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.
Die Original-Version des Kapitels wurde korrigiert. Ein Erratum finden Sie unter https://doi.org/10.1007/978-3-662-56537-7_97
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.
Literaturverzeichnis
Handels H. Segmentierung medizinischer Bilddaten. Wiesbaden: Vieweg+Teubner; 2009.
Simonyan K, Zisserman A. Very deep convolutional networks for large-scale image recognition. arXiv preprint arXiv:14091556. 2014.
Krizhevsky A, Sutskever I, Hinton GE. Imagenet classification with deep convolutional neural networks. Advances in neural information processing systems. 2012; p. 1097–1105.
Ronneberger O, Fischer P, Brox T; Springer. U-net: Convolutional networks for biomedical image segmentation. Proc MICCAI. 2015; p. 234–241.
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.
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.
Seifert S, Wachter I, Dillmann R. Segmentation of intervertebral discs, trachea and spinal cord from MRI images. Proc CARS. 2006.
Voelzke H, Alte D, Schmidt CO, et al. Cohort profile: the study of health in Pomerania. Int J Epid. 2011;40(2):294.
Ioffe S. Batch renormalization: towards reducing minibatch dependence in batchnormalized models. arXiv preprint arXiv:170203275. 2017.
Author information
Authors and Affiliations
Corresponding author
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2018 Springer-Verlag GmbH Deutschland
About this paper
Cite this paper
Ivanovska, T., Dietrich, P., Schmidt, C., Völzke, H., Beule, A., Wörgötter, F. (2018). Effiziente Segmentierung trachealer Strukturen in MRI-Aufnahmen. In: Maier, A., Deserno, T., Handels, H., Maier-Hein, K., Palm, C., Tolxdorff, T. (eds) Bildverarbeitung für die Medizin 2018. Informatik aktuell. Springer Vieweg, Berlin, Heidelberg. https://doi.org/10.1007/978-3-662-56537-7_54
Download citation
DOI: https://doi.org/10.1007/978-3-662-56537-7_54
Published:
Publisher Name: Springer Vieweg, Berlin, Heidelberg
Print ISBN: 978-3-662-56536-0
Online ISBN: 978-3-662-56537-7
eBook Packages: Computer Science and Engineering (German Language)