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.
Další formáty:   BibTeX LaTeX RIS
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
Originální 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 0302-9743
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
Změnil Změnil: doc. Ing. Daniel Schwarz, Ph.D., učo 195581. Změněno: 29. 6. 2009 13:55.
Anotace
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.
Anotace 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 VaVNázev: 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, záměrNázev: Vnitřní organizace a neurobiologické mechanismy funkčních systémů CNS
Investor: Ministerstvo školství, mládeže a tělovýchovy ČR, Vnitřní organizace a neurobiologické mechanismy funkčních systémů CNS
VytisknoutZobrazeno: 25. 4. 2024 10:32