DE69635711T2

DE69635711T2 - Nachweissystem und verfahren zur quantativen feststellung von zahnkaries

Info

Publication number: DE69635711T2
Application number: DE69635711T
Authority: DE
Inventors: C. Douglas Beverly Hills YOON; D. Gregg Venice WILENSKY; A. Joseph Marina del Rey NEUHAUS; Narbik Glendale MANUKIAN; C. David Redondo Beach GAKENHEIMER
Original assignee: Logicon Inc
Current assignee: Carestream Health Inc
Priority date: 1995-08-10
Filing date: 1996-08-09
Publication date: 2006-08-10
Anticipated expiration: 2016-08-10
Also published as: WO1997006505A1; US5742700A; JPH11510419A; DE69635711D1; EP0843862B1; EP0843862A1; EP0843862A4; AU6693696A

Description

QUERVERWEIS AUF EINE VERWANDTE ANMELDUNG
Diese Anmeldung stellt eine Teilfortführung der US-Patentanmeldung, Eingangsnummer 08/513,472, eingereicht am 10. August 1995, unter dem Titel QUANTITATIVE DENTAL CARIES DETECTION SYSTEM AND METHOD [System und Verfahren zum quantitativen Nachweis dentaler Karies], von Douglas C. Yoon, et al., dar.
HINTERGRUND DER ERFINDUNG
Gebiet der Erfindung
Gegenstand der vorliegenden Erfindung ist ein System und Verfahren zum digitalen Nachweis von Gewebsläsionen und ist insbesondere ein System und Verfahren zum Quantifizieren einer Wahrscheinlichkeit von in Geweben bestehenden Läsionen.
Beschreibung des verwandten Standes der Technik
Nach dem Journal of the American Dental Association, Vol. 108, Mai 1984, Seite 755, sind Zahnärzte einen signifikanten Teil der Zeit nicht in der Lage, Kariesläsionen in Zähnen nachzuweisen (bis zu 40%). Gesunde Zähne werden ebenso einen signifikanten Teil der Zeit (bis zu 20%) fehldiagnostiziert. Dieses Problem ist teils auf die Tatsache zurückzuführen, dass Zahnärzte nicht fähig sind, Kariesläsionen auf proximalen Oberflächen, d. h. zwischen den Zähnen, direkt anzusehen. Das menschliche Auge stellt aufgrund seiner Tendenz, Intensitätsgradienten auszuglätten, ein imperfektes Werkzeug für die visuelle Analyse dentaler Röntgenbilder dar. Erhebliche Variationen der dentalen Röntgenbilder sind weiter den Variationen im Filmtyp, in der Expositionszeit, in der Zahnstruktur und -form und im Sitz und Ausmaß der Läsionen zuzuschreiben.
US A 5,331,550 beschreibt ein Verfahren zum Computer-gestützten Nachweis von Anomalien in einem Bild, das die folgenden Schritte umfasst: Aufteilen des Bildes in eine Vielzahl von m × n Regionen, Subtrahieren des Hintergrundes von jeder der Regionen, für jede der Regionen, Auswählen einer kleineren p × q-Subregion, Normalisieren der p × q Subregion, und Zuführen der p × q-Subregionen in ein neuronales Netzsystem. Das neuronale Netzsystem weist aus vielen Gliedern bestehende neuronale Netze auf, wobei jedes zum Erkennen eines bestimmten vorausgewählten Anomalietyps trainiert ist. Das Verfahren vergleicht weiter jeden Ausgangswert von den aus einer Vielzahl von Gliedern bestehenden neuronalen Netzen mit einer ersten Schwelle, wählt aus den Ausgangswerten, die größer als die erste Schwelle sind, einen Maximalwert aus, vergleicht den Maximalwert mit einer zweiten Schwelle, über der die Anwesenheit einer Anomalie angezeigt wird, und speichert das Ergebnis, clustert eine Vielzahl der gespeicherten Ergebnisse zur Bildung von Clustern und markiert die Stelle der Clusters.
Die Bereitstellung eines Mittels zum Vergleich der Intensitätsvariationen mit gespeicherten Daten, die sich auf bekannte dentale Läsionen oder Karies beziehen, und Bestimmung durch solchen Vergleich, ob dentale Läsionen vorhanden sind und das wahrscheinliche Ausmaß solcher Läsionen ist auch bekannt (British Dental Journal, Vol. 160, 1986 (Großbritannien), N. B. Pitts et al., „Image Analysis of Bitewing Radiographs: A Histologically Validated Comparison mit Visual Assessments of Radiolucency Depth in Enamel").
Gegenstand der vorliegenden Erfindung ist demgemäß die Bereitstellung eines Werkzeugs für Kliniker, das zuverlässig die Wahrscheinlichkeit einer in den Geweben vorliegenden Läsion quantifiziert – ein „elektronisches zweites Gutachten".
Ein anderer Gegenstand ist die Bereitstellung eines digitalen bildgebenden Verfahrens zum Quantifizieren einer Wahrscheinlichkeit von in den Geweben vorhandenen Läsionen.
Die Erfindung ist in den unabhängigen Ansprüchen 1 und 5 definiert.
