Gehirnsegmentierung mit der Wasserscheidentransformation. Xin Zhou
|
|
- Franka Hertz
- vor 7 Jahren
- Abrufe
Transkript
1 Gehirnsegmentierung mit der Wasserscheidentransformation Xin Zhou 1
2 Gehirnsegmentierung mit der Wasserscheidentransformation (WST) Gliederung Sinn der Gehirnsegmentierung Struktur des Gehirns Wasserscheidentransformation Gehirnextraktion mittels WST Experimente 2
3 Sinn der Gehirnsegmentierung Entwicklung der Informationsverarbeitung im Bereich Medizin (Ultraschall, CT, MRT, PET) Einsatz der MRT in Gehirn-Diagnostik Auswertung der Bilddaten Motivation Ein wichtiger Schritt in neurologischer Bildverarbeitung Ausgangspunkt für Visualisierung & Quantifizierung des Gehirns 3
4 Gehirnsegmentierung mit der Wasserscheidentransformation Gliederung Sinn der Gehirnsegmentierung Struktur des Gehirns Wasserscheidentransformation Gehirnextraktion mittels WST Experimente 4
5 Großhirn Kleinhirn Zwischenhirn Hirnstamm WM (white matter =weiße Substanz =Nervenfasern) GM (grey matter =graue Substanz =Nervenzellkörper) CSF (cerebrospinal fluid =Zerebrospinal Flüssigkeit =Rückenmarkflüssigkeit) Struktur des Gehirns 5
6 Struktur des Gehirns T1 gewichtete MR-Bilder 6
7 Struktur des Gehirns T1-gewichtete MR Bilder Manche Organe sind erst durch MR darstellbar MR Bilder Verschiedenheit der Signalintensität- guter Weichgewebekontrast (zwischen WM, GM, sowie CSF) Keine schädliche ionisierende Strahlung durch Tests als geeignet für Diagnose befunden Radiofrequenz-Inhomogenität Magnetfeld nicht homogen Stärke des Magnetfeldes ist abhängig vom Abstand zur Spule des Gerätes 7
8 Struktur des Gehirns T1 Liquor dunkel T2 - Liquor hell 8
9 Gehirnsegmentierung mit der Wasserscheidentransformation Gliederung Sinn der Gehirnsegmentierung Struktur des Gehirns Wasserscheidentransformation Gehirnextraktion mittels WST Experimente 9
10 Wasserscheidentransformation (WST) Grauwert (oder Gradientenbetrag) eines 2D Bildes als Relief M: lokales Minimum, W:Wasserscheidenlinien 10
11 Wasserscheidentransformation Annahme: Regionen sind durch hohe Gradienten (Gebirge) voneinander abgegrenzt Idee: Zweidimensionales Grauwertbild (oder Gradientenbild) als topografisches Relief auffassen Grauwert eines Bildpunktes als Erhebung interpretieren 11
12 Wasserscheidentransformation Methode: Suche nach Gebieten, die in den gleichen Punkt entwässert werden. Allmähliches Auffüllen der Region (Flutungsprozess oder Beregnung ), Bestimmung der Wasserscheidenlinien. 12
13 Wasserscheidentransformation Engl.:Pre-flooding: Flutungsprozess Einen steigenden Wasserspiegel zu simulieren Dämme zu errichten wenn zwei (tiefe) Wasserbecken miteinander zusammenstoßen 13
14 Wasserscheidentransformation Pre-flooding: Flutungsprozess Grauwert Relief 14
15 Wasserscheidentransformation Die Flutung beginnt auf dem Pixel mit dem niedrigsten Höhenwert Entweder ein isoliertes neues Wasserbecken entsteht oder existierende Wasserbecken werden erweitert. Erweiterung einer existierenden Region neue Region lokales Minimum (mit dem niedrigsten Höhenwert) 15
16 Wasserscheidentransformation Verschmelzen oder nicht? Wenn beide Wasserbecken tief genug sind (>Hpf)... Schwellwert Hpf (Height of pre-flooding) Damm, Wasserscheide einmal gebildete Wasserscheiden bleiben trotz weiterer Flutung erhalten 16
17 Wasserscheidentransformation Ergebnis zur Segmentierung 17
18 Wasserscheidentransformation Noch ein Beispiel mit Gradienten Grauwert Gradient 18
19 Wasserscheidentransformation Grauwert gegen Gradienten Plateau Alles inkl. des Plateaus ist mit Wasser überdeckt keine Segmentierung Wand (oder Gebirge) Wasserscheiden- Linie entsteht an der Stelle der Wand 19
20 Wasserscheidentransformation Problem:Übersegmentierung Grund: Gradient ist empfindlich gegen Rauschen. 20
