Designing texture filters with genetic algorithms: An application to medical images

Abstract

The problem of texture recognition is addressed by studying appropriate descriptors in the spatial frequency domain. During a training phase a filter is configured to determine different classes of texture by the response of its correlation with the Fourier spectrum of training-image templates. This is achieved by genetic algorithm-based optimisation. The technique is tested on standard texture patterns and then applied to magnetic resonance images of the brain to segment the cerebellum from the surrounding white and grey matter. Comparisons with established texture recognition techniques are presented, which show that the proposed method performs as well as, or better than, traditional techniques for the chosen instances of standard and anatomical texture and has the advantage of not having to decide which texture measure to use for a specific image structure.

Zusammenfassung

In diesem Artikel wird das Problem der Texturerkennung dadurch gelöst, daβ geeignete Abbildungen im Raum-Frequenz-Bereich betrachtet werden. Verschiedene Texturklassen sollen mit Hilfe eines Filters erkannt werden, welches in einer Trainingsphase konfiguriert wird. Dabei wird die Korreliertheit der zu bestimmenden Klassen mit dem Fourierspektrum einiger Trainingsschablonen ausgenutzt. Die Optimierung des Filters basiert auf der Anwendung von Genetischen Algorithmen. Diese Technik wird zunächst an Standardtexturmustern getestet und dann auf Magnetresonanzbilder des Gehirns angewandt, um das Zerebellum von der umgebenden weiβen und grauen Materie zu segmentieren. Vergleiche mit anerkannten Verfahren zur Texturerkennung zeigen, daβ die vorgestellte Methode eine gleiche oder sogar bessere Leistungsfähigkeit als die traditionellen Techniken aufweist. Desweiteren besitzt sie den Vorteil der Unabhängigkeit der Meβmethode von der speziellen Struktur des zu untersuchenden Bildes.

Résumé

Le problème de reconnaissance de texture est abordé en étudiant des descripteurs appropriés dans le domaine fréquentiel spatial. Un filtre est configuré durant une phase d'apprentissage, qui permet de déterminer les différentes classes de textures à l'aide de la réponse de leur corrélation avec le spectre de Fourier de modèles d'images d'apprentissage. Ceci est effectué par optimisation basée sur un algorithme génétique. La technique est testée sur des motifs de textures standards, puis appliquée à des images par résonnance magnétique du cerveau, afin de segmenter le cerebellum de la matière grise et blanche qui l'entoure. Des comparaisons sont faites avec des techniques établies de reconnaissance de structures, qui montrent que la méthode proposée se comporte aussi bien, voire mieux, que les techniques traditionelles pour les exemples choisis de textures standard et anatomiques, et qu'elle a l'avantage de ne pas nécessiter de décision quant à la mesure de texture à utiliser pour une structure d'image spécifique.