Căutarea imaginilor medicale. Descriptori ai imaginilor utilizaţi în CBIR

Data publicării: 26.09.2020  
Autor articol: Mircea Vaida

1. Descriptori ai imaginilor utilizaţi în CBIR (Content-Based Image Retrieval)

    Conţinutul imaginii poate include atât conţinut vizual, cât şi semantic. Conţinutul vizual poate fi general sau specific domeniului. În general conţinutul vizual conţine informaţii referitoare la: culoare, textură, formă, relaţii spaţiale, etc. Conţinutul vizual specific domeniului, cum ar fi feţele umane, este dependent de aplicaţie şi poate necesita cunoştinţe în domeniu. Conţinutul semantic este obţinut fie din adnotări textuale, fie prin proceduri complexe de deducţie bazate pe conţinutul vizual.
     Un bun descriptor al conţinutului vizual trebuie să fie invariant la modificări accidentale introduse de procesul de imagistică (de ex. variaţia iluminării scenei). Descrierea invarianţei este investigată în computer vision (ca object recognition), dar este relativ nouă în regăsirea imaginilor. Un descriptor vizual de conţinut poate fi global sau local. Un descriptor global foloseşte trăsături vizuale ale întregii imagini, în timp ce un descriptor local utilizează trăsăturile vizuale ale unor regiuni sau obiecte pentru a descrie conţinutul imaginii. Pentru a obţine descriptorii vizuali locali, o imagine este întâi divizată. Cel mai simplu mod de a diviza o imagine este de a utiliza o partiţie, care taie imaginea în bucăţi de formă şi dimensiuni egale. O partiţie simplă nu generează regiuni cu semnificaţie perceptibilă, dar este un mod de reprezentare a trăsăturilor globale ale imaginii la o rezoluţie mai bună. O metodă mai bună este de a divide imaginea în regiuni omogene în funcţie de unele criterii, folosind algoritmi de segmentare a regiunilor. Un mod mai complex de divizare este object segmentation pentru a obţine obiecte cu semnificaţie semantică (ca minge, maşină, etc). Segmentarea automată a obiectelor este puţin probabil să aibă success.

Trăsături globale

    Descriptorii de trăsături globale pot fi determinaţi eficient şi deseori reuşesc capturarea informaţiilor parţiale referitoare la conţinutul imaginii, dar nu şi informaţii despre structura internă şi nu pot utiliza noţiuni deja cunoscute de utilizator despre similarităţi spaţiale. Se utilizează: histograma color, informaţia statistică a conturului, statistici de descompunere wavelet sau Fourier, textura, etc.
    Trăsăturile globale, cum sunt histogramele imaginii, au fost adesea utilizate pentru indexarea imaginilor color. Ele oferă o primă impresie asupra conţinutului imaginii.
    În imaginile medicale, histogramele imaginii nu sunt foarte informative şi histograma poate fi foarte diferită pentru imagini de rezoluţii diferite.

Trăsături locale

    Descriptorii locali sunt calculaţi cu sau în jurul trăsăturilor locale ale imaginii. Trăsături posibile sunt:punctele, curbele, liniile drepte sau regiunile. Proprietatea principală pe care trebuie să o aibă a astfel de trăsătură este repetabilitatea: trebuie să fie posibil să extragem aceleaşi trăsături din diferite imagini reprezentând aceeaşi scenă din diferite puncte de vedere şi în condiţii de iluminare diferite.
    Imaginile medicale sunt uneori puternic structurate şi analiza bazată pe voxel este o cale de explorare interesantă.

    Măsurătorile de similaritate au fost adesea utilizate în domeniul imaginilor medicale pentru compararea imaginilor cu o referinţă. Aceste măsurători realizează o măsurare voxel cu voxel pentru a returna utilizatorului un singur coeficient de similaritate. Au 2 neajunsuri, [Glatard, 2004]:

1. imaginile necesită o operaţie de registration adecvată înainte de măsurarea similarităţii şi încă nu sunt disponibili algoritmi de registration complet automatizaţi.
2. aceste măsurători depind de o imagine referinţă şi se modifică cu modificarea referinţei.

   De aceea, descriptorii locali sunt mai potriviţi pentru indexarea imaginilor medicale. În ultimul timp au fost propuşi algoritmi care realizează compararea pe blocuri, încercând să se obţină nişte măsurători mai specifice.

Culoarea

    Culoarea este trăsătura vizuală cea mai utilizată pentru CBIR. Valorile sale tridimensionale fac superioară discriminarea potenţialităţii ei la valori de gri unidimensionale. Înaintea selectării unui descriptor de culoare potrivit, trebuie întâi determinat spaţiul culorii.

Textura

   Textura este o altă proprietate importantă a imaginii. În pattern recognition şi computer vision au fost investigate diferite moduri de reprezentare ale texturii. Metodele de reprezentare ale texturii pot fi clasificate în două categorii: structurale şi anatomice. Metodele structurale, incluzând operatorii morfologici şi graful de adiacenta, descriu textura prin identificarea primitivelor structurale şi regulile lor de plasare. Ele tind să fie mai importante atunci când sunt aplicate la texturi care sunt foarte regulate. Metodele statistice, incluzând spectrul de putere Fourier, matricile de co-ocurenţă, trăsătura Tamura, descompunerea Wold, analiza componentei principale invariantă la deplasare, câmpul aleator Markov, modelul fractal, filtrarea multi-rezoluţie, tehnicile Gabor şi transformata wavelet, caracterizează textura prin distribuţia statistică a intensităţii imaginii.

Forma

    Trăsăturile de formă ale obiectelor şi regiunilor au fost utilizate în multe sisteme de CBIR. Trăsăturile de forma sunt uzual utilizate după ce imaginile au fost segmentate în regiuni sau obiecte. Deoarece o segmentare robustă şi cu acurateţe a imaginii este dificil de obţinut, utilizarea trăsăturilor de formă pentru regăsirea imaginilor este limitată la aplicaţii speciale, unde obiectele şi regiunile se obţin uşor.
   Metodele existente pentru descrierea formei pot fi clasificate în: metode bazate pe contur (forme rectilinii, aproximari poligonale, modele cu elemente finite, descriptori de formă bazaţi pe transformata Fourier) sau bazate pe regiune (momente statistice). O bună reprezentare a trăsăturii de formă pentru un obiect ar trebui să fie invarianţa la translaţie, rotaţie şi scalare.

