Einführung in die medizinische Bildverarbeitung WS 12/13
|
|
- Eike Peters
- vor 7 Jahren
- Abrufe
Transkript
1 Einführung in die medizinische Bildverarbeitung WS 12/13 Stephan Gimbel
2 Kurze Wiederholung Prozess einer räumliche Transformation zu finden um ein Bild auf ein anderes Bild abzubilden Eingabe: Fixed und Moving Image (auch Referenz und Template Image genannt) Komponenten: Metrik (gibt an, wie gut die Bilder zueinander passen) Interpolator 2D-2D: zweier normale Bilder (etwa zu unterschiedlichen Zeitpunkten aufgenommen) 2D-3D: prä- und intraoperativ aufgenommene Bilder 3D-3D: zum Vergleich von zeitlichen Verlauf, Multimodaler und/oder Ausgleich von unterschiedlichen Messungen, Schichtführung, Lage des Patienten, etc. sprozesse landmarkenbasierte kurvenbasierte oberflächenbasierte voxelbasierte
3 Kurze Wiederholung (Fortsetzung) Transformationsklassen parametrische Transformationen starr / rigide Transformation mit Rotation und Translation affine Transformation, die parallele Linien auf parallele Linien abbildet perspektivische Transformation, die Linien auf Linien abbildet nicht-parametrische Transformationen mit lokaler Deformierung, z.b. bei der voxelbasierten Transformationen im 3D Raum Koordinatenvektor: (x,y,z) T 3x3 Matrix R Translationsvektor: (s x,s y,s z ) T Grundlagen GDV
4 Landmarkenbasierte erfolgt anhand ausgezeichneter anatomischer Punkte (engl. Landmarks) Interaktiv, durch den Benutzer bestimmt Algorithmisch, anhand geometrischer Eigenschaften (Krümmung, Eckpunkte, etc.) reproduzierbar für hochpräzise Ausrichtung in der Navigation und Operation, werden externe Marker verwendet Pins werden in den Knochen eingelassen Raumkoordinaten der Pins werden im Operationssaal per Navigationssystem gemessen und mit den Koordinaten im CT-Datensatz abgeglichen [Quelle: [Quelle:
5 Markierung von anatomischen Strukturen anhand von n Markern L F M ( i, L i )i = 1,...,n für die Anpassung der Koordinatensysteme werden die Bilder einer parametrischen Transformation t unterzogen (i.d.r. starr oder affin) Optimierung Bestimmung der Transformationsparameter der Transformationsklasse Datensätze sollen optimal zueinander ausgerichtet sein Optimierungskriterium ist z.b. die mittlere quadratische Euklidische Distanz zwischen den Positionen der Marker im Bild M und F n i=1 ( t ( M L ) F i L ) 2 i =! min einsetzen in: t x y z = r 11 r 12 r 13 r 21 r 22 r 23 r 31 r 32 r 33 x y z + s x s y s z ergibt bei ausreichender Anzahl an Marker-Paaren ein überbestimmtes Gleichungssystem, welches z.b. über Gauß sche Methode der kleinsten Fehlerquadrate gelöst werden kann
6 Beispiel Präoperatives Augenhintergrundbild Postoperatives Augenhintergrundbild mit hellen Kapillarkonturen aus dem präoperativen Bild [Quelle: Handels, Medizinische Bildverarbeitung
7 Operationen der Transformation des Objektbildes no tig, um die Strukturen besser anzuna hern. gramm gibt daru ber Auskunft, ob Bilder ausreichend transformiert worden sind Bildverarbeitung u bereinanderliegen und welche Regionen des Bildes fu r die geeigne Kriterien zur Beurteilung der ng in der Medizin mittels Mutual Information 5 Joint-Histogramm gegeben: zwei Bilder A und B Ergebnis: im beiden zugehörigen Koordinatensystem ie das gemeinsame Auftreten der zweidimensional Grauwerte an den Punkten in den zugeho rigen amit schlagen sich gemeinsame Strukturen des Referenz- und desinobjektbildes in PunktAuftragen der Wahrscheinlichkeit p(x,y) den Koordinaten (x,y), zeigt gemeinsames meinsamen Histogramm Auftreten nieder (Abb. Sind beide identisch, werden Punkte der1.3). Grauwerte an Bilder den beiden Punkten deralle zugehörigen Bildern onalen liegen. Ist eine Streuung Strukturen der Punkte im Histogramm so ist eine starke gemeinsame zeigen sich alssichtbar, Punktwolken im Diagramm breite n des Objektbildes no tig, um die Strukturen besser anzuna hern. Das gemeinsame Histoaru ber Auskunft, ob Bilder ausreichend transformiert worden sind, damit die Strukturen egen und welche Regionen des Bildes fu r die geeignet sind.[3] [Quelle: Woltering, Bildregistrierung in der Medizin mittels Mutual Information] Stephan Gimbel 1.3: Gemeinsames Histogramm bei verschiedenen Einführung in dieabb. medizinische Bildverarbeitung Bildversch
