Röntgen Computertomographie (CT) Hounsfield, W.A. Kalender: Computertomographie Publicis MCD Verlag, 2000
|
|
- Swen Hafner
- vor 7 Jahren
- Abrufe
Transkript
1 Hounsfield, 1969 Zusätzliche Literatur: W.A. Kalender: Computertomographie Publicis MCD Verlag, 2000
2 Entwicklung der CT im historischen Überblick 1895 W.C. Röntgen entdeckt eine 'neue Art von Strahlen', die später nach ihm als Röntgenstrahlen benannt werden 1917 J.H. Radon entwickelt die mathematischen Grundlagen zur Errechnung von Querschnittsbildern aus Transmissionsmessungen 1960/1970 Verbesserung der Computertechnologie 1972 G.N. Hounsfield und J. Ambrose führen erste klinische Untersuchungen mit Computertomographie durch 1975 erster Ganzkörpertomograph im klinischen Einsatz 1979 Verleihung des Nobelpreises an Hounsfield und Cormack 1989 erste klinische Untersuchungen mit Spiral-CT 1998 erste klinische Untersuchungen mit Mehrzeilen-Spiral-CT 2000 ca klinische Spiral-CT- Installationen weltweit
3
4 1974 Bildmatrix: 80 x Bildmatrix: 512 x 512 Spiral-CT
5 Hounsfield, 1969 moderner CT-Scanner
6 Probleme der Projektionsradiographie: Röntgenbild: - modulierte Verteilung der durch Gewebe transmittierten Röntgenquanten - 2D Projektion der Schwächungseigenschaften des Gewebes - Überlagerungsbild: alle durchstrahlten Volumenelemente tragen zur Schwächung bei? - Linienintegral der Abschwächung: = µ( x, y, z JD J0 e )dl - Kontrast: Strukturen mit großem µ (Knochen) bzw. Dickenunterschiede; Weichteilgewebe nicht darstellbar - Projektionsradiographie ist nicht tomographisch
7 homogenes Objekt; mono-chromatische Strahlung J D = J 0 e µ d P = ln J J 0 D = µ d J 0 µ = 1 d ln J J 0 D J D P = Projektionswert
8 inhomogenes Objekt; mono-chromatische Strahlung?? ln = = = = = = i i i i D ds d d d d d J J P e J e J e J J d i i i µ µ µ µ µ µ µ D J 0 J D
9 inhomogenes Objekt; poly-chromatische Strahlung J 0 J D P µ ( x, y) = = = E max 0 J J ln J?? 0 0 D ( E) e d 0 µ d s de J D
10 Prinzipien der Röntgen-Computertomographie
11 Prinzip der Computertomographie: - messe räumliche Verteilung einer physikalischen Eigenschaft [µ(x,y)] des zu untersuchenden Objekts - errechne aus Meßwerten überlagerungsfreie Bilder (Radon-Transformation und Fourier-Scheiben-Theorem)
12 Idee: Aufnahme einzelner Schichten betrachte menschlicher Körper als ein aus endlich vielen diskreten Volumenelementen zusammengesetztes Objekt in grober Auflösung: - einzelne transversale Schichten der Dicke s - Schichten zusammengesetzt aus diskreten quaderförmigen Volumenelementen x Volumenelement: Bildelement: Voxel (volume element) Pixel (picture element)
13 Messung von Schichtbildern und inverses Problem Inverses Problem: Gegeben eine Menge N p von Messungen (Schichtbilder) außerhalb eines Objektes, bestimme die Verteilung der physikalischen Kenngröße µ innerhalb des Objektes J. Radon (1917): Die 2D-Verteilung einer Objekteigenschaft kann exakt beschrieben werden, wenn eine unendliche Anzahl von Linienintegralen vorliegt. Durch eine endliche Anzahl N p von Messungen kann die Verteilung µ(x,y) ausreichend approximiert werden Vorwärtsproblem: gegeben µ(x,y) innerhalb des Objekts, bestimme Ergebnis der Messung außerhalb des Objekts.
14 Einfachstes Meßprinzip der CT Mit Radon Vorgabe: erst Translation (ergibt Projektion) dann Rotation (min. 180 ) Nadelstrahl Moderne CT-Scanner: Projektionen mit ca Meßwerten pro Projektion
15 Radon-Transformation (I) J. Radon (1917): Die 2D-Verteilung einer Objekteigenschaft kann exakt beschrieben werden, wenn eine unendliche Anzahl von Linienintegralen vorliegt. sei f(x,y) beliebige integrierbare Funktion beschreibe f(x,y) durch alle geraden Linienintegrale durch Definitionsgebiet von f(x,y): + ( x( l), y( l ) f ) dl
16 Radon-Transformation (II) naiver Ansatz: integriere nacheinander durch alle Punkte über alle Richtungen einige Linienintegrale sind identisch wähle geeignetes Ordnungsschema, so dass alle Linienintegrale nur einmal vorkommen (Hesse Normalform) r r e = s r e = Θ = f ( x, y) dl = p( Θ, s) Θ Einheitsve ktor in Richtung Winkel zwischen Integrationslinie undnormalen durchnull
17 Radon-Transformation (III) mit Θ [0,180 ] und mit allen s: (s min < s < s max ) alle möglichen Linienintegrale p(θ,s) über Funktion f(x,y) Radon-Transformation: Übertragung der Werte der Linienintegrale in p(q,s)-diagramm Eine Linie in der Radontransformierten mit Θ =const nennt man Projektion p Θ (s) p Θ (s) = Zahlenfolge aller Linienintegrale über f(x,y) mit Θ =const und variablem Abstand s zum Koordinatenursprung
18 Radon-Transformation (III- 1) Berechnung der Radontransformierten für Θ=0
19 Radon-Transformation (III- 2) Berechnung der Radontransformierten für Θ 0
20 Fourier-Scheiben-Theorem (I) - Messung mit Nadelstrahl für gegebenen Winkel Θ und Abstand s vom Koordinatenursprung (Projektionswerte p Θ (s)) entspricht der Radontransformierten des Bildes. - Mit Hilfe des Fourier-Scheiben-Theorems läßt sich aus der Radontransformierten die Funktion f(x,y) bestimmen (d.h. µ(x,y)) Zusammenhang zwischen Radon- und Fourier-Transformation (Projektionssatz oder Fourier -Scheiben-Theorem): r sei Rf(e, s) = G( α) = F( u, v) für mit G( α) = F1 F( u, v) = F { RΘ f ( s) } { f ( x, y) } 2 r r e r r f ( ) d Radontransformierte des Objekts ( u, v) = α (cosθ,sin Θ) µ(x,y) durch inverse 2D-FT f
21 Fourier-Scheiben-Theorem (Bew e i s f ü r Q =0) Projektion zum Winkel Θ=0
22 Fourier-Scheiben-Theorem (Bew e i s f ü r Q =0) Def.: 1D-FT(p Θ=0 (s)) ergibt Werte der 2D-FT von f(x,y) auf der u-achse
23 Fourier-Scheiben-Theorem (Bew e i s f ü r Q 0) Projektion für Θ 0
24 Fourier-Scheiben-Theorem (Bew e i s f ü r Q 0) Projektion p Θ (s) kann als Projektion auf der x -Achse eines gedrehten Koordinatensystems aufgefaßt werden. Es gilt die gleiche Herleitung wie für Θ=0: 1D-FT(p Θ (s)) ergibt Werte der 2D-FT von f(x,y) auf der u -Achse Allgemein gilt: Die FT einer um den Winkel Θ gedrehten Funktion f(x,y) ist um den genau den gleichen Winkel Θ gegenüber der FT F(u,v) verdreht q.e.d.