Informaţia spaţială

    Regiunile şi obiectele cu proprietăţi similare de culoare şi textura pot fi uşor distinse prin impunerea constrângerilor spaţiale. De exemplu, regiunile de albastru ale cerului şi oceanului pot să aibă histograme de culoare similare, dar locaţiile lor spaţiale în imagini sunt diferite. Cea mai utilizată reprezentare a relaţiei spaţiale este 2Dstrings, propusă în [Chang, 1987]. Două seturi de simboluri, V şi A, sunt definite pe proiecţii. Fiecare simbol V reprezintă un obiect din imagine. Fiecare simbol în A reprezintă un tip de relaţii spaţiale intre obiecte. La fel ca variantele sale, 2D G-string taie toate obiectele de-a lungul minimului bounding box şi extind relaţiile spaţiale în 2 seturi de operatori spaţiali. Unul defineşte relaţiile spaţiale locale. Celălalt defineşte relaţiile spaţiale globale, indicând faptul că proiecţia a două obiecte este separată, alăturată sau localizată la aceeaşi poziţie. În plus, 2D C_string propune minimizarea numărului de obiecte de tăiere. 2D-B string reprezintă un obiect prin 2 simboluri, care stabilesc începutul şi sfârşitul marginii obiectului.

    Aceste metode facilitează 3 tipuri de interogări. Tipul 0 găseşte toate imaginile care conţin obiectul O1, O2,…, On. Tipul 1 găseşte toate imaginile care conţin obiecte ce au relaţii certe între ele, dar distanţa între ele este semnificativă. Tipul 2 găseşte toate imaginile care au o anumită distanţă între ele.
   Pentru reprezentarea informaţiei spaţiale se utilizează pe lângă 2D string, metodele spatial quad-tree, şi symbolic image. Căutarea imaginilor pe baza relaţiilor spaţiale rămâne o problemă de cercetare în CBIR, deoarece segmentarea de încredere a obiectelor sau regiunilor este rareori posibilă, în aplicaţii foarte limitate. Deşi unele sisteme pur şi simplu împart imaginile în sub-blocuri regulate, s-a obţinut un success limitat cu astfel de scheme de divizare spaţiale, deoarece imaginile cele mai naturale nu sunt constrânse spaţial la sub-blocuri regulate. Pentru rezolvarea problemei, a fost propusă o metodă bazată pe transformarea radon, care exploatează distribuţia spaţială a trăsăturilor vizuale fără o segmentare sofisticată.

2. Utilizarea descriptorilor pentru conţinutul imaginii

Cele mai multe sisteme utilizează trăsături de culoare sau ale nivelelor de gri, mai ales sub forma unor histograme. Unele sisteme utilizează trăsături globale şi locale ale nivelelor de gri. Altele utilizează distribuţiile statistice ale nivelelor de gri pentru clasificarea imaginilor sau propun o histogramă de strălucire.
    Deoarece multe din imaginile medicale nu conţin culori, sau sunt achiziţionate în condiţii controlate, proprietăţile de culoare nu se găsesc în centrul cercetării. Imaginile patologice trebuie normalizate, deoarece diferite metode de colorare pot produce culori diferite în imaginile obţinute.
În radiologie, normalizarea nivelelor de gri între diferite modalităţi sau chiar pentru aceeaşi modalitate poate cauza probleme, când nu există nici un punct exact de referinţă, cum este de exemplu densitatea pentru CT.
    În timp ce culoarea şi intensitatea prezintă interes redus în domeniul medical, textura şi forma câştigă importanţă. Definirea texturii este oarecum ambiguă, datorită naturii imprecise a acestui concept. În general sunt utilizate toate tehnicile standard pentru caracterizarea texturii, de la detecţia conturului utilizând operatorii Canny, până la descriptorii Sobel.
    Textura se referă la şabloane vizuale, care au proprietăţi de omogenitate şi nu pot rezulta numai din culoare şi intensitate. Percepţia texturii joacă un rol important în sistemul vizual uman de recunoaştere şi interpretare. Pot fi identificate două abordări principale în domeniul analizei texturii: metode statistice şi metode de filtrare.
    Între metodele statistice se numără şi matricea de co-ocurenţă, care a fost propusă de Haralick în 1973 şi este utilizată şi azi pe scară largă. Aceste matrici modelează spaţial dependenţele între nivelele de gri ale imaginii.
   Se pot utiliza descriptorii Fourier pentru caracterizarea formelor, momentele invariante sau filtrarea scală-spaţiu. Sunt utilizate frecvent trăsături derivate din matricea de coocurenţă, dar şi răspunsul filtrelor Gabor, wavelet-uri (forme de undă), caracteristici de textură Markov. De exemplu, în mamografie densitatea este utilizată pentru identificarea nodulilor mici.
    În conexiune cu segmentarea, forma segmentelor poate fi utilizată ca o trăsătură puternică. Cei mai utilizaţi descriptori de formă sunt descriptorii Fourier, care permit obţinerea cu uşurinţă a descriptorilor invarianţi. Utilizarea segmentelor de imagine permit de asemenea utilizarea relaţiilor spaţiale, ca descriptori vizuali ai imaginilor. Nu se prea dau însă detalii despre cum se obţin segmentele/obiectele din imagine.
    Unele articole propun utilizarea “imaginilor proprii” (EigenImages) pentru căutarea imaginilor medicale în analogie cu trăsături proprii (Eigenfaces) pentru recunoaşterea feţei. Aceste trăsături pot fi utilizate pentru clasificare când există un număr de imagini pentru fiecare clasă. Totuşi, trăsăturile sunt pur statistice şi este greu de explicat asemănarea dintre 2 imagini pe baza acestor trăsături, lucru care ar fi mai uşor de făcut printr-o intersecţie de histograme.
    Există şi sisteme care utilizează trăsături semantice pentru interogări de similarităţi vizuale. Acestea vin însă ca simple etichete textuale ataşate imaginilor şi ca o mapare între text şi trăsături low-level.

Utilizarea texturii într-un sistem CBIR

Procedurile de construire şi interogare a unei BD de imagini indexată pe bază de conţinut este prezentată în Figura 1., [Mlsna, 2004].