In der folgenden ausführlichen Beschreibung und den beiliegenden Zeichnungen, in denen gleiche Referenzzahlen durchweg durch die Figuren davon gleiche Teile kennzeichnen,
stellt 1 eine perspektivische Ansicht vom erfindungsgemäßen System zum quantitativen Nachweis der dentalen Karies dar;
stellt 2 eine fotografische Aufnahme von einer vergrößerten Vorderansicht der Anzeige von 1 dar;
stellt 3A ein Fließdiagramm von einem automatischen Bildsegmentierungsaspekt eines erfindungsgemäßen Verfahrens dar;
stellt 3B ein Fließdiagramm von einem Aspekt der Merkmalextraktion eines erfindungsgemäßen Verfahrens dar;
stellt 3C ein Fließdiagramm von einem Aspekt der Merkmalstatistik eines erfindungsgemäßen Verfahrens dar;
stellt 3D ein Fließdiagramm von einem Klassifizierer-Aspekt eines erfindungsgemäßen Verfahrens dar;
veranschaulicht 4 die digitale Bildverarbeitung, die ein erfindungsgemäßes Gradientenverfahren einsetzt;
vergleicht 5 die Leistung des Systems zum quantitativen Nachweis der dentalen Karies zum Auffinden von Dentinläsionen in Molaren unter Verwendung von Filmbildern mit der Leistung von Zahnärzten und veranschaulicht zusätzlich durch die schattierte Region plus und minus eine Standardabweichung um den Mittelwert der Responses von Zahnärzten;
vergleicht 6 die Leistung des Systems zum quantitativen Nachweis der dentalen Karies zum Auffinden von Dentinläsionen in Molaren unter Verwendung von verschärften direkten digitalen Bildern mit der Leistung von Zahnärzten und veranschaulicht zusätzlich plus und minus eine Standardabweichung um den Mittelwert der Responses von Zahnärzten;
stellt 7 eine vergrößerte Ansicht eines Teils der in 5 gezeigten Plots dar und stellt einen quantitativen Vergleich zwischen dem erfindungsgemäßen Nachweissystem und dem Mittelwert der Response von Zahnärzten dar;
stellt 8 eine vergrößerte Ansicht eines Teils des in 6 gezeigten Plots dar und stellt einen quantitativen Vergleich zwischen dem erfindungsgemäßen Nachweissystem und dem Mittelwert der Response von Zahnärzten dar;
vergleicht 9 die Leistung des Systems zum quantitativen Nachweis der dentalen Karies zum Auffinden von Dentinläsionen in Prämolaren mit der Leistung von Zahnärzten und veranschaulicht zusätzlich plus und minus eine Standardabweichung um den Mittelwert der Responses von Zahnärzten;
vergleicht 10 die Leistung des Systems zum quantitativen Nachweis der dentalen Karies zum Auffinden von Dentinläsionen in Eckzähnen mit der Leistung von Zahnärzten und veranschaulicht zusätzlich plus und minus eine Standardabweichung um den Mittelwert der Responses von Zahnärzten; und
vergleicht 11 die Leistung des Systems zum quantitativen Nachweis von dentaler Karies zum Auffinden von Dentinläsionen in Schneidezähnen mit der Leistung von Zahnärzten und veranschaulicht zusätzlich plus und minus eine Standardabweichung um den Mittelwert der Responses von Zahnärzten.
AUSFÜHRLICHE BESCHREIBUNG DER BEVORZUGTEN AUSFÜHRUNGSFORMEN
1 stellt eine perspektivische Ansicht von einem erfindungsgemäßen System 20 zum quantitativen Nachweis von dentaler Karies dar. Es werden eine Röntgenstrahlquelle 22 und ein Röntgenstrahlsensor 24 zur Herstellung zweidimensionaler Röntgenbilder von Zähnen 26 eingesetzt. Der Röntgenstrahlsensor 24 kann einen Röntgenstrahlsensor mit ladungsgekoppelter Vorrichtung (CCD) umfassen. Ein Digitizer 28 empfängt die Analogausgabe von der CCD und wandelt sie in ein Digitalformat zum Empfang durch einen Computer 32 um. Der Sensor 24 sollte mindestens 8–10 Linienpaare/mm Auflösung bereitstellen. Das Nachweissystem 20 schließt zusätzlich einen Computer 32, einen Monitor 34 und einen Drucker 36 ein. Die digitalisierte Röntgenaufnahmen-Information wird dem Computer 32 vom Digitizer 28, zum Beispiel über ein Schnittstellenkabel 38, bereitgestellt. Als Alternative kann ein Röntgenfilmbild durch Scanning und Digitalisierung einer Film-basierten Röntgenaufnahme 25 mit einem gewerblich erhältlichen Filmscanner 27, wie zum Beispiel dem Nikon Coolscan System, in den Computer 32 eingegeben werden. Der Computer 32 schließt sowohl Memory-Vorrichtungen als auch ein Diskettenlaufwerk 40 ein. Eine Speichervorrichtung, wie zum Beispiel Diskette 42, stellt eine ablauffähige Software an den Computer 32 bereit. Viele Aspekte des erfidungsgemäßen quantitativen Verfahrens können in der Form von Software verkörpert werden, die auf einer Memory-Vorrichtung, wie zum Beispiel der Diskette 42 gespeichert wird, und von einem Prozessor, wie zum Beispiel dem Computer 32, ausgeführt wird. Das Nachweissystem 20 schließt zusätzlich ein Monitor-Schnittstellenkabel 44 ein, das den Computer 22 und den Monitor 34 elektrisch verbindet. Ein Drucker-Schnittstellenkabel 46 verbindet auf ähnliche Weise den Computer 32 mit dem Drucker 36. Der Monitor 34 schließt eine Anzeige 48 ein, und der Drucker 36 generiert einen entsprechenden Ausdruck 50.
2 stellt eine vergrößerte Vorderansicht der in 1 gezeigten Anzeige 48 dar. Die Anzeige 48 wird bevorzugt in eine Vielzahl von Anzeigeteilen, einschließlich eines digitalisierten Bildteils 52, eines Intensitätsvariationsplots 54, eines Warscheinlichkeitsdiagramms 56, eines Patienteninformationsteils 58 und eines Analysenkommentarteils 60 unterteilt. Im Allgemeinen verarbeitet das System 20 zum quantitativen Nachweis der dentalen Karies erfasste digitale Bilder und identifiziert bestimmte Segmente dieser Bilder durch Bestimmung der Außengrenzen der Zähne und der Schmelz-Dentingrenze (DEJ) 62. Das Nachweissystem 20 verarbeitet die digitalisierten Bilder unter Berücksichtigung der vorangehenden Segmentierung und setzt trainierte Netz-Gewichte zur Quantifizierung der Wahrscheinlichkeiten von Läsionen ein, die in den verschiedenen Segmenten der geröntgten Zähne vorhanden sind. Als eine der Ausgaben des Verfahrens zeigt 2 eine erste Läsionsgrenze 64 und eine zweite Läsionsgrenze 66, überlappt auf dem digitalisierten Bildteil 52. Die erste Läsionsgrenze 64 und die zweite Läsionsgrenze 66 verlaufen beide von links nach rechts, von der Außengrenze des Zahnschmelzes durch die Schmelz-Dentingrenze 62 und in das Dentin des Zahnes. Der Intensitätsvariationsplot 54 und das Wahrscheinlichkeitsdiagramm 56 werden unter Bezugnahme auf 4 ausführlicher erklärt.
