Advertisement

Effiziente Segmentierung trachealer Strukturen in MRI-Aufnahmen

  • Tatyana Ivanovska
  • Philip Dietrich
  • Catherine Schmidt
  • Henry Völzke
  • Achim Beule
  • Florentin Wörgötter
Conference paper
Part of the Informatik aktuell book series (INFORMAT)

Zusammenfassung

Kurzfassung. Die Segmentierung verschiedener Strukturen im Körper ist eine der grundlegenden Operationen in der medizinischen Bildverarbeitung. In dieser Arbeit werden auf Machine Learning basierende Methoden zur Segmentierung medizinischer Bilder untersucht. Das Ziel ist es, in MRI-Scans die Trachea zu segmentieren. Jedoch soll in dieser Arbeit speziell die Effizienz der Algorithmen im Vordergrund stehen. Die verwendeten Ansätze basierten auf einer Deep Learning Architektur, welche zunächst individuell optimiert wird. Es konnte ein maximaler DICE-Koeffizient von (94.4±2.1)% erzielt werden. Zusätzlich kann festgestellt werden, dass die Segmentierung sehr effizient geschieht. Die Segmentierung von einmen Datensatz aus 40 Schichten dauert dabei weniger als eine Sekunde, wobei bei bisherigen Methoden es über eine Minute benötigte.

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literaturverzeichnis

  1. 1.
    Handels H. Segmentierung medizinischer Bilddaten. Wiesbaden: Vieweg+Teubner; 2009.Google Scholar
  2. 2.
    Simonyan K, Zisserman A. Very deep convolutional networks for large-scale image recognition. arXiv preprint arXiv:14091556. 2014.
  3. 3.
    Krizhevsky A, Sutskever I, Hinton GE. Imagenet classification with deep convolutional neural networks. Advances in neural information processing systems. 2012; p. 1097–1105.Google Scholar
  4. 4.
    Ronneberger O, Fischer P, Brox T; Springer. U-net: Convolutional networks for biomedical image segmentation. Proc MICCAI. 2015; p. 234–241.Google Scholar
  5. 5.
    Ivanovska T, Buttke E, Laqua R, et al. Automatic trachea segmentation and evaluation from MRI data using intensity pre-clustering and graph cuts. Proc IEEE ISPA. 2011; p. 513–518.Google Scholar
  6. 6.
    ShahidMLUR, Chitiboi T, Ivanovska T, et al. AutomaticMRI segmentation of parapharyngeal fat pads using interactive visual feature space analysis for classification. BMC Med Imag. 2017;17(1):15.Google Scholar
  7. 7.
    Seifert S, Wachter I, Dillmann R. Segmentation of intervertebral discs, trachea and spinal cord from MRI images. Proc CARS. 2006.Google Scholar
  8. 8.
    Voelzke H, Alte D, Schmidt CO, et al. Cohort profile: the study of health in Pomerania. Int J Epid. 2011;40(2):294.Google Scholar
  9. 9.
    Ioffe S. Batch renormalization: towards reducing minibatch dependence in batchnormalized models. arXiv preprint arXiv:170203275. 2017.

Copyright information

© Springer-Verlag GmbH Deutschland 2018

Authors and Affiliations

  • Tatyana Ivanovska
    • 1
  • Philip Dietrich
    • 1
  • Catherine Schmidt
    • 2
  • Henry Völzke
    • 2
  • Achim Beule
    • 2
    • 3
  • Florentin Wörgötter
    • 1
  1. 1.Georg-August-Universität GöttingenGöttingenDeutschland
  2. 2.Universitätsklinikum GreifswaldGreifswaldDeutschland
  3. 3.Universitätsklinikum MünsterMünsterDeutschland

Personalised recommendations