8 Kurven- und oberflächenbasierte Rand- oder Oberflächen segmentierter Bildobjekte Vorverarbeitung: Segmentierung der anatomischen Strukturen, diese dienen als Eingabe der i.d.r. durch Meshes repräsentiert Genauigkeit hängt von der Genauigkeit der Segmentierungsergebnisse ab ICP-Algorithmus (Iterative-Closest-Point) Oberfläche wird durch Menge von Oberflächenpunkten repräsentiert (3D-Punktwolke) Eingabe: Oberflächen A und B Ausgabe: an B angepasste Oberfläche A 1. Initialisierung A = A 2. Berechne für alle Punkte der Oberfläche A einen korrespondierenden Punkt auf der Oberfläche B 3. Berechne die optimale Transformation t opt unter Verwendung der Punktkorrespondenzen 4. Deformiere die Oberfläche A unter Anwendung der berechneten Transformation t opt, so dass A = t opt (A ) 5. gehe zu 2. solange Abbruchkriterium nicht erreicht ist
9 ICP-Algorithmus Initialisierung A = A einfache Initialisierung von A durch A Berechne für alle Punkte der Oberfläche A einen korrespondierenden Punkt auf der Oberfläche B z.b. durch nächste Nachbar Strategie bestimme für den Punkt p A der Oberfläche A den Punkt auf der Oberfläche B, mit der kleinsten Eukidischen Distanz zu p A Berechne die optimale Transformation t opt unter Verwendung der Punktkorrespondenzen die in 2. gefundenen Korrespondenzen werden für die Berechnung der Transformation verwendet bei affinen Transformationen wie gewohnt, überbestimmtes LGS, Lösung über Gauß sche Methode der kleinsten Fehlerquadrate Minimierung der Abstände zwischen den Oberflächenpunkten Deformiere die Oberfläche A unter Anwendung der berechneten Transformation t opt, so dass A = t opt (A ) Transformiert A so, dass sie sich an B annähert Iteration um Schrittweise Verbesserungen zu erzielen, bis Abbruchkriterium (Schwellwert) erreicht ist
10 Oberflächenbasierte Anwendung meist für starre oder affine bei der einfach zu segmentierende Bildobjekte registriert werde sollen z.b. 3D-3D multimodaler Aufnahmen aus dem Kopfbereich, anhand der Ausrichtung an der Hautoberfläche des Kopfes Beispiel: computergestützte Hüftoperationsplanung Basis: Atlas mit markierten Landmarken [Quelle: Handels, Medizinische Bildverarbeitung Atlas interaktiv
11 Konturbasierte Abbildung von zweier zueinander korrespondierender Konturpunkte zweier Datensätze Aussenkonturen aus dem Atlas wird in den Patientendatensatz eingeblendet und dient als Startkontur iterativ wird die Startkontur durch Optimierung angepasst, so dass eine Objektkontur im Patientendatensatz entsteht hierfür sind deformierbare Oberflächenmodelle geeignet (engl.: deformable surface models) [Quelle: Handels, Medizinische Bildverarbeitung Atlas Altas Patient Patient
12 Wahrscheinlichkeit (Exkursion) Coin Toss Anzahl Kopf in 100 Serien zu je 100 Würfen Anzahl Kopf in 10 Serien zu je 1000 Würfen [Quelle:Rozanov, Probability Theory: A Concise Course]
Einführung in die medizinische Bildverarbeitung WS 12/13
Einführung in die medizinische Bildverarbeitung WS 12/13 Stephan Gimbel Kurze Wiederholung Landmarkenbasierte anhand anatomischer Punkte interaktiv algorithmisch z.b. zur Navigation im OP Markierung von
MehrEinführung in die medizinische Bildverarbeitung WS 12/13
Einführung in die medizinische Bildverarbeitung WS 12/13 Stephan Gimbel Kurze Wiederholung Landmarkenbasierte anhand anatomischer Punkte interaktiv algorithmisch z.b. zur Navigation im OP Markierung von
MehrBei der Registrierung werden zwei Bilder betrachtet, von denen eines üblicherweise als Referenzbild
3.4 egistrierung 3.4 egistrierung In diesem Abschnitt beschäftigen wir uns mit dem Problem der egistrierung von Bildern, d.h. der Aufgabe zwei Bilder derselben Szene, oder zumindest ähnlicher Szenen, bestmöglich
MehrEinführung in die medizinische Bildverarbeitung SS 2013
Einführung in die medizinische Bildverarbeitung SS 2013 Stephan Gimbel 1 Live-Wire Segmentierung ist ein halbautomatisches Verfahren zur kantenorientierten Segmentierung von einzelnen Bildobjekten es werden
MehrWarping im Detail $KNFXGTCTDGKVWPIWPF#NIQTKVJOGP 2TQH &T9QNHICPI-QPGP. Bildverarbeitung und Algorithmen SS Konen, Zielke
$KNFXGTCTDGKVWPIWPF#NIQTKVJOGP 2TQH &T9QNHICPI-QPGP Warping im Detail SS05 8.24 Konen, Zielke SS05 8.25 Konen, Zielke &KG5EJTKVVGFGU9CTRKPI#NIQTKVJOWU 6FKULWW: Passpunkte finden automatisch oder manuell
MehrÜberbestimmte lineare Gleichungssysteme
Überbestimmte lineare Gleichungssysteme Fakultät Grundlagen September 2009 Fakultät Grundlagen Überbestimmte lineare Gleichungssysteme Übersicht 1 2 Fakultät Grundlagen Überbestimmte lineare Gleichungssysteme
