征。随机森林或递归分割(REPART，Breiman等人，1984)也能够独立地或组合被使用以识别最重要的参数组合。随机森林和递归分割在以下文章中进行了讨论:Strobl 等人的 An Introduct1n to Recursive Partit1ning:Rat1nale, Applicat1nand Characteristics of Classificat1n and Regress1n Trees, Bagging and RandomForests, Psychol Methods，14(4)、第 323-348 页(2009) ；Breiman 的 Random forests,Machine Learning，45，第 5-32 页(2001) ;Breiman 的 Classificat1n and Regress1nTrees, Boca Raton: Chapman&Hal 1/CRC (1984);美国专利 8600917 ;以及美国专利 8187830，通过引用并入本文。KW和RF 二者需要多个特征从总体被选定。RPART使用可用参数的子集来创建单个分类树。
[0049]可以使用其他的公式，以便在它们的提供到预测性公式之前，将个体选定的参数测量值的结果预先处理为更有价值的信息格式。最值得注意的是，参考成员的平均值等的，使用诸如对数函数或逻辑函数(Logistic funct1n)的任一常见数学变换的而作为常规或者其他分布位置的对参数结果的归一化对本领域的技术人员而言是公知的。
[0050]除了潜在地被归一化的一个对象的个体参数值之外，针对全部对象或者对象的任何已知类的整体预测性公式其本身可以根据以下基于针对群体的成员的希望的流行率和平均参数值的调节而被重新校准或以其他方式被调节:在D’ Agostino等人的Validat1nof the Framingham coronary heart disease predict1n score:results of a multipleethnic group investigat1n，JAMA，286、第 180-187 页(2001)中概述的技术或其他类似的归一化和重新校准技术。这样的调节统计可以通过将过往数据的记录提供到模型而连续地被捕获、改进和更新，所述记录可以是机器可读的或者其他方式的，所述调节统计或者通过存储的样本的回溯询问或者参考这样的参数和统计的历史研究偶然地被捕获、改进和更新。可以是公式重新校准或其他的调节的对象的额外的范例包括在研究中通过让步比的限制使用的统计(参见 Pepe 等人的 Limitat1ns of the odds rat1 in gauging theperformance of a diagnostic, prognostic, or screening marker，Am J Epidem1logy，159(9)、第882-890页(2004))以及在风险预测中的受试者操作特性(ROC)曲线(参见Cook的Use and misuse of receiver operating characteristic curve in risk predict1n，Circulat1n，115 (7)、第 928-35 页(2007) ;Wang 等人的 Multiple b1markers for thepredict1n of first major card1vascular events and death，NEJM，355、第2631-2639页(2006);以及Grand&Sabin 的 Analysis of b1marker data: logs, odds, rat1s and ROCcurves,Curr Opin HIV AIDS，5 (6)、第 473-479 页(2010))。此外，分类器公式自身的数值结果可以通过对选定的感兴趣特征已经被识别和确认的实际正控制的它的参考，在后处理中被变换。
[0051]图7是表示用于模型开发的示范性方法300的流程图，所述示范性方法可以用于搜索感兴趣特征。方法300可以使用图5的范例计算系统环境100来被实施，并且将用于解释环境100的操作。然而，应认识到，方法300能够由不同于计算系统环境100的系统来实施。在方框301处，关于选定的感兴趣特征的共配准的位置数据集，如本文已经描述的，从数据存储设备被获得，所述数据存储设备例如是系统存储器129、内部或外部数据库或者其他计算机存储介质。可以通过各种手段，包括捕获图像中的感兴趣特征的各种成像模态，来初始导出共配准的数据集，其中，特征从成像模态被提取，并被转换为位置数据(即，坐标的集合)。
[0052]在方框302处，共配准的数据集如需要地被准备，以满足将用于训练搜索算法的模型或者分析的要求，如下面描述的。例如，数据集准备可以包括准备来自每个成像模态的位置数据，或者其选择子集。当必要时，各种数据准备方法可以用于在训练算法之前准备数据，所述各种数据准备方法例如是间隙填充技术(例如，最近邻插值或其他模式识别)、质量检查、使用各种公式的数据组合(例如，统计分类算法)、规范化和/或变换，例如用于改变数据的分布以满足模型的要求的对数函数(例如，基数10，自然对数等)。再次，所述特定的数据准备流程取决于一个或多个模型，所述一个或多个模型将使用共配准的数据集来被训练。用于各种不同模型类型的特定数据准备技术是已知的，并且不需要进一步描述。
[0053]在方框303处，特定提取的特征被变换为位置数据，所述位置数据用于选择随后被用在训练用于识别给定的成像模态中的感兴趣特征的搜索模型中的参数。对共配准的位置数据的使用可以涉及利用来自提供最可重复结果的共配准的集合的仅位置数据。数据集验证的范例可以包括，但不限于交叉验证和自举方法。根据参数选择，用于识别给定的成像模态中的感兴趣特征的最佳搜索模型可以被确定和选择。然而，应注意到，并不是所有的模型关于相同的数据集提供相同的结果。例如，不同的模型可以利用位置数据的不同方面并产生不同的结果，从而增加了优化的模型中的选定的位置数据的显著性。因此，多选择模型可以被选择并且与共配准的数据集，或共配准的数据集的子集一起被利用，以便识别用于识别给定的模态中的感兴趣特征的最优搜索模型。可以用于从共配准的数据集选择位置数据的特定的模型的范例，包括统计模型、算法等，在上面已被描述。
[0054]针对与数据集或其子集一起使用的每个选择模型，基于模型中的其统计显著性来选择位置数据。当被输入到每个模型中时，位置数据基于针对统计显著性的各种准则被选择，并且还可以涉及累积投票和加权。针对统计显著性的测试可以包括退出测试和方差分析(ANOVA)。所述模型可以包括分类模型(例如，LDA、逻辑回归、SVM、RF、树模型等)和生存模型(例如，C0X)，上面已经描述了其的许多范例。
[0055]在方框304处，要用于识别感兴趣特征的搜索模型被选择、训练和验证。尤其是，领先的候选模型可以基于一个或多个性能准则被选择，上面已经描述了所述性能准则的范例。例如，根据利用各种模型来使用数据集或数据子集，不仅模型用于确定统计显着参数，而且结果可以用于选择与参数一起的最优模型。这样一来，用于评估风险的评估模型可以包括用作选择模型的这些中的一个，包括分类模型和生存模型。模型标记物(包括标记物子集)的组合，可以在子集和个体数据集中被比较和验证。比较和验证可以被重复多次，以训练和验证模型，并且选择适当的模型，所述适当的模型然后被用作用于评估糖尿病状况的风险的评估模型。
[0056]现在将参考本发明在特定的情形中的应用。应理解，这些实施例不是限制性的。如下面的范例所图示的，本发明涉及对在从多个数据集或成像模态导出的脉管图像中的感兴趣特征的检测，所述感兴趣特征例如是血管边界和支架支柱。本发明的方法潜在地利用来自多个成像模态的互补信息，并且组合从每幅图像提取的信息，来检测目标特征。
[0057]图像分割是将数字图像划分为多个片段(像素的集合，也被称为超像素)的过程。分割的目标是将图像的表示简化和/或改变为更有意义并且更容易分析之物。图像分割通常用于在图像中定位对象和边界(线、曲线等)。分割的一种方法是计算并且提取来自图像数据的特征。特征能够被组合为特征向量(例如，被变换为位置数据)，所述特征向量然后能够与已