Automatische Rekonstruktion des Verlaufs aneurysmatischer Aorten in postoperativen CTA-Bildern
|
|
- Rolf Böhme
- vor 6 Jahren
- Abrufe
Transkript
1 Automatische Rekonstruktion des Verlaufs aneurysmatischer Aorten in postoperativen CTA-Bildern Frank Schmitt 1, Matthias Raspe 1, Ralph Wickenhöfer 2 1 Institut für Computervisualistik, Universität Koblenz-Landau 2 Abteilung für Radiologie, Bundeswehrzentralkrankenhaus Koblenz mraspe@uni-koblenz.de Kurzfassung. Zur Behandlung abdominaler Aortenaneurysmen (AAA) stellt die minimal-invasive endovaskuläre Stent-Graft-Methode eine wichtige Alternative zur offenen Operation dar. Nach erfolgter Stent-Graft- Implantation sind regelmäßige Nachkontrollen und Analysen der eventuellen Veränderung von Stent und Aneurysmasack nötig, um Undichtigkeiten des Implantats frühzeitig feststellen zu können. Während zur präoperativen Aneurysmasegmentierung bereits erste automatisierte Verfahren zur Verfügung stehen, geschieht die Nachuntersuchung heute meist durch manuelle, nicht-computerunterstützte Analyse der CTA-Aufnahmen. Das in diesem Artikel vorgestellte Verfahren vereinfacht die Nachuntersuchung, indem das Aortenlumen automatisch und robust gegenüber Metallartefakten, wie sie z.b. durch die Prothese erzeugt werden können, segmentiert wird. Ausgehend von der Lumensegmentierung wird mit Hilfe eines Shortest-Path-Verfahrens die Mittellinie durch das Lumen bestimmt. Diese dient als Grundlage für eine kurvenbasierte Reformation, durch die die Länge und der Durchmesser des Aneurysmas leicht bestimmt werden kann. 1 Einleitung Die Behandlung abdominaler Aortenaneurysmen erfolgt alternativ zur offenen Operation minimal-invasiv durch Implantation eines Stent-Grafts. Da es trotz des verhältnismäßig schonenden Eingriffs zu Folgekomplikationen kommen kann, sind bei diesem Verfahren regelmäßige Nachkontrollen nötig, um Undichtigkeiten des Implantats (Endoleckagen) frühzeitig zu diagnostizieren. Diese Kontrollen geschehen ebenso wie die Voruntersuchungen in der Regel auf der Basis von CTA-Aufnahmen. Die Indikatoren für Endoleckagen sind hierbei neben dem offensichtlichen Auftreten von Kontrastmittel im Aneurysmasack ungünstige Veränderungen in der Größe und Form des Aneurysmas. Hierbei muss berücksichtigt werden, dass sich der Aneurysmasack bei erfolgreicher Isolation vom Blutfluss zurückbildet. Dieses Shrinking muss somit bei vergleichenden Messungen berücksichtigt werden. Während für die automatische präoperative Aneurysmasegmentierung bereits einige Methoden publiziert wurden (siehe beispielsweise [1],[2]) geschieht
2 die Nachkontrolle heute meist noch manuell. Neben der Suche nach Kontrastmittelzuflüssen in den Aneurysmasack wird hierbei in der Regel der maximale Aneurysmadurchmesser bestimmt. Für eine genaue Bestimmung des Durchmessers ist es jedoch notwendig, eine exakt zum Aortaverlauf orthogonale Messung durchzuführen. Weiterhin ist es schwierig, in den klassischen Ansichten die Region der größten Aneurysmaausdehnung zu bestimmen. Wir stellen im folgenden ein Verfahren vor, das ausgehend von einem benutzerdefinierten Start- und Endpunkt das Aortenlumen mit Hilfe des 3-D-CSC-Verfahrens segmentiert und über einen Shortest-Path-Algorithmus die Centerline durch das Lumen errechnet. Diese dient als Grundlage für eine kurvenbasierte Reformation. In dieser Darstellung kann der Nutzer Länge und Durchmesser des Aneurysmas leichter bestimmen. Außerdem lassen sich mit Hilfe des begradigten Aortalängsschnitts neben dem maximalen Durchmesser auch Veränderungen in der generellen Form des Aneurysmas feststellen. 2 Material und Methoden Ausgangspunkt des Verfahrens sind der zu untersuchende CTA-Datensatz sowie die 3-D-Koordinaten des Start- und Endpunkts des zu untersuchenden Bereichs der Aorta. Der Startpunkt wird im Falle abdominaler Aortenaneurysmen oberhalb der Aortenbifurkation und der Endpunkt unterhalb der Nierenarterienabgänge gesetzt. Der Datensatz wird zunächst auf die relevanten Schichten beschnitten und mittels einer 3-D-Generalisierung des Kuwahara-Nagao-Filters [3] geglättet. Wir verwenden bewusst keine aufwendigeren Filter wie beispielsweise anisotrope Diffusion, da der folgende Segmentierungsalgorithmus wenig empfindlich gegen leichtes Rauschen ist und somit eine schnellere, parameterlose Methode zu bevorzugen ist. Im nächsten Schritt wird eine Segmentierung mittels