MehrIGDT: Image Processing Advanced Teil 9
Teil 9 Rainer Schubert Institut für Biomedizinische Bildanalyse Inhalt Teil 9 Registrierung Grauwert-basierte / Intensity-based Methoden Klassifikation von Registrierungsmethoden 1 Viele Klassifikationskriterien
MehrKapitel 9. Zusammenfassung
Kapitel 9 Zusammenfassung Medizinische Navigationssysteme verbessern die räumliche Orientierung von Chirurgen während Operationen. Eine Vielzahl von Navigationssystemen basieren auf der Registrierung von
MehrRegistrierung I
05.12.07 Vorlesungsübersicht 17.10.07 Einführung 24.10.07 Röntgen 31.10.07 CT 07.11.07 MR 14.11.07 Ultraschall 21.11.07 Nuklearmedizin 28.11.07 Bildverbesserung 05.12.07 12.12.07 I 19.12.07 Segmentierung
MehrErstellung eines 3D-Atlas ausgewählter Strukturen durch affine Transformation anatomischer Landmarken
Kurzfassung der Masterthesis Erstellung eines 3D-Atlas ausgewählter Strukturen durch affine Transformation anatomischer Landmarken M.Sc. Soulimane Abdellaoui 1 Einleitung : In der vorliegenden wird ein
MehrEinführung in die medizinische Bildverarbeitung WS 12/13
Einführung in die medizinische Bildverarbeitung WS 12/13 Stephan Gimbel Kurze Wiederholung Pipeline Pipelinestufen können sich unterscheiden, beinhalten aber i.d.r. eine Stufe zur Bildvorverarbeitung zur
MehrErstellung eines anatomischen Templates zur Zielvolumendefinition der Zervixregion für die Bestrahlungsplanung
Erstellung eines anatomischen Templates zur Zielvolumendefinition der Zervixregion für die Bestrahlungsplanung Detlef Richter 1, Soulimane Abdellaoui 1,2, Faisel Bekkaoui 1,2 Karsten Berthold 1,2 und Gerd
MehrFakultät für Informatik Übung zu Kognitive Systeme Sommersemester 2016
Fakultät für Informatik Übung zu Kognitive Systeme Sommersemester 1 M. Sperber (matthias.sperber@kit.edu) S. Nguyen (thai.nguyen@kit.edu) Übungsblatt 3 Maschinelles Lernen und Klassifikation Abgabe online
MehrMathematische Symbole
Abkürzungen Mathematische Symbole VII IX 1 Einleitung 1 1.1 Applikationen................................ 2 1.1.1 Pedikelverschraubung........................ 2 1.1.2 Kreuzbandersatz..........................
MehrRegistrierung I & II
I & II Definition Formale Definition (Maurer 93): Registration is the determination of a one-to-one mapping between the coordinates of one space and those in another such that points are mapped to each
MehrFlächen- und Volumenmessung lokaler Objekte in DICOM-Bildern und Bildfolgen
Flächen- und Volumenmessung lokaler Objekte in ICOM-Bildern und Bildfolgen Sergei Hludov, Christoph Meinel und Thomas Engel Institut für Telematik Bahnhofsstr. 30-3, 549 Trier Email: hludov@ti.fhg.de Zusammenfassung.
MehrEinführung in die medizinische Bildverarbeitung WS 12/13
Einführung in die medizinische Bildverarbeitung WS 12/13 Stephan Gimbel Kurze Wiederholung ITK Konzepte aus PAD1/2 Template Klassen Typedefs Smart Pointer (für ITK Objekte) Fehlerbehebung Doku, Mailing-List
MehrKapitel 2: Mathematische Grundlagen
[ Computeranimation ] Kapitel 2: Mathematische Grundlagen Prof. Dr. Stefan M. Grünvogel stefan.gruenvogel@fh-koeln.de Institut für Medien- und Phototechnik Fachhochschule Köln 2. Mathematische Grundlagen
MehrSegmentierung des Aterienbaums
Segmentierung des Aterienbaums Christoph Schaefer Seminar: Bildverarbeitung für die Medizin Universität Koblenz-Landau 27.01.2007 1 Anwendungsgebiete 2 Segmentierung Überblick Deformierbare Modelle Snake
MehrEinführung in die medizinische Bildverarbeitung WS 12/13
Einführung in die medizinische Bildverarbeitung WS 12/13 Stephan Gimbel zentrales Problem in der medizinischen Bildanalyse eingesetzt in der computergestützten Diagnostik und Therapie bildet die Grundlage
Mehr18. Matrizen 2: Gleichungssysteme, Gauß-Algorithmus
18. Matrizen 2: Gleichungssysteme, Gauß-Algorithmus Conrad Donau 8. Oktober 2010 Conrad Donau 18. Matrizen 2: Gleichungssysteme, Gauß-Algorithmus 8. Oktober 2010 1 / 7 18.1 Wiederholung: Ebenen in R 3
MehrEinführung in die medizinische Bildverarbeitung SS 2013
Einführung in die medizinische Bildverarbeitung SS 2013 Stephan Gimbel 1 Kurze Wiederholung Gradienten 1. und 2. Ableitung grad( f ( x, y) ) = f ( x, y) = f ( x, y) x f ( x, y) y 2 f ( x, y) = 2 f ( x,
MehrSegmentierung der Knochenoberfläche einzelner Lendenwirbel für die ultraschallbasierte Navigation