21 Wasserscheidentransformation Lösung: Marker-kontrollierte WST Der Benutzer spezifiziert Marker, die die Gebiete festlegen, die voneinander zu trennen sind. Marker = selbst definierte lokale Minima Flutung auf bestimmte markierte Gebiete beschränken 21
22 Gliederung Gehirnsegmentierung mit der Wasserscheidentransformation Sinn der Gehirnsegmentierung Struktur des Gehirns Wasserscheidentransformation Gehirnextraktion mittels WST Experimente 22
23 Gehirnextraktion mittels WST Ziel: vollständige Segmentierung des Gehirns Keine Vorverarbeitung der Daten (T1 gewichtete MR Bilder) robust gegen Rauschen und Radiofrequenz- Inhomogenität einfach keine weiteren Annahmen über anatomische Strukturen schnelle und leichte Interaktion 23
24 Gehirnextraktion mittels WST Idee: Grundlage: Konnektivität der WM: WM verbindet alle funktionalen Teile des Gehhirns WM wird von dunklerer GM und noch dunklerer CSF umgeben Grauwertbild als Relief: 2 Punkte sind nicht verbunden, wenn sie durch ein Tal getrennt sind Einführung eines Schwellwertes Hpf (height of pre-flooding) 24
25 Gehirnextraktion mittels WST Das MR-Bild wird zuerst invertiert: dunkle GM, CSF jetzt hell Gebirge heller Schädelknochen jetzt dunkel Tal 25
26 Ablauf Gehirnextraktion mittels WST 1) invertieren des Grauwertbildes 2) sortieren der Voxel des invertierten Bildes in aufsteigender Ordnung Sortierung sichert, dass isoliertes Voxel, das lokales Minimum (oder in niedrigerer Höhe) ist, vorrangig geflutet/verschmolzen/ wird 26
27 Ablauf Gehirnextraktion mittels WST 3) jedes Voxel wird nur einmal bearbeitet mit seinen sechs direkten Nachbarn (3D) 4) falls einer oder mehrere seiner Nachbarn bereits geflutet wurde, aufgrund niedrigeren oder gleichen Grauwertes, wird die Verschmelzung ausgeführt. Voxel-Basin-Merging Basin-Basin-Merging sonst wird ein neues isoliertes Becken erzeugt 27
28 Gehirnextraktion mittels WST Voxel-Basin-Merging Voxel verschmilzt mit dem tiefsten Nachbarbecken Becken mit dem kleinsten Minimum (am dunkelsten) Basin-Basin-Merging Zwei Nachbarbecken, deren Tiefe relativ zum aktuellen Berührungspunkt höher als der vorgegebene Schwellwert Hpf ist, werden durch Wasserscheidenlinie getrennt. Sonst verschmelzen die beiden Nachbarbecken zu einem gemeinsamen Becken 28
29 Gehirnextraktion mittels WST Schwellwert Hpf spielt eine Rolle bei Basin-Basin- Merging. Hier wird eine Wasserscheidenlinie erzeugt. vorgegebener Wert Hpf Zwei Nachbarbecken sind durch Wasserscheidenlinie getrennt. Wasserspiegel Tiefe des Beckens (>Hpf) 29
30 Gehirnextraktion mittels WST Schwellwert Hpf spielt eine Rolle bei Basin-Basin- Merging. Hier wird keine Wasserscheidenlinie erzeugt. Die beiden Becken sind miteinander verschmolzen. vorgegebener Wert Hpf Keine Wasserscheidenlinie. Kleiner Buckel, dessen Tiefe niedriger als Hpf ist, wird nicht als Gebirge/Tal angesehen. Wasserspiegel Tiefe des Beckens (nicht tief genug) 30
31 Gehirnextraktion mittels WST Verhalten des Algorithmus: mit steigendem Hpf, X-Achse: Hpf / Imax Y-Achse: Anzahl der resultierenden Becken, und die Größe des größten Beckens (gestrichelte Linie) 31
32 Gehirnextraktion mittels WST Bemerkungen Mit Hilfe eines geeigneten Hpf repräsentiert ein Becken das vollständige Gehirn es ist das größte Becken Die Anzahl der Becken fällt monoton mit steigender Größe und Hpf Segmentierungsergebnis ändert sich nicht kontinuierlich mit variierenden Hpf, sondern es existiert ein breites Intervall an geeigneten Hpf- Werten 32
33 Gehirnsegmentierung mit der Wasserscheidentransformation Gliederung Sinn der Gehirnsegmentierung Struktur des Gehirns Wasserscheidentransformation Gehirnextraktion mittels WST Experimente 33
