Skip to main content
SpringerLink
Log in

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

  • Conference paper
  • First Online:
Bildverarbeitung für die Medizin 2020

Part of the book series: Informatik aktuell ((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.

This is a preview of subscription content, log in via an institution to check access.

Access this chapter

Log in via an institution
Chapter
USD 29.95
Price excludes VAT (USA)
  • Available as PDF
  • Read on any device
  • Instant download
  • Own it forever
eBook
USD 54.99
Price excludes VAT (USA)
  • Available as PDF
  • Read on any device
  • Instant download
  • Own it forever
Softcover Book
USD 69.99
Price excludes VAT (USA)
  • Compact, lightweight edition
  • Dispatched in 3 to 5 business days
  • Free shipping worldwide - see info

Tax calculation will be finalised at checkout

Purchases are for personal use only

Institutional subscriptions

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literatur

  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. 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. 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. 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. 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. Criminisi A, Robertson D, Pauly O, et al. Decision forests for computer vision and medical image analysis. London: Springer; 2013.

    Google Scholar 

  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. Taha AA, Hanbury A. Metrics for evaluating 3D medical image segmentation: analysis, selection, and tool. BMC Med Imaging. 2015;15(1):29.

    Google Scholar 

Download references

Author information

Authors and Affiliations

  1. Institut für Medizinische Informatik, Universität zu Lübeck, Lübeck, Deutschland

    Oliver Mietzner

  2. Fakultät für Optik und Mechatronik, Hochschule Aalen, Aalen, Deutschland

    Andre Mastmeyer

Authors
  1. Oliver Mietzner
    View author publications

    You can also search for this author in PubMed Google Scholar

  2. Andre Mastmeyer
    View author publications

    You can also search for this author in PubMed Google Scholar

Corresponding author

Correspondence to Oliver Mietzner .

Editor information

Editors and Affiliations

  1. Institut für Medizinische Informatik, Charité - Universitätsmedizin Berlin, Berlin, Germany

    Thomas Tolxdorff

  2. Peter L. Reichertz Institut für Medizinische Informatik, Technische Universität Braunschweig, Braunschweig, Germany

    Thomas M. Deserno

  3. Institut für Medizinische Informatik, Universität zu Lübeck, Lübeck, Germany

    Heinz Handels

  4. Lehrstuhl für Mustererkennung, Friedrich-Alexander-Universität, Erlangen, Germany

    Andreas Maier

  5. Medical Image Computing, E230, Deutsches Krebsforschungszentrum (DKFZ), Heidelberg, Germany

    Klaus H. Maier-Hein

  6. Fakultät für Informatik und Mathematik, Ostbayerische Technische Hochschule Regensburg, Regensburg, Germany

    Christoph Palm

Rights and permissions

Reprints and permissions

Copyright information

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

About this paper

Check for updates. Verify currency and authenticity via CrossMark

Cite this paper

Mietzner, O., Mastmeyer, A. (2020). Automatische Detektion von Zwischenorgan-3D-Barrieren in abdominalen CT-Daten. In: Tolxdorff, T., Deserno, T., Handels, H., Maier, A., Maier-Hein, K., Palm, C. (eds) Bildverarbeitung für die Medizin 2020. Informatik aktuell. Springer Vieweg, Wiesbaden. https://doi.org/10.1007/978-3-658-29267-6_9

Download citation

Publish with us

Policies and ethics

Search

Navigation