Segmentierung der Knochenoberfläche einzelner Lendenwirbel für die ultraschallbasierte Navigation Claudia Dekomien, Susanne Winter Institut für Neuroinformatik, Ruhr-Universität Bochum, 44780 Bochum Claudia.Dekomien@neuroinformatik.rub.de
MehrNavigation anhand natürlicher Landmarken mit Hilfe der Scale Invariant Feature Transform. Thorsten Jost INF-M2 AW1 Sommersemester
Navigation anhand natürlicher Landmarken mit Hilfe der Scale Invariant Feature Transform Thorsten Jost INF-M2 AW1 Sommersemester 2008 Agenda Motivation Feature Detection Beispiele Posenbestimmung in Räumen
Mehr4. Segmentierung von Objekten Video - Inhaltsanalyse
4. Segmentierung von Objekten Video - Inhaltsanalyse Stephan Kopf Inhalt Vorgehensweise Berechnung der Kamerabewegungen zwischen beliebigen Bildern Transformation eines Bildes Hintergrundbilder / Panoramabilder
MehrGliederung: 1) Einleitung 2) Oberflächenvergleich 3) Objekterkennung
Using Spin Images for Efficient Object Recogition in Cluttered 3D Scenes (Effiziente Objekterkennung von ungeordneten 3D Szenen mithilfe von Spin Images) Gliederung: 1) Einleitung 2) Oberflächenvergleich
MehrAusgleichsproblem. Definition (1.0.3)
Ausgleichsproblem Definition (1.0.3) Gegeben sind n Wertepaare (x i, y i ), i = 1,..., n mit x i x j für i j. Gesucht ist eine stetige Funktion f, die die Wertepaare bestmöglich annähert, d.h. dass möglichst
MehrMathematik für Naturwissenschaftler II SS 2010
Mathematik für Naturwissenschaftler II SS 2010 Lektion 13 10. Juni 2010 Kapitel 10. Lineare Gleichungssysteme In diesem Abschnitt untersuchen wir, welche Struktur die Gesamtheit aller Lösungen eines linearen
MehrVolumenverarbeitung und Optimierung II
Volumenverarbeitung und Optimierung II Praktikum Medizinische GPU Verfahren Susanne Fischer sanne@uni-koblenz.de Institut für Computervisualistik Universität Koblenz-Landau 9. Dezember 2006 Susanne Fischer
MehrParallele Algorithmen in der Bildverarbeitung
Seminar über Algorithmen - SoSe 2009 Parallele Algorithmen in der Bildverarbeitung von Christopher Keiner 1 Allgemeines 1.1 Einleitung Parallele Algorithmen gewinnen immer stärker an Bedeutung. Es existieren
Mehrk-nächste-nachbarn-schätzung
k-nächste-nachbarn-schätzung Mustererkennung und Klassifikation, Vorlesung No. 7 1 M. O. Franz 29.11.2007 1 falls nicht anders vermerkt, sind die Abbildungen entnommen aus Duda et al., 2001. Übersicht
MehrBildverbesserung (Image Enhancement)
Prof. Dr. Wolfgang Konen, Thomas Zielke Bildverbesserung (Image Enhancement) WS07 7.1 Konen, Zielke Der Prozess der Bildverbesserung (1) Bildverbesserung wird häufig dafür eingesetzt, die für einen menschlichen
MehrOptimierung. Optimierung. Vorlesung 2 Optimierung ohne Nebenbedingungen Gradientenverfahren. 2013 Thomas Brox, Fabian Kuhn
Optimierung Vorlesung 2 Optimierung ohne Nebenbedingungen Gradientenverfahren 1 Minimierung ohne Nebenbedingung Ein Optimierungsproblem besteht aus einer zulässigen Menge und einer Zielfunktion Minimum
Mehr5. Clusteranalyse. Lernziele: Grundlegende Algorithmen der Clusteranalyse kennen, ihre Eigenschaften
5. Clusteranalyse Lernziele: Grundlegende Algorithmen der Clusteranalyse kennen, ihre Eigenschaften benennen und anwenden können, einen Test auf das Vorhandensein einer Clusterstruktur kennen, verschiedene
MehrGrundlagen der Bildverarbeitung
Grundlagen der Bildverarbeitung Inhaltsverzeichnis Vorwort 9 Kapitel 1 Einführung 13 1.1 Anwendungen der digitalen Bildverarbeitung 16 1.2 Algorithmische Verarbeitung von Bildinformation 17 1.3 Zu diesem
MehrEin Softwarepaket für die modellbasierte Segmentierung anatomischer Strukturen
Ein Softwarepaket für die modellbasierte Segmentierung anatomischer Strukturen Thomas Lange 1, Hans Lamecker 2 und Martin Seebaß 2 1 Robert Rössle Klinik, Charité, 13125 Berlin 2 Zuse Institut Berlin (ZIB),
MehrImage Mosaicing. Michael Koop Hans-Ulrich Klein. Sommersemester 2004. ImageMosaicing
Image Mosaicing Michael Koop Hans-Ulrich Klein Sommersemester 2004 ImageMosaicing Vortragsinhalt 1. Einführung 2. Vorgehensweise zur Erstellung von Mosaikbildern 3. Zylindrische Panoramabilder 4. Feature-basierte
MehrBild-Erkennung & -Interpretation
Kapitel I Bild-Erkennung & -Interpretation FH Aachen / Jülich, FB 9 Prof. Dr. rer.nat. Walter Hillen (Dig Img I) 1 Einführung Schritte zur Bilderkennung und Interpretation: Bild-Erfassung Vorverarbeitung
Mehr5. Clusteranalyse Vorbemerkungen. 5. Clusteranalyse. Grundlegende Algorithmen der Clusteranalyse kennen, ihre Eigenschaften