34 Experimente Evaluierung an Phantom-Daten und klinischen Daten Phantom Studien Simulated Brain Database/Montréal Neurological Institut, McGill University 90 T1- gewichtete Datensätze alle erfolgreich, auch bei extremer Schichtdicke (9mm), Rauschen und RF- non uniformity 34
35 Phantom Studien Experimente 35
36 Klinische Studien Experimente 43 Bilder von Freiwilligen und Patienten unterschiedliche Parameter (Schichtdicke, Schnittrichtung) 43 erfolgreich, in 2 Segmentierungen Hpf unerwartet hoch 36
37 Ergebnisse Experimente geeignete Hpf-Werte verhalten sich linear zum Rauschen automatische Wahl des pre-flooding Wertes ist möglich 3D Wasserscheidentransformation war in allen getesteten Datenmengen erfolgreich der Hpf kann innerhalb eines bestimmten Intervalls variieren ohne dass sich die Ausgabe der Segmentierung ändert äußerst robust 96% von Experten als erfolgreich bewertet 37
38 Fazit Gehirnsegmentierung mit der Wasserscheidentransformation(WST) Gehirnsegmentierung ist für Diagnose von großer Bedeutung (T1 gewichtete) MRT Bilder sind zwar gut, sollten aber idealerweise weiter segmentiert werden Wasserscheidentransformation ist eine regionbasierende Operation, deren Wasserscheidenlinien der Segmentierung dienen. WST-Algorithmus ist robust. 38
39 Gehirnsegmentierung mit der Wasserscheidentransformation(WST) Literatur D.P.Auer, V.Aurich, K.Hahn, K.Rodenacker Segmentierung des Gehirns auf der Basis von MR-Daten Michael Friedlinger Automatisierte Segmentierung und Volumetire bispektraler MR-Bilddaten des Gehirns 1999 Horst K.Hahn, Heinz-Otto Peitgen The Skull Stripping Problem in MRI Solved by a Single 3D Watershed Transform Horst K.Hahn, Heinz-Otto Peitgen, Alexander Schubert robuste vollautomatische Gehirnsegmentierung basierend auf einer 3D Wassersheidentransformation 39
40 Gehirnsegmentierung mit der Wasserscheidentransformation(WST) Literatur T.Lehmann, W.Oberschelp, E.Pelikan, R.Repges Bildverarbeitung für die Medizin 1997 Lydia Paasche Gehirnsegmentierung mit Wasserscheidentransformation Regina Pohle Graphische Datenverarbeitung und Bildverarbeitung 40
41 Gehirnsegmentierung mit der Wasserscheidentransformation Vielen Dank für eure Aufmerksamkeit! 41
3D-Lungenlappen- Segmentierung mit der IWT
3D-Lungenlappen- Segmentierung mit der IWT Daniel Stöbel 8..7 Gliederung. Anatomie der Lunge. Motivation / Ziel 3. Maskierung der Lunge 4. Lungenlappensegmentierung. Gefäßsegmentierung. Distanzbild 3.
MehrWasserscheiden-Ansätze zur Bildsegmentierung I
Seminar Bildsegmentierung und Computer Vision Wasserscheiden-Ansätze zur Bildsegmentierung I Stefan Sugg 19.12.2005 Gliederung 1. Einführung 2. Morphologische Grundlagen 3. Simulation durch Überflutung
MehrVerarbeitung von Volumenbildern wichtige Werkzeuge
Verarbeitung von Volumenbildern wichtige Werkzeuge Verarbeitung von Volumenbildern Michael Godehardt, Fraunhofer ITWM Überblick:. Problemstellungen. Distanztransformation. Einfache morphologische Transformationen
MehrWasserfall-Ansätze zur Bildsegmentierung
Wasserfall-Ansätze zur Bildsegmentierung von Philipp Jester Seminar: Bildsegmentierung und Computer Vision 16.01.2006 Überblick 1. Problemstellung 2. Wiederholung: Wasserscheiden-Ansätze 3. Der Wasserfall-Ansatz
MehrSegmentierung von Faserstrukturen in tomographischen Aufnahmen. Workshop Analyse der Mikrostruktur von Faserverbundwerkstoffen in Volumenbildern
Segmentierung von Faserstrukturen in tomographischen Aufnahmen Workshop Analyse der Mikrostruktur von Faserverbundwerkstoffen in Volumenbildern Oliver Wirjadi Frankfurt, 7.03.007 Bildquelle: Institut für
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
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
Mehr2 Methode Die Wasserscheiden-Transformation basiert auf der Vorstellung eines Grauwertgebirges, bei der die Helligkeit eines Pixels mit der Höhe des B