    Textura prezintă modele caracteristice, dependente de tipul de ţesut investigat. Există mai multe modele matematice pentru a defini caracterul ei. Statisticile de ordinul I descriu în principal numărul de pixeli cu un anumit nivel de gri, independent de locaţia lor în imagine. Parametri de textură mai complecşi descriu relaţia intensităţilor pixelilor în a 2-a dimensiune (parametri de ordinul 2). Trăsăturile run-length (RL) descriu distribuţia pixelilor aceluiaşi nivel (sau nivel similar), iar parametri calculaţi din matricea de coocurenţă [Haralick, 1973], descriu mai complex interacţiunile pixelilor la o distanţă dată şi într-o direcţie dată. Mai mulţi investigatori au raportat succesul utilizării analizei de textură în diferite domenii, incluzând diagnosticarea hipertrofiei miocardice şi prognosticarea cardiopatiei congestive.
    Există 2 metode de bază utilizate în descrierea texturilor: statistice şi structurale. Metodele statistice utilizează trăsăturile extrase din imagine, care măsoară rugozitatea, contrastul, direcţionalitatea şi alte caracteristici structurale, în timp ce metodele structurale descriu textura prin descrierea trăsăturilor primitive şi regulile primitive de plasare.

Implementarea CBIR prin utilizarea pachetului Oracle interMedia (MultiMedia)

   Oracle oferă suport multimedia în pachetul interMedia, care permite stocarea, obţinerea şi managementul informaţiilor audio, video, imagine şi document digitizate. Aceste date pot fi stocate în BD în BLOB, local în sistemul de fişiere ca BFILE sau pot fi specificate prin URL, stocate pe orice server HTTP ca Apache, IIS (Microsoft Internet Information Server), Oracle Application Server sau altele.
Oracle intermedia oferă următoarele facilităţi:

– Managementul informaţiei metadata
– Stocare şi obţinere de informaţii din BD
– Acces prin interfeţe tradiţionale şi Web
– Interogări utilizând informaţia metadata extrasă
– Interogări utilizând conţinut multimedia
– Interogări utilizând date relaţionale asociate

     Metadata este informaţia despre dată, cum ar fi lungime obiect, tip de compresie sau format.
     În interMedia, datele audio au asociat un tip de obiect relaţional numit ORDAudio, datele heterogene un tip de obiect numit ORDDoc, imaginile tipul ORDImage şi datele video tipul ORDVideo. Acest pachet oferă metode de manipulare a imaginilor: conversia de format, operaţii de cuantizare, compresie, scalare, tăiere, flipping, oglindire, rotire şi ajustarea strălucirii.
     Oracle interMedia oferă suport pentru lucrul cu servleturi şi JSP.

Funcţionarea sistemului CBIR oferit de interMedia

     Interogările nu sunt realizate pe imagine, ci pe o abstractizare a acesteia, reprezentarea ei în termeni de atribute vizuale şi numită semnătură a imaginii. Semnătura are în general o lungime de 3000-4000 octeţi.

Pentru o mai bună performanţă, poate fi creat un index bazat pe semnăturile imaginilor.

Semnătura conţine informaţii despre următoarele atribute vizuale, [Pelski, 2003]:
Culoare – reprezintă destribuţia culorilor în întreaga imagine. Această distribuţie include cantităţile
din fiecare culoare, dar nu locaţiile culorilor.
Textura – reprezintă patternurile de nivel inferior şi texturile din imagine, cum ar fi granulaţia sau
netezimea. Spre deosebire de formă, textura este foarte sensibilă la trăsături care apar cu frecvenţă mare în
imagine.
Forma – reprezintă forma care apare în imagine, aşa cum este determinată prin tehnici de segmentare
bazate pe culoare. O formă este caracterizată printr-o regiune de culoare uniformă.
Locaţia – reprezintă poziţiile componentelor de formă, culoare şi textură.

3. Concluzii

    In vederea procesarii bazelor de date medicale multimedia folosind un mecanism bazat pe CBIR (Content-Based Image Retrieval) este nevoie a specifica principalii descriptori folositi in acest sens. Odata stabilita o strategie de lucru se pot folosi ca si descriptori textura sau alti descriptori relevanti.

