Fallspezifisches Lernen zur automatischen Läsionssegmentierung in multimodalen MR-Bildern | SpringerLink
Skip to main content
Springer Nature Link
Log in

Fallspezifisches Lernen zur automatischen Läsionssegmentierung in multimodalen MR-Bildern

  • Conference paper
Bildverarbeitung für die Medizin 2016

Part of the book series: Informatik aktuell ((INFORMAT))

  • 2953 Accesses

Kurzfassung

Medizinische Bilddaten haben eine hohe Diversität aufgrund von Inter- und Intrascanner-Variabilitäten, Protokoll-Parametern sowie patientenspezifischer Erscheinungsformen der Physiologie und Pathologie. Wenn ein einzelner Klassifikator sämtliche Variationen berücksichtigen soll, wird dies seine Genauigkeit stark beeinträchtigen. Zur Segmentierung von Läsionen auf multimodalen MR-Bilder schlagen wir aus diesem Grund vor, für jedes neue Bild einen eigenen Klassifikator zu trainieren. Dazu wird geschätzt, welche der Trainingsdaten am besten geeignet sind um den gegebenen Fall zu segmentieren. Mit diesen wird dann ad hoc der spezifische Klassifikator trainiert. Wir evaluieren unsere Methode anhand der Daten des international ISLE-Wettbewerbs und zeigen, dass eine deutliche Verbesserung der Segmentierungsqualität erreicht wird.

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

Access this chapter

Log in via an institution

Subscribe and save

Springer+ Basic
¥17,985 /Month
  • Get 10 units per month
  • Download Article/Chapter or eBook
  • 1 Unit = 1 Article or 1 Chapter
  • Cancel anytime
Subscribe now

Buy Now

Chapter
JPY 3498
Price includes VAT (Japan)
  • Available as PDF
  • Read on any device
  • Instant download
  • Own it forever
eBook
JPY 6948
Price includes VAT (Japan)
  • Available as PDF
  • Read on any device
  • Instant download
  • Own it forever
Softcover Book
JPY 8686
Price includes VAT (Japan)
  • 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.

Similar content being viewed by others

Literaturverzeichnis

  1. Maier O, editor. ISLE-challenge; 2015. http://www.isles-challenge.org/.

  2. Zikic D, Glocker B, Criminisi A. Atlas encoding by randomized forests for efficient label propagation. Proc MICCAI. 2013; p. 66–73.

    Google Scholar 

  3. van Opbroek A, Vernooij MW, Ikram MA, et al. Weighting training images by maximizing distribution similarity for supervised segmentation across scanners. Med Image Anal. 2015;24(1):245–54.

    Article  Google Scholar 

  4. Konukoglu E, Glocker B, Zikic D, et al. Neighbourhood approximation using randomized forests. Med Image Anal. 2013;17:790–804.

    Article  Google Scholar 

  5. Geurts P, Ernst D, Wehenkel L. Extremely randomized trees. Mach Learn. 2006;63:3–42.

    Article  MATH  Google Scholar 

  6. Goetz M, Weber C, Bloecher J, et al. Extremely randomized trees based brain tumor segmentation. Proc BRATS Challenge MICCAI. 2014.

    Google Scholar 

  7. Maier O, Wilms M, Gablentz J, et al. Extra tree forests for sub-acute ischemic stroke lesion segmentation in MR sequences. J Neurosci Methods. 2015;240:89–100.

    Article  Google Scholar 

  8. Goetz M, Weber C, Binczyk F, et al. DALSA: domain adaptation for supervised learning from sparsely annotated MR images. IEEE Trans Med Imaging. 2015; p. epub ahead of print.

    Google Scholar 

  9. Goetz M, Weber C, Stieltjes B, et al. Learning from small amounts of labeled data in a brain tumor classification task. Proc NIPS Workshop Transf Multi Task Learn Theory Meets Pract. 2014.

    Google Scholar 

Download references

Author information

Authors and Affiliations

  1. Junior Gruppe Medical Image Computing, DKFZ Heidelberg, Heidelberg

    Michael Götz, Christoph Kolb, Christian Weber, Sebastian Regnery & Klaus H. Maier-Hein

Authors
  1. Michael Götz
    View author publications

    You can also search for this author in PubMed Google Scholar

  2. Christoph Kolb
    View author publications

    You can also search for this author in PubMed Google Scholar

  3. Christian Weber
    View author publications

    You can also search for this author in PubMed Google Scholar

  4. Sebastian Regnery
    View author publications

    You can also search for this author in PubMed Google Scholar

  5. Klaus H. Maier-Hein
    View author publications

    You can also search for this author in PubMed Google Scholar

Editor information

Editors and Affiliations

  1. Institut für Medizinische Informatik, Charité – Universitätsmedizin Berlin, Hindenburgdamm 30, 12200, Berlin

    Thomas Tolxdorff

  2. Institut für Medizinische Informatik, Uniklinik RWTH Aachen, Pauwelsstr. 30, 52074, Aachen

    Thomas M. Deserno (geb. Lehmann) (geb. Lehmann)

  3. Institut für Medizinische Informatik, Universität zu Lübeck, Ratzeburger Allee 160, 23562, Lübeck

    Heinz Handels

  4. Abteilung für Medizinische und Biologische Informatik, Deutsches Krebsforschungszentrum, Im Neuenheimer Feld 280, 69120, Heidelberg

    Hans-Peter Meinzer

Rights and permissions

Reprints and permissions

Copyright information

© 2016 Springer-Verlag Berlin Heidelberg

About this paper

Cite this paper

Götz, M., Kolb, C., Weber, C., Regnery, S., Maier-Hein, K. (2016). Fallspezifisches Lernen zur automatischen Läsionssegmentierung in multimodalen MR-Bildern. In: Tolxdorff, T., Deserno, T., Handels, H., Meinzer, HP. (eds) Bildverarbeitung für die Medizin 2016. Informatik aktuell. Springer Vieweg, Berlin, Heidelberg. https://doi.org/10.1007/978-3-662-49465-3_13

Download citation

Publish with us

Policies and ethics