Hierarchische Wasserscheiden-Transformation zur Lippensegmentierung in Farbbildsequenzen Christoph Palm, Benedikt Fischer, Thomas Lehmann und Klaus Spitzer Institut für Medizinische Informatik Rheinisch-Westfälische
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
MehrGraphische Datenverarbeitung und Bildverarbeitung
Graphische Datenverarbeitung und Bildverarbeitung Hochschule Niederrhein Segmentierung Graphische DV und BV, Regina Pohle, 13. Segmentierung 1 Einordnung in die Inhalte der Vorlesung Einführung mathematische
MehrMedizinische Bildverarbeitung. FH-Campus Hagenberg
Medizinische Bildverarbeitung Campus Hagenberg 20 km nordöstlich von Linz 7 Bachelor-Studiengänge + 5 Masterstudiengänge 3 Cluster: Software / Systeme / Medien Medizin-Informatik, Bioinformatik Derzeit
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
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
MehrBetragsfunktion 6-E1. Vorkurs, Mathematik
Betragsfunktion 6-E1 Betragsfunktionen: Aufgabe 6 a) Zeichnen Sie folgende Betragsfunktionen f (x) = x 2, g (x) = x + 1 Bestimmen Sie den Definitionsbereich und den Wertebereich dieser Funktionen. b) Wie
MehrMagnetresonanztomographie. Radiologische Privatpraxis Dr. med. Karl-Wilhelm Westerburg Ottostraße München
Magnetresonanztomographie Radiologische Privatpraxis Dr. med. Karl-Wilhelm Westerburg Ottostraße 13 80333 München Telefon: 0 89-55 27 956 0 Fax: 0 89 55 27 956 10 info@prirad.de www.prirad.de Magnetresonanztomographie
MehrMorphologie auf Binärbildern
Morphologie auf Binärbildern WS07 5.1 Konen, Zielke WS07 5.2 Konen, Zielke Motivation Aufgabe: Objekte zählen Probleme: "Salt-&-Pepper"-Rauschen erzeugt falsche Objekte Verschmelzen richtiger Objekte durch
MehrBildverbesserung. Frequenz-, Punkt- und Maskenoperationen. Backfrieder-Hagenberg
Bildverbesserung Frequenz-, Punkt- und Maskenoperationen Filtern im Frequenzraum Fouriertransformation f(x)->f( ) Filter-Multiplikation F =FxH Rücktransformation F ( )->f (x) local-domain frequency-domain
MehrMorphometrie. Christian Gaser Structural Brain Mapping Group Kliniken für Neurologie und Psychiatrie Universitätsklinikum Jena
Morphometrie Christian Gaser Structural Brain Mapping Group Kliniken für Neurologie und Psychiatrie Universitätsklinikum Jena Voxelbasierte Morphometrie Anzahl von Artikeln ISI Web of Knowledge Suche nach
MehrGraphische Datenverarbeitung und Bildverarbeitung
Graphische Datenverarbeitung und Bildverarbeitung Hochschule Niederrhein Morphologische Operatoren Graphische DV und BV, Regina Pohle, 5. Morphologische Operatoren Einordnung in die Inhalte der Vorlesung
MehrVorlesung Datenstrukturen
Vorlesung Datenstrukturen Graphdurchläufe Maike Buchin 22. und 27.6.2017 Graphexploration Motivation: Für viele Zwecke will man den gesamten Graphen durchlaufen, zb. um festzustellen ob er (stark) zusammenhängt.
MehrPraktikum 2. Grauwert - Histogramme, Bimodalitätsanalyse Bildstatistik
Prof. W. Hillen, Medizinische Informatik FH - AC (Jülich)...\image\img_pk_02 ImageJ.doc Praktikum 2 Digitale Bildverarbeitung Grauwert - Histogramme, Bimodalitätsanalyse Bildstatistik Themen: Auswertung
MehrSegmentierung. Vorlesung FH-Hagenberg SEM
Segmentierung Vorlesung FH-Hagenberg SEM Segmentierung: Definition Die Pixel eines Bildes A={a i }, i=1:n, mit N der Anzahl der Pixel, werden in Teilmengen S i unterteilt. Die Teilmengen sind disjunkt
MehrAnwendungen des Fréchet-Abstandes Das Constrained Free Space Diagram zur Analyse von Körperbewegungen
Anwendungen des Fréchet-Abstandes Das Constrained Free Space Diagram zur Analyse von Körperbewegungen David Knötel Freie Universität Berlin, Institut für Informatik Seminar über Algorithmen Leitfaden Wiederholung
Mehrzwar das Gefa mit diesen Verfahren darstellen, man bekommt jedoch vom Algorithmus keine Aussagen uber die Verlaufsrichtung, den Durchmesser oder evtl.
