Kurzfassung
Medizinische Bilddaten haben eine hohe Diversität aufgrund von Inter- und Intrascanner-Variabilitäten, Protokoll-Parametern sowie patientenspezifischer Erscheinungsformen der Physiologie und Pathologie. Wenn ein einzelner Klassifikator sämtliche Variationen berücksichtigen soll, wird dies seine Genauigkeit stark beeinträchtigen. Zur Segmentierung von Läsionen auf multimodalen MR-Bilder schlagen wir aus diesem Grund vor, für jedes neue Bild einen eigenen Klassifikator zu trainieren. Dazu wird geschätzt, welche der Trainingsdaten am besten geeignet sind um den gegebenen Fall zu segmentieren. Mit diesen wird dann ad hoc der spezifische Klassifikator trainiert. Wir evaluieren unsere Methode anhand der Daten des international ISLE-Wettbewerbs und zeigen, dass eine deutliche Verbesserung der Segmentierungsqualität erreicht wird.
This is a preview of subscription content, log in via an institution to check access.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Preview
Unable to display preview. Download preview PDF.
Literaturverzeichnis
Maier O, editor. ISLE-challenge; 2015. http://www.isles-challenge.org/.
Zikic D, Glocker B, Criminisi A. Atlas encoding by randomized forests for efficient label propagation. Proc MICCAI. 2013; p. 66–73.
van Opbroek A, Vernooij MW, Ikram MA, et al. Weighting training images by maximizing distribution similarity for supervised segmentation across scanners. Med Image Anal. 2015;24(1):245–54.
Konukoglu E, Glocker B, Zikic D, et al. Neighbourhood approximation using randomized forests. Med Image Anal. 2013;17:790–804.
Geurts P, Ernst D, Wehenkel L. Extremely randomized trees. Mach Learn. 2006;63:3–42.
Goetz M, Weber C, Bloecher J, et al. Extremely randomized trees based brain tumor segmentation. Proc BRATS Challenge MICCAI. 2014.
Maier O, Wilms M, Gablentz J, et al. Extra tree forests for sub-acute ischemic stroke lesion segmentation in MR sequences. J Neurosci Methods. 2015;240:89–100.
Goetz M, Weber C, Binczyk F, et al. DALSA: domain adaptation for supervised learning from sparsely annotated MR images. IEEE Trans Med Imaging. 2015; p. epub ahead of print.
Goetz M, Weber C, Stieltjes B, et al. Learning from small amounts of labeled data in a brain tumor classification task. Proc NIPS Workshop Transf Multi Task Learn Theory Meets Pract. 2014.
Author information
Authors and Affiliations
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2016 Springer-Verlag Berlin Heidelberg
About this paper
Cite this paper
Götz, M., Kolb, C., Weber, C., Regnery, S., Maier-Hein, K. (2016). Fallspezifisches Lernen zur automatischen Läsionssegmentierung in multimodalen MR-Bildern. In: Tolxdorff, T., Deserno, T., Handels, H., Meinzer, HP. (eds) Bildverarbeitung für die Medizin 2016. Informatik aktuell. Springer Vieweg, Berlin, Heidelberg. https://doi.org/10.1007/978-3-662-49465-3_13
Download citation
DOI: https://doi.org/10.1007/978-3-662-49465-3_13
Publisher Name: Springer Vieweg, Berlin, Heidelberg
Print ISBN: 978-3-662-49464-6
Online ISBN: 978-3-662-49465-3
eBook Packages: Computer Science and Engineering (German Language)