Kurzfassung
In diesem Beitrag wird ein semi-automatischer und skalierungsinvarianter Segmentierungsalgorithmus zur Echtzeit-Konturierung vorgestellt. Dabei ”verpackt“ der Ansatz Parameter des Algorithmus in seiner Interaktivität für den Anwender. Dadurch wird vermieden, dass ein Anwender, um ein akzeptables Segmentierungsergebnis zu erzielen, ihm unbekannte Parametereinstellungen finden muss, die er im Gegensatz zum Entwickler des Algorithmus nicht ohne weiteres verstehen kann. Für die interaktive Segmentierung wurde ein spezieller graphbasierter Ansatz entwickelt, der sich insbesondere für eine interaktive Echtzeit-Konturierung eignet, da nur ein benutzerdefinierter Saatpunkt innerhalb der Zielstruktur benötigt wird und sich das Segmentierungsergebnis durch die besondere geometrische Konstruktion des Graphen sehr schnell berechnen lässt. Außerdem lassen sich die Grauwertinformationen, die für den Ansatz benötigt werden, automatisch aus dem Bereich um den benutzerdefinierten Saatpunkt herum extrahieren. Der Ansatz wurde über feste Saatpunkte in medizinischen 2D- und 3D-Daten evaluiert. Ein direkter Vergleich mit wesentlich zeitintensiveren manuellen Segmentierungen soll die praktische Anwendbarkeit des Ansatzes verdeutlichen.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Preview
Unable to display preview. Download preview PDF.
Similar content being viewed by others
Literaturverzeichnis
Steger S, Sakas G. FIST: fast interactive segmentation of tumors. Abdom Imaging. 2011;7029:125–32.
Heckel F, Moltz JH, Tietjen J, et al. Sketch-based editing tools for tumor segmentation in 3D medical images. Comput Graph Forum. 2013.
Boykov Y, Kolmogorov V. An experimental comparison of min-cut/max-flow algorithms for energy minimization in vision. IEEE PAMI. 2004;26(9):1124–37.
Li K, Wu X, Chen DZ, et al. Optimal surface segmentation in volumetric images: a graphtheoretic approach. IEEE PAMI. 2006;28(1):119–34.
Egger J, Kapur T, Dukatz T, et al. Square-cut: a segmentation algorithm on the basis of a rectangle shape. PLoS One. 2012;7(2):e31064.
Egger J, Freisleben B, Nimsky C, et al. Template-cut: a pattern-based segmentation paradigm. Sci Rep. 2012;2(420).
Zou KH, Warfield SK, Bharatha A, et al. Statistical validation of image segmentation quality based on a spatial overlap index. Acad Radiol. 2004;2:178–89.
Boykov Y, Jolly MP. Interactive graph cuts for optimal boundary and region segmentation of objects in N-D images. Proc IEEE ICCV. 2001;1:105–22.
Vezhnevets V, Konouchine V. GrowCut-interactive multi-label N-D image segmentation. Proc Graphicon. 2005; p. 150–6.
Egger J, Bauer MHA, Kuhnt D, et al. A flexible semi-automatic approach for glioblastoma multiforme segmentation. Biosignal. 2010;60:1–4.
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
Egger, J. (2014). Semi-automatische Echtzeit-Konturierung. 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_67
Download citation
DOI: https://doi.org/10.1007/978-3-642-54111-7_67
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)