3A stellt ein Fließdiagramm von einem automatischen Bildsegementierungsaspekt des erfindungsgemäßen Verfahrens dar. Die im Computer 32 residente Software empfängt und verarbeitet das digitalisierte Bild an 70. Wenn das Eingabebild eine gescannte Film-basierte Röntgenaufnahme, wie zum Beispiel eine mit dem Nikon Coolscan Filmscanner produzierte darstellt, ist der Ablauf des Bildsegmentierungsalgorithmus auf den Block 72 gerichtet. Wenn das Eingabebild eine direkte digitale Röntgenaufnahme (wie zum Beispiel eine vom Gerät von Schick Technologies, Inc. produzierte) darstellt, ist der Ablauf des Bildsegmentierungsalgorithmus auf den ablauffähigen Block 74 gerichtet. Die Bildsegmentierung wird automatisch unter Verwendung eines Gradientenverfahrens zur Identifikation der Außengrenzen der Zähne und ihren Schmelz-Dentingrenzen durchgeführt. Ein erfindungsgemäßes Hauptmerkmal stellt der Einsatz der verschiedenen Sets von Segmentierungsparametern im Segmentierungsalgorithmus dar, die den variierenden Schärfegraden oder der Klarheit des Bildes wie zwischen gescannten Film-basierten Röntgenaufnahmen, nicht verstärkten direkten digitalen Röntgenaufnahmen und verstärkten direkten digitalen Videographien Rechnung tragen.
Gewebegrenzen und Übergänge zwischen unmittelbar benachbarten Geweben werden bevorzugt durch die Bildverarbeitung basierend auf polaren Koordinaten bestimmt, wobei die im Wesentlichen radial symmetrische Struktur des Zahnes ausgenutzt wird, wie am besten in 4 veranschaulicht ist. Das erfindungsgemäße Gradientenverfahren setzt eine „gleitende" zweidimensionale Matrix von Pixel-Intensitäten ein, die l × 2*d Elemente umfassen. Im Allgemeinen werden die Gewebegrenzen und die Grenzflächen zwischen Geweben durch Identifikation der maximalen Gradienten entlang den radialen Vektoren r →₁, r →₂, ... r →_n-1, r →_n gefunden. Die vorstehend erwähnten Segmentierungsparameter schließen folgende ein:

l:: Die Länge der Gradientenmatrix von Pixel-Intensitäten.
d:: Die Hälfte der Breite der Gradientenmatrix von Pixel-Intensitäten.
α:: Ein durch einen Vektor entlang der Länge der Gradientenmatrix von Pixel-Intensitäten und durch den radialen Vektor (anderweitig bekannt als Matrixorientierungswinkel) definierter Winkel.
Δθ:: Die Winkeldifferenz zwischen sukzessiven radialen Vektoren.

Unter Bezugnahme auf 3A steuert die Entscheidungsraute 76 den Ablauf des Bildsegmentierungsalgorithmus in Abhängigkeit davon, ob eine direkte digitale Röntgenaufnahme bildverstärkt werden muss. Wenn ja, wird eine auf einem Fast-Fourier-Transform (FFT) basierende Dekonvolution unter Verwendung einer im Laboratorium gemessenen Punktstreuungsfunktion am ablauffähigen Block 78 durchgeführt. Die vorangehende Dekonvolution verschärft die direkte digitale Röntgenaufnahme, und es wurde festgestellt, dass sie die Leistung des Bildsegmentierungsalgorithmus verbessert.
Die Segmentierungsparameter variieren, wie vorstehend besprochen, in Abhängigkeit von der Quelle des digitalen Bildes. Die Filmbild-Segmentierungsparameter werden am ablauffähigen Block 80 ausgewählt, wenn es sich bei der Quelle des digitalen Bildes um eine gescannte Film-basierte Röntgenaufnahme handelt. Nicht verstärkte digitale Bildsegmentierungsparameter werden am ablauffähigen Block 82 ausgewählt, wenn es sich bei der Quelle des digitalen Bildes um eine nicht verstärkte direkte digitale Röntgenaufnahme handelt. Die verstärkten digitalen Bildsegmentierungsparameter werden am ablauffähigen Block 84 ausgewählt, wenn die Quelle des digitalen Bildes eine verstärkte direkte digitale Röntgenaufnahme darstellt. Die Segmentierungsparameter werden zur Optimierung des Bildsegmentierungsalgorithmus für verschiedene digitale Bildquellen, die in variierenden Bildschärfe- oder -klarheitsgraden bereitgestellt werden, variiert. Am ablauffähigen Block 86 verarbeitet ein automatischer Bildsegmentierungsalgorithmus unter Verwendung eines Gradientenverfahrens das digitale Bild unter Berücksichtigung der Segmentierungsparameter, die für dieses spezielle Bild ausgewählt werden. Die folgende Gleichung stellt die Berechnung des Gradienten bereit:
worin A_i und B_i die Summe der Pixel-Intensitäten entlang den i-ten Streifen (4) darstellen und ω_i einen Gewichtsfaktor darstellt, der zum Beispiel linear von 1 bis 0 variieren kann, wenn i von 1 bis d variiert. Die Stelle der relevanten Gewebegrenze befindet sich dort, wo der höchste Gradient gefunden wird. Diese Suche wird über einen vom Benutzter definierten Bereich von Winkeln θ_i um einen Zahnzentroid 98 herum (4) durchgeführt. Für jedes θ_i wird wiederum eine Suche über einen Bereich der Orientierungswinkel α_i der Gradientenmatrix durchgeführt und für jedes α_i wird wiederum eine Suche entlang dem entsprechenden radialen Vektor r →₁ zum Auffinden von
durchgeführt, wobei es sich um den Bereich entlang Vektor r →₁ handelt, an dem der Gradient maximiert wird.
und θ_i stellen die Koordinaten von Punkten entlang der Gewebegrenze dar.
Unter Bezugnahme auf die Segmentierungsparameter werden die Streifenlänge (l), die Streifendicke (d) und die Matrixorientierungswinkel (α_i) gegebenenfalls weiter variiert, um den mit den verschiedenen Quellen digitaler Bilder einhergehenden Unterschieden hinsichtlich der Schärfe oder Klarheit Rechnung zu tragen. Der Matrixorientierungswinkel (α_i) wird bevorzugt zwischen 60° und 120° in Inkrementen von 10° oder feiner variiert und der Winkel (Δθ) wird bevorzugt bei ca. 1° eingestellt. Der erfindungsgemäße Gegenstand zieht zusätzlich einen Bildsegmentierungsalgorithmus in Betracht, der sich während des Ablaufs automatisch oder adaptiv an die vorangehenden Parameter anpasst.
