Fandom

VroniPlag Wiki

Go/Fragment 041 10

< Go

31.268Seiten in
diesem Wiki
Seite hinzufügen
Diskussion0 Share

Störung durch Adblocker erkannt!


Wikia ist eine gebührenfreie Seite, die sich durch Werbung finanziert. Benutzer, die Adblocker einsetzen, haben eine modifizierte Ansicht der Seite.

Wikia ist nicht verfügbar, wenn du weitere Modifikationen in dem Adblocker-Programm gemacht hast. Wenn du sie entfernst, dann wird die Seite ohne Probleme geladen.


Typus
Verschleierung
Bearbeiter
Schumann
Gesichtet
Yes.png
Untersuchte Arbeit:
Seite: 41, Zeilen: 10-30
Quelle: Gaser 2005
Seite(n): 92, 93, Zeilen: 92: li. Sp.: letzter Absatz ff. - 93: li. Sp.: 1-6
Ziel dieser Methoden ist die Unterteilung (Segmentierung) eines Bildes in verschiedene anatomische Regionen, wie z.B. graue Substanz, weiße Substanz und Liquor (CSF). Es lassen sich aber auch pathologische Veränderungen, wie -in dieser Arbeit relevante- Tumoren, postentzündliche Veränderungen oder Narben, segmentieren.

Segmentierungsalgorithmen zählen zu den am häufigsten eingesetzten Verfahren in der Hirnmorphometrie. Es existiert eine Vielzahl verschiedener Algorithmen; es soll exemplarisch ein Verfahren vorgestellt werden: das Gaussian Mixture Model. Dabei wird zuerst ein Histogramm des Bildes bestimmt. Dieses setzt sich aus den unterschiedlichsten Häufigkeiten der Bildhelligkeiten (Intensitäten) zusammen. Die geringsten Bildintensitäten sind dabei dem Hintergrund zugeordnet. Es folgen CSF, graue und weiße Substanz mit der höchsten Bildintensität. In diese Häufigkeitsverteilungen werden jetzt vier Gausskurven eingepasst, die unterschiedlich hoch und breit sein können. Jede dieser Gausskurven hat einen Maximalwert, der in der Mitte der Kurve liegt und den mittleren Helligkeitswert der jeweiligen Verteilung angibt. Dort ist die Wahrscheinlichkeit für diesen Gewebetyp auch am größten. Am Beispiel für graue Substanz würde das bedeuten, dass die Bildintensitäten, die diesem Mittelwert entsprechen, mit großer Wahrscheinlichkeit graue Substanz sind. Je mehr die Intensitäten von diesem Mittelwert abweichen, desto wahrscheinlicher handelt es sich um CSF oder weisse [sic] Substanz. Die Angabe der Wahrscheinlichkeiten ist fließend und es gibt Bildbereiche, in denen sich die Gausskurven überschneiden. Wenn nur die Intensität zur Beurteilung der Wahrscheinlichkeit des Gewebetyps herangezogen wird, kommt es im Bereich des Schädels zur fehlerhaften Segmentierung. Deshalb wird in einem weiteren Schritt auch die a priori Information über die räumliche Verteilung der [Gewebetypen einbezogen.]

Segmentierungsalgorithmen zählen zu den am häufigsten eingesetzten Verfahren in der Hirnmorphometrie. Ziel dieser Methoden ist die Unterteilung (Segmentierung) eines Bildes in verschiedene anatomische Regionen, wie z.B. graue Substanz, weiße Substanz und Liquor (cerebrospinal fluid, CSF). Es lassen sich aber ebenso pathologische Veränderungen (Tumoren oder Regionen, die von einem Schlaganfall betroffen sind) segmentieren.

[...]

[...] Aus diesen Verfahren soll exemplarisch ein Algorithmus näher vorgestellt werden: das Gaussian Mixture Model (Ashburner u. Friston 1997). Dabei wird zuerst ein Histogramm des Bildes bestimmt. Dieses setzt sich aus den unterschiedlichen Häufigkeiten der Bildhelligkeiten (Intensitäten) zusammen (Abb. 6-4, links unten). Das vereinfachte Beispiel in Abb. 6-4 zeigt vier verschiedene Verteilungen. Die geringsten Bildintensitäten sind dabei dem Hintergrund zugeordnet (links im Histogramm). Es folgen CSF, graue und weiße Substanz mit der höchsten Bildintensität im rechten Teil des Histogramms. In diese Häufigkeitsverteilungen werden jetzt vier Gausskurven eingepasst, die unterschiedlich hoch und breit sein können. Jede dieser Gausskurven hat einen Maximalwert, der in der Mitte der Kurve liegt und den mittleren Helligkeitswert der jeweiligen Verteilung angibt. Dort ist die Wahrscheinlichkeit für diesen Gewebetyp auch am größten. Am Beispiel für graue Substanz würde das bedeuten, dass die Bildintensitäten, die diesem Mittelwert entsprechen, mit sehr großer Wahrscheinlichkeit graue Substanz sind. Je mehr die Bildintensitäten von diesem Mittelwert abweichen, desto weniger wahrscheinlich ist dort graue Substanz, sondern eher CSF (bei niedrigerer Intensität) oder weiße Substanz (bei höherer Intensität). Die Angabe der Wahrscheinlichkeiten ist also kontinuierlich (fließend) und es gibt Bildbereiche, in denen sich die Gausskurven überschneiden. Anhand der Bildintensität kann im ersten Schritt die Wahrscheinlichkeit für das Vorliegen eines Gewebetyps in jedem Bildpunkt ermittelt werden (Abb. 6-4 Mitte, oben). Wenn jedoch nur die Intensität zur Beurteilung herangezogen wird, kommt es z.B. im Bereich des

[Seite 93]

Schädels zur fehlerhaften Segmentierung, da dort die Bildintensität Werte aufweist, welche der grauen Substanz entsprechen. Deshalb wird in einem weiteren Schritt auch die a priori Information über die räumliche Verteilung der Gewebetypen einbezogen.


Ashburner, J, Friston, K. (1997). Multimodal image coregistration u. partitioning--a unified framework. Neuroimage 6, 209-217.

Anmerkungen

Kein Hinweis auf die Quelle.

Auf die Quelle wird auf der gleiche Seite oben zwar hingewiesen - zu der kursiv gesetzten langen Beschriftung zur Abb. 3 (S. 40 f.) im vorangegangenen Kapitel, sowie auf der folgenden Seite zu jener zur Abb. 4. Dem Leser bleibt jedoch verborgen, dass auch der Inhalt des Haupttextes der Seite aus der Quelle übernommen wurde.

Sichter
(Schumann), Hindemith

Auch bei Fandom

Zufälliges Wiki