des 3-D-CSC-Verfahrens ([4], [5]) durchgeführt. Der 3-D-CSC ist ein allgemeines 3-D-Segmentierungsverfahren, welches basierend auf einer hierarchischen Zellstruktur beliebige Volumendatensätze in grauwerthomogene, zusammenhängende Regionen (Segmente) einteilt. Er eignet sich sehr gut für das Problem der Lumensegmentierung, da das Aortenlumen bei Auswahl eines passenden Ähnlichkeitsschwellwerts (bei dem typischen Wertebereich von 1024 bis 3071HU hat sich 75 als geeigneter Schwellwert herausgestellt) bereits fast vollständig zu einem Segment zusammengefasst wird. Um die durch den 3-D-CSC erzeugten Segmente Gewebeklassen zuordnen zu können, wird das Histogramm des Datensatzes mit Hilfe des K-Harmonic- Means-Algorithmus [6] in fünf Cluster (Luft, Fettgewebe, kontrastmittelfreie Blutgefäße, Kontrastmittel, Knochen/Metallimplantate) eingeteilt. Die Initialisierung der Clustermittelpunkte entspricht dabei den üblichen Werten auf der Hounsfieldskala. Die so gewonnenen Grauwertschwellen erlauben eine Klassifikation der 3-D-CSC-Segmente anhand ihres mittleren Grauwerts in die fünf angeführten Klassen. Aufgrund von Rauschen oder lokalen Artefakten werden in
3 manchen Bildern fälschlicherweise kleine Einschlüsse einer Gewebeklasse in einem größeren Objekt einer anderen Gewebeklasse detektiert. Da diese kleinen Einschlüsse zu Problemen in der nachfolgenden Centerline-Bestimmung führen würden, werden sie über eine Nachbarschaftsanalyse detektiert und entfernt. Nachdem nun für jeden Voxel bekannt ist zu welcher Gewebeklasse er gehört, kann ein Binärbild erzeugt werden, in dem kontrastmitteldurchströmtes Lumen Vordergrund und alle anderen Punkte Hintergrund sind. Auf diesem Binärbild wird eine euklidische 3-D-Distanztransformation durchgeführt. Hierbei muss darauf geachtet werden, dass bei der Berechnung der Distanztransformation die in der Regel anisotrope Auflösung der Daten miteinbezogen wird. Dies kann beispielsweise in dem schnellen Algorithmus von Meijster [7] durch geringe Modifikationen erreicht werden. Das Ergebnis der Distanztransformation bildet die Grundlage für die Bestimmung der Centerline durch das Aortenlumen. Hierzu wird ein gerichteter gewichteter Graph aufgebaut, in dem die Voxel innerhalb des Lumens die Knoten bilden. Von jedem Knoten weisen 26 Kanten zu den Knoten der Nachbarvoxel im 3-D. Sei d max das globale Maximum der Distanztransformation auf den Voxeln innerhalb des Lumens. Das Gewicht einer Kante ergibt sich aus der Differenz aus d max und dem Wert der Distanztransformation am Voxel, das dem Zielknoten der Kante entspricht. Somit erhalten Kanten, die zu außen gelegenen Voxeln führen ein hohes Gewicht und Kanten zu in der Mitte des Lumens gelegenen Voxeln ein geringes Gewicht. Eine Shortest-Path-Suche mittels des Dijkstra-Algorithmus liefert die Centerline durch das Lumen deshalb als kürzesten Pfad zwischen den Knoten, die den durch den Benutzer vorgegebenen Start- und Endkoordinaten entsprechen. Um kleine Ungenauigkeiten in der berechneten Centerline auszugleichen, wird diese durch wiederholtes Anwenden eines [1 2 1]-Filters geglättet. Die so erhaltene Mittelline erlaubt es, in regelmäßigen Abständen zur Aorta orthogonale 2-D-Schnittbilder mittels linearer Interpolation der Volumendaten zu generieren. Weiterhin wird ein Längsschnitt durch die entlang der Centerline gestreckte Aorta erzeugt. Während die orthogonalen Schnitte die lokale Ausdehnung von Lumen und Aneurysmasack zeigen, kann durch den Längsschnitt die globale Form des Aneurysmas erfasst werden. 3 Ergebnisse Das vorgestellte Verfahren wurde auf 10 Datensätzen unterschiedlicher Patienten erfolgreich getestet. Dabei wurden auch präoperative Datensätze untersucht, auf denen das Verfahren ebenfalls anwendbar ist. Abbildung 1 zeigt einen axialen Schnitt durch die Aorta. Durch die nicht-orthogonale Ansicht erscheint die Aorta im Schnittbild stark ellipsenförmig verzerrt. Abbildung 2 zeigt einen Schnitt orthogonal zur berechneten Centerline an der selben Stelle der Aorta. Der Aortenquerschnitt ist hier unverzerrt. Abbildung 3 zeigt den Aortaverlauf im 3-D- Volumen. Dabei werden die Positionen im 3-D, an denen eine orthogonale Schicht erzeugt wird, durch eine weiße Linie visualisiert. Abbildung 4 zeigt einen Längs-
