Image  Analysis  and  Interpretation  28/06/13  Melanie  Torres  Bisbal  

¡  Ranking  and  retrieval  of  medical  images  ¡  Retrieve   information   from   a   database   that   the  images  are  similar  is  much  difficult  

¡  Paper   proposed   a   new   algorithm   with   the  following  concepts:  §  Integral  image  §  Haar  like  features  §  Adaboost  

¡  Extracting  and  understanding   the   structure  and  characteristics  of  medical  images  is  challenging  

¡  A   typical   radiology   department   generates  between  100,000  to  10  million  images  per  year  

¡  Applications  in  the  detection  and  classification  ¡  Also  specific  applications  in  image  retrieval  with  pulmonary  nodules  

¡  Retrieve  and  sort  the  information  in  real  time  

¡  Since  80  has  been  a  research  topic  ¡  But  the  field  of  biomedical  imaging  is  in  a  very  early  stage  

¡  Images  to  train  and  test  the  proposed  algorithm  are  taken  from  the  database  of  IRMA  (Image  Retrieval  in  Medical  Applications)  

¡  Use  a  subset  of  images  to  train  the  different  categories  and  remove  Haar-­‐like  features  to  build  specific  models  

¡  One  of  the  biggest  problems  is  precisely  recover  the   characteristics   that   define   the   visual  similarity   of   the   anatomical   structure   of   the  different  categories  

¡  Generally   have   used   co-­‐occurrence   matrix   of  gray,  Gabor  filters,  etc..  

¡  In   this   paper   are   based   more   on   reducing   the  time  a  given  question  (query)  

¡  Haar-­‐like  features,  proposed  by  Viola  and  Jones  ¡  Two  advantatges:  

§  The  system  can  be  used  for  a  wide  range  of  biomedical  image  retrieval  as  a  tumor  

§  Recovery  time  it  takes  significament  is  low  in  comparison  to  other  methods  

¡  The   key   steps   to   construct   the   algorithm  described  in  the  paper  are:  §  Efficient  extraction  of  simple  wavelets  (Haar)  §  Train  the  boosting  algorithm  applied  to  each  category  §  Calculate  the  closest  similarity  given  a  query  

¡  Efficient  computation  from  Integral  Image  ¡  In   this   paper   implemented   using   the   Intel  OpenCV  @:  

¡  The  features  are:  

¡  In  the  training  phase  boosting  applied  to  each  separate  category  to  find  the  weights  and  the  weak  classifiers  

¡  For  a  query  in  the  test  phase  the  system  will  identify  the  class  it  belongs  to  and  return  the  top  ranking  images  repository  

¡  To  look  at  the  results  is  calculated:  

¡  Chandan  K.  Reddy  and  Fahima  A.  Bhuyan,  Retrieval  and  Ranking  of  Biomedical  Images  using  Boosted  Haar  Features  http://ieeexplore.ieee.org/xpl/login.jsp?tp=&arnumber=4696834&url=http%3A%2F%2Fieeexplore.ieee.org%2Fxpls%2Fabs_all.jsp%3Farnumber%3D4696834