[Zurück]

F. Tafill:
"Automatic Classification of Non-Pathological Double-Echo Magnetic Resonance Images by Neural Networks";
Betreuer/in(nen), Begutachter/in(nen): R. Freund; Institut für Allgemeine Elektrotechnik und Elektronik, 1998.

Diese Arbeit beschäftigt sich mit der automatischen Segmentierung von Bildern des menschlichen Schädels, die mit Hilfe von Doppelecho-Magnetresonanztomographie (MRT) aufgenommen wurden. MRT ist ein nichtinvasives bildgebendes Verfahren, das strukturelle Informationen über biologisches Gewebe liefert. Die Aufgabe der Klassifikation verschiedener Gewebeklassen anhand von MRT-Schädelabbildungen ist für Anwendungen wie Volumetrie oder für die Markierung von Bereichen vor radiochirurgischen Eingriffen von Interesse. Für die automatische Klassifikation existieren eine Anzahl MRT-inhärenter Probleme, z.B. Intensitätsvariationen durch Magnetfeldinhomogenitäten und Volumseffekte.
Im ersten Teil der Arbeit werden verschiedene Bildmerkmale und Merkmalskombinationen auf ihre Eignung zur Verbesserung des Klassifikationsprozesses untersucht. Der Klassifizierer für die Bildsegmentierung basiert auf vorwärtsgerichteten neuralen Netzen, die mittels "resilient propagation" trainiert werden. Das Trainieren der neuralen Netze erfolgt mit dem Neurocomputer SYNAPSE-1. Im zweiten Teil der Arbeit wird ein modellbasierter Ansatz zur automatischen Klassifikation entwickelt. Mittels eines "matching"-Verfahrens wird die Information eines bereits klassifizierten Musterkopfes auf den zu klassifizierenden Schädel abgebildet. Das Ergebnis dieser nicht-linearen Transformation bilden Bereiche des zu klassifizierenden Schädels, denen mit hoher Wahrscheinlichkeit eine Gewebeklasse zugeordnet werden kann. Diese Bereiche dienen als Startpunkte für ein dem "region-growing" ähnliches Verfahren ("beam method"). Dieses Verfahren ermittelt weitere, bestimmten Gewebeklassen zuordenbare Bereiche. Die so gewonnen Daten dienen dem Trainieren eines neuralen Netzes. Durch die Kombination der verschiedenen Methoden wird eine sehr gute Ausnutzung der vorhandenen Informationen - menschliches Expertenwissen, Bildbereich und Merkmalsraum - erreicht.

The thesis focuses on the automatic segmentation of head images acquired by dual-echo Magnetic Resonance Tomography (MRT). MRT is a non-invasive imaging technique that provides structural information on biological tissue. The task of classifying different tissue types in MRT head images is of interest for applications as volumetric measurements or the delineation of areas to be treated prior to radiosurgery. For automatic classification there exist a number of MRT inherent problems, e.g., intensity variations introduced by magnetic field inhomogeneities and partial volume effects.
In the first part of the thesis a number of different image features and feature combinations is examined for their applicability to enhance the classification process. The classifier for the image segmentation task is based on feed-forward neural networks trained with resilient propagation. The training of the neural networks is performed on the neurocomputer SYNAPSE-1. In the second part of the thesis we develop a model-based approach for the automatic classification. With the help of an image matching approach the information of an already classified head is mapped on a new head which has to be classified. The result of this non-linear transformation are areas that can be assigned to a certain tissue class with high probability. These areas serve as starting points for a region-growing similar method ("beam method"). This method detects additional areas which can be assigned to certain tissue classes. The data gathered serves as training data for a neural network. By the combination of the different methods we obtain a very good usage of the available information - human expert knowledge, image domain, and feature domain.