4 schnitt durch die gestreckte Aorta. In dieser Ansicht lässt sich die globale Form des Aneurysmas gut erfassen. Abb. 1. Axialer Schnitt durch die Aorta Abb. 2. Orthogonaler Schnitt durch die Aorta 4 Diskussion Das vorgestellte Verfahren ist robust in der Lage, CTA-Datensätze des menschlichen Abdomens zu analysieren und in eine leichter auswertbare Darstellung zu transformieren. Mit Hilfe der transformierten Darstellung ist die Messung des Aneurysmadurchmessers einfacher, schneller und genauer möglich. Weiterhin können globale Formveränderungen über Längsschnitte der Aorta einfach erkannt werden. Die Arbeit entsteht in enger Kooperation zwischen Radiologen des Bundeswehrzentralkrankenhaus Koblenz und Computervisualisten der Universität Koblenz-Landau, um ein Verfahren zu entwickeln, das auf die Bedürfnisse der potentiellen Anwender abgestimmt ist. Während das Verfahren bisher nur die manuelle Analyse unterstützt, sollen in Zukunft Teilschritte der Nachkontrolle automatisiert werden, möglichst auch unter Ausnutzung programmierbarer Grafikhardware. Als erster Schritt bietet sich die automatische Bestimmung des Durchmessers des Aneurysmas an. Diese Messung kann dann nicht nur an der Stelle der maximalen Ausdehnung, sondern über die komplette Aneurysmalänge erfolgen. Ebenfalls wäre die Bestimmung des Aneurysmavolumens wünschenswert, das neben dem 2D-Durchmesser als weiterer Parameter für die Diagnostik dienen könnte.
5 Literaturverzeichnis 1. Olabarriaga SD, Rouet JM, Fradkin M, Breeuwer M, Niessen WJ. Segmentation of Thrombus in Abdominal Aortic Aneurysms From CTA With Nonparametric Statistical Grey Level Appearance Modeling. MedImg April;24(4): de Bruijne M, van Ginneken B, Viergever MA, Niessen WJ. Interactive segmentation of abdominal aortic aneurysms in CTA images. Medical Image Analysis. 2004;8: Kuwahara M, Hachimura K, Eiho S, Kinoshita M. Processing of riangiocardiographic images. Digital Processing of Biomedical Images, K Preston and M Onoe. 1976; p Sturm P. 3D-Color-Structure-Code - Segmentation by Using a New Non-Plainness Island Hierarchy. In: IEEE International Conference on Image Processing. IEEE Signal Processing Society. IEEE Signal Processing Society; p (ISBN), ICIP 2004, Singapore. 5. Priese L, Sturm P, Wang H. Hierarchical Cell Structures for Segmentation of Voxel Images. In: Image Analysis: 14th Scandinavian Conference, SCIA 2005, Joensuu, Finland, June 19-22, LNCS Springer Verlag; p Zhang B, Hsu M, Dayal U. K-Harmonic Means - A Spatial Clustering Algorithm with Boosting. In: TSDM 00: Proceedings of the First International Workshop on Temporal, Spatial, and Spatio-Temporal Data Mining-Revised Papers. vol. 2007/2001 of Lecture Notes in Computer Science. London, UK: Springer-Verlag; p Meijster A, Roerdink J, Hesselink W. A general algorithm for computing distance transforms in linear time. In: Mathematical Morphology and its Applications to Image and Signal Processing. Kluwer; p Abb. 3. Dreidimensionaler Aortenverlauf Abb. 4. Längsschnitt durch die Aorta
Segmentierung von Aortenaneurysmen in CTA-Bildern mit dem statistischen Verfahren der Active Appearance Models
Segmentierung von Aortenaneurysmen in CTA-Bildern mit dem statistischen Verfahren der Active Appearance Models Katharina Greiner 1,3, Jan Egger 2,3, Stefan Großkopf 3, Jens N. Kaftan 3,4, Ralf Dörner 1,
Robuste Verzweigungserkennung von Gefäßen in CTA-Datensätzen zur modellbasierten Extraktion der Centerline
Robuste Verzweigungserkennung von Gefäßen in CTA-Datensätzen zur modellbasierten Extraktion der Centerline Thomas Beck 1,2, Dominik Fritz 2, Christina Biermann 2,3, Rüdiger Dillmann 1 1 Institut für Technische
Automatische Segmentierung der Lungenflügel in CT-Daten
Automatische Segmentierung der Lungenflügel in CT-Daten Matthias Wilms, Jan Ehrhardt, Heinz Handels Institut für Medizinische Informatik, Universität zu Lübeck matthias.wilms@gmail.com Kurzfassung. In
Chaos-based Image Encryption
1 / 25 PS Einführung Kryptographie und IT-Sicherheit Chaos-based Image Encryption D. Schwarz, S. Ebner SS 2017 2 / 25 Übersicht 1 Einleitung & Motivation 2 Erstellung einer Chaos basierten Verschlüsselung
Automatic 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
Beschleunigung von Bild-Segmentierungs- Algorithmen mit FPGAs
Fakultät Informatik, Institut für Technische Informatik, Professur für VLSI-Entwurfssysteme, Diagnostik und Architektur Algorithmen mit FPGAs Vortrag von Jan Frenzel Dresden, Gliederung Was ist Bildsegmentierung?