Bibliografie extensiva imagistica medicala

1. [Aiazzi, 2008] – B. Aiazzi, S. Baronti, M. Selva, “Image fusion through multiresolution oversampled decompositions”, ”Image fusion, Algorithms and applications”, Elsevier Academic Press, 2008, pag. 27-66
2. [Ackerman, 2002] – M. Ackerman, R. Craft, F. Ferrante, M. Kratz, S. Mandil, H. Sapci, “Telemedicine Technology”, Telemedicine Journal and e-Health, Volume 8, Number 1, 2002, pag. 71-78
3. [Analyze, 2009] – http://www.mayo.edu/bir/Software/Analyze/Analyze.html
4. [Angenent, 2006] -S. Angenent, E. Pichon, A. Tannenbaum, “Mathematical methods in image processing”, Bulletin of The American Mathematical Society, Volume 43, Number 3, July 2006, pag. 365–396
5. [Artaechevarria, 2009] – Artaechevarria X, Munoz-Barrutia A, Ortiz-de-Solorzano C., “Combination strategies în multi-atlas image segmentation: application to brain MR data”, IEEE Trans Med Imaging 2009, 28(8):1266-77. Epub 2009 Feb 18.
6. [Arthur, 2007] – D. Arthur, S. Vassilvitskii, “k-means++ The Advantages of Careful Seeding”, 2007 Symposium on Discrete Algorithms (SODA), pag. 1027-1035
7. [BeyondView, 2009] – site BeyondView, http://www.commvantage.com/BeyondView.html
8. [Bhaskaran, 1999] – V. Bhaskaran, K. Konstantinides, “Image and Video Compression Standards – Algorithms and Architectures”, Second Edition, Kluwer Academic Publisher, 1999
9. [Bruce, 2003] – R. Bruce, “RIS/PACS integration – what is it and what are its benefits?”, 2003, http://www.openmedtech.com/images/RIS.htm
10. [Cala, 2003] – J. Cala, L. Czekierda, “TeleDICOM – environment for collaborative medical consultations”, International Conference on e-Health in Common Europe, Cracovia, 2003, pag.307-322
11. [Cao, 2008] – Hua Cao, “A Novel Automated Approach of Multi-Modality Retinal Image Registration and Fusion”, Phd. Thesis, 2008, LSU Electronic Thesis and Dissertation Archive
12. [Chan, 1990] – H.P. Chan et al., “Improvements in Radiologists’ Detection of Clustered Microcalcifications on Mammograms: The Potential of Computer-Aided Diagnosis,” Investigative Radiology, vol. 25, pag. 1,102-1,110, 1990
13. [Chang, 1987] – S.-K. Chang, Q.-Y. Shi, C.-W. Yan, “Iconic Indexing by 2-D Strings”, IEEE Trans. on Patt.Anal. and Mach. Intell., May 1987, pag. 413–428
14. [Chen, 2000] – Zhe Chen, Xiaomei Yu, David Feng, “A Telemedicine System over the Internet”, ACM International Conference Proceedings Series, Vol. 9, Selected papes for Pan-Sydney Workshop on Visual Information Processing, Visualisation 2000, Conferences in Research and Practice in Information Technology, Vol. 2, pag. 113-118
15. [ChioreanRef1, 2004] – Chiorean Ligia, “Studiul actual al cercetărilor în imagistica medicală şi aplicaţii în telediagnostic”, Referat doctorat, martie 2004
16. [ChioreanRef2, 2006] – Chiorean Ligia, “Metode si algoritmi de codare, indexare si cautare a imaginilor medicale cu aplicatii in telediagnostic”, Referat doctorat, martie 2006
17. [ChioreanRef3, 2006] – Chiorean Ligia, “Sisteme de stocare, manipulare şi management a imaginilor multimedia în telemedicină”, Referat doctorat, septembrie 2006
18. [Chiorean09a, 2009] – Ligia Chiorean, Mircea-Florin Vaida, “3D Rendering of Radiological Images using Java Secure Technologies”, MediTech2009, 27-29th September, IFMBE Proceedings 26, pag. 257-260, indexat Springer, Cluj-Napoca, ROMANIA
19. [Chiorean09b, 2009] – Ligia Chiorean, Mircea-Florin Vaida, “Medical Image Fusion Based on Discrete Wavelet Transform Using Java Technology”, ITI 2009, June 22-25 2009, Cavtat, Croatia, pag. 55-60
20. [Chiorean09c, 2009] – Ligia Chiorean, Mircea-Florin Vaida, Loreta Suta, “A Medical Image Fusion Method For Web Distributed Applications”, Journal Acta Tehnica Napocensis Electronics and Telecommunications, Volume 50, Number 3, Cluj-Napoca, 2009, pag. 31-37.
21. [Chiorean09d, 2009] – Ligia Chiorean, Mircea-Florin Vaida, Loreta Suta, “Web distributed secure application using a medical image fusion method”, Distributed Environments. Adaptability, Semantics and Security Issues, International Romanian-French Workshop, 17-18 September 2009, Cluj-Napoca, U.T. Press, pag. 138-148
22. [Chiorean07a, 2007] – Ligia Chiorean, Mircea-Florin Vaida, Iulian Benta, “Using a multimedia database for tele-diagnosis and alternative tele-education methods”, 1st International Conference on Advancements of Medicine and Health Care through Technology, MediTech2007, 27-29th September, 2007, Cluj-Napoca, ROMANIA, Journal Acta Electrotehnica, Vol. 48, No. 4, pag. 69-74
23. [Chiorean07b, 2007] – Ligia Chiorean, Aron Sipos, Mircea-Florin Vaida, “Content Based Medical Image Retrieval Using Oracle Intermedia”, Journal Acta Tehnica Napocensis Electronics and Telecommunications, Cluj-Napoca, Vol. 48, No.1, 2007, pag. 7-12
24. [Chiorean07c, 2007] – Ligia Chiorean, Aron Sipos, Mircea-Florin Vaida, Tatiana Hodorogea – “Technical education for medical specialists to use a multimedia database”, 8 th International Carpathian Control Conference ICCC’2007, Štrbské Pleso, Slovak Republic, May 24-27, 2007, pag. 207-210
25. [Chiorean07d, 2007] -Ligia Chiorean, Aron Sipos, Mircea-Florin Vaida, “Radiology database images retrieving”, ISSCS 2007, Iasi 2007, Vol. 1, pag. 213-216
26. [Chiorean05, 2005] – Ligia Chiorean, Mircea-Florin Vaida, Cosmin Striletchi, “DNA Analysis Using Densitometry Facilities”, VERIFICATORI BIOMETRICI Workshop 26-27 mai 2005, Cluj-Napoca, pag. 169-174
27. [Choras, 2007]- R. S. Choras, “Content-Based Image Retrieval – A Survey”, Biometrics, Computer Security Systems and Artificial Intelligence Applications, Springer US 2007, pag. 31-44
