Automatische Segmentierung von kontrastmittelaufnehmenden Hirntumoren in multispektralen MR-Bilddaten mittels Backpropagation-Netzwerken

Chr. Sieg; H. Handels; S. J. Pöppl

doi:10.1007/978-3-642-56714-8_64

Automatische Segmentierung von kontrastmittelaufnehmenden Hirntumoren in multispektralen MR-Bilddaten mittels Backpropagation-Netzwerken

Chr. Sieg, H. Handels, S. J. Pöppl

Institut für Medizinische Informatik

Abstract

In diesem Beitrag werden topologie-optimierte Backpropagation-Netzwerke vorgestellt und evaluiert, die zur neuronalen Segmentierung kontrastmittelaufnehmender, intrakranieller Tumoren und anatomischer Strukturen in registrierten, multispektralen MR-Bildfolgen entwickelt wurden. Für das Training der Netze werden 4-dimensionale Pixelvektoren aus einer Falldatenbank mit 22 interaktiv segmentierten Hirntumoren der Typen Meningeom, Glioblastom sowie Metastase verwendet. Nach der pixelbezogenen Tumorklassifikation wird der Tumor als grö$te 3D Zusammenhangskomponente in der Menge der markierten Pixel extrahiert. In 19 Fällen (86%) konnte ein zur manuellen Segmentierung adäquates Ergebnis durch die automatische Segmentierung erzielt werden. Segmentierungsfehler, die eine interaktive Nachbarbeitung der Segmentierungsergebnisse notwendig machten, traten nur in 3 Fällen (14%) auf und waren auf die relativ geringe Kontrastmittelaufnahme der Tumoren zurückzuführen.

Originalsprache	Deutsch
Titel	Bildverarbeitung für die Medizin 2001
Redakteure/-innen	Heinz Handels, Alexander Horsch, Thomas Lehmann, Hans-Peter Meinzer
Seitenumfang	5
Erscheinungsort	Berlin, Heidelberg
Herausgeber (Verlag)	Springer Berlin Heidelberg
Erscheinungsdatum	2001
Seiten	347-351
ISBN (Print)	978-3-540-41690-6
ISBN (elektronisch)	978-3-642-56714-8
DOIs	https://doi.org/10.1007/978-3-642-56714-8_64
Publikationsstatus	Veröffentlicht - 2001
Veranstaltung	Workshop on Bildverarbeitung fur die Medizin 2001 - Lübeck, Deutschland Dauer: 04.03.2001 → 06.03.2001

UN SDGs

Dieser Output leistet einen Beitrag zu folgendem(n) Ziel(en) für nachhaltige Entwicklung

SDG 3 – Gesundheit und Wohlergehen
SDG 9 – Industrie, Innovation und Infrastruktur

Dokumente

10.1007/978-3-642-56714-8_64

Weitere Links

researchgate.net

Zitieren

Sieg, C., Handels, H., & Pöppl, S. J. (2001). Automatische Segmentierung von kontrastmittelaufnehmenden Hirntumoren in multispektralen MR-Bilddaten mittels Backpropagation-Netzwerken. in H. Handels, A. Horsch, T. Lehmann, & H.-P. Meinzer (Hrsg.), Bildverarbeitung für die Medizin 2001 (S. 347-351). (Informatik aktuell). Springer Berlin Heidelberg. https://doi.org/10.1007/978-3-642-56714-8_64

Sieg, Chr. ; Handels, H. ; Pöppl, S. J. / Automatische Segmentierung von kontrastmittelaufnehmenden Hirntumoren in multispektralen MR-Bilddaten mittels Backpropagation-Netzwerken. Bildverarbeitung für die Medizin 2001. Hrsg. / Heinz Handels ; Alexander Horsch ; Thomas Lehmann ; Hans-Peter Meinzer. Berlin, Heidelberg : Springer Berlin Heidelberg, 2001. S. 347-351 (Informatik aktuell).

@inproceedings{8c098e8bd13346dc960051f2ef2a140e,

title = "Automatische Segmentierung von kontrastmittelaufnehmenden Hirntumoren in multispektralen MR-Bilddaten mittels Backpropagation-Netzwerken",

abstract = "In diesem Beitrag werden topologie-optimierte Backpropagation-Netzwerke vorgestellt und evaluiert, die zur neuronalen Segmentierung kontrastmittelaufnehmender, intrakranieller Tumoren und anatomischer Strukturen in registrierten, multispektralen MR-Bildfolgen entwickelt wurden. F{\"u}r das Training der Netze werden 4-dimensionale Pixelvektoren aus einer Falldatenbank mit 22 interaktiv segmentierten Hirntumoren der Typen Meningeom, Glioblastom sowie Metastase verwendet. Nach der pixelbezogenen Tumorklassifikation wird der Tumor als gr{\"o}\$te 3D Zusammenhangskomponente in der Menge der markierten Pixel extrahiert. In 19 F{\"a}llen (86\%) konnte ein zur manuellen Segmentierung ad{\"a}quates Ergebnis durch die automatische Segmentierung erzielt werden. Segmentierungsfehler, die eine interaktive Nachbarbeitung der Segmentierungsergebnisse notwendig machten, traten nur in 3 F{\"a}llen (14\%) auf und waren auf die relativ geringe Kontrastmittelaufnahme der Tumoren zur{\"u}ckzuf{\"u}hren.",

author = "Chr. Sieg and H. Handels and P{\"o}ppl, \{S. J.\}",

year = "2001",

doi = "10.1007/978-3-642-56714-8\_64",

language = "Deutsch",

isbn = "978-3-540-41690-6",

series = "Informatik aktuell",

publisher = "Springer Berlin Heidelberg",

pages = "347--351",

editor = "Heinz Handels and Alexander Horsch and Thomas Lehmann and Hans-Peter Meinzer",

booktitle = "Bildverarbeitung f{\"u}r die Medizin 2001",

note = "Workshop on Bildverarbeitung fur die Medizin 2001 ; Conference date: 04-03-2001 Through 06-03-2001",