5. Clusteranalyse Vorbemerkungen 5. Clusteranalyse Lernziele: Grundlegende Algorithmen der Clusteranalyse kennen, ihre Eigenschaften benennen und anwenden können, einen Test auf das Vorhandensein einer
MehrSegmentierung mit einem KurvenAdjazenzgraphen, basierend auf. der Wasserscheidentransformation
Seminar Mustererkennung in Bildern und 3D-Daten bei Prof. Dr. Kurth, Lehrstuhl Grafische Systeme Segmentierung mit einem KurvenAdjazenzgraphen, basierend auf der Wasserscheidentransformation (nach Thierry
MehrEinführung 17. Teil I Zu den Grundlagen der linearen Algebra 21. Kapitel 1 Schnelleinstieg in die lineare Algebra 23
Inhaltsverzeichnis Einführung 17 Zu diesem Buch 17 Konventionen in diesem Buch 17 Törichte Annahmen über den Leser 17 Wie dieses Buch aufgebaut ist 18 Teil I: Zu den Grundlagen der linearen Algebra 18
MehrAlgorithmische Geometrie
Algorithmische Geometrie Martin Peternell TU Wien 31. Fortbildungstagung für Geometrie 2010, Strobl 1 Themen der Algorithmische Geometrie Entwurf von Algorithmen für geometrische Fragestellungen betreffend
MehrAutomatic segmentation for dental operation planning. Diplomarbeit. Nguyen The Duy
Automatic segmentation for dental operation planning Diplomarbeit Nguyen The Duy 24.02.2012 Motivation Quelle: bestbudapestdentist.com Aufgabenstellung Segmentierung des Oberkiefers (Maxilla) Detektion
MehrSegmentierung und Datenapproximation von Laserscanneraufnahmen mittels statistischer Methoden
Segmentierung und Datenapproximation von Laserscanneraufnahmen mittels statistischer Methoden Ingo Neumann, Jens-André Paffenholz und Nico Lindenthal GEODÄTISCHES INSTITUT HANNOVER Session: Laserscanning
MehrKapitel 3. Minkowski-Raum. 3.1 Raumzeitlicher Abstand
Kapitel 3 Minkowski-Raum Die Galilei-Transformation lässt zeitliche Abstände und Längen unverändert. Als Länge wird dabei der räumliche Abstand zwischen zwei gleichzeitigen Ereignissen verstanden. Solche
MehrComputer Vision: Segmentierung I
Computer Vision: Segmentierung I D. Schlesinger TUD/INF/KI/IS Der Plan: D. Schlesinger () CV: Segmentierung I 1 / 13 Segmentierung Man hat das... Man braucht das. D. Schlesinger () CV: Segmentierung I
MehrProjektion. Ebene geometrische Projektionen
Projektion - 1 - Ebene geometrische Projektionen Die ebenen geometrischen Projektionen sind dadurch charakterisiert, daß mit Projektionsstrahlen konstanter Richtung, d.h. entlang von Geraden, auf Ebenen
MehrGrundlagen der Objektmodellierung
Grundlagen der Objektmodellierung Daniel Göhring 30.10.2006 Gliederung Grundlagen der Wahrscheinlichkeitsrechnung Begriffe zur Umweltmodellierung Bayesfilter Zusammenfassung Grundlagen der Wahrscheinlichkeitsrechnung
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
MehrAtlasbasierte 3D-Segmentierung medizinischer Bilddaten mit Fast-Marching-Methoden
Atlasbasierte 3D-Segmentierung medizinischer Bilddaten mit Fast-Marching-Methoden Michael Schwenke 1,2, Matthias Färber 1, Jan Ehrhardt 1, Andreas Plaß 2, Heinz Handels 1 1 Institut für Medizinische Informatik,
MehrBildtransformationen. Geometrische Transformationen Grauwert-Interpolation
Bildtransformationen Geometrische Transformationen Grauwert-Interpolation Transformation Transformation zwei Schritte geometrische Transformation (Trafo der Koordinaten) Neuberechnung der Pielwerte an
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
MehrFEM isoparametrisches Konzept
FEM isoparametrisches Konzept /home/lehre/vl-mhs-/folien/vorlesung/5_fem_isopara/deckblatt.tex Seite von 25. p./25 Inhaltsverzeichnis. Interpolationsfunktion für die finiten Elemente 2. Finite-Element-Typen
MehrSegmentierung des Femurs aus MRT-Daten mit Shape-Based Level-Sets
Segmentierung des Femurs aus MRT-Daten mit Shape-Based Level-Sets Claudia Dekomien 1, Martin Busch 2, Wolfram Teske 3, Susanne Winter 1 1 Institut für Neuroinformatik, Ruhr-Universität Bochum, 44780 Bochum,
MehrLineare Algebra für D-ITET, D-MATL, RW. Beispiellösung für Serie 11. Aufgabe ETH Zürich D-MATH. Dr. V. Gradinaru D. Devaud. Herbstsemester 2015
Dr. V. Gradinaru D. Devaud Herbstsemester 015 Lineare Algebra für D-ITET, D-MATL, RW ETH Zürich D-MATH Beispiellösung für Serie 11 Aufgabe 11.1 11.1a) Sei die QR-Zerlegung der m n Matrix A (m > n) gegeben
MehrLineare Funktionen. Aufgabe 1. Sei f R 2 R definiert durch. x 1 + 3x Beweisen Sie ausführlich, dass f linear ist.