25 Fourier-Scheiben-Theorem (II) Θ=0 Θ 0
26 Fourier-Scheiben-Theorem (III) Sei eine Funktion f(x,y) gegeben und F(u,v) deren 2D-Fouriertransformierte Sei weiter p Θ (s) eine Projektion von f(x,y) und P Θ (w) deren 1D-Fouriertransformierte Dann beschreibt P Θ (w) die Werte von F(u,v) auf einem Radialstrahl zum Winkel Θ.
27 Rekonstruktion von f(x,y) = µ(x,y) aus Radon-Transformation
28 Radon-Transformation und Computertomographie Durchgang eines nadelförmigen Rö.-Strahls durch Körper
29 Radon-Transformation und Computertomographie
30 Radon-Transformation und Computertomographie Caveat: - Daten liegen als Werte auf Radialstrahlen vor! - Schnelle Fouriertransformation (FFT) benötigt Uminterpolation auf quadratisches Gitter (Polarkoordinaten kartesische Koordinaten) - Uminterpolation kann zu schwerwiegenden Artefakten führen! (moderne Scanner ermöglichen Abtastung im kartesischen Raster)
31 Iterative CT- Rekonstruktion (I) - gesuchte Verteilung µ(x,y) liegt nach Messung nur in Form der Projektionswerte (Radon-Transformierte) vor. - finde Rücktransformation um µ(x,y) zu erhalten einfachster Ansatz: gesucht: N x N Bildpunkte der Matrix: N 2 Werte gegeben: M = N p x N d = Anzahl Projektionen x Anzahl Werte/Projektion wenn M N: über-bestimmtes Problem lösbar!
32 Iterative CT- Rekonstruktion (II) Allgemeiner Fall: sei f(x,y) = µ(x,y) Für digitale Verarbeitung: Hintereinandersetzen der Zeilen der Bildmatrix ergibt Zahlenfolge mit einzelnem Index: f i Messung mit Nadelstrahl j liefert Integral über Werte f i, die auf dem Strahl liegen: - Funktionswerte f i werden mit Gewichtsfaktor w ij multipliziert u. addiert - w ij gibt Flächenanteil vom Nadelstrahl j zum Pixel i an (wg. Nadelstrahl sind die meisten w ij =0)
33 Iterative CT- Rekonstruktion (III) N MN M M M N N N N f w f w f w p f w f w f w p f w f w f w p = = = L M L L Meßwerte p i (Linienintegrale) lassen sich darstellen als: lineare Abbildung!! Beispiel: Bildgröße: 512x512 N = gegeben: 1000 Projektionen mit jeweils 800 Detektoren M = 1000 x 800 = (über-bestimmtes Problem) Gleichungen mit Unbekannten!!
34 Iterative CT- Rekonstruktion (IV) Lösen des linearen Gleichungssystems: (1) direkte Methoden z.b. Gauß-Elimination unpraktikabel bei großen Matrizen (2) iterative Methoden:
35
36
37 Iterative CT- Rekonstruktion (V) - Verfahren konvergiert immer - Verfahren wird bei der Röntgen-CT heute nicht mehr verwendet - Verfahren findet jedoch bei PET/SPECT immer mehr Anwendung
38 C T -Rekonstruktion mit gefilterter Rückprojektion Wiederholung: Messung mit Nadelstrahl für gegebenen Winkel Θ und Abstand s vom Koordinatenursprung (Projektionswerte p Θ (s)) entspricht der Radon- Transformierten des Bildes µ(x,y). Mit Fourier-Scheiben-Theorem gilt: - durch 1D-FT der gemessenen Projektion erhält man die 2D-FT von µ(x,y) auf einer Geraden in Richtung Θ. - Rekonstruktion von µ(x,y) durch inverse 2D-FT möglich Problem: Daten liegen in Polarkoordinaten vor; FFT benötigt kartesische Koordinaten
39 C T -Rekonstruktion mit gefilterter Rückprojektion (I) Rückprojektion: Messwerte (Projektionswerte p Θ (s)) sind Linienintegrale von µ(x,y). Jedoch: Integralwert = Summe aller Beiträge und ohne Ortsinformation Ansatz: R ückprojektion: gleichmäßige Verteilung des Integralwerts entlang des ursprünglichen Integrationsweges Überlagerung aller Projektionsgeraden im Punkt (x,y) µ(x,y) näherungsweise
40 C T -Rekonstruktion mit gefilterter Rückprojektion (II) Rückprojektion: 0. Rückprojektion 1. Rückprojektion 3. Rückprojektion Schwächungsprofil: µ(x) N. Rückprojektion x Schwächungsprofil nach N Rückprojektionen
41 C T -Rekonstruktion mit gefilterter Rückprojektion (III) Rückprojektion: Durch Rückprojektion entsteht eine Punktbildfunktion (PBF) der Form 1/r 1/r Jedem Bildpunkt kann eine derartige PBF zugeordnet werden, gewichtet mit dem lokalen µ(x,y) Rückprojektion = 1/r * µ(x,y) (Faltung) Rückprojektion führt zu Verwischung, dadurch keine Kontrastunterschiede und keine Feinstrukturen erkennbar
42 C T -Rekonstruktion mit gefilterter Rückprojektion (IV) Gefilterte Rückprojektion: Idee: Modifiziere Punktbildfunktion derart, dass Verwischung minimiert (ideal: verhindert) wird. Ansatz: Faltung des Schwächungsprofils mit geeignetem Filter (Faltungskern)
43 C T -Rekonstruktion mit gefilterter Rückprojektion (V) Gefilterte Rückprojektion: Originalprofil Faltungskern = gefiltertes Profil
44 C T -Rekonstruktion mit gefilterter Rückprojektion (VI) Gefilterte Rückprojektion: 0. Rückprojektion 1. Rückprojektion 3. Rückprojektion Schwächungsprofil: µ(x) N. Rückprojektion x Schwächungsprofil nach N Rückprojektionen
45 Einfluß des Faltungskerns glättend Standard Kanten betonend
46 Einfluß des Faltungskerns glättend soft Standard Kanten betonend bone
47 C T -Rekonstruktion mit gefilterter Rückprojektion (VII) Gesucht: f(x,y) = µ(x,y) aus der inversen 2D-FT von F(u,v) mit Zylinderkoordinaten im Fourierraum u = w. cos Θ v = w. sin Θ dudv = w. dw. dθ folgt
48 C T -Rekonstruktion mit gefilterter Rückprojektion (VIII) Reduktion der Integrationsfläche auf [0,π] (w.g. Hesse Normalform) Absolutbetrag von w, da in dieser Form negative Radien vorkommen.
