Zusammenfassung
Es wird eine Methode zur Segmentierung von anatomischen Strukturen mit dreidimensionalen, deformierbaren Formmodellen basierend auf Organwahrscheinlichkeitskarten vorgestellt. Diese Karten sind das Ergebnis eines überwachten, Texturmerkmale nutzenden Klassifikationssystems, das den Voxeln der CT-Bilddaten die Wahrscheinlichkeit der Zugehörigkeit zur gesuchten Organklasse zuordnet. Das Formmodell führt seine Adaption beruhend auf einer Organwahrscheinlichkeitskarte aus, was eine automatische Übertragung des Modells zur Segmentierung neuer Organe ermöglicht. Für die Segmentierung von 13 Ohrspeicheldrüsen bzw. 9 Harnblasen wurde eine mittlere Entfernung zur manuellen Segmentierung eines Klinikers von 1,71 mm bzw. 2,52 mm erreicht, im Vergleich zu 4,99 mm bzw. 2,39 mm einer grauwertbasierten Modelladaption.
This is a preview of subscription content, log in via an institution.
Buying options
Tax calculation will be finalised at checkout
Purchases are for personal use only
Learn about institutional subscriptionsPreview
Unable to display preview. Download preview PDF.
Literaturverzeichnis
McInerney T, Terzopoulosr D. Deformable Models in Medical Imaging Analysis: A Survey. Med Image Anal 1996;1(2):91–108.
Pekar V, McNutt TR, Kaus MR. Automated model-based organ delineation for radiotherapy planning in prostatic region. Int J Radiat Oncol Biol Phys 2004;4(3):433–452.
Kaus MR, von Berg J, Niessen W, et al. Automated Segmentation of the Left Ventrical in Cardiac MRI. In: Proc MICCAI; 2003. p. 432–439.
von Ginneken B, Frangi AF, Staal JJ, et al. Active Shape Model Segmentation with Optimal Features. IEEE Trans Med Imaging 2002;21(8):924–933.
Fenster SD, Kender JR. Sectored Snakes: Evaluating Learned-Energy Segmentations. IEEE Trans Pattern Anal Machine Intell 2001;23(9):1028–1034.
Paragios N, Deriche R. Geodesic active contours and level set methods for supervised texture segmentation. Int J Comput Vis 2002;46(3):223–247.
Pujol P, Radeva P. Texture Segmentation by Statistical Deformable Models. Int J Image and Graphics 2004;4(3):433–452.
Jain AK, Farrokhnia F. Unsupervised Texture Segmentation Using Gabor Filters. Pattern Recogn 1991;24(12):1167–1186.
Malik J, Belongie S, Leung TK, et al. Contour and Texture Analysis for Image Segmentation. Int J Comput Vis 2001;43(1):7–27.
Varma M, Zisserman A. Texture Classification: Are Filter Banks Necessary? In: Proc CVPR; 2003. p. 691–698.
Arya S, Mount DM. Approximate nearest neighbor searching. In: Proc SODA; 1993. p. 271–280.
Duda RO, Hart PE, Storck GS. Pattern Classification. Wiley, New York; 2001.
Author information
Authors and Affiliations
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2005 Springer-Verlag Berlin Heidelberg
About this paper
Cite this paper
Mienkina, M., Pekar, V., Hoffmann, F., Kaus, M. (2005). Automatische Generierung von Bildmerkmalen für die Segmentierung von CT-Bilddaten mit deformierbaren Modellen. In: Meinzer, HP., Handels, H., Horsch, A., Tolxdorff, T. (eds) Bildverarbeitung für die Medizin 2005. Informatik aktuell. Springer, Berlin, Heidelberg. https://doi.org/10.1007/3-540-26431-0_34
Download citation
DOI: https://doi.org/10.1007/3-540-26431-0_34
Publisher Name: Springer, Berlin, Heidelberg
Print ISBN: 978-3-540-25052-4
Online ISBN: 978-3-540-26431-6
eBook Packages: Computer Science and Engineering (German Language)