28. [Chunming, 2008] – “Chunming Li, Rui Huang, Zhaohua Ding, Chris Gatenby, Dimitris Metaxas, John Gore, ”A Variational Level Set Approach to Segmentation and Bias Correction of Images with Intensity Inhomogeneity, Medical Image Computing and Computer-Assisted Intervention – MICCAI 2008 , Volume 5242/2008, pag. 1083-1091
29. [Cisco, 2009] – CISCO Systems, “Making most of PACS through a CISCO medical-grade network”, http://www.cisco.com/web/strategy/docs/healthcare/eradiology_PACS.pdf
30. [Clements, 2008] – Robert J. Clements and James L. Blank, “A Stereoscopic Volume Rendered Brain Atlas”, Brains, Minds and Media Journal,Vol. 3, Number 2, 2008, DIPP NRW urn:nbn:de:0009-3-15126
31. [Clendenon, 2002] – J. L. Clendenon, C. L. Phillips, R. M. Sandoval, S. Fang, K. W. Dunn, “Voxx: a PC-based, near real-time volume rendering system for biological microscopy”, Am J Physiol Cell Physiol, 2002, pag. 213-218
32. [Cohen, 1993] – L.D. Cohen, I. Cohen, “Finite-Element Methods for Active Contour Models and Balloons for 2D and 3D Images,” IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 15, no. 11, 1993, pag. 1.131-1.147
33. [Colchester, 1996] – A. Colchester, J. Zhao, K. Holton-Tainter, C. Henri, N. Maitland, P. Roberts, C. Harris, R. Evans., “Development and Preliminary Evaluation of VISLAN, A Surgical Planning and Guidance System Using Intra-Operative Video Imaging,” Medical Image Analysis, vol. 1, no. 1, 1996, pag. 73-90
34. [Cong, 2009] – Vu Cong, Huynh Quang Linh, “3D Medical Image Reconstruction”, http://www.docstoc.com/docs/6530644/Of-3D-Medical-Images
35. [da Silva, 2009] – Claudio Antonio da Silva, Roberto de Beauclair Seixas, “Automated Contour Detection with Surface Generation on Volumetric Datasets”, http://w3.impa.br/~rbs/pdf/bte.pdf,
36. [Das, 2007] – Asha Das, K. Revathy, “A Comparative Analysis of Image Fusion Techniques for Remote Sensed Images”, Proceedings of the World Congress on Engineering 2007, vol. 1, pag. 639-644
37. [3D Doctor, 2009] – site 3D Doctor- www.ablesw.com/3d-doctor/index.html
38. [3dMD, 2009] – site 3DMD – http://www.3dmd.com/
39. [3DView, 2009] – site 3DViewNIX – http://www.mipg.upenn.edu/Vnews/index.html
40. [Dogan, 2004] – S. Dogan, “3d reconstruction and evaluation of tissues by using ct, mr slices and digital images”, ISPRS Congress Istanbul, 2004, pag.323-328
41. [Dolgovesov, 2005] – B.S. Dolgovesov, M.Y. Shevts, “Real-Time Volume Rendering Systems”, ACIT Software Engineering 2005, VolumePro1000, pag. 104-107
42. [Dubois, 2005] – J. P. Dubois, H. M. Chiu, “High Speed Video Transmission for Telemedicine using ATM Technology”, World Academy of Science, Engineering and Technology 12/ 2005, IEC Prague 2005, pag. 357-361
43. [Duncan, 2000] – J.S. Duncan, N.Ayache, “Medical Image Analysis: Progress over Two Decades and the Challenges Ahead”, IEEE Transaction of Pattern Analysis and Machine Inteligence, vol 22, no.1, 2000, pag.85-106
44. [Ehrhardt, 2004] – Ehrhardt J, Handels H, Plötz W, Pöppl SJ., “Atlas-based recognition of anatomical structures and landmarks and the automatic computation of orthopedic parameters”, Methods Inf Med. 2004; 43(4):391-397. PMID: 15472752
45. [Escott, 2003] – Edward J. Escott, David Rubinstein, “Free DICOM Image Viewing and Processing Software for Your Desktop Computer: What’s Available and What It Can Do for You”, RadioGraphics 2003, pag. 1341-1357
46. [Felipe, 2003] – J. C. Felipe, A. Caetano Traina, “Retrieval by Content of Medical Images Using Texture for Tissue Identification”, CBMS, IEEE Computer Society (2003), pag. 175-180
47. [Fillard, 2004] – P. Fillard, J.-C. Souplet, N. Toussaint, “SepINRIA: A Free Software to analyze Multiple Sclerosis Brain MRI, Tutorial for SepINRIA v1.7.0”, INRIA Sophia Antipolis – Research Project ASCLEPIOS, 2004
48. [Foos, 2000] – D.Foos, E. Muka, R.M.Slone, B.J.Erickson, M.J.Flynn, D.A.Clunie, L. Hidebrand, K. Kohm, S. Young, “JPEG2000 compression of medical imagery”, Proceeding of SPIE vol. 3980, PACS Design and Evaluation: Engineering and Clinical Issues, ed. G. Blaine, E. Siegel, Feb. 2000, pag. 85-96
49. [Fundeni, 2002] – http://e-medicina.ro/documents_folder/semi-private/tele2.pdf,
50. [Gateway, 2009] – site UltraGATEWAY, http://www.ultraradcorp.com/gateway.htm
51. [Glatard, 2004] -T. Glatard, J. Montagnat, J.E. Magnin, “Texture based medical image indexing and retrieval: applications to cardiac imaging”, Proceedings of ACM Multimedia 2004 Workshop on Multimedia Information Retrieval (MIR) NY 2004, pag. 135-142
52. [Guihong, 2001] – Q. Guihong, Z. Dali, Y. Pingfan, “Medical image fusion by wavelet transform modulus maxima”, OPTICS EXPRESS, Vol. 9, No. 4 , 2001, pag. 184-190
53. [h3d, 2009] – site H3D API- http://www.h3dapi.org/
54. [Handels, 2007] – Handels H, Werner R, Schmidt R, Frenzel T, Lu W, Low D, Ehrhardt J., “4D medical image computing and visualization of lung tumor mobility in spatio-temporal CT image data.”, Int J Med Inform. 2007 Dec;76 Suppl 3:S433-9. Epub 2007 Jul 2.
55. [Haralick, 1973] – R. M. Haralick, K. ShanMugam, I. Dinstein, “Textural features for image classification”, IEEE Transaction on Systems, Man and Cybernetics, vol. SMC-3, Nr. 6, 1973, pag. 610-621
56. [HealthOptimum, 2007] – site proiect HEALTH OPTIMUM, http://www.healthoptimum.info
57. [Heckbert, 1986] – Paul S. Heckbert, “Survey of Texture Mapping”, IEEE Computer Graphics and Applications, November, 1986, pag. 56-67.
58. [Hill, 2002] – P. Hill, N. Canagarajah, D. Bull, “Image Fusion using ComplexWavelets”, BMVC 2002, pag. 487-496
