Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
A Fast Transient Voltage Regulator Design with All Ceramic Output Capacitor for Mobile Microprocessors Kapitel lesen Erstes Kapitel lesen

2017 | OriginalPaper | Buchkapitel

Automatic Segmentation of CMRIs for LV Contour Detection

verfasst von : Amjad Khan, D. N. F. Awang Iskandar, Hamimah Ujir, Wang Yin Chai

Erschienen in: 9th International Conference on Robotic, Vision, Signal Processing and Power Applications

Verlag: Springer Singapore

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Research on detecting, recognising and interpreting cardiovascular magnetic resonance images (CMRIs) has started since the 1980s. Time consuming and the need of expert evaluation are the key problems in the manual tracing efforts of CMRIs in a routine investigation. CMRIs manual tracing is also dependent on image quality, and there is no one-size-fits-all MRI setting for an optimum image result. In this paper, we present an approach using 2-Standard Division (2-SD) correlation along with the Sum of Absolute Difference technique and Otsu Watershed to automatically detect the left ventricle (LV) wall and blood pool in the effort to automatically assist the assessment of cardiac function. We test the approach using the Sunnybrook Cardiac Data, a standard benchmark dataset. The results shown that the proposed method had improved the automatic detection of the epicardium and endocardium.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Detection of Oxygen Precipitate Dark Rings in Solar Cell Luminescence Using Gray Level Co-occurrence Matrix
Nächstes Kapitel Enhancement of Cell Visibility and Contrast for Fluorescence Microscope Images by Subjective and Objective Analysis of Several Visual Aspects
Literatur
1.
World Health Organisation (2013) Global action plan for the prevention and control of noncommunicable diseases 2013–2020
2.
Iskandar DNFA, Hamimah U (2015) Spatio-temporal semantic representation of cardiac MRI in heart attack patients. In: Proceedings of the 9th international conference on IT in Asia (CITA 2015), pp. 1–5
3.
Wijnhout J, Hendriksen D, Assen HV, der Geest RV (2009) LV challenge LKEB contribution: fully automated myocardial contour detection. MIDAS J 43:2
4.
Florentine MS, Grosskreutz CL, Chang W, Hartnett JA, Dunn VD, Ehrhardt JC, Fleagle SR, Collins SM, Marcus ML, Skorton DJ (1986) Measurement of left ventricular mass in vivo using gated nuclear magnetic resonance imaging. J Am Coll Cardiol 8(1):107–112
5.
Attili AK, Schuster A, Nagel E, Reiber JH, van der Geest RJ (2010) Int J Cardiovasc Imaging 26(Suppl 1):27–40
6.
Lorenzo-Valdés M, Sanchez-Ortiz GI, Elkington AG, Mohiaddin RH, Rueckert D (2004) Segmentation of 4D cardiac MR images using a probabilistic atlas and the EM algorithm. Med Image Anal 8(3):255–265CrossRef
7.
Rezaee MR, Van der Zwet PM, Lelieveldt BP, Van Der Geest RJ, Reiber JH (2000) A multiresolution image segmentation technique based on pyramidal segmentation and fuzzy clustering. IEEE Trans Image Process 9(7):1238–1248CrossRef
8.
Kurkure U, Pednekar A, Muthupillai R, Flamm SD, Kakadiaris I (2009) Localization and segmentation of left ventricle in cardiac cine-MR images. IEEE Trans Biomed Eng 56(5):1360–1370CrossRef
9.
Mitchell SC, Lelieveldt BP, Van der Geest RJ, Bosch HG, Reiver JHC, Sonka M (2001) Multistage hybrid active appearance model matching: segmentation of left and right ventricles in cardiac MR images. IEEE Trans Med Imaging 20(5):415–423CrossRef
10.
Cordero-Grande L, Vegas-Sánchez-Ferrero G, Casaseca-de-la-Higuera P, San-Román-Calvar JA, Revilla-Orodea A, Martn-Fernndez M, Alberola-Lpez C (2011) Unsupervised 4D myocardium segmentation with a markov random field based deformable model. Med Image Anal 15(3):283–301CrossRef
11.
Ayed IB, Lu Y, Li S, Ross I (2008) Left ventricle tracking using overlap priors. In: Medical image computing and computer-assisted intervention MICCAI 2008. Springer, Berlin, Heidelberg, pp. 1025–1033
12.
Pednekar A, Kurkure U, Muthupillai R, Flamm S, Kakadiaris I (2006) Automated left ventricular segmentation in cardiac MRI. IEEE Trans Biomed Eng 53(7):1425–1428CrossRef
13.
Stalidis G, Maglaveras N, Efstratiadis SN, Dimitriadis AS, Pappas C (2002) Model-based processing scheme for quantitative 4-D cardiac MRI analysis. IEEE Trans Inf Technol Biomed 6(1):59–72CrossRef
14.
Lorenzo-Valdes M, Sanchez-Ortiz GI, Mohiaddin R, Rueckert D (2002) Atlas-based segmentation and tracking of 3D cardiac MR Images using non-rigid registration. In: Medical image computing and computer-assisted intervention MICCAI 2002. Springer, Berlin, Heidelberg, pp. 642–650
15.
Zhuang X, Hawkes D.J, Crum WR, Boubertakh R, Uribe S, Atkinson D, Hill DLG (2008) Robust registration between cardiac MRI images and atlas for segmentation propagation. Med Imaging 691408. International Society for Optics and Photonics
16.
Marino M, Veronesi F, Corsi C (2014) Fully automated assessment of left ventricular volumes and mass from cardiac magnetic resonance images. In: 36th Annual international conference of the IEEE in engineering and medicine and biology society (EMBC), pp. 1079–1082
17.
Ringenberg J, Deo M, Devabhaktuni V, Berenfeld O, Boyers P, Gold J (2014) Fast, accurate, and fully automatic segmentation of the right ventricle in short-axis cardiac MRI. Comput Med Imaging Graph 38(3):190–201CrossRef
18.
Metadaten
Titel
Automatic Segmentation of CMRIs for LV Contour Detection
verfasst von
Amjad Khan
D. N. F. Awang Iskandar
Hamimah Ujir
Wang Yin Chai
Copyright-Jahr
2017
Verlag
Springer Singapore
Buch
9th International Conference on Robotic, Vision, Signal Processing and Power Applications

Print ISBN: 978-981-10-1719-3

Electronic ISBN: 978-981-10-1721-6

Copyright-Jahr: 2017

DOI
https://doi.org/10.1007/978-981-10-1721-6_34

Neuer Inhalt

    Bildnachweise