}

Sieg, C, Handels, H & Pöppl, SJ 2001, Automatische Segmentierung von kontrastmittelaufnehmenden Hirntumoren in multispektralen MR-Bilddaten mittels Backpropagation-Netzwerken. in H Handels, A Horsch, T Lehmann & H-P Meinzer (Hrsg.), Bildverarbeitung für die Medizin 2001. Informatik aktuell, Springer Berlin Heidelberg, Berlin, Heidelberg, S. 347-351, Workshop on Bildverarbeitung fur die Medizin 2001, Lübeck, Schleswig-Holstein, Deutschland, 04.03.01. https://doi.org/10.1007/978-3-642-56714-8_64

Automatische Segmentierung von kontrastmittelaufnehmenden Hirntumoren in multispektralen MR-Bilddaten mittels Backpropagation-Netzwerken. / Sieg, Chr.; Handels, H.; Pöppl, S. J.
Bildverarbeitung für die Medizin 2001. Hrsg. / Heinz Handels; Alexander Horsch; Thomas Lehmann; Hans-Peter Meinzer. Berlin, Heidelberg: Springer Berlin Heidelberg, 2001. S. 347-351 (Informatik aktuell).

Publikation: Kapitel in Büchern/Berichten/Konferenzbänden › Konferenzbeitrag › Begutachtung

TY - GEN

T1 - Automatische Segmentierung von kontrastmittelaufnehmenden Hirntumoren in multispektralen MR-Bilddaten mittels Backpropagation-Netzwerken

AU - Sieg, Chr.

AU - Handels, H.

AU - Pöppl, S. J.

PY - 2001

Y1 - 2001

N2 - In diesem Beitrag werden topologie-optimierte Backpropagation-Netzwerke vorgestellt und evaluiert, die zur neuronalen Segmentierung kontrastmittelaufnehmender, intrakranieller Tumoren und anatomischer Strukturen in registrierten, multispektralen MR-Bildfolgen entwickelt wurden. Für das Training der Netze werden 4-dimensionale Pixelvektoren aus einer Falldatenbank mit 22 interaktiv segmentierten Hirntumoren der Typen Meningeom, Glioblastom sowie Metastase verwendet. Nach der pixelbezogenen Tumorklassifikation wird der Tumor als grö$te 3D Zusammenhangskomponente in der Menge der markierten Pixel extrahiert. In 19 Fällen (86%) konnte ein zur manuellen Segmentierung adäquates Ergebnis durch die automatische Segmentierung erzielt werden. Segmentierungsfehler, die eine interaktive Nachbarbeitung der Segmentierungsergebnisse notwendig machten, traten nur in 3 Fällen (14%) auf und waren auf die relativ geringe Kontrastmittelaufnahme der Tumoren zurückzuführen.

AB - In diesem Beitrag werden topologie-optimierte Backpropagation-Netzwerke vorgestellt und evaluiert, die zur neuronalen Segmentierung kontrastmittelaufnehmender, intrakranieller Tumoren und anatomischer Strukturen in registrierten, multispektralen MR-Bildfolgen entwickelt wurden. Für das Training der Netze werden 4-dimensionale Pixelvektoren aus einer Falldatenbank mit 22 interaktiv segmentierten Hirntumoren der Typen Meningeom, Glioblastom sowie Metastase verwendet. Nach der pixelbezogenen Tumorklassifikation wird der Tumor als grö$te 3D Zusammenhangskomponente in der Menge der markierten Pixel extrahiert. In 19 Fällen (86%) konnte ein zur manuellen Segmentierung adäquates Ergebnis durch die automatische Segmentierung erzielt werden. Segmentierungsfehler, die eine interaktive Nachbarbeitung der Segmentierungsergebnisse notwendig machten, traten nur in 3 Fällen (14%) auf und waren auf die relativ geringe Kontrastmittelaufnahme der Tumoren zurückzuführen.

UR - https://www.researchgate.net/publication/221272461_Automatische_Segmentierung_von_kontrastmittelaufnehmenden_Hirntumoren_in_multispektralen_MR-Bilddaten_mittels_Backpropagation-Netzwerken

U2 - 10.1007/978-3-642-56714-8_64

DO - 10.1007/978-3-642-56714-8_64

M3 - Konferenzbeitrag

SN - 978-3-540-41690-6

T3 - Informatik aktuell

SP - 347

EP - 351

BT - Bildverarbeitung für die Medizin 2001

A2 - Handels, Heinz

A2 - Horsch, Alexander

A2 - Lehmann, Thomas

A2 - Meinzer, Hans-Peter

PB - Springer Berlin Heidelberg

CY - Berlin, Heidelberg

T2 - Workshop on Bildverarbeitung fur die Medizin 2001

Y2 - 4 March 2001 through 6 March 2001

ER -

Sieg C, Handels H, Pöppl SJ. Automatische Segmentierung von kontrastmittelaufnehmenden Hirntumoren in multispektralen MR-Bilddaten mittels Backpropagation-Netzwerken. in Handels H, Horsch A, Lehmann T, Meinzer HP, Hrsg., Bildverarbeitung für die Medizin 2001. Berlin, Heidelberg: Springer Berlin Heidelberg. 2001. S. 347-351. (Informatik aktuell). doi: 10.1007/978-3-642-56714-8_64