Andere Kunden interessierten sich auch für
![Edge Detection & Segmentation of Textured Images]( "Edge Detection & Segmentation of Textured Images")
Edge Detection & Segmentation of Textured Images36,99 €![Segmentation of Cursive Textual Images (Applied to Urdu Script)]( "Segmentation of Cursive Textual Images (Applied to Urdu Script)")
Segmentation of Cursive Textual Images (Applied to Urdu Script)46,99 €![Segmentation des images satelliatires]( "Segmentation des images satelliatires")
Segmentation des images satelliatires42,99 €![Comparative Study on Segmentation Using Texture Models]( "Comparative Study on Segmentation Using Texture Models")
Comparative Study on Segmentation Using Texture Models32,99 €![Automated Modified Region Growing Technique for Ultrasound Images]( "Automated Modified Region Growing Technique for Ultrasound Images")
Automated Modified Region Growing Technique for Ultrasound Images36,99 €![Ensemble Empirical Mode Decomposition of functional Images]( "Ensemble Empirical Mode Decomposition of functional Images")
Ensemble Empirical Mode Decomposition of functional Images33,99 €![Automated Biomarker Extraction from Medical Images]( "Automated Biomarker Extraction from Medical Images")
Automated Biomarker Extraction from Medical Images38,99 €
In dieser Dissertation werden Methoden zur Segmentierung anatomischer Strukturen in Planungsbildern der Magnetresonanztomographie (MRT), sogenannten Localizer-Bildern, vorgestellt. Localizer sind schnelle MR-Scanprotokolle zur Untersuchungsplanung. Segmentierungen anatomischer Strukturen aus diesen Bildern können für Anwendungen zur vollautomatischen Untersuchungsplanung, z.B. Organlokalisierungen, Schichtpositionierungen, Sequenzanpassungen, etc. verwendet werden. Da Localizer-Bilder nicht hinsichtlich Bildqualität sondern hinsichtlich Messzeit und Abdeckung optimiert sind, sind modellbasierte statistische Verfahren für die Segmentierung vorteilhaft. Zwei Methoden werden vorgestellt: Die erste ist eine Methode zur Rekonstruktion von Leberform, -position und -orientierung aus einer Serie von wenigen 2D-Planungsschichtbildern mit großem Schichtabstand. Dazu wird ein Active Shape Model aus manuellen Lebersegmentierungen von 3D Trainingsbildern erstellt, das die durchschnittliche Leberform und die Hauptkomponenten seiner Varianz beschreibt. Korrespondierende Landmarkenpunkte auf der Oberfl äche werden durch Remeshing mit Hilfe konformer Abbildungen in der sphärischen Domäne initialisiert und verfeinert durch Optimierung eines Korrespondenzmaßes, welches auf Minimum Description Length (MDL) basiert und die Kompaktheit des generierten statistischen Modells beschreibt. Die Segmentierung der Leber aus den gestapelten 2D-Schichtbildern erfolgt durch durch die Berechnung derjenigen Modellinstanz des Active Shape Models, welche bestmöglich die Bilddaten beschreibt. Man erreicht dies durch iterative Berechnung optimaler Verschiebungen der Landmarken. Die optimalen Verschiebungen beruhen auf Grauwertprofilen in den Bildern und einer normalisierten lokalen Statistik der Grauwertverteilungen in den Trainingsbildern. Die Instanz des Active Shape Models, die die gefundenen Verschiebungen der Landmarken am besten repräsentiert, wird durch eine Projektion auf den Linearraum des Active Shape Models gefunden. Daraus erhält man eine gültige Modellinstanz, die die Verschiebungen der Landmarken bestmöglich beschreibt.