Zusammenfassung
Diese Arbeit stellt die Auswertung der SLDF-Perfusinonsbilder anhand dem Erlanger Glaukomregister mittels unterschiedlichen Neuronalen Netzen vor. Es wird auch die Bestimmung der optimalen Netzwerktopologie untersucht. Die Simulation der Netzwerke und die Netzwerkoptimierung werden mit Stuttgart(Tübingen) Neural Network Simulator (SNNS) durchgeführt. Neben den Ergebnissen der neuronalen Netzen werden auch die Ergebnisse der konventionellen Klassifikatoren, wie Minimum Distanz und k nächster Nachbar Klassifikator vorgestellt. Es stellte sich heraus, dass die Untersuchung der Glaukompatienten anhand den SLDF-Perfusinsbildern neben den Augeninnendruck-, morphometrischen und perimetrischen Messungen einen sehr wichtigen und guten Ersatzparameter liefert.
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.
Literatur
Pál I, Niemann H, Michelson G: Neuronale Netze zur automatischen Auswertung der Zirkulationsstörungen der Netzhaut auf den SLDF-Perfusionsbildern. Lehmann T, Metzler V, Spitzer K, Tolxdorff T (Hrsg.), Bildverarbeitung für die Medizin 1998: Algorithmen-Systeme-Anwendungen Proceedings des Aachener Workshops, Springer- Verlag, Berlin, Informatik aktuell, S. 318–322, März 1998.
Schreiner T. Ausdünnungsverfahren für neuronale Netze. Diplomarbeit, Fakultät Informatik Institut für Parallele und Verteilte Höchstleistungsrechner (IPVR), Universität Stuttgart, 1994. Nr. 1140.
Zell A: Simulation Neuronaler Netze. Addison-Wesley (Deutschland) GmbH, Bonn, 1. unv. nachdruck. Ausg., 1996.
Braun H: Neuronale Netze: Optimierung durch Lernen und Evolution. Springer- Verlag, Berlin, 1997.
Schmalzl M. Lernverfahren neuronaler Netze mit automatischer Bestimmung der Netzwerktopologie. Diplomarbeit, Fakultät Informatik Institut für Parallele und Verteilte Höchstleistungsrechner (IPVR), Universität Stuttgart, 1993. Nr. 968.
Zell A, et. al.: SNNS. User Manual Version 4.1, 1995.
Rumelhart D. E, McClelland J. L: Parallel Distributed Processing: Exploration in the Microstructure of Cognition, Bd. 1.. MIT-Press, Cambridge, Massachusetts, 1986. Fundations.
Riedmiller M, Braun H: A Direct Adaptive Method for Faster Backpropagation Learning: The RPROP Algorithm. Proc. of IEEE Int. Conf. on Neural Networks, San Francisco, CA, 03.28–04.01 1993.
Martus P: Die adäquate biometrische Modellierung einer komplexen klinischen Fragestellung am Beispiel der Erlanger Glaukomstudie. Habil.-Schr., Universität Erlangen-Nürnberg, 1995.
Rauber T. W: Inductive Pattern Classification: Methods-Features-Sensors. Dissertation, University Nova de Lisboa, Lisboa, 1994.
Author information
Authors and Affiliations
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2001 Springer-Verlag Berlin Heidelberg
About this paper
Cite this paper
Pál, I. (2001). Neuronale Netze zur Klassifikation der SLDF-Perfusionsbilder anhand dem Erlanger Glaukomregister. In: Handels, H., Horsch, A., Lehmann, T., Meinzer, HP. (eds) Bildverarbeitung für die Medizin 2001. Informatik aktuell. Springer, Berlin, Heidelberg. https://doi.org/10.1007/978-3-642-56714-8_69
Download citation
DOI: https://doi.org/10.1007/978-3-642-56714-8_69
Publisher Name: Springer, Berlin, Heidelberg
Print ISBN: 978-3-540-41690-6
Online ISBN: 978-3-642-56714-8
eBook Packages: Springer Book Archive