59. [Hsu, 1998] – E. W. Hsu, A. L. Muzikant, S. A. Matulevicius, R. C. Penland, C. S. Henriquez, ” Magnetic resonance myocardial fiber-orientation mapping with direct histological correlation”, Am J Physiol Heart Circ Physiol 274: H1627-H1634, 1998; Vol. 274, pag. 1627-1634
60. [Huang, 2002] – H.K. Huang, “Medical Image Management in Healtcare Enterprise”, Technology & Application: Global Health Care Issue, Vol 3, pag. 84 – 88
61. [Iancu, 2005] – Sorana Iancu, “Manualul utilizatorului platformei Ecodis”, proiect EcoDis 2005, http://www.mediclass.org/ecodis/help/manual_ecodis.pdf
62. [Imco, 2006] – site Imco, http://www.imco-tech.com
63. [InterMedia, 2007] – Oracle® interMedia User’s Guide 10g Release 2 – Content-Based Retrieval Concepts, http://youngcow.net/doc/oracle10g/appdev.102/b14302/ch_cbr.htm
64. [Jackman, 2009] – Michael W. Jackman, Kodak Health Imaging Group, “A Digital Imaging Transformation In Radiology Departments”,
http://www.hctproject.com/content/PDF/HCT2_wp_jackman.pdf
65. [Kagadis, 2002] – George C. Kagadis, “Design and Implementation of algorithms for medical image registration and fusion”, Phd. Thesis, 2002, Patras, http://nemertes.lis.upatras.gr/dspace/bitstream/123456789/kagadis_thesis.pdf
66. [Kirankumar, 2007] – Y. Kirankumar, D.S. Shenbaga, “Transform-based medical image fusion”, Int. J. Biomedical Engineering and Technology, Vol. 1, No. 1, 2007, pag. 101-110
67. [Kitware, 2009] – Kitware Source, Software Developer Quarterly, Issue 8, Jan. 2009, newsletter, http://kitware.com/products/archive/kitware_quarterly0109.pdf
68. [Klein, 2007] – Stefan Klein, Marius Staring, Josien P. W. Pluim, “Evaluation of Optimization Methods for Nonrigid Medical Image Registration Using Mutual Information and B-Splines”, IEEE Transactions On Image Processing, Vol. 16, No. 12, December 2007
69. [Konstantinidis, 2005] – K. Konstantinidis, A. Gasteratos, I. Andreadis, “Image retrieval based on fuzzy color histogram processing”, Optics Communications 248, 2005, pag. 375–386
70. [Kostomanolakis, 1993] – S. Kostomanolakis, M. Lourakis, C. Chronaki, J. Kavaklis, S.C. Orphanoudakis, “The architecture of a System for the Indexing of Images by Content”, Proceedings of CAR’ 93, Springer- Verlang, 1993, pag. 278-282
71. [Kugean, 2002] -C. Kugean, S.M. Krishnan, S.M. Clautatape, O. Swarninathan, S. Srinivaran, N.Wang, ”Design of a mobile telemedicine system with wireless LAN”, Circuits and Systems, 2002, APCCAS’02, Vol.1, pag. 316-316
72. [Kung, 1994] – M. F. Kung, K. H. Fung, “Three-dimensional CT reconstruction: local
experience”, J Hong Kong Med Assoc., Vol 46, Nr1, 1994, pag. 81-87
73. [Lai, 2009]- Chih-Chin Lai, Chuan-Yu Chang, “A hierarchical evolutionary algorithm for automatic medical image segmentation”, Expert Systems with Applications Journal, Volume 36, Issue 1, January 2009, pag. 248-259
74. [LeadTool, 2006] – site LeadTool, http://www.leadtools.com
75. [Levoy, 1990] – Marc Levoy, Henry Fuchs, Stephen M. Pizer, Julian Rosenman, Edward L. Chaney, George W. Sherouse, Victoria Interrante1, Jeffrey Kiel4, “Volume Rendering in Radiation Treatment Planning”, Proc. First Conference on Visualization in Biomedical Computing, IEEE Computer Society Press, May 1990, pag. 4-10
76. [Lewis, 2007] – J.J. Lewis, R.J. O’Callaghan, S. G. Nikolov, D. R. Bull, C.N. Canagarajah, “Pixel- and region-based Image fusion Using Complex Wavelets”, Information Fusion, volume 8, 2007, pag. 119-130
77. [Lorensen, 1987] – W.E.Lorensen, H.E.Cline, “Marching Cubes: A High Resolution 3D Surface Construction Algorithm”, Computer Graphics 21(4), 1987, ACM Siggraph Computer Graphics, Vol. 21, pag. 163-169
78. [Maintz, 1998] – J. B. Antoine Maintz, Max A. Viergever, “A survey of medical image registration,” Medical Image Analysis 2(1) 1998, pag. 1-36
79. [Martelli, 1976] – A.Martelli, “An application of heuristic search methods to edge and contour detection,” Comm. ACM, vol. 19, 1976, pag. 73-83
80. [Matsopoulos, 2001] – G. K. Matsopoulos, K. K. Delibasis, N. A. Mouravliansky, “Medical Image Registration and Fusion Techniques: A Review“, Advanced Signal Processing Handbook, CRC Press LLC, 2001, pag. 19.1-19.30
81. [Matter, 1996]- C. Matter, E. Nagel, M. Stuber, P. Boesiger, O. M. Hess, “Assessment of systolic and diastolic LV function by MR myocardial tagging”, Basic Research in Cardiology, Vol. 91, 1996
82. [Maulik, 2009] – U. Maulik, “Medical Image Segmentation Using Genetic Algorithms”, IEEE Transactions on Information Technology in Biomedicine, vol. 13, Issue 2, March 2009, pag. 166-173
83. [Medic4you, 2008] – site Medic4you, http://orange.medic4all.it/telemedicina.html
84. [Meijering, 1999] – E. Meijering, W. Niessen, M. Viergever, “Retrospective Motion Correction in Digital Subtractive Angiography: A Review,” IEEE Trans. Medical Imaging, vol. 18, no. 1, pag. 2-21, 1999
85. [Meißner, 2002] -M. Meißner, U. Kanus, G. Wetekam, J. Hirche, A. Ehlert, W. Straßery M. Doggettz, P. Forthmann, R. Proks, “VIZARD II: A Reconfigurable Interactive Volume Rendering System”, Graphics Hardware 2002, pag. 1–1
86. [Mitianoudis, 2008] – N. Mitianoudis, T. Stathaki, “Image fusion schemes using ICA bases”, ”Image fusion, Algorithms and applications”, Elsevier Academic Press, 2008, pag. 85- 118.
87. [Mlsna, 2004] -P.A. Mlsna, N.M. Sirakov, “Intelligent Shape Feature Extraction and Indexing for Efficient Content-Based Medical Image Retrieval”, Image Analysis and Interpretation 2004. 6th IEEE Southwest Symposium, pag. 172-176
88. [Mroz, 2000] – L.Mroz, H.Hauser, E. Groller, “Interactive High Quality Maximum Intensity Projection”, Computer Graphics Forum, 2000, Vol. 19, Nr.3, pag. 341-350