Ermittlung der Verlaufsinformationen von Gefaen in Volumendaten Daniel Rinck und Udo Jendrysiak? Klinik und Poliklinik fur Radiologie, Langenbeckstrae 1, 55101 Mainz? ConVis Medizinische Datenverarbeitung
MehrGraphische Datenverarbeitung und Bildverarbeitung
Graphische Datenverarbeitung und Bildverarbeitung Hochschule Niederrhein Bildverbesserung - Filterung Graphische DV und BV, Regina Pohle,. Bildverbesserung - Filterung Einordnung in die Inhalte der Vorlesung
MehrSegmentierung. Seminar: Medizinische Visualisierung. Daniel Lange
Segmentierung Daniel Lange 06.05.2004 Seminar: Medizinische Visualisierung Segmentierung 2 Überblick Einführung / Begriffsdefinition Punktorientierte Verfahren Kanten-/Konturorientierte Verfahren Regionenorientierte
MehrMesstechnik und Modellierung in der Kardiologie
Messtechnik und Modellierung in der Kardiologie Bildgebende Systeme Visible Human Project Gliederung Wiederholung Anatomie des Herzens makroskopisch mikroskopisch Bildgebende Verfahren Visible Human Project
MehrAus der Vortragsreihe zum Seminar: Verarbeitung und Manipulation digitaler Bilder. Low level vision. von Romina Drees
Aus der Vortragsreihe zum Seminar: Verarbeitung und Manipulation digitaler Bilder Low level vision von Romina Drees Low level vision: Einleitung Seite 1 1. Einleitung Unter 'Low level vision' versteht
MehrNeueste Entwicklungen in der klinischen und wissenschaftlichen Anwendung der MRT-Technologie. Symposium
Neueste Entwicklungen in der klinischen und wissenschaftlichen Anwendung der MRT-Technologie Symposium Mittwoch, 21.05.2014 17:00 bis 20:00 Uhr Im Hörsaal 3 Organisatoren Univ.-Prof. Dr. med. Martin Wiesmann
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
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
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
MehrKonzepte der AI Neuronale Netze
Konzepte der AI Neuronale Netze Franz Wotawa Institut für Informationssysteme, Database and Artificial Intelligence Group, Technische Universität Wien Email: wotawa@dbai.tuwien.ac.at Was sind Neuronale
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
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
MehrBloom (a Software Visualization System)
(a Software Visualization System) , Autoren Steven P. Reiss Department of Computer Science Brown University, Providence Manos Renieris Ziele von Bloom möglichst viele Daten aufzeichnen einfaches Interface
MehrFortgeschrittene Bildverarbeitung und Analyse
Fortgeschrittene Bildverarbeitung und Analyse Studiengang IEM Inhalt Definition der Bildverarbeitung Verarbeitung-Bearbeitung (Systeme) Grundlagen der Abbildungssysteme Auge, visuelle Wahrnehmung, Kamera,
MehrMRT. Benoit Billebaut MTRA, Institut für Klinische Radiologie UKM
MRT Benoit Billebaut MTRA, Institut für Klinische Radiologie UKM WARUM SIND RÖNTGEN UND CT NICHT GENUG? MAGNETRESONANZTOMOGRAPHIE Die Große Frage? "Image by AZRainman.com Wie schaffen wir das überhaupt?
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
MehrSegmentierung in der medizinischen Bildverarbeitung
Segmentierung in der medizinischen Bildverarbeitung Definition Die Segmentierung 1 ist ein Teilgebiet der digitalen Bildverarbeitung und des maschinellen Sehens. Sie beschäftigt sich mit der Erzeugung
MehrDetektion von Eckpunkten und einfachen Kurven
Detektion von Eckpunkten und einfachen Kurven Industrielle Bildverarbeitung, Vorlesung No. 7 1 M. O. Franz 21.11.2007 1 falls nicht anders vermerkt, sind die Abbildungen entnommen aus Burger & Burge, 2005.
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
MehrAnatomie des Nervensystems
Anatomie des Nervensystems Gliederung Zentrales Nervensystem Gehirn Rückenmark Nervensystem Peripheres Nervensystem Somatisches Nervensystem Vegetatives Nervensystem Afferente Nerven Efferente Nerven Afferente
MehrEVC Repetitorium Blender
EVC Repetitorium Blender Michael Hecher Felix Kreuzer Institute of Computer Graphics and Algorithms Vienna University of Technology INSTITUTE OF COMPUTER GRAPHICS AND ALGORITHMS Filter Transformationen
MehrLAREX - Ein Werkzeug zur Layout-Analyse und Segmentierung von frühen Buchdrucken
LAREX - Ein Werkzeug zur Layout-Analyse und Segmentierung von frühen Buchdrucken Lehrstuhl für Künstliche Intelligenz und Angewandte Informatik Universität Würzburg 17.03.2017 Motivation und Ansatz Segmentierung
