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

SCHWARZ, Daniel and 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, p. 301-308. ISBN 978-3-540-74271-5.

Basic information

Original name

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

Name in Czech

Klasifikace mozkových tkání s automatickým generováním trénovacích dat vylepšeným pružnou registrací

Authors

SCHWARZ, Daniel (203 Czech Republic, guarantor) and Tomáš KAŠPÁREK (203 Czech Republic)
W.G.Kropatsch, M. Kampel, A. Hanbury (Eds.).

Edition

Berlin, Heidelberg, LECTURE NOTES IN COMPUTER SCIENCE, p. 301-308, 8 pp. 2007

Publisher

Springer-Verlag

---

Other information

Language

English

Type of outcome

Stať ve sborníku

Field of Study

20200 2.2 Electrical engineering, Electronic engineering, Information engineering

Country of publisher

Austria

Confidentiality degree

není předmětem státního či obchodního tajemství

Impact factor

Impact factor: 0.402 in 2005

RIV identification code

RIV/00216224:14110/07:00020428

Organization unit

Faculty of Medicine

ISBN

978-3-540-74271-5

ISSN

UT WoS

000249585600038

Keywords in English

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

Tags

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

Tags

International impact, Reviewed

---

Abstract

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.

In Czech

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.

---

Links

GP102/07/P263, research and development project	Name: Nelineární multimodální registrace pro automatickou morfometrii obrazů mozku z MRI založenou na anatomicky omezených prostorových deformacích Investor: Czech Science Foundation, Nonlinear multimodal registration for automatic morphometry of MRI brain images based on anatomically constrained spatial deformations
MSM0021622404, plan (intention)	Name: Vnitřní organizace a neurobiologické mechanismy funkčních systémů CNS Investor: Ministry of Education, Youth and Sports of the CR, The internal organisation and neurobiological mechanisms of functional CNS systems under normal and pathological conditions.