Advertisement

Aktive Sensoren: Kontextbasierte Filterung von Merkmalen zur modellbasierten Segmentierung

  • Lars Dornheim
  • Jana Dornheim
  • Heiko Seim
  • Klaus Tönnies
Part of the Informatik aktuell book series (INFORMAT)

Zusammenfassung

Strukturen in medizinischen Bildern sind oft unvollständig abgebildet und erfordern zusätzliches Modellwissen zu ihrer Segmentierung. Es gibt eine Fülle einfacher Merkmale (Grauwerte, Kanten, etc.) mit deren Hilfe eine modellbasierte Segmentierung erfolgt. Sensorbasierte Modelle reagieren nun mit allen Sensoren potentiell auf all diese Merkmale, auch wenn pro Sensor nur ein Bruchteil interessiert. Es werden richtungsgewichtete Kontursensoren vorgestellt, die abhängig von ihrer Richtung Konturen im Datensatz bewerten. Sie reagieren bevorzugt auf Konturen, die aus Modellsicht eine erwartete Richtung aufweisen. Während der Modellanpassung werden diese erwarteten, sensorabhängigen Konturrichtungen konsistent zum Modell gehalten. Dadurch werden aktive Sensoren geschaffen, die eine deutliche Vorfilterung auf einer einfachen Merkmalsebene im Kontext des Modells durchführen. So wird die Segmentierung von detailreichen, verrauschten und unvollständigen Daten mittels Modellen deutlich zielstrebiger und robuster, wie wir in drei Anwendungsfällen nachweisen können.

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literaturverzeichnis

  1. 1.
    Dornheim L, Tönnies KD, Dornheim J. Stable Dynamic 3D Shape Models. In: ICIP; 2005.Google Scholar
  2. 2.
    Bergner S. Structural Deformable Models for Robust Object Recognition. Diplomarbeit. Fakultät für Informatik, Otto-von-Guericke-Universität Magdeburg; 2003.Google Scholar
  3. 3.
    Schild M, Pohle R, Brune K, Hess A. Semi-automatic Segmentation of the Left Ventricle in CINE MR Datasets by Linked Radial Active Model (LRAM). In: Bildverarbeitung für die Medizin; 2005.Google Scholar
  4. 4.
    Jähne B, Haussecker H, Geissler P, editors. Signal Processing and Pattern Recognition. vol. 2 of Handbook of Computer Vision and Applications. Academic Press; 1999. p. 125–151.Google Scholar
  5. 5.
    Dornheim J, Dornheim L, Preim B, Tönnies KD, Hertel I, Strauss G. Stable 3D Mass-Spring Models for the Segmentation of the Thyroid Cartilage. Otto-von-Guericke-Universität Magdeburg. Germany; 2005.Google Scholar
  6. 6.
    Seim H, Dornheim J. Ein 2-Fronten-Feder-Masse-Modell zur Segmentierung von Lymphknoten in CT-Daten des Halses. In: Bildverarbeitung für die Medizin; 2006.Google Scholar
  7. 7.
    Dornheim L, Tönnies KD, Dixon K. Automatic Segmentation of the Left Ventricle in 3D SPECT Data by Registration with a Dynamic Anatomic Model. In: MICCAI; 2005.Google Scholar

Copyright information

© Springer-Verlag Berlin Heidelberg 2006

Authors and Affiliations

  • Lars Dornheim
    • 1
  • Jana Dornheim
    • 1
  • Heiko Seim
    • 1
  • Klaus Tönnies
    • 1
  1. 1.Institut für Simulation und Graphik, Fakultät für InformatikOtto-von-Guericke-Universität MagdeburgMagdeburg

Personalised recommendations