Segmentierung des Knochens aus T1- und PD-gewichteten Kernspinbildern vom Kopf
Segmentierung des Knochens aus T1- und PD-gewichteten Kernspinbildern vom Kopf Stefan Burkhardt, Dietmar Saupe, Frithjof Kruggel und Carsten Wolters Institut für Informatik Universität Leipzig, 04109 Leipzig
Volumenverarbeitung 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
Himmelsdetektion in CSC-segmentierten Farbbildern
Himmelsdetektion in CSC-segmentierten Farbbildern Frank Schmitt und Lutz Priese Universität Koblenz-Landau, Koblenz, Deutschland, fschmitt@uni-koblenz.de, WWW-Homepage: http://www.uni-koblenz.de/~lb Zusammenfassung
Implizite Modellierung zur Objekterkennung in der Fernerkundung
Implizite Modellierung zur Objekterkennung in der Fernerkundung Mitarbeiterseminar 20.01.2011 (IPF) Fakultät für Bauingenieur-, Geo- und Umweltwissenschaften KIT Universität des Landes Baden-Württemberg
Untersuchung von Beschleunigungsverfahren für den Dijkstra-Algorithmus im Zusammenhang mit multimodalem Routing
Untersuchung von Beschleunigungsverfahren für den Dijkstra-Algorithmus im Zusammenhang mit multimodalem David Georg Reichelt davidgeorg_reichelt@yahoo.de 22. September 2012 25.09.2012 David Georg Reichelt,
Analyse eines zweistufigen, regionalen Clusteralgorithmus am Beispiel der Verbundenen Wohngebäudeversicherung
Analyse eines zweistufigen, regionalen Clusteralgorithmus am Beispiel der Verbundenen Wohngebäudeversicherung Zusammenfassung der Diplomarbeit an der Hochschule Zittau/Görlitz Maria Kiseleva Motivation
zwar 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
Analysis of Crash Simulation Data using Spectral Embedding with Histogram Distances
Analysis of Crash Simulation Data using Spectral Embedding with Histogram Distances Luisa Schwartz Universität Bonn Institut für Numerische Simulation Fraunhofer SCAI 25. September 2014 Luisa Schwartz
Informatik II Prüfungsvorbereitungskurs
Informatik II Prüfungsvorbereitungskurs Tag 4, 23.6.2016 Giuseppe Accaputo g@accaputo.ch 1 Programm für heute Repetition Datenstrukturen Unter anderem Fragen von gestern Point-in-Polygon Algorithmus Shortest
Graphen- und Level-Set-basierte Nachverarbeitung von 3D-Gefäßsegmentierungen
Graphen- und Level-Set-basierte Nachverarbeitung von 3D-Gefäßsegmentierungen Nils Daniel Forkert 1, Alexander Schmidt-Richberg 1, Dennis Säring 1, Jens Fiehler 2, Till Illies 2, Dietmar Möller 3, Heinz
Flächen- 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.
4. 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
Computergrafik 2: Morphologische Operationen
Computergrafik 2: Morphologische Operationen 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
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.
Beschleunigungsverfahren für Raytracing Grids Hierarchische Grids Bewertung Fazit
Überblick Einführung Beschleunigungsverfahren für Raytracing Grids Hierarchische Grids Fazit Einführung Gewöhnliche Beschleunigungsverfahren & Raumunterteilung entworfen und optimiert für effizientes Traversieren
Sequenzgenerierung aus Klassifikationsbäumen
Sequenzgenerierung aus Klassifikationsbäumen Peter M. Kruse, 24.01.2011 PMK, 24.01.2011 Inhalt Einleitung Stand von Wissenschaft und Technik Generierung von Testsequenzen mit der Klassifikationsbaum-Methode
Morphologische Bildverarbeitung II
FAKULTÄT FÜR MATHEMATIK UNIVERSITÄT ULM ABT. STOCHASTIK ABT. ANGEWANDTE INFORMATIONSVERARBEITUNG Seminar Simulation und Bildanalyse mit Java Morphologische Bildverarbeitung II BETREUER: JOHANNES MAYER
Bildverbesserung (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
Rundreiseproblem und Stabilität von Approximationsalg.
