Fandom

VroniPlag Wiki

Quelle:Go/Gaser 2005

< Quelle:Go

31.377Seiten in
diesem Wiki
Seite hinzufügen
Diskussion0

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.

Angaben zur Quelle [Bearbeiten]

Autor     Christian Gaser
Titel    Morphometrie
Sammlung    Funktionelle Bildgebung in Psychiatrie und Psychotherapie. Methodische Grundlagen und klinische Anwendungen
Herausgeber    Henrik Walter
Ort    Stuttgart
Verlag    Schattauer Verlag
Jahr    2005
Seiten    89-104
ISBN    3-7945-2324-5
URL    Google Books (Teilansicht): http://books.google.com/books?id=edWzKAHi7jQC&pg=PA89&lpg=PP1&hl=de,
PDF (diff. Satz und Seitennummerierung): http://dbm.neuro.uni-jena.de/pdf-files/Gaser-Morphometrie.pdf

Literaturverz.   

ja
Fußnoten    ja
Fragmente    4


Fragmente der Quelle:
[1.] Go/Fragment 041 10 - Diskussion
Zuletzt bearbeitet: 2014-10-23 05:50:10 Hindemith
Fragment, Gaser 2005, Gesichtet, Go, SMWFragment, Schutzlevel sysop, Verschleierung

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

[2.] Go/Fragment 042 01 - Diskussion
Zuletzt bearbeitet: 2014-10-23 05:52:44 Hindemith
Fragment, Gaser 2005, Gesichtet, Go, SMWFragment, Schutzlevel sysop, Verschleierung

Typus
Verschleierung
Bearbeiter
Schumann
Gesichtet
Yes.png
Untersuchte Arbeit:
Seite: 42, Zeilen: 1-3
Quelle: Gaser 2005
Seite(n): 93, Zeilen: li. Sp. 3ff
[Deshalb wird in einem weiteren Schritt auch die a priori Information über die räumliche Verteilung der] Gewebetypen einbezogen. Diese Verbindung beider Informationen verbessert das Ergebnis der Segmentierung und wird in mehreren Schritten wiederholt, bis sich das Ergebnis nicht mehr entscheidend verbessert. Deshalb wird in einem weiteren Schritt auch die a priori Information über die räumliche Verteilung der Gewebetypen einbezogen. Die Verbindung beider Informationen erfolgt dabei über einen Bayes-Schätzer. Damit kann das Ergebnis der Segmentierung weiter verbessert werden, da anatomisches Vorwissen eingebracht wird (Abb. 4, rechts). Dieser Prozess wird in mehreren Schritten (also iterativ) wiederholt, bis sich das Ergebnis der Segmentierung nicht mehr entscheidend verbessert.
Anmerkungen

Kein Hinweis auf die Quelle.

Fortsetzung von Fragment 041 10.

Sichter
(Schumann), Hindemith

[3.] Go/Fragment 042 204 - Diskussion
Zuletzt bearbeitet: 2015-02-03 20:04:26 WiseWoman
BauernOpfer, Fragment, Gaser 2005, Gesichtet, Go, SMWFragment, Schutzlevel sysop

Typus
BauernOpfer
Bearbeiter
Graf Isolan
Gesichtet
Yes.png
Untersuchte Arbeit:
Seite: 42, Zeilen: Abb. 4
Quelle: Gaser 2005
Seite(n): 93, Zeilen: Abb. 6-4
Abb. 4 Segmentierung. Die Segmentierung eines Bildes in graue und weiße Substanz und CSF ist hier dargestellt am Beispiel eines Gaussian-Mixture-Model in Verbindung mit einem Expectation-Maximizazion-Algorithmus. Dabei wird nicht nur die Information der Bildintensität genutzt, sondern zusätzlich geht auch die A-priori-Information über die räumliche Verteilung für graue und weiße Substanz und CSF ein. Die Häufigkeit der einzelnen Bildintensitäten über das gesamte Bild bildet das Histogramm, in das einzelne Gausskurven für die jeweiligen Verteilungen eingepasst werden. Zusätzlich zu dieser Helligkeitsinformation wird eine A-priori-Information aus bereits segmentierten Gehirnen verwendet und über einen Bayes-Schätzer verknüpft. CSF=Liquor. Bild aus (Gaser, 2005)

Gaser C. Morphometrie. In: Walter H, HRSG. Funktionelle Bildgebung in Psychiatrie und Psychotherapie. Stuttgart: Schattauer Verlag, 2005: 89-104

Abb. 6-4 Segmentierung. Die Segmentierung eines Bildes in graue und weiße Substanz und CSF ist hier dargestellt am Beispiel eines Gaussian Mixture Model in Verbindung mit einem Expectation-Maximizazion-Algorithmus. Dabei wird nicht nur die Information der Bildintensität genutzt, sondern zusätzlich geht auch die A-priori-Information über die räumliche Verteilung für graue und weiße Substanz und CSF ein. Die Häufigkeit der einzelnen Bildintensitäten über das gesamte Bild bildet das Histogramm, in das einzelne Gauß-Kurven für die jeweiligen Verteilungen eingepasst werden. Zusätzlich zu dieser Helligkeitsinformation wird eine A-priori-Information aus bereits segmentierten Gehirnen verwendet und über einen Bayes-Schätzer verknüpft. CSF=cerebrospinal fluid (Liquor)
Anmerkungen

Zwar wird die Quelle genannt, aber nicht nur das Bild, sondern auch dessen umfangreiche Legende stammen aus Gaser (2005).

Sichter
(Graf Isolan), (Hindemith), WiseWoman

[4.] Go/Fragment 044 02 - Diskussion
Zuletzt bearbeitet: 2014-10-23 06:02:59 Hindemith
Fragment, Gaser 2005, Gesichtet, Go, SMWFragment, Schutzlevel sysop, Verschleierung

Typus
Verschleierung
Bearbeiter
Schumann
Gesichtet
Yes.png
Untersuchte Arbeit:
Seite: 44, Zeilen: 2-4, 9-11
Quelle: Gaser 2005
Seite(n): 101, Zeilen: re. Sp. 13-18, 37-43
Diese Bilder können in jedem Voxel statistisch analysiert werden und das Ergebnis zeigt die Regionen im Gehirn, in denen sich z.B. die Konzentration der grauen Substanz zwischen den analysierten Gehirnen unterscheidet. [...]

Die Vorteile dieser Methode sind, dass erstens sie nicht durch den Untersucher beeinflusst werden kann (da keine bestimmten Strukturen -region of interest- ausfindig gemacht werden müssen) und im relativ geringen Rechenaufwand für Segmentierung und Normalisierung. Damit können große Stichproben untersucht werden, obwohl die räumliche Auflösung dieses Verfahrens relativ gering ist.

Dieses Bild kann in jedem Voxel statistisch analysiert werden und das Ergebnis zeigt die Regionen im Gehirn, in denen sich z.B. die Konzentration der grauen Substanz zwischen den analysierten Gehirnen unterscheidet.

[...]

Der Vorteil der VBM besteht neben den allgemeinen Vorteilen voxelbasierter Verfahren im relativ geringen Rechenaufwand für Segmentierung und Normalisierung. Damit können große Stichproben untersucht werden, obwohl die räumliche Auflösung dieses Verfahrens gegenüber der DBM geringer ist.

Anmerkungen

Kein Hinweis auf die Quelle.

Die erste Hälfte des ersten Satzes des zweiten Absatzes wurde aus der Quelle Klemann (2006) übernommen, vgl. Fragment 044 04.

Sichter
(Schumann), Hindemith

Auch bei Fandom

Zufälliges Wiki