree (PBT)-based lesion recognition on image points of an image data set to be evaluated using total classifiers and a base classifiers (B) determined by training. Positively recognized lesions are marked and/or output. An error during allocating the image points by the total classifiers as lesions and cost factors for a number of computations is minimized for selecting the base classifiers for computing the total classifiers in the PBT during AdaBoost training. An independent claim is also included for a processing unit i.e. computed tomography (CT) system.
