Abstract
Das Erstellen einer Trainingsbasis für lernbasierte Methoden zur Gewebecharakterisierung ist häufig fehleranfällig und zeitaufwendig. Sparse and Unambigious (SUR)-Annotationen können hier den Aufwand reduzieren, aber die Annotation mehrerer Gewebeklassen sind dennoch aufwendig. Wir stellen einen Ansatz vor, der das Training ermöglicht, wenn lediglich eine Gewebeklasse annotiert wurde. Diese als positive and unlabeled Learning”(PU-Learning) bezeichnete Methode reduziert den manuellen Annotationsaufwand. In unserer Arbeit zeigen wir zudem, dass die erzielten Segmentierungen sich nicht statistisch signifikante vom Stand der Forschung unterscheiden.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Preview
Unable to display preview. Download preview PDF.
Author information
Authors and Affiliations
Corresponding author
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2017 Springer-Verlag GmbH Deutschland
About this paper
Cite this paper
Goetz, M., Maier-Hein, K.H. (2017). Training mit positiven und unannotierten Daten für automatische Voxelklassifikation. In: Maier-Hein, geb. Fritzsche, K., Deserno, geb. Lehmann, T., Handels, H., Tolxdorff, T. (eds) Bildverarbeitung für die Medizin 2017. Informatik aktuell. Springer Vieweg, Berlin, Heidelberg. https://doi.org/10.1007/978-3-662-54345-0_54
Download citation
DOI: https://doi.org/10.1007/978-3-662-54345-0_54
Published:
Publisher Name: Springer Vieweg, Berlin, Heidelberg
Print ISBN: 978-3-662-54344-3
Online ISBN: 978-3-662-54345-0
eBook Packages: Computer Science and Engineering (German Language)