3B stellt ein Fließdiagramm eines Merkmalextraktionsaspekts des erfindungsgemäßen Verfahrens dar. Im Allgemeinen setzt das erfindungsgemäße Verfahren zur Unterstützung bei der Identifikation von Kandidatenläsionen im gegenständlichen Gewebe als Nächstes die Segmentierungsergebnisse ein. Wenn gefunden wird, dass die durch den Bildsegmentierungsalgorithmus identifizierten Grenzen an der Entscheidungsraute 90 für den Zahnarzt akzeptierbar sind, geht der Merkmalextraktionsalgorithmus weiter zum ablauffähigen Block 92 über. Andernfalls verfolgt der Zahnarzt die Außengrenzen des Zahns und die Schmelz-Dentingrenze am Block 94 manuell. Das erfindungsgemäße System und das erfindungsgemäße Verfahren richten sich im Allgemeinen an das Problem bezüglich des Ableitens kohärenter Dichtemerkmale aus den Intensitätsavariationsdaten. Ein bevorzugtes Verfahren unterteilt die Röntgenaufnahme (auf die allgemein auch als auf ein „Röntgenbild" verwiesen wird) in Abhängigkeit von den Ergebnissen der Bildsegmentierungsberechnungen in Teile. Gemäß einem bevorzugten Verfahren und wie in 4 veranschaulicht, werden die Außengrenze 96 und die Schmelz-Dentingrenze 62 dann zur weiteren Unterteilung der resultierenden Schmelz- und Dentinsegmente zu im Wesentlichen parallelen Streifen oder Spuren bei sukzessiv tieferen Niveaus in den Zahn verwendet, die später für den erfindungsgemäßen Merkmalextraktionsaspekt, wie vorstehend besprochen, verwendet werden. Im Betrieb wählt der Benutzer einen Teil des Zahnes durch zum Beispiel Bewegen des Bildschirm-Cursors zum gewünschten Zentroid 98 und klickt eine Benutzer-Eingabevorrichtung, wie zum Beispiel eine Maus. Ein Winkelbereich von r →₁ bis r →_n wird auf ähnliche Weise durch Bewegung der Maus vom Zentroid 98 in Richtung der Zahnoberflächen von Interesse ausgewählt.
Unter Bezugnahme auf 3B werden weiter Pixel-Intensitäten I(x), worin x den Abstand entlang der Spur in Bezug zum Beginn der Spur darstellt, für eine Reihe von Punkten entlang jeder Spur am ablauffähigen Block 100 berechnet. Der Merkmalextraktionsalgorithmus berechnet als Nächstes die Intensitätsvariationen V(x) entlang jeder auf Highpass-Filterverfahren basierenden Spur. Solche Verfahren korrigieren den Effekt der Zahngeometrie auf dem Röntgenbild und verstärken die Fähigkeit zur Identifikation lokaler Variationen der Intensität. Ein bevorzugtes digitales Highpass-Filter verkörpert die Funktion
worin L > H ist und worin L und H Abstände der Pixel-Einheiten von x_i entlang den Spuren darstellen. Ein breiter Längendurchschnitt wird durch die Berechnung eines Intensitätsdurchschnitts für Punkte zwischen x_i – L und x_i + L entlang einer Spur bereitgestellt. Ein enger Längendurchschnitt wird durch Berechnung eines Intensitätsdurchschnitts zwischen x_i – H und x_i + H entlang einer Spur bereitgestellt. Die Highpass-Filterfunktion V(x_i) stellt die Differenz zwischen dem breiten Längendurchschnitt der Intensität und dem engen Längendurchschnitt der Intensität bei x_i dar. In die vorangehende Gleichung können geeignete Skalenfaktoren, um Spurenlängen-Einheiten (die von Spur zu Spur variieren) mit Pixel-Einheiten in Beziehung zu bringen, eingesetzt werden. Es sollte zusätzlich zur Kenntnis genommen werden, dass die vorangehende Gleichung eine Annäherung eines mathematischen Integrals darstellt und dass gegebenenfalls andere Filterverfahren eingesetzt werden können.
Wie in 2 gezeigt, können Intensitätsvariationen entlang jeder Spur mit dunklen Merkmalen geplottet werden, die in den Plots als Unebenheiten in Erscheinung treten. Nachdem das Highpass-Filterverfahren am ablauffähigen Block 102 abgeschlossen ist, werden alle dunklen Merkmale (Kandidatenläsionen) entlang jeder Spur lokalisiert und ihre Längen und Größenordnungen werden am ablauffähigen Block 104 bestimmt. Die Segmente werden in der Außengrenze des Zahns allgemeiner in Spurenfamilien aufgeteilt. Die Spurenfamilien sind nicht unbedingt im Wesentlichen parallel zur DEJ ausgerichtet; geeignete Koordinaten-Transformationsalgorithmen können zur Kompensation für bestimmte Orientierungen der Spuren eingesetzt werden. Es sollte zur Kenntnis genommen werden, dass erfindungsgemäß zusätzlich die Applikation alternativer zweidimettsionaler Highpass-Filterverfahren, wie zum Beispiel eine unscharfe Maskierung, in Betracht gezogen werden. Obwohl rechnerisch anspruchsvoller, wäre ein derartiges alternatives zweidimensionales Verfahren für Segmentierungsfehler und spezifischer für Fehler bei der DEJ-Berechnung weniger empfindlich.
3C stellt ein Fließdiagramm eines Aspekts einer Merkmalstatistik des erfindungsgemäßen Verfahrens dar. Der Algorithmus der Merkmalstatistik funktioniert im Allgemeinen bei der Identifikation der besten linearen Alignments dunkler Merkmale sowohl im Schmelz als auch im Dentin und bei der Berechnung der Werte einer begrenzten Anzahl von Parametern oder Eingaben für die sich anschließende Verarbeitung, bevorzugt durch ein neuronales Netz. Die in 4 gezeigten Spuren werden wieder zur Suche nach dem besten linearen Alignment von dunklen Merkmalen eingesetzt. Die Suche basiert bevorzugt auf einer linearen Regression unter Verwendung der Größe und der Stelle der Merkmale in jeder Spur.