49 C T -Rekonstruktion mit gefilterter Rückprojektion (IX) Ersetze Wäre w nicht im Integral enthalten, bräuchte nur die inverse FT angewendet werden, um die Originale Projektion p Θ (s) zu erhalten. Durch Multiplikation im Fourierraum mit w wird die Projektion p Θ (s) gefiltert ~ p Θ (s) ist gefilterte Projektion (Faltung im Ortsraum = Multiplikation im Fourierraum). h(s) ist Impulsantwort des Filters (=Faltungskern)
50 C T -Rekonstruktion mit gefilterter Rückprojektion (X) Welche Funktion h(s) gehört zur FT von w? Problem: h(s) nur im Grenzübergang definierbar Ansatz: w w. exp(-ε w ) Inverse FT von w. exp(-ε w ) hierfür gilt: Betrachte Übergang ε 0: rhs geht über in w lhs geht über in -1/2πs 2 peak bei s=0 wird umso schmaler und höher je kleiner ε
51 C T -Rekonstruktion mit gefilterter Rückprojektion (XI) Was bedeutet das Integral über Θ? Rückprojektion: Um den Wert von f(x,y)=µ(x,y) an einem gegebenen Punkt (x,y) zu erhalten, nimm von allen gefilterten Projektionen ~ p Q (s) an der Stelle xcosq + ysinq und summiere diese Werte auf.
52 C T -Rekonstruktion mit gefilterter Rückprojektion (XII)
53 C T -Rekonstruktion mit gefilterter Rückprojektion (XIII)
54 C T -Rekonstruktion mit gefilterter Rückprojektion (XIV) Bei der Rückprojektion trifft der Projektionsstrahl nicht immer auf die Mitte der quadratisch angeordneten Pixel. Rückwärts vorgehen: ziele vom Zentrum des Pixels unter Winkel Θ auf die gefilterte Projektion Dann: lineare Interpolation zwischen benachbarten Werten, um Meßort des Detektors zu approximieren.
55 C T -Rekonstruktion mit gefilterter Rückprojektion (XV) Einhalten des Abtast-Theorems und Rauschen: durch digitales Abtasten gibt es in den Projektionen p Θ (s) eine maximale Frequenz w max = 1/2 S, wobei S= Detektor-Abstand Da Raumfrequenzen oberhalb w max nicht bekannt sind, kann Projektionsverfahren in der Praxis nur schlechter sein (Überbewertung hoher Raumfrequenzen). Bei Raumfrequenzen w< w max wird das Spektrum P Θ (w) meist von Rauschen dominiert. Durch Multiplikation mit w wird Rauschen zusätzlich verstärkt
56 C T -Rekonstruktion mit gefilterter Rückprojektion (XV) Einhalten des Abtast-Theorems und Rauschen:
57 C T -Rekonstruktion mit gefilterter Rückprojektion (XVI) Alternative Filterfunktionen nach Shepp & Logan und Ramachandran & Lakshminarayan
58 C T -Rekonstruktion mit gefilterter Rückprojektion (XVI) Alternative Filterfunktionen nach Shepp & Logan und Ramachandran & Lakshminarayan
59 C T -Rekonstruktion mit gefilterter Rückprojektion (XVII) analoge und digitale Filterung:
60 C T -Rekonstruktion mit gefilterter Rückprojektion (XVII) analoge und digitale Rückprojektion: M = Zahl der Projektionen
61 Was wird im CT-Bild dargestellt?
62 Hounsfield -Skala Absorptions- oder Schwächungskoeffizient in der Kernphysik: [ µ ] = cm 1 µ abh. von Rö.-Energie!! in der Medizin: relative Hounsfield-Skala (CT-Zahl) µ rel = µ µ µ Wasser Wasser Mensch besteht zu mehr als 60 % aus Wasser - die meisten körper-eigenen Substanzen unterscheiden sich nur wenig von µ Wasser, daher Darstellung der Abweichung in Promille
63 Hounsfield -Skala CT-Zahl
64 Hounsfield -Skala 70 50
65 Hounsfield -Skala Werte-Bereich: bis (entspricht 4096 Graustufen) in erster Näherung proportional zu Dichte der Gewebe: Luft/Gase ~-1000 Fett ~ -90 Wasser ~ 0 Weichteile ~ +20 Knochen > +250 Unterschiede Lunge bis Knochen groß Unterschiede bei Weichteilen, Fettgewebe, Wasser nur gering (typische Differenzierung durch Betrachtung: Graustufen) Fenstertechnik
66 Hounsfield -Skala + Fenstertechnik Grauwertdarstellung Verbesserte Beurteilbarkeit der Bilder W C z.b. mit: Knochenfenster: C/W = 1000/2500 Mediastinalfenster: C/W = -50/ 400 Lungenfenster: C/W = -625/1250 C Fenstermitte (center) W Fensterbreite (width)
67 Hounsfield -Skala + Fenstertechnik
68 Hounsfield -Skala + Zwei-Spektren CT CT-Zahlen meist eindeutig interpretierbar (beachte: Addition aller Materialien und chemischen Elemente pro Voxel!!) Unklare Befunde (Beispiel): Beobachtung: Areal mit erhöhter Schwächung im Weichteilgewebe Frage: frischer Prozess (Blutung) oder alter Prozess (Kalkeinlagerung) Ausnutzung der ordnungszahlbedingten Energieabhängigkeit von µ µ = f(e,z) Zwei-Spektren CT: - zwei Aufnahmen mit unterschiedlichen Rö.-Energien - Subtraktion liefert materialselektive Bilder
69 Hounsfield -Skala + Zwei-Spektren CT
70 Homogenitätsbestimmung Toleranz: + 4HU vom Sollwert (Wasser: 0 HU)
71 Projektionsradiographie und Computertomographie: Beide Verfahren: - Bildgebung mit Röntgenstrahlen - vergleichbare Dosis (neuere CT-Geräte geringere Dosis) Projektionsradiographie: - Kontrast = Summe der Signalbeiträge (µ) entlang der Transmission - Kontrast abhängig von Z und Dosis Computertomographie - Kontrast = Werte benachbarter Voxel (nicht durch Summenoder Linienintegrale); lokale Zusammensetzung des Gewebes - kein Einfluß angrenzender oder überlappender Strukturen
72 CT-Bild Röntgen-Bild CT-Bild: hoher lokaler Kontrast K K = CT=J 1 -J 2 ~ 50 % Röntgen-Bild: niedriger Weichgewebekontrast K=(J 1 -J 2 )/((J 1 +J 2 )/2) ~ 0,23 %
Grundlagen der Computer-Tomographie
