• search hit 33 of 38
Back to Result List

Bitte verwenden Sie diesen Link, wenn Sie dieses Dokument zitieren oder verlinken wollen: https://nbn-resolving.org/urn:nbn:de:gbv:9-001240-4

Combined Applications of the Level Set Method with Multi-Step Recognition and Refinement Algorithms for Fully Automatic Organ and Tissue Segmentation in MRI Data

  • The goal of this doctoral thesis is to create and to implement methods for fully automatic segmentation applications in magnetic resonance images and datasets. The work introduces into technical and physical backgrounds of magnetic resonance imaging (MRI) and summarizes essential segmentation challenges in MRI data including technical malfunctions and ill-posedness of inverse segmentation problems. Theoretical background knowledge of all the used methods that are adapted and extended to combine them for problem-specific segmentation applications are explained in more detail. The first application for the implemented solutions in this work deals with two-dimensional tissue segmentation of atherosclerotic plaques in cardiological MRI data. The main part of segmentation solutions is designed for fully automatic liver and kidney parenchyma segmentation in three-dimensional MRI datasets to ensure computer-assisted organ volumetry in epidemiological studies. The results for every application are listed, described and discussed before important conclusions are drawn. Among several applied methods, the level set method is the main focus of this work and is used as central segmentation concept in the most applications. Thus, its possibilities and limitations for MRI data segmentation are analyzed. The level set method is extended by several new ideas to overcome possible limitations and it is combined as important part of modularized frameworks. Additionally, a new approach for probability map generation is presented in this thesis, which reduces data dimensionality of multiple MR-weightings and incorporates organ position probabilities in a probabilistic framework. It is shown, that essential organ features (i.e. MR-intensity distributions, locations) can be well represented in the calculated probability maps. Since MRI data are produced by using multiple MR- weightings, the used dimensionality reduction technique is very helpful to generate a single probability map, which can be used for further segmentation steps in a modularized framework.
  • Diese Arbeit beschäftigt sich mit der Entwicklung und Implementierung neuartiger Methoden zur Realisierung vollautomatischer Segmentierungsanwendungen für Magnetresonanz (MR)- Bilder. Die Arbeit führt den Leser in technische und physikalische Grundlagen der MR-Bildgebung ein und verleiht einen Überblick über die essentiellen Herausforderungen, die bei der Segmentierung speziell für MR- Daten bestehen. Dabei werden u. a. technische Probleme bei der MR- Bildgebung erwähnt und die Herausforderungen untermauert, die für schlecht gestellte, inverse Probleme wie der Segmentierung von MR- Daten bestehen. Die theoretischen Grundlagen der Methoden werden genauer beschrieben, welche für die problemspezifischen Segmentierungsanwendungen in dieser Arbeit angepasst und erweitert werden. Die erste Applikationsaufgabe ist die automatische Segmentierung von atherosklerotischen Plaque-Strukturen in zweidimensionalen, kardiologischen MR- Bildern. Der Hauptteil der implementierten Applikationen hat jedoch die vollautomatische Volumetrie von Leber und Nierenparenchym in dreidimensionalen MR- Datensätzen zum Ziel. Computergestützte Segmentierungsalgorithmen sollen somit manuelle Segmentierungen durch medizinische Experten ersetzen, die speziell für hohe Datenmengen in epidemiologische Studien sehr zeit- und personalaufwendig sind. Die Ergebnisse werden für jede Anwendung aufgeführt, beschrieben und diskutiert, bevor weitere Schlussfolgerungen daraus gewonnen werden. In dieser Arbeit wird insbesondere die Level Set Methode fokussiert, welche als zentrales Segmentierungskonzept in den meisten Applikationen verwendet wird. Dabei mussten die Möglichkeiten und Grenzen der Level Set Methode für die MR- Datensegmentierung analysiert werden. Die Level Set Methode wurde im Zuge dessen mit eigenen, neuen Ideen erweitert, damit die ermittelten Beschränkungen der Level Set Methode reduziert bzw. beseitigt werden konnten. Erweiterte Anwendungen der Level Set Methode finden sich somit in vielen zentralen Modulen der modularisierten Segmentierungssysteme. Zusätzlich wird ein neuartiges Konzept zur Generierung von Wahrscheinlichkeitsdatensätzen vorgestellt. Dieses probabilistische Konzept reduziert die Dimension der Daten einer MR- Datenaufnahme, die aus den verschiedenen Gewichtungen resultieren, und integriert zudem Positionswahrscheinlichkeiten der Organe. Die Wahrscheinlichkeitsdatensätze geben somit für jeden Voxel die Wahrscheinlichkeit an, mit der dieser auf Grund seiner MR-Intensitätsverteilung und seiner Position im Datensatz zu dem zu segmentierenden Organ gehört. Es wird gezeigt, dass der Ansatz zur Erzeugung von Wahrscheinlichkeitsdatensätzen sehr hilfreich ist, um somit organspezifische Merkmale wie MR- Intensitätsverteilungen und Positionen in die Segmentierung zu integrieren. Weiterhin bietet die verwendete lineare Dimensionsreduktion eine effiziente Möglichkeit, um aus den unterschiedlichen Datensätzen der MR- Gewichtungen einen Wahrscheinlichkeitsdatensatz zu erzeugen, der als geeignete Segmentierungsgrundlage für weitere Segmentierungsschritte dienen kann.

Download full text files

Export metadata

Additional Services

Share in Twitter Search Google Scholar
Metadaten
Author: Oliver Gloger
URN:urn:nbn:de:gbv:9-001240-4
Title Additional (German):Kombinierte Anwendungen der Level Set Methode mit mehrstufigen Erkennungs- und Verfeinerungsalgorithmen zur vollautomatischen Organ- und Gewebssegmentierung in MRT-Datensätzen
Advisor:Prof. Volkmar Liebscher
Document Type:Doctoral Thesis
Language:English
Date of Publication (online):2012/05/22
Granting Institution:Ernst-Moritz-Arndt-Universität, Mathematisch-Naturwissenschaftliche Fakultät (bis 31.05.2018)
Date of final exam:2012/03/05
Release Date:2012/05/22
GND Keyword:Level-Set-Methode, Maßanalyse, Segmentierung, Variationsrechnung
Faculties:Mathematisch-Naturwissenschaftliche Fakultät / Institut für Mathematik und Informatik
DDC class:500 Naturwissenschaften und Mathematik / 510 Mathematik