Lineare Funktionen Aufgabe. Sei f R R definiert durch x f = x x + 3x. Beweisen Sie ausführlich, dass f linear ist. Aufgabe. Die Funktionen (nicht erschrecken sind definiert durch + ( (R n R m (R n R m
MehrÜbersicht der Vorlesung
Übersicht der Vorlesung. Einführung. Bildverarbeitung. Morphologische Operationen 4. Bildsegmentierung 5. Merkmale von Objekten 6. Klassifikation 7. Dreidimensionale Bildinterpretation 8. Bewegungsanalyse
MehrGeometrische Objekte im 3-dimensionalen affinen Raum oder,... wie nützlich ist ein zugehöriger Vektorraum der Verschiebungen
Geometrische Objekte im -dimensionalen affinen Raum Bekanntlich versteht man unter geometrischen Objekten Punktmengen, auf die man die üblichen Mengenoperationen wie z.b.: Schnittmenge bilden: - aussagenlogisch:
MehrVektorgeometrie. 1. Vektoren eingeben, Norm, Skalarprodukt. 2 In einem kartesischen Koordinatensystem sind die Vektoren. , v. und. gegeben.
Vektorgeometrie 1. Vektoren eingeben, Norm, Skalarprodukt 2 In einem kartesischen Koordinatensystem sind die Vektoren u 14, 5 11 10 v 2 und w 5 gegeben. 10 10 a) Zeigen Sie, dass die Vektoren einen Würfel
MehrUltraschallbasierte Navigation
Ultraschallbasierte Navigation für die minimalinvasive onkologische Nieren- und Leberchirurgie vom Fachbereich Informatik der Technischen Universität Darmstadt genehmigte DISSERTATION zur Erlangung des
MehrMathematik für Naturwissenschaftler II SS 2010
Mathematik für Naturwissenschaftler II SS 2010 Lektion 12 8. Juni 2010 Kapitel 10. Lineare Gleichungssysteme (Fortsetzung) Umformung auf obere Dreiecksgestalt Determinantenberechnung mit dem Gauß-Verfahren
MehrEinführung in die medizinische Bildverarbeitung SS 2013
Einführung in die medizinische Bildverarbeitung SS 213 Stephan Gimbel 1 Kurze Wiederholung Kurven- und oberflächenbasierte Registrierung Rand- und Oberflächen, z.b. durch Meshes repräsentiert Genauigkeit
MehrA2.3 Lineare Gleichungssysteme
A2.3 Lineare Gleichungssysteme Schnittpunkte von Graphen Bereits weiter oben wurden die Schnittpunkte von Funktionsgraphen mit den Koordinatenachsen besprochen. Wenn sich zwei Geraden schneiden, dann müssen
MehrAufgabe A7/08 Die Ebene geht durch die Punkte 1,5 0 0,!0 3 0 und " Untersuchen
Aufgabe A6/08 Gegeben sind die zwei parallelen Gerade und durch 2 3 1 6 : 9 4, : 2 8;, 4 1 5 2 Bestimmen Sie den Abstand der beiden Geraden. (Quelle Abitur BW 2008 Aufgabe 6) Aufgabe A7/08 Die Ebene geht
Mehr= 11 ± 5, also k 1 = 3 und k 2 = 8.
