Kombination binärer Kontextfeatures mit Vantage Point Forests zur Multi-Organ-Segmentierung

Maximilian Blendowski; Mattias P. Heinrich

doi:10.1007/978-3-662-54345-0_12

Kombination binärer Kontextfeatures mit Vantage Point Forests zur Multi-Organ-Segmentierung

Maximilian Blendowski, Mattias P. Heinrich

Institute of Medical Informatics

Abstract

Verfahren zur automatischen Multi-Organ-Segmentierung in medizinischen Bildvolumina beruhen häufig auf annotierten Daten eines Patientenkollektivs (Atlas) und deren Anpassung z.B. durch zeitintensive nichtlineare Registrierung [1]. Bei der MICCAI 2016 Konferenz [2] stellten wir ein registrierungsfreies Framework für die übertragung von Vorwissen in Form von segmentierten Trainingsdaten auf ungesehene Patienten mit Hilfe eines neuen starken Klassifizierer vor: dieVantage Point Forests (VPF). Ähnlich zu Random Decision Forests (RDF) werden schnelle Berechnungszeiten von wenigen Sekunden erreicht.

Original language	German
Title of host publication	Bildverarbeitung für die Medizin 2017
Editors	K.H. Maier-Hein, T.M. Deserno, H. Handels, T. Tolxdorff
Number of pages	1
Publisher	Springer Vieweg, Berlin Heidelberg
Publication date	01.03.2017
Edition	1
Pages	24-24
ISBN (Print)	978-3-662-54344-3
ISBN (Electronic)	978-3-662-54345-0
DOIs	https://doi.org/10.1007/978-3-662-54345-0_12
Publication status	Published - 01.03.2017
Event	Bildverarbeitung für die Medizin 2017 - Heidelberg, Germany Duration: 12.03.2017 → 14.03.2017

UN SDGs

This output contributes to the following UN Sustainable Development Goals (SDGs)

SDG 3 Good Health and Well-being
SDG 9 Industry, Innovation, and Infrastructure

Access to Document

10.1007/978-3-662-54345-0_12

Cite this

@inproceedings{a63db941ea8b404796d2d6a46b2e9b52,

title = "Kombination bin{\"a}rer Kontextfeatures mit Vantage Point Forests zur Multi-Organ-Segmentierung",

abstract = "Verfahren zur automatischen Multi-Organ-Segmentierung in medizinischen Bildvolumina beruhen h{\"a}ufig auf annotierten Daten eines Patientenkollektivs (Atlas) und deren Anpassung z.B. durch zeitintensive nichtlineare Registrierung [1]. Bei der MICCAI 2016 Konferenz [2] stellten wir ein registrierungsfreies Framework f{\"u}r die {\"u}bertragung von Vorwissen in Form von segmentierten Trainingsdaten auf ungesehene Patienten mit Hilfe eines neuen starken Klassifizierer vor: dieVantage Point Forests (VPF). {\"A}hnlich zu Random Decision Forests (RDF) werden schnelle Berechnungszeiten von wenigen Sekunden erreicht.",

author = "Maximilian Blendowski and Heinrich, \{Mattias P.\}",

year = "2017",

month = mar,

day = "1",

doi = "10.1007/978-3-662-54345-0\_12",

language = "Deutsch",

isbn = "978-3-662-54344-3",

series = "Informatik aktuell",

publisher = "Springer Vieweg, Berlin Heidelberg",

pages = "24--24",

editor = "K.H. Maier-Hein and T.M. Deserno and H. Handels and T. Tolxdorff",

booktitle = "Bildverarbeitung f{\"u}r die Medizin 2017",

edition = "1",

note = "Workshop on Bildverarbeitung fur die Medizin 2017<br/> ; Conference date: 12-03-2017 Through 14-03-2017",

}

Blendowski, M & Heinrich, MP 2017, Kombination binärer Kontextfeatures mit Vantage Point Forests zur Multi-Organ-Segmentierung. in KH Maier-Hein, TM Deserno, H Handels & T Tolxdorff (eds), Bildverarbeitung für die Medizin 2017 . 1 edn, Informatik aktuell, Springer Vieweg, Berlin Heidelberg, pp. 24-24, Bildverarbeitung für die Medizin 2017
, Heidelberg, Germany, 12.03.17. https://doi.org/10.1007/978-3-662-54345-0_12

Kombination binärer Kontextfeatures mit Vantage Point Forests zur Multi-Organ-Segmentierung. / Blendowski, Maximilian; Heinrich, Mattias P.
Bildverarbeitung für die Medizin 2017 . ed. / K.H. Maier-Hein; T.M. Deserno; H. Handels; T. Tolxdorff. 1. ed. Springer Vieweg, Berlin Heidelberg, 2017. p. 24-24 (Informatik aktuell).

Research output: Chapters in Books/Reports/Conference Proceedings › Conference contribution › peer-review

TY - GEN

T1 - Kombination binärer Kontextfeatures mit Vantage Point Forests zur Multi-Organ-Segmentierung

AU - Blendowski, Maximilian

AU - Heinrich, Mattias P.

PY - 2017/3/1

Y1 - 2017/3/1

N2 - Verfahren zur automatischen Multi-Organ-Segmentierung in medizinischen Bildvolumina beruhen häufig auf annotierten Daten eines Patientenkollektivs (Atlas) und deren Anpassung z.B. durch zeitintensive nichtlineare Registrierung [1]. Bei der MICCAI 2016 Konferenz [2] stellten wir ein registrierungsfreies Framework für die übertragung von Vorwissen in Form von segmentierten Trainingsdaten auf ungesehene Patienten mit Hilfe eines neuen starken Klassifizierer vor: dieVantage Point Forests (VPF). Ähnlich zu Random Decision Forests (RDF) werden schnelle Berechnungszeiten von wenigen Sekunden erreicht.

AB - Verfahren zur automatischen Multi-Organ-Segmentierung in medizinischen Bildvolumina beruhen häufig auf annotierten Daten eines Patientenkollektivs (Atlas) und deren Anpassung z.B. durch zeitintensive nichtlineare Registrierung [1]. Bei der MICCAI 2016 Konferenz [2] stellten wir ein registrierungsfreies Framework für die übertragung von Vorwissen in Form von segmentierten Trainingsdaten auf ungesehene Patienten mit Hilfe eines neuen starken Klassifizierer vor: dieVantage Point Forests (VPF). Ähnlich zu Random Decision Forests (RDF) werden schnelle Berechnungszeiten von wenigen Sekunden erreicht.

U2 - 10.1007/978-3-662-54345-0_12

DO - 10.1007/978-3-662-54345-0_12

M3 - Konferenzbeitrag

SN - 978-3-662-54344-3

T3 - Informatik aktuell

SP - 24

EP - 24

BT - Bildverarbeitung für die Medizin 2017

A2 - Maier-Hein, K.H.

A2 - Deserno, T.M.

A2 - Handels, H.

A2 - Tolxdorff, T.

PB - Springer Vieweg, Berlin Heidelberg

T2 - Workshop on Bildverarbeitung fur die Medizin 2017<br/>

Y2 - 12 March 2017 through 14 March 2017

ER -