Das Rundreiseproblem und Stabilität von Approximationsalgorithmen Friedrich Alexander Universität Erlangen-Nürnberg Seminar Perlen der theoretischen Informatik, 2008-01-19 http://verplant.org/uni/perlen/
Erkennung von Olivenhainen im Luftbild
Erkennung von Olivenhainen im Luftbild Gliederung 1. Morphologische Grundlagen Erosion / Dilatation Öffnung / Schließung Zylinderhut-Transformationen 2. Motivation / Gründe für die Anwendung 3. Datenbeschreibung
1. Referenzpunkt Transformation
2.3 Featurereduktion Idee: Anstatt Features einfach wegzulassen, generiere einen neuen niedrigdimensionalen Featureraum aus allen Features: Redundante Features können zusammengefasst werden Irrelevantere
Technische Universität Dresden
Technische Universität Dresden Institut für Photogrammetrie und Fernerkundung Übung 1 Entzerrung von digitalen Bildern Bearbeiter: Janin Wach Anke Heidenreich Seminargruppe: Geodäsie 99/1 Datum: 10.05.01
Verarbeitung von Volumenbildern wichtige Werkzeuge
Verarbeitung von Volumenbildern wichtige Werkzeuge Verarbeitung von Volumenbildern Michael Godehardt, Fraunhofer ITWM Überblick:. Problemstellungen. Distanztransformation. Einfache morphologische Transformationen
1 DFS-Bäume in ungerichteten Graphen
Praktikum Algorithmen-Entwurf (Teil 3) 06.11.2006 1 1 DFS-Bäume in ungerichteten Graphen Sei ein ungerichteter, zusammenhängender Graph G = (V, E) gegeben. Sei ferner ein Startknoten s V ausgewählt. Startet
1 DFS-Bäume in ungerichteten Graphen
Praktikum Algorithmen-Entwurf (Teil 3) 31.10.2005 1 1 DFS-Bäume in ungerichteten Graphen Sei ein ungerichteter, zusammenhängender Graph G = (V, E) gegeben. Sei ferner ein Startknoten s V ausgewählt. Startet
Marching Cubes - Erstellung von Polygonmodellen aus Voxelgittern
Marching Cubes - Erstellung von Polygonmodellen aus Voxelgittern Matthias Kirschner Advanced Topics in Computer Graphics - WS06/07 Marching Cubes - Erstellung von Polygonmodellen aus Voxelgittern Matthias
Ein effizienter geometrischer Ansatz zur Unterstützung der Trajektoriebestimmung bei der Tiefenhirnstimulation
Ein effizienter geometrischer Ansatz zur Unterstützung der Trajektoriebestimmung bei der Tiefenhirnstimulation Jan Egger 1,2, Christoph Kappus 1, Bernd Freisleben 2, Christopher Nimsky 1 1 Klinik für Neurochirurgie,
Pfadgenerierung/Polygone/Polygonoffsetting
Pfadgenerierung/Polygone/Polygonoffsetting Jan Stenzel 17. Juni 2015 Proseminar: 3D-Druck-Verfahren 1 / 42 Gliederung I 1 Polygone Definition konkav, konvex und überschlagen 2 Clipping Was kann passieren?
Geometrische Algorithmen Segmentschnitt. Lernmodul 7: Geo-Algorithmen und -Datenstrukturen - Segmentschnitt
Folie 1 von 37 Geometrische Algorithmen Segmentschnitt Folie 2 von 37 Segmentschnitt Übersicht Zwei Segmente Lage zweier Segmente Prüfung auf Schnittfreiheit Formeln zum Geradenschnitt Feststellen des
Das Problem des minimalen Steiner-Baumes
Das Problem des minimalen Steiner-Baumes Ein polynomieller Approximationsalgorithmus Benedikt Wagner 4.05.208 INSTITUT FU R THEORETISCHE INFORMATIK, LEHRSTUHL ALGORITHMIK KIT Die Forschungsuniversita t
Wasserfall-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
Inhaltsverzeichnis 1. Einleitung 2. Zielsetzung und Fragestellung 3. Aorta 4. Stents 5. Material und Methoden 6. Ergebnisse
Inhaltsverzeichnis 1. Einleitung.1 2. Zielsetzung und Fragestellung..3 3. Aorta...4 3.1. Aufbau der Arterienwand. 4 3.2. Arteriosklerose..5 3.3. Aneurysmen..6 3.3.1. Thorako-abdominales Aortenaneurysma
Halbautomatische Segmentierung von Pulmonalgefäßen in CT Daten als Referenz zur Validierung automatischer Verfahren
Halbautomatische Segmentierung von Pulmonalgefäßen in CT Daten als Referenz zur Validierung automatischer Verfahren Jens N. Kaftan 1,2, Annemarie Bakai 2, Florian Maier 3, Til Aach 1 1 Lehrstuhl für Bildverarbeitung,
5. 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
Segmentierung 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
Erstellung 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
Algorithmus zum Graphen-Matching. und. Anwendung zur inhaltsbasierten Bildersuche
Algorithmus zum Graphen-Matching und Anwendung zur inhaltsbasierten Bildersuche Gliederung 1. Einführung 2. Algorithmus Beschreibung Beispiel Laufzeit 3. Anwendung des Algorithmus Seite 1 von 18 1. Einführung
Aufgaben zur Klausurvorbereitung
Vorlesung Graphen und Optimierung Sommersemester 2013/14 Prof. S. Lange Aufgaben zur Klausurvorbereitung Hier finden Sie eine Reihe von Übungsaufgaben, die wir an den beiden Vorlesungsterminen am 29.01.2014
Graphische 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
Übersicht 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
Feature- und Deformationsmodell-basierte. Registrierung von 3D Volumendaten von Zebraschen. Mario Emmenlauer. 22. Mai 2007
Feature- und Deformationsmodell-basierte von 3D Volumendaten von Zebraschen 22. Mai 2007 von 3D Volumendaten von Zebraschen Übersicht von 3D Volumendaten von Zebraschen Bisheriger Zebraschatlas Bisheriger
Syntaktische und Statistische Mustererkennung. Bernhard Jung
Syntaktische und Statistische Mustererkennung VO 1.0 840.040 (UE 1.0 840.041) Bernhard Jung bernhard@jung.name http://bernhard.jung.name/vussme/ 1 Rückblick Nicht lineare Entscheidungsfunktionen SVM, Kernel
8.4 Digraphen mit negativen Kantengewichten Grundsätzliches Betrachte Startknoten s und einen Kreis C mit Gesamtlänge < 0.