MehrEinführung in die medizinische Bildverarbeitung WS 12/13
Einführung in die medizinische Bildverarbeitung WS 12/13 Stephan Gimbel Kurze Wiederholung Prozess einer räumliche Transformation zu finden um ein Bild auf ein anderes Bild abzubilden Eingabe: Fixed und
MehrZusammenfassung Digitale Bildverarbeitung By Fabian Flohrmann
Zusammenfassung Digitale Bildverarbeitung By Fabian Flohrmann VL01 Stufen der Bildverarbeitung Bildgewinnung => Bildbearbeitung => Bilderkennung Bildgewinnung: Bildaufnahme Bilddiskretisierung Bildbearbeitung:
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
MehrBildanalyse und Visualisierung für die Planung von Nasennebenhöhlen-Operationen
Bildanalyse und Visualisierung für die Planung von Nasennebenhöhlen-Operationen Dörte Apelt 1, Bernhard Preim 2, Horst K. Hahn 1, Gero Strauß 3 1 MeVis Centrum für Medizinische Diagnosesysteme und Visualisierung,
MehrVorverarbeitung von fmrt Datensätzen
BalAc Imaging Center InsAtut für Psychologie Universität Greifswald Vorverarbeitung von fmrt Datensätzen fmrt Kurs 2012 Dr. Julia Wendt Was für ein Signal wird jetzt vorverarbeitet? Bedingung 1 Bedingung
MehrProf. Dr. med. K. Hekmat Herzzentrum Thüringen, Universitätsklinikum Jena
bestimmung und Betreuung des Organspenders Prof. Dr. med. K. Hekmat Herzzentrum Thüringen, Was ist der? Zustand der irreversibel erloschenen Gesamtfunktion des Großhirns, des Kleinhirns und des Hirnstammes
MehrSegmentierung und Volumetrie der Hirnventrikel
Segmentierung und Volumetrie der Hirnventrikel mit MRT-Datensätzen Thomas Schindewolf, Uwe Frese* und Joachim Meissner** MeVis Centrum für Medizinische Diagnosesysteme und Visualisierung an der Universität
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
MehrUltraschall-Perfusionsbildgebung für die Schlaganfalldiagnostik auf Basis eines Modells. Modell für die Destruktionskinetik von US-Kontrastmittel
Ultraschall-Perfusionsbildgebung für die Schlaganfalldiagnostik auf Basis eines Modells für die Destruktionskinetik von Kontrastmittel C. Kier 1 K. Meyer-Wiethe 2 G. Seidel 2 T. Aach 3 1 Institut für Signalverarbeitung
MehrBildverarbeitung Herbstsemester. Mustererkennung
Bildverarbeitung Herbstsemester Herbstsemester 2009 2012 Mustererkennung 1 Inhalt Einführung Mustererkennung in Grauwertbildern Ähnlichkeitsmasse Normalisierte Korrelation Korrelationskoeffizient Mustererkennung
Mehr(Allgemeine) Vektorräume (Teschl/Teschl 9)
(Allgemeine) Vektorräume (Teschl/Teschl 9) Sei K ein beliebiger Körper. Ein Vektorraum über K ist eine (nichtleere) Menge V, auf der zwei Operationen deniert sind, die bestimmten Rechenregeln genügen:
MehrExponentielle Suche 4/26/10. Beweis für. Situation: Idee: suche zunächst "rechten Rand" r, so dass k < Ar Algo: Analyse:
Beweis für 9 Exponentielle Situation: n sehr groß esuchtes i, mit Ai = k, ist relativ klein Idee: suche zunächst "rechten Rand" r, so dass k < Ar Algo: 1 2 4 8 i 16 Index r = 1 while A[r] < key: r *= 2
MehrLösungsvorschlag zur 5. Übung zu Multimediale Systeme
Lösungsvorschlag zur 5. Übung zu Multimediale Systeme Dipl. Inf. Günter Robbert Universität Bayreuth Lehrstuhl für Angewandte Informatik I 20.6.2003 Lösungsvorschlag zur 5. Übung 1 AdOculos (1) AdOculos
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
Mehr"Kanten- und Linienerkennung in Grauwertbildern für Bildverarbeitungsstufen im Antikollissionssystem des Faustfahrzeugs"
"Kanten- und Linienerkennung in Grauwertbildern für Bildverarbeitungsstufen im Antikollissionssystem des Faustfahrzeugs" Ning Liu HAW-Hamburg Seminarvortrag December 15, 2006 Ning Liu Kanten- und Linienerkennung
MehrPhysikalische Grundlagen der Magnetresonanz-Tomographie MRT
Physikalische Grundlagen der Magnetresonanz-Tomographie MRT http://www.praxis-nuramed.de/images/mrt_3_tesla.png Seminarvortrag am 30.05.2016 von Nanette Range MRT Bilder Nanette Range 30.05.2016 2 Motivation
MehrSegmentierung der Brüste in der dynamischen MR-Mammographie
Segmentierung der Brüste in der dynamischen MR-Mammographie Harald Fischer, Stefan Egenter*, Dietmar Saupe*, Jürgen Hennig Universitätsklink Freiburg, Abt. Röntgendiagnostik, Sektion Medizinpysik Hugstetter
MehrAutomatische Generierung dynamischer 3D-Modelle zur Segmentierung des linken Ventrikels in 3D-SPECT-Daten
