Zusammenfassung
Klinisches Bildmaterial wurde zur Diagnoseunterst ützung mit zwei unterschiedlichen, interaktiven Snake-Verfahren verarbeitet, um die Eignung des Verfahrens für Standard MR-Bilddaten zu quantifizieren. Hierzu wurden beide Snake-Verfahren in das Bildverarbeitungs- und -analyseprogramm ImageJ integriert. Die Adaptation der Parameter erfolgte anhand ausgewählter Datensätze, die eine größtmögliche Variation der zu analysierenden Pathologie wiedergaben. Die Quantifizierung erfolgte für alle Datensätze durch statistische Auswertungen mit Hilfe von Referenzdaten, die unabhängig durch manuelle Segmentierung von einem Spezialisten festgelegt wurden. Im Vergleich der Snake-Verfahren mit einer automatischen, histogrammbasierten Segmentierung zeigte sich eine hoch signifikant bessere Sensitivität bei unveränderter Spezifität.
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
Kass M, Witkin A, Terzopoulos D. Snakes: active contour models. International Journal of Computer Vision 1988;1:321–331.
Jacob M, Blu T, Unser M. A Unifying Approach and Interface for Spline-Based Snakes. In: Proceedings of the SPIE International Symposium on Medical Imaging (4322); 2001. p. 340–347.
Braun J, Bernarding J, Koennecke HC, Wolf KJ, Tolxdorff T. Feature-based, Automated Segmentation of Cerebral Infarct Patterns Using T2-and Diffusion-weighted Imaging. Comput Methods Biomech Biomed Engin 2002;5:411–420.
Atkins MS, Mackiewich BT. Fully automatic segmentation of the brain in MRI. IEEE Trans Med Imaging 1988;17(1):98–107.
Bezdek JC, Hall LO, Clarke LP. Review of MR image segmentation techniques using pattern recognition. Med Phys 1993;20(4):1033–1048.
Clarke LP, Velthuizen RP, Phuphanich S, Schellenberg JD, Arrington JA, Silbiger M. MRI: stability of three supervised segmentation techniques. Magn Reson Imaging 1993;11(1):95–106.
Pham DL, Xu C, Prince JL. Current methods in medical image segmentation. Annu Rev Biomed Eng 2000;2:315–337.
Porill J, Ivins J. A semiautomitic tool for 3-D medical image analysis using active contour models. Medical Informatics 1994;19(1):81–90.
Chen CM, Lu HH. An adaptive snake model for ultrasound image segmentation: modified trimmed mean filter, ramp integration and adaptive weighting parameters. Ultrason Imaging 2000;22(4):214–236.
Jacob G, Noble JA, Behrenbruch C, Kelion AD, Banning AP. A shape-space-based approach to tracking myocardial borders and quantifying regional left-ventricular function applied in echocardiography. IEEE Trans Med Imaging 2002;21(3):226–238.
Yezzi A, Kichenassamy S, Kumar A, Olven P, Tannenbaum A. A geometric snake model for segmentation of medical imagery. IEEE Trans Med Imaging 1997;16(2):199–209.
Rasband W. ImageJ — Image Processing and Analysis in Java — Version 1.30. National Institut of Health, USA, http://rsb.info.nih.gov/ij; 2003.
Author information
Authors and Affiliations
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2005 Springer-Verlag Berlin Heidelberg
About this paper
Cite this paper
Ehrig, K., Braun, J., Tolxdorff, T. (2005). Interaktive Segmentierung von Hirninfarkten mittels Snake-Verfahren. In: Meinzer, HP., Handels, H., Horsch, A., Tolxdorff, T. (eds) Bildverarbeitung für die Medizin 2005. Informatik aktuell. Springer, Berlin, Heidelberg. https://doi.org/10.1007/3-540-26431-0_21
Download citation
DOI: https://doi.org/10.1007/3-540-26431-0_21
Publisher Name: Springer, Berlin, Heidelberg
Print ISBN: 978-3-540-25052-4
Online ISBN: 978-3-540-26431-6
eBook Packages: Computer Science and Engineering (German Language)