89. [Mueller, 1999] – K. Mueller, N. Shareef, J. Huang, R. Crawfis, “High-Quality Splatting on Rectilinear Grids with Efficient Culling of Occluded Voxels”, IEEE Transactions on Visualization and Computer Graphics, 5(2), 1999, pag. 116-134
90. [Müler, 2004] – H. Müler, N. Michoux, D. Bandon, A. Geissbuhler, “A Review of Content-Based Image retrieval Systems in Medical Applications – Clinical Benefits and Future Directions”, International Journal of Medical Information vol. 73 (1) (2004), pag. 1–23
91. [Nava, 2007] – R. Nava, B. Escalante-Ramirez, G. Cristobal, “Mutual information Improves image fusion quality assessments”, Scientific Literature Digital Library SPIE Newsroom, 2007 DOI: 10.1117/2.1200708.0824
92. [Nema, 2009] – site Nema, http://medical.nema.org
93. [Olowoyeye, 2009] – Adebayo Olowoyeye , Mihran Tuceryan, Shiaofen Fang, “Medical volume segmentation using bank of Gabor filters”, Symposium on Applied Computing Proceedings of the 2009 ACM symposium on Applied Computing, SESSION: Computer application in health care track, 2009, pag. 826-829
94. [Oosterwijk, 2000] – Herman Oosterwijk – “DICOM Basics”, OTech Inc., Cap Gemini&Young, 2000
95. [Oosterwijk, 2004] – Herman Oosterwijk, “The DICOM standard, overview and characteristics”, http://www.ringholm.de/docs
96. [Orza, 2005] – B.Orza, V. Mihalcea, M. Hedeşiu, Ligia Chiorean, A. Vlaicu, Gr. Baciut, M Baciut, V. Cernea, S. Albu, “Teleoraltum – Sistem informatic integrat de monitorizare a tumorilor maligne oro-maxilo-faciale”, Conferinţa Română de Radiologie Orală şi Maxilofacială, Cluj-Napoca, 2005, pag. 47-48
97. [Pantelis, 2004] – G. Pantelis, B. Konstantinos, G. Harris, S. Konstantinos, T. Sapal, D. Nikolaos, C. Dionisis, “ A PDA-based Teleradiology System”, 1st IC-SCCE, Atena, 2004, pag 3090 – 3093
98. [Pelski, 2002] – Sue Pelski – Oracle interMedia Java Classes User’s Guide and Reference, Release 9.2, Oracle Corporation
99. [Pelski, 2003] – Sue Pelski -Oracle® Application Server 10g Multimedia Tag Library for JSP User’s Guide and Reference 10g
100. [Pianykh, 2008] – Oleg S. Pianykh, “Digital Imaging and Communications in Medicine (DICOM), A Practical Introduction and Survival Guide”, 2008 Springer-Verlag Berlin Heidelberg
101. [Pietrzyk, 2001] – Uwe Pietrzyk, “Registration of MRI and PET Images for clinical Applications”, Medical Image Registration. Edited by Joseph V. Hajnal, Derek lg Hill, and David J. Hawkes. CRC Press, Boca Raton, 2001
102. [Pinnamaneni, 2002] – Pujita Pinnamaneni, Sagar Saladi, Joerg Meyer, “Remote Transformation and Local 3-D Reconstruction and Visualization of Biomedical Data Sets in Java3D”, Proceedings of Electronic Imaging Science & Technology Visualization and Data Analysis Conference, 2002, pag. 44-54
103. [Pluim, 2003] – Josien P. W. Pluim, J. B. Antoine Maintz, Max A. Viergever, “Mutual information based registration of medical images: a survey”, IEEE Transactions on medical imaging, 2003, Vol. 22, Nr. 8, pag. 986-1004
104. [Polyxronopoulou, 2005] – Evgenia Polyxronopoulou, Antonis Daskalakis, Pantelis Georgiadis, Kostas Sidiropoulos, Dimitris Glotsos, Panagiota Ravazoula, George Nikiforidis, Dionisis Cavouras, “Development Of A Telemedicine Image Processing And Transferring System Over A Wireless Computer Network”, 1st International Conference on Experiments/Process/System Modelling/Simulation/Optimization, 1st IC-EpsMsO, Athens, 6-9 July, 2005, CiteSeerX – Scientific Literature Digital Library DOI: 10.1.1.108.9283
105. [Rajapakse, 1998] – Jagath C. Rajapakse, Frithjof Kruggel, “Segmentation of MR images with intensity inhomogeneities”, Image and Vision Computing, Volume 16, Issue 3, 16 March 1998, pag. 165-180
106. [Rangarajan, 1997] – A. Rangarajan, H. Chui, E. Mjolsness, S. Pappu, L. Davachi, P. Goldman-Rakic, J. Duncan., “A Robust Point Matching Algorithm for Autoradiograph Alignment,” Medical Image Analysis, vol. 4, no. 1, 1997, pag. 379-398
107. [Rarău, 2008] – A. E. Rarău, M. Cremene, K. I. Benţa, “Sisteme senzitive la context”, Ed. Albastra, 2008
108. [Ratib, 1997] – O.Ratib, “From PACS to the World Wide Web”, http://www.hon.ch/Library/papers/ratib.html
109. [Romedic, 2008] – http://www.romedic.ro/telemedicina-in-cardiologie-cu-spitale-din-anglia-si-grecia-0N7085
110. [Roshni, 2008] – Roshni Vs, K Revathy, “Using Mutual Information And Cross Correlation As Metrics For Registration Of Images”, Journal of Theoretical and Applied Information Technology, 2008, pag 474-481
111. [Sadjadi, 2005] – F. Sadjadi, “Comparative Image Fusion Analysis“, Computer Vision and Pattern Recognition – Workshops, 2005, CVPR Workshops, IEEE Computer Society Conference, pag.157 – 164
112. [Samcovic, 2003] – Andreja Samcovic, Zoran Bojkovic, Vedrană Milic-Rasic, “Telemedicine as a New Multimedia Services: Concepts and Advances”, Telsiks 2003, Vol.1, pag.399 – 402
113. [Sasikala, 2007] – M. Sasikala, N. Kumaravel, “A comparative Analysis of Feature Based Image Fusion Methods”, Information Technology Journal 6 (8), 2007 Asian Network for Scientific Information, pag. 1124-1230
114. [Schreibmann, 2008] Schreibmann E, Thorndyke B, Li T, Wang J, Xing L., “Four-dimensional image registration for image-guided radiotherapy”., Int J Radiat Oncol Biol Phys. 2008, 71(2):578-586. Epub 2008 Apr 18
115. [Schröder, 1996] – Peter Schröder, “Wavelets in Computer Graphics”, SIGGRAPH 96, 23rd International Conference in Computer Graphics and Interactive Techniques, New Orleans, curs