8.4 Digraphen mit negativen Kantengewichten 8.4.1 Grundsätzliches Betrachte Startknoten s und einen Kreis C mit Gesamtlänge < 0. k 4 5 1 s 1 3 2 C k 0 k 3 1 1 1 k 1 k 2 v Sollte ein Pfad von s nach C und
Suche nach korrespondierenden Pixeln
Suche nach korrespondierenden Pixeln Seminar Algorithmen zur Erzeugung von Panoramabildern Philip Mildner, Gliederung 1. Motivation 2. Anforderungen 3. Moravec Detektor 4. Harris Detektor 5. Scale Invariant
Datenstrukturen und Algorithmen (SS 2013)
Datenstrukturen und Algorithmen (SS 2013) Übungsblatt 10 Abgabe: Montag, 08.07.2013, 14:00 Uhr Die Übungen sollen in Gruppen von zwei bis drei Personen bearbeitet werden. Schreiben Sie die Namen jedes
Elementare Bildverarbeitungsoperationen
1 Elementare Bildverarbeitungsoperationen - Kantenerkennung - 1 Einführung 2 Gradientenverfahren 3 Laplace-Verfahren 4 Canny-Verfahren 5 Literatur 1 Einführung 2 1 Einführung Kantenerkennung basiert auf
Algorithmische Mathematik I
Algorithmische Mathematik I Wintersemester 2011 / 2012 Prof. Dr. Sven Beuchler Peter Zaspel Übungsblatt zur Wiederholung Teil 1. Abgabe am -. Aufgabe 1. a) Was ist eine B-adische Darstellung mit fixer
Methode für die Bewertung von Porositätsanalysen von CT Daten
Methode für die Bewertung von Porositätsanalysen von CT Daten Jördis Rosc 1, Georg Geier 1, Daniel Habe 1, Thomas Pabel 1, Peter Schumachter 1,2 1 Österreichisches Gießerei-Institut, Leoben, Österreich
Schattenentfernung unter Verwendung des Retinex-Algorithmus
Schattenentfernung unter Verwendung des Retinex-Algorithmus 13. Workshop Farbbildverarbeitung 2007, Koblenz Sarah Steinmetz, Dietrich Paulus, Wolfram Hans sarah.steinmetz,paulus,hans@uni-koblenz.de Institut
Cell Decomposition & Potential Field
Seminar EXRPR Cell Decomposition & Potential Field Gruppe 2: Thomas Janu Martin Koch Adrian J. Merkl Matthias Schneider Cell Decomposition & Potential Field 20.06.2005 Gruppe 2 Gliederung (1) 1.Cell Decomposition
2.1. Konvexe Hülle in 2D
Wir wollen die konvexe Hülle einer Menge von Punkten P = {p 1,..., p n } in der Ebene R 2 bestimmen. y y x x Def. 21: Eine Teilmenge S der Ebene ist konvex gdw für jedes Paar das Liniensegment pq in S
Kranial-kaudale Korrespondenz in MR-Aufnahmen
Kranial-kaudale Korrespondenz in MR-Aufnahmen Andrea Fränzle 1, Armin Stoll 1, Rolf Bendl 1,2 1 Abteilung für Medizinische Physik in der Strahlentherapie, DKFZ Heidelberg 2 Fakultät für Informatik, Hochschule
Vorkurs Informatik WiSe 16/17
Institut für Programmierung Konzepte der Informatik Dr. Werner Struckmann / Stephan Mielke, Jakob Garbe, 12.10.2016 Technische Universität Braunschweig, IPS Inhaltsverzeichnis Schilda-Rallye Was steckt
Vorkurs Informatik WiSe 15/16
Konzepte der Informatik Dr. Werner Struckmann / Stephan Mielke, Jakob Garbe, 20.10.2015 Technische Universität Braunschweig, IPS Inhaltsverzeichnis Schilda-Rallye Was steckt dahinter? Darstellung von Graphen
3D-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
Combinatorial optimisation and hierarchical classication
Universität zu Köln Zentrum für Angewandte Informatik Prof. Dr. R. Schrader Seminar im Wintersemester 2007/2008 Ausgewählte Kapitel des Operations Research Combinatorial optimisation and hierarchical classication
Computergrafik 2: Übung 8. Corner-Detektoren, Bildsegmentierung
Computergrafik 2: Übung 8 Corner-Detektoren, Bildsegmentierung Organisation KLAUSURANMELDUNG (UNIWORX) NICHT VERGESSEN! Computergrafik 2 SS2012 2 Besprechung Übung 7 Anmerkungen? Computergrafik 2 SS2012
3. Analyse der Kamerabewegung Video - Inhaltsanalyse
3. Analyse der Kamerabewegung Video - Inhaltsanalyse Stephan Kopf Bewegungen in Videos Objektbewegungen (object motion) Kameraoperationen bzw. Kamerabewegungen (camera motion) Semantische Informationen
Seminar : Information Retrieval Plagiaterkennung. Allgemeines Algorithmische Plagiaterkennung
Seminar: Information Retrieval Christoph Rauwolf 1 Allgemeines Algorithmische Ansätze Intrinsische Verfahren Extrinsische Verfahren Allgemeiner Ablauf Beispiele für Verfahren Verfahren von Efstathios Stamatatos
3. Minimale Spannbäume. Definition 99 T heißt minimaler Spannbaum (MSB, MST) von G, falls T Spannbaum von G ist und gilt:
3. Minimale Spannbäume Sei G = (V, E) ein einfacher ungerichteter Graph, der o.b.d.a. zusammenhängend ist. Sei weiter w : E R eine Gewichtsfunktion auf den Kanten von G. Wir setzen E E: w(e ) = e E w(e),