Stroppel Musterlösung.8.5, 8min Aufgabe (6 Punkte) Gegeben sei die Funktion f: R R: x x e x. (a) Zeigen Sie durch vollständige Induktion, dass für alle x R und alle k N gilt: f (k) (x) = ( ) k (x kx+(k
MehrTipps & Tricks: Transformation für das GNSS-Messsystem berechnen
Tipps & Tricks: Transformation für das GNSS-Messsystem berechnen 1.1 Einleitung Ein GNSS-System darf im Büro nicht fehlen, denn damit können schnell und einfach Naturaufnahmen und Absteckungsarbeiten erledigen
Mehr3. Das Reinforcement Lernproblem
3. Das Reinforcement Lernproblem 1. Agierender Agent in der Umgebung 2. Discounted Rewards 3. Markov Eigenschaft des Zustandssignals 4. Markov sche Entscheidung 5. Werte-Funktionen und Bellman sche Optimalität
MehrNichtlineare Gleichungssysteme
Kapitel 5 Nichtlineare Gleichungssysteme 51 Einführung Wir betrachten in diesem Kapitel Verfahren zur Lösung von nichtlinearen Gleichungssystemen Nichtlineares Gleichungssystem: Gesucht ist eine Lösung
MehrTraining von RBF-Netzen. Rudolf Kruse Neuronale Netze 134
Training von RBF-Netzen Rudolf Kruse Neuronale Netze 34 Radiale-Basisfunktionen-Netze: Initialisierung SeiL fixed ={l,...,l m } eine feste Lernaufgabe, bestehend ausmtrainingsbeispielenl=ı l,o l. Einfaches
MehrSimulation der Knochenverlagerung beim Frontal Orbital Advancement
Simulation der Knochenverlagerung beim Frontal Orbital Advancement H. Grabowski*, S. Hassfeld**, J. Brief**, J. Münchenberg*, U. Rembold*, H. Wörn* *Institut für Prozeßrechentechnik, Automation und Robotik
MehrInhalte. Mathematische Grundlagen. Koordinatensysteme Ebene und räumliche Koordinatentransformationen Zentralperspektive
Inhalte Mathematische Grundlagen Koordinatensysteme Ebene und räumliche Koordinatentransformationen Zentralperspektive HS BO Lab. für Photogrammetrie: Koordinatensysteme Koordinatensysteme Ein kartesisches
MehrDigitale Bildverarbeitung (DBV)
Digitale Bildverarbeitung (DBV) Prof. Dr. Ing. Heinz Jürgen Przybilla Labor für Photogrammetrie Email: heinz juergen.przybilla@hs bochum.de Tel. 0234 32 10517 Sprechstunde: Montags 13 14 Uhr und nach Vereinbarung
MehrKlausurenkurs zum Staatsexamen (WS 2013/14): Lineare Algebra und analytische Geometrie 7
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (WS 3/4): Lineare Algebra und analytische Geometrie 7 7. (Frühjahr, Thema 3, Aufgabe 4) Im R 3 seien die beiden Ebenen E : 6x+4y z = und E : +s +t 4 gegeben.
MehrLineare Gleichungssysteme mit 2 Variablen
Lineare Gleichungssysteme mit 2 Variablen Lineare Gleichungssysteme mit 2 Variablen Einzelne lineare Gleichungen mit zwei Variablen Bis jetzt haben wir nur lineare Gleichungen mit einer Unbekannten (x)
MehrLineare Algebra in der Oberstufe
Lineare Algebra in der Oberstufe Stefan Ruzika Mathematisches Institut Universität Koblenz-Landau Campus Koblenz 11. April 2016 Stefan Ruzika 1: Schulstoff 11. April 2016 1 / 21 Übersicht Ziel dieses Kapitels
MehrKlausur Vermessungskunde
Klausur Vermessungskunde Vermessungskunde für Bauingenieure und Geodäten (Modulprüfung B.Sc) Frühjahr 2016 31.03.2016 Name: Vorname: Matr.-Nr.: Aufgabe 1 2 3 4 Punktzahl erreicht Note Punktzahl 35 26 20
MehrSCHRIFTLICHE ABITURPRÜFUNG 2009 Mathematik (Leistungskursniveau) Arbeitszeit: 300 Minuten
Mathematik (Leistungskursniveau) Arbeitszeit: 300 Minuten Es sind die drei Pflichtaufgaben und eine Wahlpflichtaufgabe zu lösen. Der Prüfling entscheidet sich für eine Wahlpflichtaufgabe. Die zur Bewertung
MehrVergleich von deformierbaren 3D/3D Registrierungsmethoden für MRT- und CT-Volumendaten. Diplomarbeit
Fachbereich 4: Informatik Universitätsklinik Tübingen, Radiologische Diagnostik Vergleich von deformierbaren 3D/3D Registrierungsmethoden für MRT- und CT-Volumendaten Diplomarbeit zur Erlangung des Grades
Mehr12. Flächenrekonstruktion aus 3D-Punktwolken und generalisierte Voronoi-Diagramme
12. Flächenrekonstruktion aus 3D-Punktwolken und generalisierte Voronoi-Diagramme (Einfache) Voronoi-Diagramme: Motivation: gegeben: Raum R, darin Menge S von Objekten Frage nach Zerlegung von R in "Einflusszonen"
MehrCurriculum Mathematik Oberstufe der Gesamtschule Eiserfeld
Curriculum Mathematik Oberstufe der Gesamtschule Eiserfeld 11.1 11.2 Unterrichtsvorhaben: Funktionen Unterrichtsvorhaben: Differenzialrechnung 1) Lineare und exponentielle Wachstumsprozesse a) Modellieren
MehrComputerunterstützte Prothesenkonstruktion mittels statistischen Formmodells bei Beckenresektionen
Computerunterstützte Prothesenkonstruktion mittels statistischen Formmodells bei Beckenresektionen Thomas Lange 1, Per-Ulf Tunn 1, Hans Lamecker 2, Peter Scheinemann 3, Sebastian Eulenstein 1 und Peter-Michael
MehrÜbersicht der Vorlesung
Übersicht der Vorlesung 1. Einführung 2. Bildverarbeitung 3. orphologische Operationen 4. Bildsegmentierung 5. erkmale von Objekten 6. Klassifikation 7. Dreidimensionale Bildinterpretation 8. Bewegungsanalyse
MehrSimulation. Lineare Regression Methode der kleinsten Quadrate (Excel-Matrix-Formel) Verknüpfung des Euler- und Newton-Verfahrens. Das Euler-Verfahren
Simulation Lineare Regression Methode der kleinsten Quadrate (Excel-Matrix-Formel) Verknüpfung des Euler- und Newton-Verfahrens Dynamische Prozesse: Prozesse, bei denen sich das zeitliche und örtliche
MehrJan Putzer, Michael Teistler, Jochen Dormeier, Lars Mieth*, Tim Pohlemann*
Computergestützte Segmentierung des frakturierten Acetabulums in CT-Aufnahmen mit Hilfe aktiver Konturen zur Klassifikation und Operationsplanung in der Unfallchirurgie Jan Putzer, Michael Teistler, Jochen
MehrRegistrierung. Berthold Krevert. 2 Definition 2
Registrierung Berthold Krevert Inhaltsverzeichnis 1 Einleitung 1 2 Definition 2 3 Anwendungsfälle 2 4 Verzerrungen und Bildfehler 3 5 Transformationen 4 5.1 Rigide Transformationen..............................