Grundlagen der Computer-Tomographie Quellenangabe Die folgenden Folien sind zum Teil dem Übersichtsvortrag: imbie.meb.uni-bonn.de/epileptologie/staff/lehnertz/ct1.pdf entnommen. Als Quelle für die mathematischen
MehrGrundlagen der Computertomographie. Dr. Stephan Scheidegger, 2006
Grundlagen der Computertomographie Dr. Stephan Scheidegger, 2006 Computertomographie Inhalt Technik der Computertomographie Bild-Rekonstruktion Scanning-Methoden Dentale Volumentomographie ROENTGENTECHNIK
MehrComputertomographie (CT), Magnetresonanztomographie (MRT) und Ultraschall (US)
Computertomographie (CT), Magnetresonanztomographie (MRT) und Ultraschall (US) Prof. Dr. Willi Kalender, Ph.D. Institut für Medizinische Physik Universität Erlangen-Nürnberg www.imp.uni-erlangen,de 3D
MehrComputer Tomographie. Angiographie. Ein Vortrag im Rahmen des Seminars Hydrodynamik des Blutes. Sabrina Pospich. TU Dortmund - Fakultät Physik
Computer Tomographie Ein Vortrag im Rahmen des Seminars Hydrodynamik des Blutes TU Dortmund - Fakultät Physik CT Inhaltsverzeichnis 1 Funktionsweise der CT Einleitung 2 Iterative Rekonstruktion Radon-Transformation
MehrMagnetresonanztomographie (MRT) Grundlagen der Tomographie
Gegeben: Körper in einem starken B 0 -Feld - Folge von HF-Pulsen erzeugt rotierende Quermagnetisierung M T - M T variiert je nach Gewebetyp ortsabhängige Observable: M T (x,y,z) - kleine Volumenelemente
MehrLineare Gleichungen mit 2 Variablen
Lineare Gleichungen mit 2 Variablen Lineare Gleichungen mit 2 Variablen sind sehr eng verwandt mit linearen Funktionen. Die Funktionsgleichung einer linearen Funktion f(x) = m x+q m: Steigung, q: y Achsenabschnitt
MehrSystemtheorie abbildender Systeme
Bandbegrenzung Bild in (b) nicht band-begrenzt: scharfe Kanten = Dirac-Funktionen = weißes Spektrum Erfordert Tapering vor Digitalisierung (Multiplikation mit geeigneter Fensterfunktion; auf Null drücken
MehrComputertomographie (CT) Prof. Dr.-Ing. Georgios Sakas
(CT) Prof. Dr.-Ing. Georgios Sakas 31.10.07 Danksagung Diese Folien beinhalten Beiträge von Dr. Ronald Blechschmidt-Trapp, Braun GmbH, Kronberg (ehemals Institut elektromechanische Konstruktionen, TUD)
MehrBildgebende Systeme in der Medizin
10/27/2011 Page 1 Hochschule Mannheim Bildgebende Systeme in der Medizin Computer-Tomographie Faculty of Medicine Mannheim University of Heidelberg Theodor-Kutzer-Ufer 1-3 D-68167 Mannheim, Germany Friedrich.Wetterling@MedMa.Uni-Heidelberg.de
Mehr4.5 Überbestimmte Gleichungssysteme, Gauß sche Ausgleichrechnung
4.5 Überbestimmte Gleichungssysteme, Gauß sche Ausgleichrechnung In vielen Anwendungen treten lineare Gleichungssysteme auf, die eine unterschiedliche Anzahl von Gleichungen und Unbekannten besitzen: Ax
MehrBilderzeugung und Bildrekonstruktion
Medizinische Bilder werden auf vielerlei Arten erstellt. Wir stellen einige kurz vor. In der Tomographie werden die gemessenen Signale einem Rekonstruktionsschritt unterworfen, bevor ein Bild entsteht.
MehrBilderzeugung und Bildrekonstruktion
und Bildrekonstruktion Medizinische Bilder werden auf vielerlei Arten erstellt. Wir stellen einige kurz vor. In der Tomographie werden die gemessenen Signale einem Rekonstruktionsschritt unterworfen, bevor
MehrVektoren. Kapitel 3. 3.1 Skalare, Vektoren, Tensoren. 3.2 Vektoren
Kapitel 3 Vektoren 31 Skalare, Vektoren, Tensoren Viele physikalische Größen lassen sich bei bekannter Maßeinheit durch Angabe ihres Betrages als reelle Zahl vollständig angeben Solche Größen nennt man
MehrFunktionsweise und Rekonstruktionsverfahren SPECT & SPECT/CT. C. Schütze
Funktionsweise und Rekonstruktionsverfahren SPECT & SPECT/CT C. Schütze Gammakamera und SPECT-Systeme http://www.healthcare.siemens.com, http://www.healthcare.philips.com, http://www.miegermany.de Grundprinzip
MehrComputergrafik 2: Filtern im Frequenzraum
Computergrafik 2: Filtern im Frequenzraum Prof. Dr. Michael Rohs, Dipl.-Inform. Sven Kratz michael.rohs@ifi.lmu.de MHCI Lab, LMU München Folien teilweise von Andreas Butz, sowie von Klaus D. Tönnies (Grundlagen
MehrVektoren und Matrizen
Vektoren und Matrizen Einführung: Wie wir gesehen haben, trägt der R 2, also die Menge aller Zahlenpaare, eine Körperstruktur mit der Multiplikation (a + bi(c + di ac bd + (ad + bci Man kann jedoch zeigen,
MehrMehrfachintegrale 1-E1. Ma 2 Lubov Vassilevskaya
Mehrfachintegrale 1-E1 1-E2 Mehrfachintegrale c Die Erweiterung des Integralbegriffs führt zu den Mehrfachintegralen, die in den naturwissenschaftlich-technischen Anwendungen u.a. bei der Berechnung der
MehrComputertomographie. Grundlagen, Gerätetechnologie, Bildqualität, Anwendungen. Uli A. Kalender. Publicis MCD Verlag
Computertomographie Grundlagen, Gerätetechnologie, Bildqualität, Anwendungen Uli A. Kalender Publicis MCD Verlag Vorwort 5 Inhaltsverzeichnis 9 Historischer Überblick 13 1 Grundlagen der Computertomographie
MehrHöhere Mathematik III WS 05/06 Lösungshinweis Aufgabe G 11 Blatt 2
Höhere Mathematik III WS 5/6 Lösungshinweis Aufgabe G 11 Blatt Die zu optimierende Zielfunktion ist der Abstand zum Ursprung. Ein bekannter Trick (Vereinfachung der Rechnung) besteht darin, das Quadrat
MehrMathematik I+II. für FT, LOT, PT, WT im WS 2015/2016 und SS 2016
