Brain Tissue Classification with Automated Generation of Training Data Improved by Deformable Registration

SCHWARZ, Daniel a Tomáš KAŠPÁREK. Brain Tissue Classification with Automated Generation of Training Data Improved by Deformable Registration. W.G.Kropatsch, M. Kampel, A. Hanbury (Eds.). In LECTURE NOTES IN COMPUTER SCIENCE. Berlin, Heidelberg: Springer-Verlag, 2007, s. 301-308. ISBN 978-3-540-74271-5.

Základní údaje

Originální název

Brain Tissue Classification with Automated Generation of Training Data Improved by Deformable Registration

Název česky

Klasifikace mozkových tkání s automatickým generováním trénovacích dat vylepšeným pružnou registrací

Autoři

SCHWARZ, Daniel (203 Česká republika, garant) a Tomáš KAŠPÁREK (203 Česká republika)
W.G.Kropatsch, M. Kampel, A. Hanbury (Eds.).

Vydání

Berlin, Heidelberg, LECTURE NOTES IN COMPUTER SCIENCE, od s. 301-308, 8 s. 2007

Nakladatel

Springer-Verlag

---

Další údaje

Jazyk

angličtina

Typ výsledku

Stať ve sborníku

Obor

20200 2.2 Electrical engineering, Electronic engineering, Information engineering

Stát vydavatele

Rakousko

Utajení

není předmětem státního či obchodního tajemství

Impakt faktor

Impact factor: 0.402 v roce 2005

Kód RIV

RIV/00216224:14110/07:00020428

Organizační jednotka

Lékařská fakulta

ISBN

978-3-540-74271-5

ISSN

UT WoS

000249585600038

Klíčová slova anglicky

image analysis;image registration;MRI;computational neuroanatomy;brain tissue classification;atlas-based segmentation

Štítky

atlas-based segmentation, brain tissue classification, computational neuroanatomy, Image analysis, image registration, MRI

Příznaky

Mezinárodní význam, Recenzováno

---

Anotace

V originále

Methods of tissue classification in MRI brain images play a significant role in computational neuroanatomy, particularly in automated ROI-based volumetry. A well-known and very simple k-NN classifier is used here without the need for user input during the training process. The classifier is trained with the use of tissue probability maps which are available in selected digital atlases of brain. The influence of misalignement between images and the tissue probability maps on the classifier's efficiency is studied in this paper. Deformable registration is used here to align the images and maps. The classifier's efficiency is tested in an experiment with data obtained from standard Simulated Brain Database.

Česky

Metody klasifikace tkání hrají důležitou roli ve výpočetní neuroanatomii, zvláště pak automatické volumetrii na základě oblastí zájmu. Dobře známý a velmi jednoduchý klasifikátro k-NN je zde použit bez nutnosti uživatelského vstupu ve fázi trénování. Klasifikátor je natrénováns využitím tkáňových pravděpodobnostních map. Studován je vliv rozlícování mezi obrazy a mapami na efektivitu klasifikátoru. Pro slícování je využita pružná registrace. Efektivita je vyhodnocena na simulových datech ze Simulated Brain Database.

---

Návaznosti

GP102/07/P263, projekt VaV	Název: Nelineární multimodální registrace pro automatickou morfometrii obrazů mozku z MRI založenou na anatomicky omezených prostorových deformacích Investor: Grantová agentura ČR, Nelineární multimodální registrace pro automatickou morfometrii obrazů mozku z MRI založenou na anatomicky omezených prostorových deformacích
MSM0021622404, záměr	Název: Vnitřní organizace a neurobiologické mechanismy funkčních systémů CNS Investor: Ministerstvo školství, mládeže a tělovýchovy ČR, Vnitřní organizace a neurobiologické mechanismy funkčních systémů CNS