Advertisement

Optimierung nicht-linearer Registrierung durch automatisch detektierte Landmarken

  • Jan-Christoph WolfEmail author
  • Alexander Schmidt-Richberg
  • Rene Werner
  • Jan Ehrhardt
  • Heinz Handels
Chapter
Part of the Informatik aktuell book series (INFORMAT)

Kurzfassung

In dieser Arbeit wird ein Landmarken-basierter Ansatz zur Optimierung der Registrierung von 4D-CT-Daten der Lunge präsentiert. Das Verfahren besteht aus zwei Schritten. Im ersten Schritt werden für die zu registrierenden Bilder mit Hilfe eines automatischen Verfahrens korrespondierende Landmarken detektiert. Diese werden daraufhin in einem zweiten Schritt zur Abschätzung des mittleren Target-Registration- Errors (TRE) verwendet, der wiederum zur Definition eines Abbruchkriteriums für ein iteratives Registrierungsverfahren genutzt wird. Der Ansatz wurde anhand von neun 4D-CT-Datensätzen evaluiert. Es zeigt sich, dass die Genauigkeit der Registrierung durch das neue Verfahren verbessert werden kann.

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literaturverzeichnis

  1. 1.
    Werner R, Ehrhardt J, Schmidt-Richberg A, et al. Validation and comparison of a biophysical modeling approach and non-linear registration for estimation of lung motion fields in thoracic 4D CT data. SPIE Med Imaging Image Process. 2009;10(7259):1–8.Google Scholar
  2. 2.
    Ehrhardt J, Werner R, Säring D, et al. An optical flow based method for improved reconstruction of 4D CT data sets acquired during free breathing. Med Phys. 2007;34(2):711–21.CrossRefGoogle Scholar
  3. 3.
    Werner R, Wolf JC, Ehrhardt J, et al. Automatische Landmarkendetektion und -übertragung zur Evaluation der Registrierung von thorakalen CT-Daten. In: Proc BVM; 2010. p. 31–5.Google Scholar
  4. 4.
    Rohr K, Stiehl HS, Sprengel R, et al. Landmark-based elastic registration using approximating thin-plate splines. IEEE Trans Med Imaging. 2001;20(6):526–34.CrossRefGoogle Scholar
  5. 5.
    Olesch J, Papenberg N, Lange T, et al. CT and ultrasound data of the liver by landmark constrained image registration. SPIE Med Imaging Image Process. 2009;7261.Google Scholar
  6. 6.
    van Rikxoort EM, de Hoop B, Viergever MA, et al. Automatic lung segmentation from thoracic computed tomography scans using a hybrid approach with error detection. Med Phys. 2009;36(7):2934–47.CrossRefGoogle Scholar
  7. 7.
    Hartkens T, Rohr K, Stiehl HS. Evaluation of 3D operators for the detection of anatomical point landmarks in MR and CT images. Comput Vis Image Understand. 2002;86(2):118–36.zbMATHCrossRefGoogle Scholar
  8. 8.
    Murphy K, van Ginneken B, Pluim J, et al. Semi-automatic reference standard construction for quantitative evaluation of lung CT registration. In: Med Image Comput Comput Assis Interv. Springer; 2008. p. 1006–13.Google Scholar
  9. 9.
    Modersitzki J. Numerical methods for image registration. Oxford Univ Press; 2004.Google Scholar

Copyright information

© Springer-Verlag Berlin Heidelberg 2011

Authors and Affiliations

  • Jan-Christoph Wolf
    • 1
    Email author
  • Alexander Schmidt-Richberg
    • 1
  • Rene Werner
    • 1
  • Jan Ehrhardt
    • 1
  • Heinz Handels
    • 1
  1. 1.Institut für Medizinische InformatikUniversität zu LübeckLübeckDeutschland

Personalised recommendations