Mathematik I+II für FT, LOT, PT, WT im WS 2015/2016 und SS 2016 I. Wiederholung Schulwissen 1.1. Zahlbereiche 1.2. Rechnen mit reellen Zahlen 1.2.1. Bruchrechnung 1.2.2. Betrag 1.2.3. Potenzen 1.2.4. Wurzeln
MehrHänsch-Frequenzkamm (Nobelpreis 2005, Theodor W. Hänsch, LMU)
Hänsch-Frequenzkamm (Nobelpreis 2005, Theodor W. Hänsch, LMU) http://nobelprize.org/physics/laureates/2005/hansch-slides.pdf.../info.html (Dank an Thomas Udem) Ziel: Messung v. "optischen Frequenzen" mit
MehrAufgabe 1 - Tricks mit linearen Gleichungen
Institut für Informatik Visual Computing Prof. Dr. Michael Wand & M.Sc. Sebastian Brodehl Sommersemester 2018 Modellierung I Übungsblatt 4: LGS, Vektorräume und Inverse Probleme Letzte Änderung: 10:20
MehrF CT1 Verschiedene Abtastverfahren in der Computertomographie
F CT1 Verschiedene Abtastverfahren in der Computertomographie AB CT1 Prinzip der Computertomographie AB CT1 Prinzip der Computertomographie - Musterlösung Kollimatoren blenden ein etwa bleistiftdickes
MehrMathematik in der Medizintechnik
Mathematik in der Medizintechnik Prof. Dr. Bastian von Harrach http://numerical.solutions Institut für Mathematik, Goethe-Universität Frankfurt am Main NIGHT of SCIENCE 2016 Goethe-Universität Frankfurt
MehrRekonstruktion dynamischer Kardio-CT-Daten
Seminar Kardiologie Dipl.-Phys. Stefan Wesarg Rekonstruktion dynamischer Kardio-CT-Daten Vortrag von Florian Nöll Überblick 1. Die Bedeutung der Computertomographie und wie man eine CT durchführt 2. Evolution
MehrElement: Skalarprodukt: Standardbasis: Allgemeine Basis: Orthonormalität: Entwicklung: Koeffizienten: Vollständigkeit:
C6.4 Konzeptionelle Grundlage der Fourier-Entwicklung Kernaussage: Fourier-Entwicklung ist Basiswechsel im Funktionenraum Zur Erinnerung: Eigenschaften einer Basis in Element: Skalarprodukt: Invariante
MehrLineare Algebra und Computer Grafik
Lineare Algebra und Computer Grafik Kurze Zusammenfassung (Stand: 3 Juli 2) Prof Dr V Stahl Copyright 28 by Volker Stahl All rights reserved V Stahl Lineare Algebra und Computer Grafik Zusammenfassung
MehrEinleitung 2. 1 Koordinatensysteme 2. 2 Lineare Abbildungen 4. 3 Literaturverzeichnis 7
Sonja Hunscha - Koordinatensysteme 1 Inhalt Einleitung 2 1 Koordinatensysteme 2 1.1 Kartesisches Koordinatensystem 2 1.2 Polarkoordinaten 3 1.3 Zusammenhang zwischen kartesischen und Polarkoordinaten 3
MehrGrundlagen der Computertomographie
Grundlagen der Computertomographie André Liebing Fachmann für med.-techn. Radiologie (Chefarzt: Prof. Dr. med. J. Link) Spital Lachen AG RadiologieKongressRuhr 13.10.2011 Bochum Einleitung 1 Projektions-
MehrMethode der kleinsten Quadrate
1. Phase: Methode der kleinsten Quadrate Einführung Im Vortrag über das CT-Verfahren hat Herr Köckler schon auf die Methode der kleinsten Quadrate hingewiesen. Diese Lösungsmethode, welche bei überbestimmten
Mehr) (1 BE) 1 2 ln 2. und somit
1 Aufgaben aus dem Aufgabenpool 1 1.1 Analysis A1_1 Eine Funktion f ist durch 1 x f(x) e 1, x IR, gegeben. Ermitteln Sie die Nullstelle der Funktion f. ( ) b) Die Tangente an den Graphen von f im Punkt
MehrAufgabensammlung aus Mathematik 2 UMIT, SS 2010, Version vom 7. Mai 2010
Aufgabensammlung aus Mathematik 2 UMIT, SS 2, Version vom 7. Mai 2 I Aufgabe I Teschl / K 3 Zerlegen Sie die Zahl 8 N in ihre Primfaktoren. Aufgabe II Teschl / K 3 Gegeben sind die natürliche Zahl 7 und
MehrWas bisher geschah. digitale Bilder: Funktion B : pos col Matrix B col pos. Punktoperationen f : col 1 col 2
Was bisher geschah digitale Bilder: Funktion B : pos col Matrix B col pos statistische Merkmale Punktoperationen f : col 1 col 2 (Bildanalyse) (Farbtransformation) Geometrische Operationen f : pos 1 pos
MehrSeminar WS 1999/2000: Robotik in der Medizin. Computer Tomographie. Matthias Bonn
Seminar WS 1999/2000: Robotik in der Medizin Computer Tomographie Matthias Bonn Allgemeines 1. Allgemeines 1.1 Medizinische Motivation Bei der Computertomographie handelt es sich um ein spezielles Röntgenverfahren
MehrLineare Gleichungssysteme
Fakultät Grundlagen Juli 2015 Fakultät Grundlagen Übersicht Lineare Gleichungssystem mit 2 Variablen 1 Lineare Gleichungssystem mit 2 Variablen Beispiele 2 Fakultät Grundlagen Folie: 2 Beispiel I Lineare
MehrVerbindung Aspekte der Analysis und der Linearen Algebra!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!! 1
Aspekte der Analysis und der Linearen Algebra!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!! 1 Aspekte der Analysis und der Linearen Algebra!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!! 2 Arbeitsauftrag für Gruppenarbeit
Mehr1 Fraktale Eigenschaften der Koch-Kurve
Anhang Inhaltsverzeichnis Fraktale Eigenschaften der Koch-Kurve iii. Einführung.................................. iii.2 Defintion.................................... iii.3 Gesamtlänge der Koch-Kurve........................
MehrVOM RÖNTGENBILD ZUM COMPUTERTOMOGRAMM
VOM RÖNTGENBILD ZUM COMPUTERTOMOGRAMM REFERAT IM RAHMEN DES FACHSEMINARS WS2009/10 AUSARBEITUNG BEI PROF. KARL-OTTO LINN BJÖRN SAßMANNSHAUSEN 1 0. INHALT 1. Vorwort... 3 2. Geschichte Der Computertomogrphie...
