Kurzfassung
Segmentierungsverfahren spielen bei der Operationsplanung von Lebereingriffen eine tragende Rolle. Die Identifikation der Gefäße aus den Intensitätsdaten zu interpretierbaren Objekten bringt insbesondere bei der risikominimierenden Planung chirurgischer Eingriffe bedeutende Vorteile. In diesem Beitrag wird ein semi-automatisches Verfahren zur Detektion und Segmentierung der intrahepatischen Strukturen, namentlich der Blut-, sowie der Gallengangsgefäße in 3D CT-Bildern vorgestellt. Die Gefäßverstärkung wurde mittels Vesselness-Verfahren nach Sato et al. [1] und Frangi et al. [2] durchgeführt. Zur Segmentierung wurde schließlich ein Volumenwachstumsverfahren mit anschließender Analyse zusammenhängender Komponenten verwendet. Die Segmentierungsergebnisse von zehn Patientendatensätzen wurden qualitativ durch optischen Vergleich mit einer zuvor erstellen manuellen Segmentierung eines medizinisches Experten, sowie quantitativ unter Zuhilfenahme des DICE-Koeffizienten bewertet.
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
Lesage D, Angelini E, Bloch I, et al. A review of 3D vessel lumen segmentation techniques: models, features and extraction schemes. Med Image Anal. 2009;13(6):819–45.
Lin Q. Enhancement, detection, and visualization of 3D volume data. PhD Thesis No 824, Link¨oping University. 2003.
de Bruijne M, van Ginneken, Viergever M, et al. Adapting active shape models for 3D segmentation of tubular structures in medical images. Proc IPMI. 2003; p. 136–47.
El-Baz A, Elnakib A, Khalifa F, et al. Precise segmentation of 3-D magnetic resonance angiography. Biomed Eng. 2012;59(7):2019–29.
Law M, Chung A. Efficient implementation for spherical flux computation and its application to vascular segmentation. IEEE Trans Image Process. 2009;18(3):596–612.
AF Frangi KVea WJ Niessen. Multiscale vessel enhancement filtering. Lect Notes Comput Sci. 1998;1496:130–7.
Liu Y, Hel-Or H, Kaplan C, et al. Computational symmetry in computer vision and computer graphics. Now Publishers; 2010.
Dalitz C, Pohle-Fr¨ohlich R, Bolten T. Detection of symmetry points in images. Proc VISAPP. 2013; p. 577–85.
BrainWeb: simulated brain database; 1997. Online; accessed 17-July –2013. http://www.bic.mni.mcgill.ca/brainweb/.
Hamarneh G, Jassi P. VascuSynth: simulating vascular trees for generating volumetric image data with ground truth segmentation and tree analysis. Comput Med Imaging Graph. 2010;34(8):605–16.
Author information
Authors and Affiliations
Corresponding author
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2014 Springer-Verlag Berlin Heidelberg
About this chapter
Cite this chapter
Behringer, P., Mastmeyer, A., Fortmeier, D., Biermann, C., Handels, H. (2014). Segmentierung intrahepatischer Gefäße mit Vesselness-Verfahren. In: Deserno, T., Handels, H., Meinzer, HP., Tolxdorff, T. (eds) Bildverarbeitung für die Medizin 2014. Informatik aktuell. Springer, Berlin, Heidelberg. https://doi.org/10.1007/978-3-642-54111-7_31
Download citation
DOI: https://doi.org/10.1007/978-3-642-54111-7_31
Published:
Publisher Name: Springer, Berlin, Heidelberg
Print ISBN: 978-3-642-54110-0
Online ISBN: 978-3-642-54111-7
eBook Packages: Computer Science and Engineering (German Language)