Advertisement

Automatische Detektion von Zwischenorgan-3D-Barrieren in abdominalen CT-Daten

  • Oliver MietznerEmail author
  • Andre Mastmeyer
Conference paper
  • 14 Downloads
Part of the Informatik aktuell book series (INFORMAT)

Zusammenfassung

Volumenwachstumssegmentierungstechniken sind oftmals mit der Übersegmentierung angrenzender Organe oder Strukturen behaftet. Künstlich eingebrachte Segmentierungsbarrieren als Nebenbedingungen helfen hierbei. Aktuell werden diese Markierungen häufig noch als manuelle Scribbles vom Benutzer i.d.R. mühsam schichtweise erstellt. Hier wird ein neuer vollautomatischer Ansatz zum Finden von virtuellen 3D-Barrieren mit maschinellen Lernmethoden vorgestellt. Die Abstandsfehler zu Referenzbarrieren liegen zwischen 4,9±1,3 und 10,3±3,6mm.

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literatur

  1. 1.
    Mastmeyer A, Fortmeier D, Handels H. Random forest classification of large volume structures for visuo-haptic rendering in CT images. 2016; p. 97842H.Google Scholar
  2. 2.
    Mastmeyer A, Wilms M, Handels H. Interpatient respiratory motion model transfer for virtual reality simulations of liver punctures. Journal of World Society of Computer Graphics - WSCG. 2017;25(1):1–10.Google Scholar
  3. 3.
    Mastmeyer A, Wilms M, Handels H. Population-based respiratory 4D motion atlas construction and its application for VR simulations of liver punctures. In: SPIE Medical Imaging 2018: Image Processing. vol. 10574. International Society for Optics and Photonics; 2018. p. 1057417.Google Scholar
  4. 4.
    Mastmeyer A, Wilms M, Fortmeier D, et al. Real-Time ultrasound simulation for training of US-guided needle insertion in breathing virtual patients. In: Studies in health technology and informatics. vol. 220. IOS Press; 2016. p. 219.Google Scholar
  5. 5.
    Zou Z, Liao SH, Luo SD, et al. Semi-automatic segmentation of femur based on harmonic barrier. Comput Methods Programs Biomed. 2017;143:171–184.Google Scholar
  6. 6.
    Criminisi A, Robertson D, Pauly O, et al. Decision forests for computer vision and medical image analysis. London: Springer; 2013.Google Scholar
  7. 7.
    Ronneberger O, Fischer P, Brox T. U-Net: convolutional networks for biomedical image segmentation. Proc MICCAI 2015. 2015; p. 234–241.Google Scholar
  8. 8.
    Taha AA, Hanbury A. Metrics for evaluating 3D medical image segmentation: analysis, selection, and tool. BMC Med Imaging. 2015;15(1):29.Google Scholar

Copyright information

© Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature 2020

Authors and Affiliations

  1. 1.Institut für Medizinische InformatikUniversität zu LübeckLübeckDeutschland
  2. 2.Fakultät für Optik und MechatronikHochschule AalenAalenDeutschland

Personalised recommendations