MehrMathematische Erfrischungen III - Vektoren und Matrizen
Signalverarbeitung und Musikalische Akustik - MuWi UHH WS 06/07 Mathematische Erfrischungen III - Vektoren und Matrizen Universität Hamburg Vektoren entstanden aus dem Wunsch, u.a. Bewegungen, Verschiebungen
Mehr1. Filterung im Ortsbereich 1.1 Grundbegriffe 1.2 Lineare Filter 1.3 Nicht-Lineare Filter 1.4 Separabele Filter 1.
. Filterung im Ortsbereich. Grundbegriffe. Lineare Filter.3 Nicht-Lineare Filter.4 Separabele Filter.5 Implementierung. Filterung im Frequenzbereich. Fouriertransformation. Hoch-, Tief- und Bandpassfilter.3
Mehroder A = (a ij ), A =
Matrizen 1 Worum geht es in diesem Modul? Definition und Typ einer Matrix Spezielle Matrizen Rechenoperationen mit Matrizen Rang einer Matrix Rechengesetze Erwartungswert, Varianz und Kovarianz bei mehrdimensionalen
MehrMotivation. Diskretisierung. Überblick. Algorithmik III Algorithmen und Modelle für kontinuierliche Datenstrukturen. Diskretisierung und Quantisierung
Algorithmik III Algorithmen und Modelle für kontinuierliche Datenstrukturen Motivation Analoge Aufnahme von Sprache, Bildern Digitale Speicherung durch Diskretisierung + Quantisierung Informationsverlust
MehrTutorium: Diskrete Mathematik
Tutorium: Diskrete Mathematik Steven Köhler mathe@stevenkoehler.de mathe.stevenkoehler.de 2 Definition Als lineare Gleichungssysteme bezeichnet man in der linearen Algebra Gleichungssysteme der folgenden
MehrMathematik, Signale und moderne Kommunikation
Natur ab 4 - PH Baden Mathematik, Signale und moderne Kommunikation 1 monika.doerfler@univie.ac.at 29.4.2009 1 NuHAG, Universität Wien monika.doerfler@univie.ac.at Mathematik, Signale und moderne Kommunikation
MehrMathematische Grundbegriffe. Eindimensionale Funktionen
Mathematische Grundbegriffe Eindimensionale Funktionen f ( )»1 Rechteckfunktion f ( ) 1 < 0,5 rect( ) = 0 sonst Dirac-Funktion f ( ) 1 δ ( ) = lim rect( ) p 0 p p»2 Ausblendung f ( ) + f ( ') = f ( ) δ
MehrTransformation - 3. Für "übliche" Anwendungen in der Geometrie ist es sinnvoll, bei Transformationen eine gleiche
Transformation - 3 Wiederholung und spezielle Angaben im Zusammenhang mit Kreis-Berechnungen 1. Problemstellung Im Zusammenhang mit der Berechnung von Schnittflächen kann es sinnvoll sein, die Berechnung
MehrÜbung zur Vorlesung 2D Grafik Wintersemester 05/06. Otmar Hilliges
Übung zur Vorlesung 2D Grafik Wintersemester 05/06 Übungsblatt 5 Musterlösung auf der Übungsseite. https://wiki.medien.ifi.lmu.de/pub/main/uebung2dgrafikws 0506/FFT_LSG.jar Page 2 transform() for (y =
MehrBildverarbeitung: Filterung. D. Schlesinger () Bildverarbeitung: Filterung 1 / 17
Bildverarbeitung: Filterung D. Schlesinger () Bildverarbeitung: Filterung 1 / 17 Allgemeines Klassische Anwendung: Entrauschung (Fast) jeder Filter basiert auf einem Modell (Annahme): Signal + Rauschen
MehrMathematik für Ingenieure mit Maple
Thomas Westermann Mathematik für Ingenieure mit Maple Band 2: Differential- und Integralrechnung für Funktionen mehrerer Variablen, gewöhnliche und partielle Differentialgleichungen, Fourier-Analysis Mit
MehrCT Methoden. Lernziele. Röntgen / CT Das Arbeitspferd. Computertomographie- Wie alles begann. Computertomographie: Prinzip Rohdaten.
Lernziele CT Methoden Vergleich zum konventionellen Röntgen CT Inkremental- / Spiraltechnik Bildnachverarbeitung Florian Vogt Intravenöse und orale Kontrastmittel Unterschiedliche KM-Phasen Röntgen / CT
MehrComputertomographie. Die Idee
Computertomographie Außermathematische Anwendungen im Mathematikunterricht WS 202/3 Franz Embacher, Universität Wien Die Idee Die Idee der Computertomographie besteht darin, aus der Abschwächung (Absorption)
MehrMatrizen, Determinanten, lineare Gleichungssysteme
Matrizen, Determinanten, lineare Gleichungssysteme 1 Matrizen Definition 1. Eine Matrix A vom Typ m n (oder eine m n Matrix, A R m n oder A C m n ) ist ein rechteckiges Zahlenschema mit m Zeilen und n
MehrInhaltsverzeichnis. Daniel von Grünigen. Digitale Signalverarbeitung. mit einer Einführung in die kontinuierlichen Signale und Systeme
Inhaltsverzeichnis Daniel von Grünigen Digitale Signalverarbeitung mit einer Einführung in die kontinuierlichen Signale und Systeme ISBN (Buch): 978-3-446-44079-1 ISBN (E-Book): 978-3-446-43991-7 Weitere
MehrGraphische Datenverarbeitung und Bildverarbeitung
Graphische Datenverarbeitung und Bildverarbeitung Hochschule Niederrhein Fourier-Transformation Graphische DV und BV, Regina Pohle, 8. Fourier-Transformation 1 Einordnung in die Inhalte der Vorlesung Einführung
MehrDas Wort Vektor kommt aus dem lateinischen und heißt so viel wie "Träger" oder "Fahrer".