Das Alignment und die Tiefe von Merkmalen werden durch zwei Metriken, ε_s(N) und A _s(N), bewertet. ε_s(N) stellt den skalierten Alignment-Fehler dar und A _s(N) stellt die skalierte mittlere Merkmalgrößenordnung dar. ε_s(N) und A _s(N) sind mit einem Kandidatenset von Merkmalen aus den ersten N Spuren assoziiert, wobei von jeder Spur ein Merkmal ausgewählt wird. Wie später beschrieben werden wird, wird ε_s(N) zum Auffinden des besten linearen Alignments von Merkmalen verwendet, die in der Spur gefunden werden, und A _s(N) wird zur Bestimmung der Eindringtiefe der Merkmale in den Zahn verwendet.
ε_s(N) und A _s(N) werden zunächst durch Berechnung der Linie des besten Fits durch den Kandidatenset von N Merkmalen durch eine lineare Standardregression berechnet. Die Größenordnung des ausgewählten Merkmals in jeder Spur wird auch berechnet (z. B. als die Fläche unter den Unebenheiten im Intensitätsvariationsplot 54 von 2). Aus diesen Werten wird die mittlere Merkmalgrößenordnung, A(N) berechnet. Als Nächstes wird die mit der Position der Merkmale (X_Merkmal) assoziierte RMS-Abweichung und die Linie des besten Fits (X_Fit) durch die Merkmale berechnet als:
Letztendlich wird der skalierte Fehler, der die mittlere Größenordnung der Merkmale berücksichtigt wie folgt angegeben: εs(N) = ε(N)(1 – EXP(–A(N)))und die skalierte Größenordnung wird angegeben durch: A s(N) = A(N)εs(N).
Erfindungsgemäß werden zusätzlich andere Verfahren zum Skalieren von ε_s(N) und A _s(N) unter Berücksichtigung der mutuellen Biaswirkung dieser Metriken aufeinander in Betracht gezogen. Der Begriff für die Fläche A _s(N) wird zur Bestimmung des Endes einer Läsion verwendet. Der Begriff für den Fehler, ε_s(N), wird zur Bestimmung des besten Alignments verwendet. Die Merkmalcharakterisierung hängt von der Skalierung von ε_s(N) und A _s(N) ab. So hilft zum Beispiel die Gewichtung des Begriffs für die Fläche durch den Fehlerbegriff, die Auswahl großer, aber zufällig positionierter dunkler Merkmale, die in einem Bild mit Fleckenbildung im großen Maßstab auftreten könnten, zu verhindern. Auf ähnliche Weise hilft die Gewichtung des Fehlers durch den Mittelwert der Fläche bei der Verhinderung der Auswahl von kleinen, aber abgeglichenen Merkmalen, die zufällig in einem verrauschten Bild auftreten könnten. Die folgende Besprechung veranschaulicht wie die Metriken ε_s(N) und A _s(N) zum Auffinden der Stelle und der Tiefe einer Kandidatenläsion verwendet werden.
Das Schmelzsegment schließt, wie in 4 gezeigt, insgesamt zehn Spuren zwischen und einschließlich der Außengrenze 96 und der DEJ 62 ein. Je tiefer die Läsion in den Zahn eindringt, um so mehr Verarbeitung ist zur Bestimmung des besten linearen Alignments durch lineare Regressionsverfahren erforderlich. Wenn zum Beispiel zwei dunkle Kandidatenmerkmale in jeder der äußersten drei Spuren gefunden werden, sind acht verschiedene Berechnungen (2³) für eine erschöpfende Suche zum Auffinden des besten Fits innerhalb von diesen drei Spuren erforderlich. Als solches stellt ein wichtiges erfindungsgemäßes Merkmal die Entwicklung eines Verfahrens zum automatischen Stoppen der Berechnungen im Schmelzsegment, nachdem eine Bestimmung vorgenommen wurde, dass die Läsion behoben ist, dar. In einer bevorzugten Ausführungsform des Algorithmus der Merkmalstatistik wird, beginnend an der Außengrenze 96, nach einem kohärenten Merkmal in den ersten drei Spuren gesucht. Wenn der beste Fit, der den größten Grad der Colinearität aufweist, durch Auswahl der Kombination von Merkmalen mit dem geringsten skalierten Fehler, ε_s(N), identifiziert wird, werden dieser Wert und die assoziierte skalierte Merkmalgrößenordnung, A _s(N), gespeichert. Andere mit dieser Kombination von Merkmalen assoziierte Informationen werden auch gespeichert. Der ablauffähige Block 106 wird, wie in 3C gezeigt, wieder implementiert, verarbeitet aber nun die Intensitätsvariationsinformation für die ersten vier Spuren. Der geringste skalierte Fehler, die skalierte Merkmalgrößenordnung und die mit der Kombination von Merkmalen assoziierten Informationen werden auf ähnliche Weise gespeichert. Mit der Addition von jeder Spur zur Berechnung des ablauffähigen Blocks 106 wird eine neue skalierte Merkmalgrößenordnung berechnet und mit der unmittelbar vorangehenden Berechnung verglichen. Wenn eine Abnahme sukzessiv skalierter Größenordnungen über einen prädeterminierten Schwellenwert hinausgeht, leitet der Algorithmus für die Merkmalstatistik an der Entscheidungsraute 108 den Ablauf des Algorithmus an den ablauffähigen Block 110 um. Wenn die Schwelle überschritten wird, ist eine ausreichend große Abnahme der skalierten Größenordnung (im Vergleich zur vorherigen skalierten Größenordnung oder bevorzugt zu einem laufenden Durchschnitt aller vorherigen skalierten Größenordnungen) aufgetreten, was auf ein Ende des Merkmals hindeutet. Wenn die Schwelle nicht am Zeitpunkt n = N überschritten wird, so deutet dies darauf hin, dass das Merkmal die DEJ erreicht hat und der Algorithmus geht an den ablauffähigen Block 110 über.
Eine Suche nach dem besten linearen Alignment von dunklen Merkmalen im Dentin stellt bevorzugt eine vereinfachte Berechnung dar, umfassend eine einzelne Iteration, worin die Intensitäten entlang den ersten fünf Spuren des Dentins verarbeitet werden. Es wurde außerdem gefunden, dass die Verarbeitung von Bildspuren größer als halbwegs durch das Dentin wenig Wert aufweist.
In einer bevorzugten erfindungsgemäßen Ausführungsform werden nur sechs Parameter oder Merkmalstatistiken als Eingaben an ein neuronales Netz bereitgestellt. 3C zeigt, dass der Algorithmus der Merkmalstatistik eine Eindringtiefe in den Schmelz am ablauffähigen Block 112 zuordnet. Zusätzlich wird eine skalierte mittlere Größenordnung des Schmelzmerkmals am ablauffähigen Block 114 in den Spuren zwischen der Außengrenze 96 und der Spur, die der Schmelzeindringtiefe wie am ablauffähigen Block 112 etabliert entspricht, berechnet. Der Alignment-Fehler des skalierten Schmelzmerkmals wird, wie vorstehend besprochen, wie auch am ablauffähigen Block 116 an ein neuronales Netz als eine Eingabe gesandt.