INTELLIGENTE 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:
Very simple methods for all pairs network flow analysis
Very simple methods for all pairs network flow analysis obias Ludes 0.0.0. Einführung Um den maximalen Flusswert zwischen allen Knoten eines ungerichteten Graphen zu berechnen sind nach Gomory und Hu nur
9. Heuristische Suche
9. Heuristische Suche Prof. Dr. Rudolf Kruse University of Magdeburg Faculty of Computer Science Magdeburg, Germany rudolf.kruse@cs.uni-magdeburg.de S Heuristische Suche Idee: Wir nutzen eine (heuristische)
6. Übung zur Linearen Optimierung SS08
6 Übung zur Linearen Optimierung SS08 1 Sei G = (V, E) ein schlichter ungerichteter Graph mit n Ecken und m Kanten Für eine Ecke v V heißt die Zahl der Kanten (u, v) E Grad der Ecke (a) Ist die Anzahl
Wasserscheiden-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
Computergrafik 2: Morphologische Operationen
Computergrafik 2: Morphologische Operationen 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
Computergestützte Patchplanung für Aortenerweiterungsplastiken
Computergestützte Patchplanung für Aortenerweiterungsplastiken Urte Rietdorf 1, Eugénie Riesenkampff 2, Ivo Wolf 1, Mathias Seitel 1, Nicole Engel 1, Titus Kühne 2, Michael Hübler 2, Tobias Schwarz 1,
Konzepte der Informatik
Platzhalter für Bild, Bild auf Titelfolie hinter das Logo einsetzen Konzepte der Informatik Vorkurs Informatik zum WS 23/24 6.9. - 27.9.23 Dr. Werner Struckmann / Hendrik Freytag. April 2 Referent Kurztitel
2.4. Triangulierung von Polygonen
Als drittes Problem haben wir in Kapitel 1 die Triangulierung von Polygonen identifiziert, die etwa bei der Überwachung eines Museums durch Kameras auftritt. F70 F71 Definition und Theorie: Definition
5. 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
k-means als Verfahren zur Clusteranalyse basierend auf Repräsentanten bestimmt ein flaches Clustering
Rückblick k-means als Verfahren zur Clusteranalyse basierend auf Repräsentanten bestimmt ein flaches Clustering Hierarchisches Clustering bestimmt eine Folge von Clusterings, die als Dendrogramm darstellbar
Geometrische Algorithmen Segmentschnitt
Folie 1 von 36 Geometrische Algorithmen Segmentschnitt Folie 2 von 36 Segmentschnitt Übersicht Zwei Segmente Lage zweier Segmente Prüfung auf Schnittfreiheit Formeln zum Geradenschnitt Feststellen des
Geometrische Algorithmen Segmentschnitt
Folie 1 von 36 Geometrische Algorithmen Segmentschnitt Folie 2 von 36 Segmentschnitt Übersicht Zwei Segmente! Lage zweier Segmente! Prüfung auf Schnittfreiheit! Formeln zum Geradenschnitt! Feststellen
Echtzeitberechnung von Faltungshall für virtuelle Raumakustik. Stefan Heidtmann
Echtzeitberechnung von Faltungshall für virtuelle Raumakustik Stefan Heidtmann Inhaltsangabe Raumakustik Faltungshall Faltungsalgorithmen Konferenzen 22.01.2016 Stefan Heidtmann 2 Raumakustik Auswirkung
Dentale 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
Inpainting. Jane Dienemann Benjamin Vorwerk. Seminar Computational Photography Dozent: Prof. Dr.-Ing.Eisert Sommersemester 2010
Inpainting Jane Dienemann Benjamin Vorwerk Seminar Computational Photography Dozent: Prof. Dr.-Ing.Eisert Sommersemester 2010 1 Übersicht I. Der Begriff Inpainting II. Die Geschichte der Bildbearbeitung
Proseminar Visualization of Text and Physics
Proseminar Visualization of Text and Physics Themenvorstellung Sommersemester 2015 Dr. Hubert Mara, Dr. Filip Sadlo Allgemeine Infos Infos zum Seminar Homepage (http://www.mathcomp.uni heidelberg.de/index.php?id=314)
Zeichnen von Graphen
von Graphen Fabio Valdés Programmierpraktikum WS 2016/17 Lehrgebiet Datenbanksysteme für neue Anwendungen FernUniversität in Hagen Programmierpraktikum Zeichnen von Graphen 08.10.2016 1 / 28 Gliederung
Krümmungsapproximation auf 3D-Modellen
Krümmungsapproximation auf 3D-Modellen Mathematische Grundlagen und Approximation Christian Cyrus Matrikelnummer 157707 Fakultät für Informatik Otto-von-Guericke-Universität Magdeburg Diese Ausarbeitung
4d-Segmentierung von dspect-aufnahmen des Herzens
4d-Segmentierung von dspect-aufnahmen des Herzens Regina Pohle 1, Klaus D. Tönnies 1, Anna Celler 2 1 Otto-von-Guericke-Universität, 39016 Magdeburg 2 Medical Imaging Research Group, Vancouver Hospital,
Informatik II: Algorithmen & Datenstrukturen. Blättern Sie nicht um bevor Sie dazu aufgefordert werden!