Was ist ein Vektor? Das Wort Vektor kommt aus dem lateinischen und heißt so viel wie "Träger" oder "Fahrer". Vektoren sind Listen von Zahlen. Man kann einen Vektor darstellen, indem man seine Komponenten
Mehr5 Lineare Gleichungssysteme und Determinanten
5 Lineare Gleichungssysteme und Determinanten 51 Lineare Gleichungssysteme Definition 51 Bei einem linearen Gleichungssystem (LGS) sind n Unbekannte x 1, x 2,, x n so zu bestimmen, dass ein System von
MehrBildpunkt auf dem Gitter: Pixel (picture element) (manchmal auch Pel)
4. Digitalisierung und Bildoperationen 4.1 Digitalisierung (Sampling, Abtastung) Rasterung auf 2D-Bildmatrix mathematisch: Abb. einer 2-dim. Bildfunktion mit kontinuierlichem Definitionsbereich auf digitales
MehrELEMENTAR-MATHEMATIK
WILLERS ELEMENTAR-MATHEMATIK Ein Vorkurs zur Höheren Mathematik 13., durchgesehene Auflage von Dr.-Ing. G. Opitz und Dr. phil. H. Wilson Mit 189 Abbildungen VERLAG THEODOR STEINKOPFF DRESDEN 1968 Inhaltsverzeichnis
MehrVektoralgebra Anwendungen der Vektorrechnung VEKTORRECHNUNG. Prof. Dr. Dan Eugen Ulmet. Hochschule Esslingen 1/64
1/64 VEKTORRECHNUNG Prof. Dr. Dan Eugen Ulmet Hochschule Esslingen März 2011 2/64 Overview Vektoralgebra 1 Vektoralgebra 2 Was sind Vektoren? 3/64 Vektoren werden geometrisch definiert als Pfeilklassen:
MehrTransformation Allgemeines Die Lage eines Punktes kann durch einen Ortsvektor (ausgehend vom Ursprung des Koordinatensystems
Transformation - 1 1. Allgemeines 2. Zwei durch eine Translation verknüpfte gleichartige Basissysteme 3. Zwei durch eine Translation verknüpfte verschiedenartige Basissysteme (noch gleiche Orientierung)
MehrSchülerworkshop Computertomographie Mathematik als Schlüsseltechnologie
Schülerworkshop Computertomographie Mathematik als Schlüsseltechnologie Norbert Köckler 1. und 2. Juni 2007 Computertomographie und lineare Gleichungssysteme Überblick zum CT-Vortrag 1. Einleitung Wer
Mehr5 Interpolation und Approximation
5 Interpolation und Approximation Problemstellung: Es soll eine Funktion f(x) approximiert werden, von der die Funktionswerte nur an diskreten Stellen bekannt sind. 5. Das Interpolationspolynom y y = P(x)
Mehr03. Vektoren im R 2, R 3 und R n
03 Vektoren im R 2, R 3 und R n Unter Verwendung eines Koordinatensystems kann jedem Punkt der Ebene umkehrbar eindeutig ein Zahlenpaar (x, y) zugeordnet werden P (x, y) Man nennt x und y die kartesischen
MehrVorkurs: Mathematik für Informatiker
Vorkurs: Mathematik für Informatiker Teil 4 Wintersemester 2017/18 Steven Köhler mathe@stevenkoehler.de mathe.stevenkoehler.de 2 c 2017 Steven Köhler Wintersemester 2017/18 Inhaltsverzeichnis Teil 1 Teil
Mehrbzw. eine obere Dreiecksmatrix die Gestalt (U: upper)
bzw. eine obere Dreiecksmatrix die Gestalt (U: upper) U = u 11 u 12 u 1n 1 u nn 0 u 22 u 2n 1 u 2n 0......... 0 0 u n 1n 1 u n 1n 0 0 0 u nn Eine nicht notwendig quadratische Matrix A = (a ij ) heißt obere
Mehr7 Integralrechnung für Funktionen einer Variablen
7 Integralrechnung für Funktionen einer Variablen In diesem Kapitel sei stets D R, und I R ein Intervall. 7. Das unbestimmte Integral (Stammfunktion) Es sei f : I R eine Funktion. Eine differenzierbare
MehrDigitale Bildverarbeitung - Rechnerübung 3
Digitale Bildverarbeitung - Rechnerübung 3 1. Khoros Zur Durchführung der Rechnerübung wird das Programmpaket KHOROS mit seiner Benutzerschnittstelle Cantata verwendet. Nach der Anmeldung am Rechner durch
MehrElement: Skalarprodukt: Standardbasis: Allgemeine Basis: Orthonormalität: Entwicklung: Koeffizienten: Vollständigkeit:
C6.4 Konzeptionelle Grundlage der Fourier-Entwicklung Kernaussage: Fourier-Entwicklung ist Basiswechsel im Funktionenraum Zur Erinnerung: Eigenschaften einer Basis in Element: Skalarprodukt: Invariante
MehrTransformation - Homogene Koordinaten. y + b )
Transformation - Homogene Koordinaten In der "üblichen" Behandlung werden für die Verschiebung (Translation) und die Drehung (Rotation) verschiedene Rechenvorschriften benutzt - einmal Addition von Vektoren
MehrPflichtteil Wahlteil Analysis Wahlteil Analysis Wahlteil Analysis Wahlteil Analytische Geometrie 1...
Pflichtteil... Wahlteil Analysis... Wahlteil Analysis... Wahlteil Analysis 3... 5 Wahlteil Analytische Geometrie... Wahlteil Analytische Geometrie... Lösungen: 00 Pflichtteil Lösungen zur Prüfung 00: Pflichtteil
MehrLösbarkeit linearer Gleichungssysteme
Lösbarkeit linearer Gleichungssysteme Lineares Gleichungssystem: Ax b, A R m n, x R n, b R m L R m R n Lx Ax Bemerkung b 0 R m Das Gleichungssystem heißt homogen a A0 0 Das LGS ist stets lösbar b Wenn
MehrÜbung: Computergrafik 1
Prof. Dr. Andreas Butz Prof. Dr. Ing. Axel Hoppe Dipl.-Medieninf. Dominikus Baur Dipl.-Medieninf. Sebastian Boring Übung: Computergrafik 1 Fouriertransformation Organisatorisches Neue Abgabefrist für Blatt
MehrVorkurs: Mathematik für Informatiker
Vorkurs: Mathematik für Informatiker Teil 4 Wintersemester 2018/19 Steven Köhler mathe@stevenkoehler.de mathe.stevenkoehler.de 2 c 2018 Steven Köhler Wintersemester 2018/19 Inhaltsverzeichnis Teil 1 Teil
Mehr03. Vektoren im R 2, R 3 und R n
03 Vektoren im R 2, R 3 und R n Unter Verwendung eines Koordinatensystems kann jedem Punkt der Ebene umkehrbar eindeutig ein Zahlenpaar (x, y) zugeordnet werden P (x, y) Man nennt x und y die kartesischen
Mehr5. Geraden und Ebenen im Raum 5.1. Lineare Abhängigkeit und Unabhängigkeit von Vektoren
5 Geraden und Ebenen im Raum 5 Lineare Abhängigkeit und Unabhängigkeit von Vektoren Definition: Die Vektoren a,a,,a n heißen linear abhängig, wenn mindestens einer dieser Vektoren als Linearkombination
MehrDiskrete Signalverarbeitung und diskrete Systeme
Diskrete Signalverarbeitung und diskrete Systeme Computer- basierte Verarbeitung von Signalen und Realisierung von Systemverhalten erfordern diskrete Signale und diskrete Systembeschreibungen. Wegen der
MehrMischungsverhältnisse: Nehmen wir an, es stehen zwei Substanzen (zum Beispiel Flüssigkeiten) mit spezifischen Gewicht a = 2 kg/l bzw.