Die sich auf das Dentin beziehende Statistik wird auch an das neuronale Netz bereitgestellt. Am ablauffähigen Block 118 wird die Größenordnung des skalierten mittleren Dentinmerkmals berechnet und an das neuronale Netz bereitgestellt. Ein Alignment-Fehler eines skalierten Dentinmerkmals aus der vorangehenden Regressionsanalyse wird auch am ablauffähigen Block 120 an das neuronale Netz gesandt. Ein Grad der Colinearität zwischen Schmelzmerkmalen und Dentinmerkmalen wird zusätzlich berechnet und an das neuronale Netz am ablauffähigen Block 122 bereitgestellt. Der Grad der Colinearität zwischen Schmelz- und Dentinmerkmalen wird konzeptuell im Intensitätsvariationsplot 54 von 2 durch die lineare Schmelzregressionslinie 124 und die lineare Dentinregressionslinie 126 veranschaulicht. Der Grad der Colinearität zwischen Schmelz- und Dentinmerkmalen wird als der durchschnittliche Abstand entlang jeder Dentinspur zwischen Linie 126 und der Projektion von Linie 124 in das Dentin berechnet.
3D stellt ein Fließdiagramm von einem Klassifizierer-Aspekt des erfindungsgemäßen Verfahrens dar. In einer bevorzugten Ausführungsform wird eine Datenbank aus Laboruntersuchungseingaben an Block 130 assembliert. Die radiographischen Parameter schließen Expositionszeiten, Filmgeschwindigkeiten, digitale Sensorcharakteristika und überlappende Zahngeometrien ein. Ein ausgiebiger Datensatz wird durch eine Querschnittsanalyse von Zähnen entwickelt, die zur Bestimmung des absoluten Ausmaßes von Läsionen verwendet wird. So werden zum Beispiel 320 Zahnoberflächen von vier Zahntypen (Schneidezahn, Eckzahn, Prämolaren, Molaren), vier Läsionstiefen (ohne Läsion, > ½ Schmelz, voller Schmelz, > ½ Dentin) und 20 Beispiele von jedem Typ und jeder Tiefe basierend auf der statistischen Analyse bereitgestellt. Eine vereinfachte Klassifizierung oder ein Punktsystem ist nachstehend dargelegt:

0:: ohne Läsion
1:: Läsionen, die weniger als halbwegs in den Schmelz eindringen
2:: Läsionen, die mehr als halbwegs in den Schmelz eindringen
3:: Läsionen, die in den Schmelz eindringen.

Wie in 3D gezeigt, wird das Trainieren des neuronalen Netzes durch Rückpropagierung am ablauffähigen Block 132 bewirkt. Die sich ergebenden trainierten Netz-Gewichte am Block 134 und die Eingaben des Algorithmus der Merkmalstatistik werden einem neuronalen Netz-Klassifizierer 136 bereitgestellt. In einer bevorzugten Ausführungsform umfasst der neuronale Netz-Klassifizierer 136 ein vollständig angeschlossenes, dreischichtiges Feed-Forward-Netz unter Verwendung trainierter Netz-Gewichte zum Erkennen von Kariesläsionen. Wenn die Wahrscheinlichkeit; dass irgendeine Läsion existiert, über eine prädeterminierte Nachweisschwelle hinausgeht, zeigt das System 20 an, dass eine Läsion im Zahn, wie im grafischen Wahrscheinlichkeitsdiagramm 56 von 2 angezeigt ist, anwesend ist. Wenn die Entscheidungsraute 138 zu einer negativen Bestimmung führt, zeigt das System an, dass keine verdächtigen Merkmale gefunden wurden. Das neuronale Netz wird zum Erfassen der Wahrscheinlichkeit einer in der ausgewählten Region auf dem Zahn anwesenden Läsion trainiert. Diese Wahrscheinlichkeit (p) könnte entweder die Wahrscheinlichkeit von jedweder Läsion oder die Wahrscheinlichkeit sein, dass eine Läsion das Dentin durchdringt (distinkte neuronale Netze stellen jede Wahrscheinlichkeit bereit). Die Wahrscheinlichkeit (p) wird wie nachstehend berechnet:
worin:

x_i: = die i-te Eingabe an das neuronale Netz darstellt;
i: = 1, 2 ... N darstellt;
N: = Anzahl der Merkmale darstellt;
W'_j, W_ji: die Netz-Gewichte darstellen;
V', V_j: die Netz-Schwellen darstellen; und
: die neuronale Knotentransferfunktion darstellt, worin (y) den Summierungsbegriff in Klammern in der vorstehenden Wahrscheinlichkeitsgleichung darstellt.

Die Gewichte und Schwellen werden durch Training an einer Datenbank, die bevorzugt umfassend ist, etabliert.
Die Klassifizierer-Algorithmen sind, wie in 3D gezeigt, strukturiert, weil es für einen Zahnarzt unerlässlich wichtig ist, einen Zahn, der in seinem Dentin Läsionen aufweist, zu behandeln. Die Nachweisschwelle der Entscheidungsraute 140 kann angesichts des Vorangehenden angemessen variiert werden.
5 vergleicht die Leistung des Systems 20 zum quantitativen Nachweis von dentaler Karies auf Filmbildern von Molaren mit der Leistung von Zahnärzten. Der Leistungsvergleich basierte auf einem Set von radiographischen Bildern, die mit der Film-basierten Standardradiographie (Kodak D Film) aufgenommen und mittels der Standard-ROC-Analyse (Receiver Operating Characteristic Analyse) bestimmt wurden. Eine ROC-Analyse misst den Überschreitungsausgleich zwischen der falsch-positiven Identifikationsrate (in diesem Fall dem prozentualen Anteil der im Dentin kariesfreien Zähne, die inkorrekt mit einer Läsion im Dentin klassifiziert wurden) versus der richtig-positiven Identifikationsrate (in diesem Fall der prozentuale Anteil der Zähne mit einer Läsion im Dentin, die korrekt identifiziert wurden). Eine ROC-Kurve wird durch Messen der falsch-positiven und der richtig-positiven Raten für einen Bereich von Nachweis-Konfidenzniveaus erfasst. Je größer die Fläche unter der ROC-Kurve ist, um so besser ist die Gesamtleistung. Beobachtete Daten zeigen, dass das die vorliegende Erfindung erläuternde Logicon Dental Detection System (LDDS) bei einem Test für vier verschiedene Kategorien von Läsionen auf 80 Oberflächen zum Nachweis interproximaler Läsionen, die in das Dentin eingedrungen sind, eine höhere Leistung erbrachte als ein Team von elf ausgebildeten Zahnärzten.