Automatische Generierung dynamischer 3D-Modelle zur Segmentierung des linken Ventrikels in 3D-SPECT-Daten Lars Dornheim 1 und Klaus D. Tönnies 1 1 Institut für Simulation und Graphik, Otto-von-Guericke-Universität
MehrAnamnese Neurologische Untersuchung Weiterführende Diagnostik
Diagnostik 2 Anamnese Neurologische Untersuchung Weiterführende Diagnostik Die Basisdiagnostik (!)» Anamnese & körperliche Untersuchung/ neurologische Untersuchung» Anamnese: Die Krankengeschichte!» Fallbeispiel
MehrMR Grundlagen. Marco Lawrenz
MR Grundlagen Marco Lawrenz Department of Systems Neuroscience University Medical Center Hamburg-Eppendorf Hamburg, Germany and Neuroimage Nord University Medical Centers Hamburg Kiel Lübeck Hamburg Kiel
MehrComputergrafik 2: Übung 2. Subsampling und Moiré-Effekte, Color Maps und Histogrammlinearisierung
Computergrafik 2: Übung 2 Subsampling und Moiré-Effekte, Color Maps und Histogrammlinearisierung Inhalt Besprechung von Übung 1 Subsampling und Moiré Effekte Color Maps Histogrammlinearisierung Computergrafik
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,
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
MehrData Cubes PG Wissensmangement Seminarphase
PG 402 - Wissensmangement Seminarphase 23.10.2001-25.10.2001 Hanna Köpcke Lehrstuhl für Künstliche Intelligenz Universität Dortmund Übersicht 1. Einführung 2. Aggregation in SQL, GROUP BY 3. Probleme mit
MehrCelle. Betragsfunktion 1-E1. Vorkurs, Mathematik
Celle Betragsfunktion 1-E1 1-E2 Betragsfunktion y = x : Aufgabe 1 Abb. 1: Graph der Betragsfunktion y = x Die Abb. 3-1 zeigt die Betragsfunktion y = x. Beschreiben Sie die Eigenschaften dieser Funktion:
MehrRatSLAM. Torben Becker. 24. Mai HAW Hamburg
HAW Hamburg 24. Mai 2012 Gliederung 1 Motivation 2 3 Aussicht 2 / 21 Motivation Warum SLAM? Navigation Umgebungskartografie Feststellung der Position innerhalb eines Geländes ohne Funksignale Keine vorherige
MehrDigitale Bildverarbeitung Einheit 7 Bildarithmetik
Digitale Bildverarbeitung Einheit 7 Bildarithmetik Lehrauftrag SS 2007 Fachbereich M+I der FH-Offenburg Dr. Bernard Haasdonk Albert-Ludwigs-Universität Freiburg Ziele der Einheit Einsehen, dass man mit
MehrAlgorithmen II Vorlesung am
Algorithmen II Vorlesung am 0..0 Minimale Schnitte in Graphen INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und Algorithmen nationales Forschungszentrum
Mehr3. Resultate. 3.1 Filterung mit Anisotroper Diffusion
39 3. Resultate Im Folgenden werden die Optimierung des AID-Filters und die histogrammbasierte Segmentierung beschrieben. In Abschnitt 3.1 wird der Wertebereich für die Filterparameter sigma, t und K bestimmt.
MehrBestrahlungsplanung mit MRT
Bestrahlungsplanung mit MRT Motivation, Möglichkeiten und Probleme presented by Thomas Koch Motivation - allgemein Höherer Weichteilkontrast als CT Spezielle Sequenzen ermöglichen verschiedene Kontrastdarstellungen,
MehrMorphologische Bildverarbeitung II
FAKULTÄT FÜR MATHEMATIK UNIVERSITÄT ULM ABT. STOCHASTIK ABT. ANGEWANDTE INFORMATIONSVERARBEITUNG Seminar Simulation und Bildanalyse mit Java Morphologische Bildverarbeitung II BETREUER: JOHANNES MAYER
Mehr2D Graphik: Bildverbesserung. Vorlesung 2D Graphik Andreas Butz, Otmar Hilliges Freitag, 2. Dezember 2005
2D Graphik: Bildverbesserung Vorlesung 2D Graphik Andreas Butz, Otmar Hilliges Freitag, 2. Dezember 2005 Themen heute Rauschen, Entropie Bildverbesserung Punktbasiert Flächenbasiert Kantenbasiert Was ist
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,
Mehr3D-Rekonstruktion aus Bildern
Allgemeine Nachrichtentechnik Prof. Dr.-Ing. Udo Zölzer 3D-Rekonstruktion aus Bildern Dipl.-Ing. Christian Ruwwe 41. Treffen der ITG-Fachgruppe Algorithmen für die Signalverarbeitung HSU Hamburg 24. Februar
MehrBildverarbeitung Herbstsemester 2012. Kanten und Ecken
Bildverarbeitung Herbstsemester 01 Kanten und Ecken 1 Inhalt Einführung Kantendetektierung Gradientenbasierende Verfahren Verfahren basierend auf der zweiten Ableitung Eckpunkterkennung Harris Corner Detector
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
MehrLokale Analyse von Infarktrandzonen in 3D-DE-MRT Bildsequenzen
Lokale Analyse von Infarktrandzonen in 3D-DE-MRT Bildsequenzen Dennis Säring 1, Kai Müllerleile 2, Michael Groth 3, Gunnar Lund 3, Heinz Handels 2 1 Institut für Medizinische Informatik, 2 Kardiologie
MehrPhysikalisches Praktikum 3. Semester