MehrModellbasierte Rekonstruktion von Organoberflächen auf der Basis von zweidimensionalen Schnittdaten
Modellbasierte Rekonstruktion von Organoberflächen auf der Basis von zweidimensionalen Schnittdaten Sebastian von Klinski, Andreas Glausch, Claus Derz und Thomas Tolxdorff Institut für Medizinische Statistik,
MehrHandgeführtes BIM-Aufmaßsystem- Untersuchung des Potentials eines mobilen low-cost Gerätes zur Erzeugung von 3D-Modellen
- Untersuchung des Potentials eines mobilen low-cost Gerätes zur Erzeugung von 3D-Modellen Rebecca Achenbach Forum Bauinformatik 2017 07.09.2017 Zielsetzung & Vorgehensweise Bewertung des Google Tango
MehrVisualisierungstechniken für Thorax-CT Daten
Visualisierungstechniken für Thorax-CT Daten Volker Dicken, Jan-Martin Kuhnigk,, Stefan Krass, Heinz-Otto Peitgen MeVis Bremen Aufgabenbereich Befundung von Lungenrundherden:! Sichtbarkeit kleiner Rundherde
MehrVisual Servoing using Mutual Information
Visual Servoing using Mutual Information Christian Rupprecht Robotics and Embedded Systems Technische Universität München Outline 1 Visual Servoing Was ist Visual Servoing? Typische Lösungsansätze 2 Mutual
MehrAtlasbasierte Segmentierung mittels elastischer Registrierung
Fachbereich 4: Informatik Arbeitsgruppe Aktives Sehen Atlasbasierte Segmentierung mittels elastischer Registrierung Diplomarbeit zur Erlangung des Grades eines/r Diplom-Informatikers / Diplom-Informatikerin
MehrEbene und Räumliche Transformationen Transformationen
Ebene und Räumliche R Transformationen Christoph Brauner Landesamt für Kataster-, Vermessungs- und Kartenwesen Ebene konforme Transformation 5 Parameter Transformation Affine Transformation Räumliche konforme
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
MehrAufstellen der Funktionsgleichung aus gegebenen Bedingungen
R. Brinkmann http://brinkmann-du.de Seite.0.0 Aufstellen der Funktionsgleichung aus gegebenen Bedingungen Drei unterschiedliche Punkte, die alle auf einer Parabel liegen sollen sind gegeben. Daraus soll
MehrCorinne Schenka Vorkurs Mathematik WiSe 2012/13
4. Lineare Gleichungssysteme Ein lineares Gleichungssystem ist ein System aus Gleichungen mit Unbekannten, die nur linear vorkommen. Dieses kann abkürzend auch in Matrizenschreibweise 1 notiert werden:
MehrVortrag 20: Kurze Vektoren in Gittern
Seminar: Wie genau ist ungefähr Vortrag 20: Kurze Vektoren in Gittern Kerstin Bauer Sommerakademie Görlitz, 2007 Definition und Problembeschreibung Definition: Gitter Seien b 1,,b k Q n. Dann heißt die
MehrApproximationsverfahren für die Kurvendarstellung
Approximationsverfahren für die Kurvendarstellung (a) Bézier-Kurven spezielle Form polynomialer Kurven spezifiziert durch n+1 Kontrollpunkte P 0, P 1,..., P n Kurve läuft nicht durch alle Kontrollpunkte,
Mehr12. Gruppenübung zur Vorlesung. Höhere Mathematik 1. Wintersemester 2012/2013
O. Alaya, S. Demirel M. Fetzer, B. Krinn M. Wied. Gruppenübung zur Vorlesung Höhere Mathematik Wintersemester / Dr. M. Künzer Prof. Dr. M. Stroppel Lösungshinweise zu den Hausaufgaben: Aufgabe H 4. Hauptachsentransformation
MehrBildverarbeitung: 3D-Geometrie. D. Schlesinger () Bildverarbeitung: 3D-Geometrie 1 / 13
Bildverarbeitung: 3D-Geometrie D. Schlesinger () Bildverarbeitung: 3D-Geometrie 1 / 13 Lochkamera Modell C Projektionszentrum, Optische Achse, Bildebene, P Hauptpunkt (optische Achse kreuzt die Bildebene),
MehrLineare Ausgleichsprobleme. Jetzt: Lösung überbestimmter linearer GS, d.h. mehr Gleichungen als Unbekannte
Lineare Ausgleichsprobleme Bisher: Lösung linearer GS Ax = b, A R n,n, A regulär, b R n Jetzt: Lösung überbestimmter linearer GS, d.h. mehr Gleichungen als Unbekannte Ax = b mit A R m,n, b R m, m n, rg(a)
Mehr