5 veranschaulicht zusätzlich plus und minus eine Standardabweichung um den Mittelwert der Responses von Zahnärzten. Die schattierte Region stellt den Bereich dar, der ca. 68% (plus und minus eine Standardabweichung um den Mittelwert) der individuellen Responses der Zahnärzte umfasste. Die größeren, nicht ausgefüllten Punkte entsprechen fünf Entscheidungsschwellen entlang einer durchschnittlichen Response-Spur für die getesteten Zahnärzte. Im Vergleich dazu erbringt das LDDS eine höhere Leistung als die mittlere Response von Zahnärzten, da der überwiegende Teil der individuellen Responses für die Zahnärzte unter der LDDS-Kurve liegt.
6 vergleicht die Leistung des Systems 20 zum quantitativen Nachweis dentaler Karies auf verschärften direkten digitalen Bildern von Molaren mit der Leistung von Zahnärzten und, veranschaulicht, wie in 5, zusätzlich plus und minus eine Standardabweichung um den Mittelwert der Responses von Zahnärzten.
7 stellt eine vergrößerte Ansicht von einem Teil des in 5 gezeigten Plots dar und stellt einen quantitativen Vergleich zwischen dem Nachweissystem 20 und der mittleren Response von Zahnärzten in dem klinisch relevanteren unteren Ende der ROC dar. Die Reduktion von 30–50% der falsch-positiven Identifikationsrate am unteren Ende der ROC weist auf den diagnostischen Vorteil hin, der durch das Nachweissystem 20 bereitgestellt wird, weil der Zahnarzt in diesem Bereich der ROC-Kurve schwierigen Entscheidungen gegenübersteht. Trotz der gestreuten individuellen Responses der Zahnärzte (5) erbringt das System 20 zum quantitativen Nachweis von dentaler Karies in der überwiegenden Mehrzahl der Fälle eine höhere Leistung als die durchschnittliche Response der getesteten Zahnärzte und ist im Gegensatz zu den Responses von Zahnärzten in seiner Bewertung konsistent. Das Nachweissystem 20 generiert faktisch eine einzelne, konsistente Response, wenn es im „automatischen Mode" läuft (d. h. alle durch das Nachweissystem 20 bestimmten Gewebsgrenzen). Wenn es korrekt verwendet wird, wobei an den Landmarks die korrekten anatomischen Gewebe eingegeben werden, werden vom Nachweissystem 20 konsistente Responses bereitgestellt.
8 stellt eine vergrößerte Ansicht von einem Teil des in 6 gezeigten Plots dar und stellt einen quantitativen Vergleich zwischen dem Nachweissystem 20 und der mittleren Response von Zahnärzten bereit. Wie mit einem Film reduziert das Nachweissystem 20 die falsch-positive Identifikationsrate für verschärfte direkte digitale Bilder von Molaren am kritischen unteren Ende der ROC, wodurch die unnötige Behandlung von Zähnen reduziert wird. 8 veranschaulicht spezifischer, dass Zahnärzte ca. 62% aller Dentinläsionen bei einer falsch-positiven Rate von ca. 16% identifizieren. Eine LDDS-Interpretation der gleichen verstärkten direkten digitalen Röntgenaufnahmen identifiziert den gleichen prozentualen Anteil der Läsionen, während die falsch-positive Rate auf ca. 7% (eine 50%ige Reduktion) reduziert wird. Als Alternative erhält eine LDDS-Interpretation des gleichen verstärkten direkten digitalen Bildes die gleiche falsch-positive Rate wie Zahnärzte aufrecht, während die Rate der Läsionsidentifikation auf 80% anstieg (eine 33%ige Zunahme).
Auf ähnliche Weise wie 6 vergleichen 9, 10 und 11 die Leistung des Systems 20 zum quantitativen Nachweis der dentalen Karies auf verschärften direkten digitalen Bildern von Prämolaren, Eckzähnen bzw. Schneidezähnen, mit der Leistung von Zahnärzten, wobei zusätzlich plus und minus eine Standardabweichung um den Mittelwert der Responses der Zahnärzte veranschaulicht wird. Wie mit Molaren gleicht die Leistung des LDDS der Leistung von Zahnärzten an direkten digitalen Bildern von Prämolaren, Eckzähnen und Schneidezähnen oder übertrifft sie.
Schlussfolgernd ist zur Kenntnis zu nehmen, dass die vorangehende ausführliche Beschreibung und die beiliegenden Zeichnungen die erfindungsgemäßen Prinzipien erläutern.

Claims

System (20) für den digitalen Nachweis dentaler Läsionen oder von Karies, umfassend: Ein Quelle (22) digitalisierter Röntgenbilder (25) von Zähnen, wobei genannte Bilder (25) variable Bildintensitäten aufweisen; ein auf einem Computer-lesbaren Medium (32) enthaltenes Computer-Programm zur Identifikation dentaler Läsionen oder von Karies, das bei Ablauf die folgenden Schritte durchführt: Identifikation einer Außenfläche eines Zahns in einem prädeterminierten Bereich (82, 84), der eine Grenzfläche zwischen dem Schmelz und dem Dentin des Zahns (86) identifiziert; Identifikation von Intensitätsvariationen entlang aufeinanderfolgenden, mit Zwischenraum angeordneten Linien, die im Allgemeinen parallel zur Zahnoberfläche und im Allgemeinen parallel zur Grenzfläche zwischen dem Schmelz und dem Dentin im Schmelz und im Dentin unmittelbar angrenzend an und parallel zur Grenzfläche (92–104) verlaufen; Erfassung der Statistik, die sich auf Merkmale im Schmelz und im Dentin (106–122) bezieht, worin die Statistik Folgendes einschließt: eine Eindringtiefe in den Schmelz (112); eine Größenordnung des Schmelzmerkmals (114); einen Alignment-Fehler des Schmelzmerkmals (116); eine Größenordnung des Dentinmerkmals (118); einen Alignment-Fehler des Dentinmerkmals (120); und einen Grad der Colinearität zwischen Schmelzmerkmalen und Dentinmerkmalen (122); Vergleich der Intensitätsvariationen mit gespeicherten Daten, die sich auf bekannte dentale Läsionen oder Karies (130–136) beziehen; und Bestimmung der Anwesenheit dentaler Läsionen im Dentin und des wahrscheinlichen Ausmaßes der dentalen Läsionen davon (138, 140).
