TY  - THES
AB  - Statistische Formmodelle (Statistical Shape Models/ SSMs) sind für die Bildverarbeitung von Vorteil und berücksichtigen die Formvariabilität von Objekten, die in den Bildern vorhanden sind. Es gibt verschiedene Gründe, warum ein Objekt seine Form von Beobachtung zu Beobachtung verändern kann. Beispielsweise ändert sich in dermedizinischen Bildgebung die Anatomie von Patient zu Patient. Statistische Formmodelle beinhalten a priori Informationen über die Form von Objekten und werdenvon Bildverarbeitungs- und maschinellen Lernansätzen als Einschränkungen verwendet. Bei vorheriger Kenntnis der Position einiger bestimmter Punkte, die zur Konturdes Objekts gehören, den sogenannten Landmarken, kann ein überwachtes Segmentierungsverfahren diese Landmarken in neuen Bildern finden. Punktverteilungsmodelle (Point Distribution Models/ PDMs) sind auf Landmarken basierende statistische Formmodelle, deren Parameter aus Trainingsmustern erzeugt werden und vielversprechende Ansätze zur Lösung von Segmentierungsproblemen darstellen. Punktverteilungsmodelle (PDMs) sind lineare Modelle und daher effizient anzuwenden,vereinfachen die Schätzverfahren und sind intuitiv zu interpretieren. In statistischen Formmodellen müssen verschiedene Probleme behoben werden, um die Segmentierungsgenauigkeit zu verbessern. Um die PDM-Landmarken inneuen Bildern zu identifizieren, sind zunächst ein guter Kontrast und eine gute Bildqualität erforderlich. Daher bieten die modernen PDM-basierten Segmentierungsalgorithmen bei anspruchsvollen medizinischen Bildgebungsmodalitäten, wie fluoroskopischem Röntgen, nicht genügend Genauigkeit. Zusätzlich werden häufig Heuristiken und Ad-hoc-Regeln verwendet.
AU  - Eguizabal Aguado, Alma
CY  - Paderborn
DA  - 2020
DO  - 10.17619/UNIPB/1-959
DP  - Universität Paderborn
LA  - eng
N1  - Tag der Verteidigung: 16.03.2020
N1  - Universität Paderborn, Dissertation, 2020
PB  - Veröffentlichungen der Universität
PY  - 2020
SP  - 1 Online-Ressource (xx, 181 Seiten)
T2  - Fakultät für Elektrotechnik, Informatik und Mathematik
TI  - Extensions of statistical shape models for medical imaging and computer vision
UR  - https://nbn-resolving.org/urn:nbn:de:hbz:466:2-37172
Y2  - 2026-02-05T11:36:16
ER  -