Albert-Ludwigs-Universität Institut für Informatik Prof. Dr. F. Kuhn Informatik II: Algorithmen & Datenstrukturen Montag, 29. August, 2014, 14:00 17:00 Name:...........................................................
Wie wird ein Graph dargestellt?
Wie wird ein Graph dargestellt? Für einen Graphen G = (V, E), ob gerichtet oder ungerichtet, verwende eine Adjazenzliste A G : A G [i] zeigt auf eine Liste aller Nachbarn von Knoten i, wenn G ungerichtet
Flüsse in Netzwerken
Proseminar Theoretische Informatik, Prof. Wolfgang Mulzer, SS 17 Flüsse in Netzwerken Zusammenfassung Gesa Behrends 24.06.2017 1 Einleitung Unterschiedliche technische Phänomene wie der Flüssigkeitsdurchfluss
Informatik II, SS 2014
Informatik II SS 2014 (Algorithmen & Datenstrukturen) Vorlesung 20 (23.7.2014) All Pairs Shortest Paths, String Matching (Textsuche) Algorithmen und Komplexität Vorlesungsevaluation Sie sollten alle eine
\ E) eines Graphen G = (V, E) besitzt die gleiche Knotenmenge V und hat als Kantenmenge alle Kanten des vollständigen Graphen ohne die Kantenmenge E.
Das Komplement Ḡ = (V, ( V ) \ E) eines Graphen G = (V, E) besitzt die gleiche Knotenmenge V und hat als Kantenmenge alle Kanten des vollständigen Graphen ohne die Kantenmenge E. Ein Graph H = (V, E )
Algorithmentechnik - U bung 3 4. Sitzung Tanja Hartmann 03. Dezember 2009
Algorithmentechnik - U bung 3 4. Sitzung Tanja Hartmann 03. Dezember 2009 I NSTITUT F U R T HEORETISCHE I NFORMATIK, P ROF. D R. D OROTHEA WAGNER KIT Universita t des Landes Baden-Wu rttemberg und nationales
Mustererkennung: Graphentheorie
Mustererkennung: Graphentheorie D. Schlesinger TUD/INF/KI/IS D. Schlesinger () ME: Graphentheorie 1 / 9 Definitionen Ein Graph ist ein Paar G = (V, E) mit der Menge der Knoten V und der Menge der Kanten:
Effiziente Algorithmen I
H 10. Präsenzaufgabenblatt, Wintersemester 2015/16 Übungstunde am 18.01.2015 Aufgabe Q Ein Reiseveranstalter besitzt ein Flugzeug, das maximal p Personen aufnehmen kann. Der Veranstalter bietet einen Flug
Corpus based Identification of Text Segments. Thomas Ebert Betreuer: MSc. Martin Schmitt
Corpus based Identification of Text Segments Thomas Ebert Betreuer: MSc. Martin Schmitt Übersicht 1. Motivation 2. Ziel der Arbeit 3. Vorgehen 4. Probleme 5. Evaluierung 6. Erkenntnisse und offene Fragen
Theoretische Informatik 1
Theoretische Informatik 1 Approximierbarkeit David Kappel Institut für Grundlagen der Informationsverarbeitung Technische Universität Graz 02.07.2015 Übersicht Das Problem des Handelsreisenden TSP EUCLIDEAN-TSP
Kap. 5: Planaritätsbasierte Verfahren
Kap. 5: Planaritätsbasierte Verfahren Prof. Dr. Petra Mutzel Lehrstuhl für Algorithm Engineering LS11 Universität Dortmund 23. VO WS07/08 21. Januar 2008 Literatur für diese VO M. Kaufmann, D. Wagner (Eds.):
Projektgruppe. Clustering und Fingerprinting zur Erkennung von Ähnlichkeiten
Projektgruppe Jennifer Post Clustering und Fingerprinting zur Erkennung von Ähnlichkeiten 2. Juni 2010 Motivation Immer mehr Internet-Seiten Immer mehr digitale Texte Viele Inhalte ähnlich oder gleich