Torsten Leddig 30.November 2004 Mathias Arbeiter Betreuer: Dr.Hoppe Physikalisches Praktikum 3. Semester - Newtonsche Ringe - 1 1 Newtonsche Ringe: Aufgaben: Bestimmen Sie den Krümmungsradius R sowie den
MehrOberflächenrekonstruktion aus Punktwolken
Oberflächenrekonstruktion aus Punktwolken Betreuer: Dominik Fritz Seminar Medizinische Simulationssysteme SS 2005 Gliederung 1 2 Der - 3 Der von Hoppe 4 Der - Gliederung 1 2 Der - 3 Der von Hoppe 4 Der
MehrSegmentierung von Biopsienadeln in transrektalen Ultraschallaufnahmen der Prostata
Segmentierung von Biopsienadeln in transrektalen Ultraschallaufnahmen der Prostata Barbara Haupt, Dagmar Krefting, Thomas Tolxdorff Institut für Medizinische Informatik, Charité - Universitätsmedizin Berlin,
MehrPorosität, Defekten und Faserorientierung
3D-Analysemethoden zur Bestimmung von Porosität, Defekten und Faserorientierung in Faserverbundkunststoffen auf Basis von Computertomographie CONTROL 2014 QUALITÄTSSICHERUNG FÜR DEN LEICHTBAU: MESSEN UND
Mehr4. Kumulierte Häufigkeiten und Quantile
4. Kumulierte Häufigkeiten und Quantile Kumulierte Häufigkeiten Oft ist man nicht an der Häufigkeit einzelner Merkmalsausprägungen interessiert, sondern an der Häufigkeit von Intervallen. Typische Fragestellung:
MehrDigitale Bildverarbeitung Einheit 7 Bildarithmetik
Digitale Bildverarbeitung Einheit 7 Bildarithmetik Lehrauftrag SS 2008 Fachbereich M+I der FH-Offenburg Dr. Bernard Haasdonk Albert-Ludwigs-Universität Freiburg Ziele der Einheit Einsehen, dass man mit
MehrÜbung Bilder verschmelzen
Landesakademie für Fortbildung und Personalentwicklung an Schulen in Baden-Württemberg Übung Bilder verschmelzen Die folgende Anleitung will exemplarisch zeigen, wie Sie mit GIMP zwei Bilder zu einem neuen
Mehr... Text Clustern. Clustern. Einführung Clustern. Einführung Clustern
Clustern Tet Clustern Teile nicht kategorisierte Beispiele in disjunkte Untermengen, so genannte Cluster, ein, so daß: Beispiele innerhalb eines Clusters sich sehr ähnlich Beispiele in verschiedenen Clustern
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
MehrIhr Befund. Aufbau der Schulter
Ihre Daten Ihr Befund Befund-ID: 2011-12-05-6767d Sehr geehrter Nutzer von "Was hab' ich?", Geburtsjahr: 1984 Bearbeitet seit: 05.12.2011, 20:03 Uhr Fertiggestellt: 06.12.2011, 23:28 Uhr Ihr Bearbeiter
MehrGitter. Schriftliche VORbereitung:
D06a In diesem Versuch untersuchen Sie die physikalischen Eigenschaften eines optischen s. Zu diesen za hlen insbesondere die konstante und das Auflo sungsvermo gen. Schriftliche VORbereitung: Wie entsteht
Mehr4. Kumulierte Häufigkeiten und Quantile
4. Kumulierte Häufigkeiten und Quantile Statistik für SoziologInnen 1 4. Kumulierte Häufigkeiten und Quantile Kumulierte Häufigkeiten Oft ist man nicht an der Häufigkeit einzelner Merkmalsausprägungen
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
MehrAus der Klinik für Vögel und Reptilien. der Veterinärmedizinischen Fakultät der Universität Leipzig
Aus der Klinik für Vögel und Reptilien der Veterinärmedizinischen Fakultät der Universität Leipzig Die Darstellung der inneren Organe des Grünen Leguans (Iguana igunna) mittels Magnetresonanztomographie
MehrMagnetresonanztomographie
Magnetresonanztomographie 1 Inhalt Geschichtlicher Überblick MRT in Kürze Verfahrensschritte Physikalische Grundlagen der MRT Signal/Messung Bildgebung Vor- und Nachteile der MRT 2 Geschichtlicher Überblick
MehrStefan Wesarg. Kardiologie Von der Bildgebung zur Diagnose. Graphisch-Interaktive Systeme (GRIS) Technische Universität Darmstadt
Kardiologie Von der Bildgebung zur Diagnose Stefan Wesarg Graphisch-Interaktive Systeme (GRIS) Technische Universität Darmstadt Fraunhoferstraße 5 64283 Darmstadt http://www.gris.informatik.tu-darmstadt.de
MehrHeute. Motivation. Diskretisierung. Medizinische Bildverarbeitung. Volumenrepräsentationen. Volumenrepräsentationen. Thomas Jung
t.jung@fhtw-berlin.de Heute Volumenrepräsentationen Thomas Jung Generierung von Volumenrepräsentationen Rendering von Volumenrepräsentationen Konvertierung in Oberflächenrepräsentationen Weitere Geometrische
MehrINTELLIGENTE DATENANALYSE IN MATLAB
INTELLIGENTE DATENANALYSE IN MATLAB Bildanalyse Literatur David A. Forsyth: Computer Vision i A Modern Approach. Mark S. Nixon und Alberto S. Aguado: Feature Extraction and Image Processing. Ulrich Schwanecke:
Mehr