System (20) nach Anspruch 1, weiter umfassend eine Vorrichtung (48, 50), die eine Darstellung der Intensitätsvariationen entlang den aufeinanderfolgenden, mit Zwischenraum angeordneten Linien erfasst, die die An- oder Abwesenheit von jedweden dentalen Läsionen oder von Karies, und das Ausmaß davon zeigen;
System (20) nach Anspruch 2, worin die Vorrichtung (48, 50) einen Monitor (48) umfasst.
System (20) nach Anspruch 2, worin die Vorrichtung (48, 50) einen Drucker (50) umfasst.
Verfahren (70–140) zum Quantifizieren einer Wahrscheinlichkeit von Läsionen oder Karies, die in Zahngeweben vorhanden sind, umfassend die Schritte von: (a) Erhalt digitalisierter Röntgenbilder (25) von mindestens zwei unmittelbar benachbarten Geweben zur Bestimmung einer Verbindungsstelle zwischen den Geweben und einer Außengrenze von mindestens einem der Gewebe (70); (b) Verarbeitung der Bilder (25) zur Etablierung von Segmenten von dem Gewebe, umfassend Spuren, die sich im Wesentlichen parallel zur Verbindungsstelle und der Außengrenze (92) befinden; (c) Verarbeitung der Bildabschnitte (25) in jedem Segment zur Identifikation der besten linearen Alignments von dunklen Merkmalen, die in jedweder der Spuren (104) vorhanden sind; (d) Verarbeitung der Bilder (25) zur Erfassung der auf die Merkmale (106–122) bezogenen Statistik, worin die Statistik Folgendes einschließt; eine Eindringtiefe in den Schmelz (112); eine Größenordnung des Schmelzmerkmals (114); einen Alignment-Fehler des Schmelzmerkmals (116); eine Größenordnung des Dentinmerkmals (118); einen Alignment-Fehler des Dentinmerkmals (120); und einen Grad der Colinearität zwischen den Schmelzmerkmalen und den Dentinmerkmalen (122); Verarbeitung der Statistik zur Bestimmung der Wahrscheinlichkeiten der Läsionen oder Karies darstellenden Merkmale (130–140).
Verfahren nach Anspruch 5, weiter umfassend die Schritte des Anzeigens der Intensitätsvariationen entlang den aufeinanderfolgenden, mit Zwischenraum angeordneten Linien (102), die die An- oder Abwesenheit dentaler Läsionen im Schmelz und/oder Dentin (104) zeigen, und das Ausmaß der gegebenenfalls vorliegenden Läsionen (138, 140) bestimmen.
Verfahren nach Anspruch 5, worin: der Schritt (a) den Erhalt digitalisierter Röntgenbilder mit einem Schärfegrad (70) umfasst; und Kontrolle des Schrittes (b) durch Segmentierung der Parameter, die unter Berücksichtigung des Schärfegrades der zu verarbeitenden Bilder (86) etabliert werden.
Verfahren nach Anspruch 5, worin: der Schritt (a) den Erhalt digitalisierter Röntgenbilder mit einem Klarheitsgrad (70) umfasst; und das Verfahren weiter Folgendes umfasst: (e) Verarbeitung der Bilder zur Verbesserung des Klarheitsgrades vor der Durchführung des Schrittes (b) (76).
Verfahren nach Anspruch 8, worin der Schritt (e) weiter Folgendes umfasst: Durchführung einer FFT-basierten Dekonvolution an den Bildern unter Verwendung einer Ausbreitungsfunktion (78) der gemessenen Punkte.
Verfahren nach Anspruch 5, worin: Der Schritt (c) weiter die Bestimmung der Abschnitte der Bilder unter Berücksichtigung der Verbindungsstelle und der Außengrenze (86) umfasst.
Verfahren nach Anspruch 5, worin der Schritt (c) das Extrahieren von Abschnitten der Bilder mit Reihen von Spuren in der Außengrenze (92) umfasst.
Verfahren nach Anspruch 5, worin der Schritt (c) weiter die folgenden Schritte umfasst: Bestimmung der Pixel-Intensitäten entlang den Spuren (100); Bestimmung der Intensitätsvariationen entlang den Spuren (102); und Verarbeitung der Intensitätsvariationen zur Identifikation von Stellen und Größenordnungen der Merkmale entlang den Spuren (104).
Verfahren nach Anspruch 6, worin der Schritt (d) Folgendes umfasst: Durchführung linearer Regressionen an den Abschnitten der Bilder zur Erfassung der kleinsten Fehlerquadrate, die durch die Größenordnungen der Merkmale (106) gewichtet sind.
Verfahren nach Anspruch 5, worin der Schritt (d) weiter die Bestimmung der besten linearen Alignments für die Statistik unterschiedlich zwischen den Segmenten (106, 190) umfasst,
Verfahren nach Anspruch 5, weiter umfassend: (f) Verarbeitung der Statistik mit einem neuronalen Netz-Klassifizierer zur Bestimmung der Wahrscheinlichkeiten, dass die Merkmale Läsionen darstellen (136).
Verfahren nach Anspruch 15, worin der Schritt (f) weiter die Quantifizierung einer Wahrscheinlichkeit von in Geweben vorhandenen Läsionen umfasst, unter Verwendung des neuronalen Netz-Klassifizierers, umfassend ein vollständig angeschlossenes, dreischichtiges Feed-Forward-Netz, das trainierte Netz-Gewichte (134) einsetzt.
Verfahren nach Anspruch 15, worin der Schritt (f) weiter Folgendes umfasst: Verarbeitung der Statistik, umfassend eine Wahrscheinlichkeit, dass die Merkmale Läsionen in allen Segmenten (138) darstellen.
Verfahren nach Anspruch 16, worin der Schritt (f) weiter Folgendes umfasst: Verarbeitung der Statistik, umfassend eine Wahrscheinlichkeit, dass die Merkmale Läsionen in einem ausgewählten der genannten Segmente (140) darstellen.