Kapitel 5 Lineare Algebra 51 Lineare Gleichungssysteme und Matrizen Man begegnet Systemen von linearen Gleichungen in sehr vielen verschiedenen Zusammenhängen, etwa bei Mischungsverhältnissen von Substanzen
MehrDigitalisierung. Vorlesung FH-Hagenberg DSB
Digitalisierung Vorlesung FH-Hagenberg DSB Abbildungssysteme Camera obscura einfachstes Abbildungssystem bekannt seit dem Altertum Licht fällt durch eine Lochblende in das Innere einer abgedunkelten Kammer
MehrVektoren, Vektorräume
Vektoren, Vektorräume Roman Wienands Sommersemester 2010 Mathematisches Institut der Universität zu Köln Roman Wienands (Universität zu Köln) Mathematik II für Studierende der Chemie Sommersemester 2010
MehrLineare Algebra 1. Roger Burkhardt
Lineare Algebra 1 Roger Burkhardt roger.burkhardt@fhnw.ch Fachhochschule Nordwestschweiz Hochschule für Technik Institut für Geistes- und Naturwissenschaft HS 2010/11 2 Rechenoperationen und Gesetze Gleichheit
MehrBasiswissen Matrizen
Basiswissen Matrizen Mathematik GK 32 Definition (Die Matrix) Eine Matrix A mit m Zeilen und n Spalten heißt m x n Matrix: a a 2 a 4 A a 2 a 22 a 24 a 4 a 42 a 44 Definition 2 (Die Addition von Matrizen)
MehrDigitale Signalverarbeitung
Daniel Ch. von Grünigen Digitale Signalverarbeitung mit einer Einführung in die kontinuierlichen Signale und Systeme 4. Auflage Mit 222 Bildern, 91 Beispielen, 80 Aufgaben sowie einer CD-ROM mit Lösungen
MehrMatrizen. a12 a1. a11. a1n a 21. a 2 j. a 22. a 2n. A = (a i j ) (m, n) = i te Zeile. a i 1. a i 2. a i n. a i j. a m1 a m 2 a m j a m n] j te Spalte
Mathematik I Matrizen In diesem Kapitel werden wir lernen was Matrizen sind und wie man mit Matrizen rechnet. Matrizen ermöglichen eine kompakte Darstellungsform vieler mathematischer Strukturen. Zum Darstellung
MehrBildbeispiele Physikalisches Prinzip Hounsfield-Einheiten Bilderzeugung. Strahlenbelastung Bildbeispiele. Hirn - Weichteilfenster
Prof. Dr. med. P. Schramm Röntgen- Computer-Tomografie Magnet-Resonanz-Tomografie Physikalisches Prinzip Dr. rer. nat. Uwe H. Melchert Röntgen - Computer-Tomografie Bildbeispiele Physikalisches Prinzip
MehrIRIS CT-Dosisreduktion durch iterative Rekonstruktion
14. Fortbildungsseminar der Arbeitsgemeinschaft Physik und Technik Münster 18. 19.6. 2010 IRIS CT-Dosisreduktion durch iterative Rekonstruktion Dr. Stefan Ulzheimer Siemens AG Healthcare Forchheim Übersicht
MehrRechenmethoden der Physik
May-Britt Kallenrode Rechenmethoden der Physik Mathematischer Begleiter zur Experimentalphysik Mit 47 Abbildungen, 297 Aufgaben und Lösungen Springer Teil I Erste Schritte Rechnen in der Mechanik Rechnen
MehrVorkurs: Mathematik für Informatiker
Vorkurs: Mathematik für Informatiker Teil 4 Wintersemester 018/19 Steven Köhler mathe@stevenkoehler.de mathe.stevenkoehler.de c 018 Steven Köhler Wintersemester 018/19 Inhaltsverzeichnis Teil 1 Teil Teil
MehrVorlesung Mathematik 2 für Informatik
Vorlesung Mathematik für Informatik Inhalt: Lineare Algebra Rechnen mit Vektoren und Matrizen Lineare Gleichungssysteme, GauÿAlgorithmus Vektorräume, Lineare Abbildungen Eigenwerte und Eigenvektoren Literatur
MehrLineares Gleichungssystem - Vertiefung
Lineares Gleichungssystem - Vertiefung Die Lösung Linearer Gleichungssysteme ist das "Gauß'sche Eliminationsverfahren" gut geeignet - schon erklärt unter Z02. Alternativ kann mit einem Matrixformalismus
Mehr3. Übungsblatt Aufgaben mit Lösungen
. Übungsblatt Aufgaben mit Lösungen Aufgabe 6: Gegeben seien die Ebene E : 4x + x + 8 =, der Punkt P = ( und die Gerade H : x(λ = (4,, + λ(,,, λ R. (a Bestimmen Sie eine Gerade durch den Punkt P, die senkrecht
Mehr2 Rationale und reelle Zahlen
2 reelle Es gibt Mathematik mit Grenzwert (Analysis) und Mathematik ohne Grenzwert (z.b Algebra). Grenzwerte existieren sicher nur dann, wenn der Zahlbereich vollständig ist, also keine Lücken aufweist
Mehr9 Lineare Gleichungssysteme
9 Lineare Gleichungssysteme Eine der häufigsten mathematischen Aufgaben ist die Lösung linearer Gleichungssysteme In diesem Abschnitt beschäftigen wir uns zunächst mit Lösbarkeitsbedingungen und mit der
MehrLineare Transformationen und Determinanten. 10-E Ma 1 Lubov Vassilevskaya
Lineare Transformationen und Determinanten 10-E Ma 1 Lubov Vassilevskaya Lineare Transformation cc Definition: V und W sind zwei Vektorräume. Eine Funktion T nennt man eine lineare Transformation von V
MehrLineare Algebra. Mathematik II für Chemiker. Daniel Gerth
Lineare Algebra Mathematik II für Chemiker Daniel Gerth Überblick Lineare Algebra Dieses Kapitel erklärt: Was man unter Vektoren versteht Wie man einfache geometrische Sachverhalte beschreibt Was man unter
MehrDentale Volumentomographie (DVT) Grundlagen
Dentale Volumentomographie (DVT) Grundlagen Priv.-Doz. Dr. Ralf Schulze Dentale Volumentomographie (DVT) Grundlagen Priv.-Doz. Dr. Ralf Schulze c 2009 1 / 28 Dentale Volumentomographie Definition Bei der
Mehr3 Invertierbare Matrizen Die Inverse einer (2 2)-Matrix Eigenschaften invertierbarer Matrizen... 18
Wirtschaftswissenschaftliches Zentrum Universität Basel Mathematik 2 Dr. Thomas Zehrt Vektoren und Matrizen Inhaltsverzeichnis Vektoren(Wiederholung bzw. Selbststudium 2. Linearkombinationen..............................
Mehr