116. [Seidl, 2001] – T. Seidl, Hans-Peter Kriegel – “Adaptable Similarity Search in Large Image Databases”, State-of-the art in Content-Based Image and Video Retrieval, Kluwer Academic Publisher, Edited by R.C. Veltkamp, H. Burkhardt, H. Kriegel, 2001, pag. 297-319
117. [Shuai, 2008] – Jie Shuai, Jianyong Sun, Jianguo Zhang , “Novel multidimensional medical imaging using open source software”, SPIE Biomedical Optics & Medical Imaging, 2008, DOI: 10.1117/2.1200802.1032
118. [Shu-Long, 2002] – Zhu Shu-Long, “Image Fusion Using Wavelet Transform”, ISPRS Proceeding 2002, pag. 171 – 179.
119. [Skodras, 2000] – A.N. Skodras, C.A. Christopoulos, T. Ebrahimi, “JPEG2000: The Upcoming Still Image Compression Standard”, Proceedings of the 11th Portughese Conference on Pattern Recognition, Porto, Portugal, May 11th- 12th 2000, pag. 359-366
120. [Somaskandan, 2006] – Suthakar Somaskandan – “Visualization in 3D Medical Imaging”, Seminar at CBA Swedish, 2006
121. [Striletchi, 2005] – Cosmin Striletchi, Mircea-Florin Vaida, Ligia Chiorean, “Secured Medical Therapy Using Multimedia Technologies”, Inter-Ing 2005, 10-11 November, Tg. Mures, Romania, pag. 653-658
122. [Striletchi, 2008] – Cosmin Striletchi, Mircea-Florin Vaida, Ligia Chiorean, “On-line Processing
Facilities Considering a Multimedia Data Base and Security Elements”, ITI 2008, 23-26 June 2008, Cavtat, Croatia, pag. 251-256
123. [Szambal, 2009] – Sebastian Szambal, “Implementation of the Shear-Warp Algorithm”,
http://www.cg.tuwien.ac.at/courses/projekte/vis/finished/SZambal/basic.html
124. [Tagare, 1997] – H. D. Tagare, C. Jaffe, J. Duncan, “Medical Image Databases: A Content-based Retrieval Approach”, J Am Med Inform Assoc, Vol. 4, No. 3. 1997, pag. 184-198
125. [Takita, 2002] – N. Takita, H. UE, H. Haneishi, H. Toyama, N. Yamamoto, T. Miyamoto, Y. Mori, “Automatic and Rapid Image Registration between X-ray CT and SPECT Chest Images”, Japan HardCopy, 2002, pag. 477-478
126. [Tang, 2006] – L. Tang, G. Hamarneh, A. Celler, “Co-registration and fusion of CT and SPECT images using mutual information”, Vancouver Coastal Health Research Institute (VCHRI) 2006, poster
127. [Tenpet, 2006] – proiect TENPET ,
http://ec.europa.eu/information_society/events/ict_bio_2006/docs/concert-meet-projects/tenpet-w.pdf]
128. [Tsotsos, 1985] – J. Tsotsos, “Knowledge Organization and Its Role in Representation and Interpretation for Time-Varying Data: The ALVEN System,” Computational Intelligence, vol. 1, no. 1, pag. 16-32, Feb. 1985
129. [Udupa, 2000] – J.K. Udupa, G.T. Herman, “3-D Imaging in Medicine”, 2nd Edition, CRC Press LLC, 2000
130. [VisTools, 2009] – site VisTools, http://visservices.sdsc.edu/vistools/
131. [VolumePro, 2009] – site VolumePro, http://www.terarecon.com/products/vp_prod_med.htm
132. [VaidaP, 2002] – Mircea-Florin Vaida, Cosmin Porumb, Radu-Vasile Fotea, Florin-Radu Hurducas, Liviu Lazar – Java 2 Enterprise Edition (J2EE) Aplicatii multimedia, Ed. Albastra, 2002
133. [VaidaD, 2002] – Mircea-Florin Vaida, Jozsef Domokos, “Oracle9i in managing medical images and multimedia content”, IEEE- International Workshop, Trends and Recent Achievements in Information Technology, 16-18 May 2002, Cluj-Napoca, Romania, pag. 144 -151
134. [Vartziotis, 2006] – Dimitris Vartziotis, Alkis Poulis, Victor Faessler, Costas Vartziotis, Charis Kolios, “Integrated Digital Engineering Methodology for Virtual Orthopedics Surgery Planning”, ITAB 2006, Ioannina, Greece
135. [Viskom, 2004] – Miloš Šrámek Viskom, “The DICOM Standard”, lecture at Austrian Academy of Sciences
136. http://www.viskom.oeaw.ac.at/~milos/lecture/dicomb.pdf
137. [VisTools, 2009] – site VisTools -http://visservices.sdsc.edu/vistools/
138. [VTK, 2009] – site VTK – http://www.vtk.org/
139. [Vlaicu, 1997] – Aurel Vlaicu, “Prelucrarea digitala a imaginilor”, Editura Albastra, 1997
140. [Veltkamp, 2001] – Remco C. Veltkamp, Mirela Tanase, Danielle Sent, “Features in Content Based Image Retrieval Systems: A Survey”, “State-of-the-art in content-based image and video retrieval”, Ed. R. C. Veltkamp, Hans Burkhardt, Hans-Peter Kriegel, Kluwer Academic Publisher, 2001, pag 97-124
141. [Wang, 2008] – Qiang Wang, Yi Shen, Jing Jin, “Performance evaluation of image fusion techniques”, Image Fusion: Algorithms and Applications, Elsevier Academic Press, 2008
142. [Wei, 2006]- C.H.Wei, C.T. Li, R. Wilson, “Approach to Medical Database Retrieval”, Idea Group Inc., 2006
143. [Weili, 2009] – Shi Weili, Miao Yu, Chen Zhanfang, Zhang HongBiao, “Research of Automatic medical image segmentation algorithm based on Tsallis entropy and improved PCNN”, ICMA 2009, International Conference Mechatronics and Automation 2009, pag. 1004-1008
144. [Weisstein, 2009] – Eric Weisstein, “Cubic Spline.” From MathWorld–A Wolfram Web Resource, http://mathworld.wolfram.com/CubicSpline.html
145. [Westover, 1989] – L.Westover, “Interactive volume rendering”, CH Volume Visualization Workshop, 1989, pag. 9-18
146. [Wieclawek, 2009] – Wieclawek Wojciech, Rudzki Marcin, Czajkowska Joanna, “Live-wire Approach with FCM Clustering and Adaptive Filtering for Edge Detection in Medical Images”, 9th International Workshop, OWD, 17-20 October 2009, pag. 475-478.
147. [Zabulis, 2001] – X. Zabulis, S. C. Orphanoudakis, “Image Content Analysis and Description, State-of-the-Art in Content-Based Image and Video Retrieval”, Kluwer Academic Publisher, Edited by R.C. Veltkamp, H. Burkhardt, H. Kriegel, 2001, pag.1-21
148. [Zhang, 2009] – Jinyan Zhang, Xudong Lu, Hongchao Nie, Zhengxing Huang, W. M. P. van der Aalst, “Radiology information system: a workflow-based approach”, Int J CARS (2009) pag. 509–516