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
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
MTZ-Fachkongress

Antriebe und Energiesysteme von morgen


Austausch von Automobil- und Energiewirtschaft

Am 14./15. Mai geht es in Chemnitz um die Mobilitätswende durch Elektro- und Wasserstofffahrzeuge.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Identifying High Order Brain Connectome Biomarkers via Learning on Hypergraph Kapitel lesen Erstes Kapitel lesen

2016 | OriginalPaper | Buchkapitel

Cross-Modality Anatomical Landmark Detection Using Histograms of Unsigned Gradient Orientations and Atlas Location Autocontext

verfasst von : Alison O’Neil, Mohammad Dabbah, Ian Poole

Erschienen in: Machine Learning in Medical Imaging

Verlag: Springer International Publishing

Einloggen

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

search-config
loading …

Abstract

A proof of concept is presented for cross-modality anatomical landmark detection using histograms of unsigned gradient orientations (HUGO) as machine learning image features. This has utility since an existing algorithm trained on data from one modality may be applied to data of a different modality, or data from multiple modalities may be pooled to train one modality-independent algorithm. Landmark detection is performed using a random forest trained on HUGO features and atlas location autocontext features. Three-way cross-modality detection of 20 landmarks is demonstrated in diverse cohorts of CT, MRI T1 and MRI T2 scans of the head. Each cohort is made up of 40 training and 20 test scans, making 180 scans in total. A cross-modality mean landmark error of 5.27 mm is achieved, compared to single-modality error of 4.07 mm.

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 Learning Global and Cluster-Specific Classifiers for Robust Brain Extraction in MR Data
Nächstes Kapitel Multi-label Deep Regression and Unordered Pooling for Holistic Interstitial Lung Disease Pattern Detection
Literatur
1.
Rohr, K., Stiehl, H.S., Sprengel, R., Buzug, T.M., Weese, J., Kuhn, M.H.: Landmark-based elastic registration using approximating thin-plate splines. IEEE Trans. Med. Imaging 20(6), 526–534 (2001)CrossRef
2.
Kohlberger, T., Sofka, M., Zhang, J., Birkbeck, N., Wetzl, J., Kaftan, J., Declerck, J., Zhou, S.K.: Automatic multi-organ segmentation using learning-based segmentation and level set optimization. In: Fichtinger, G., Martel, A., Peters, T. (eds.) MICCAI 2011, Part III. LNCS, vol. 6893, pp. 338–345. Springer, Heidelberg (2011)CrossRef
3.
Toews, M., Zöllei, L., Wells, W.M.: Feature-based alignment of volumetric multi-modal images. In: International Conference on Information Processing in Medical Imaging (IPMI), pp. 25–36 (2013)
4.
Heinrich, M.P., Jenkinson, M., Bhushan, M., Matin, T., Gleeson, F.V., Brady, S.M., Schnabel, J.A.: MIND: modality independent neighbourhood descriptor for multi-modal deformable registration. Med. Image Anal. 16, 1423–1435 (2012)CrossRef
5.
Li, Z., Mahapatra, D., Tielbeek, J.A., Stoker, J., van Vliet, L., Vos, F.M.: Image registration based on autocorrelation of local structure. IEEE Trans. Med. Imaging 35(1), 63–75 (2015)CrossRef
6.
Liu, Y.-Y., Chen, M., Ishikawa, H., Wollstein, G., Schuman, J.S., Rehg, J.M.: Automated macular pathology diagnosis in retinal OCT images using multi-scale spatial pyramid and local binary patterns in texture and shape encoding. Med. Image Anal. 15, 748–759 (2011)CrossRef
7.
Smeraldi, F.: Ranklets: orientation selective non-parametric features applied to face detection. In: International Conference on Pattern Recognition (ICPR), vol. 3, pp. 379–382. IEEE Press, New York (2002)
8.
Freeman, W., Roth, M.: Orientation histograms for hand gesture recognition. In: IEEE International Conference on Automatic Face and Gesture Recognition (FGR), pp. 296–301. IEEE Press, New York (1995)
9.
Dalal, N., Triggs, B.: Histograms of oriented gradients for human detection. In: IEEE International Conference on Computer Vision and Pattern Recognition (CVPR), vol. 1, pp. 886–893. IEEE Press, New York (2005)
10.
Lowe, D.G.: Object recognition from local scale-invariant features. In: IEEE International Conference on Computer Vision (ICCV). IEEE Press, New York (1999)
11.
Dabbah, M.A., Murphy, S., Pello, H., Courbon, R., Beveridge, E., Wiseman, S., Wyeth, D., Poole, I.: Detection, location of 127 anatomical landmarks in diverse CT datasets. In: Medical Imaging: Image Processing. Proceedings of the SPIE, vol. 9034, p. 903415 (2014)
12.
O’Neil, A., Murphy, S., Poole, I.: Anatomical landmark detection in CT data by learned atlas location autocontext. In: Lambrou, T., Ye, X. (eds.) Proceedings of the 19th Conference on Medical Image Understanding and Analysis, pp. 189–194 (2015)
13.
14.
Ho, T.K.: The random subspace method for constructing decision forests. IEEE Trans. Pattern Anal. Mach. Intell. 20, 832–844 (1998)CrossRef
Metadaten
Titel
Cross-Modality Anatomical Landmark Detection Using Histograms of Unsigned Gradient Orientations and Atlas Location Autocontext
verfasst von
Alison O’Neil
Mohammad Dabbah
Ian Poole
Copyright-Jahr
2016
Buch
Machine Learning in Medical Imaging

Print ISBN: 978-3-319-47156-3

Electronic ISBN: 978-3-319-47157-0

Copyright-Jahr: 2016

DOI
https://doi.org/10.1007/978-3-319-47157-0_17

Premium Partner

    Bildnachweise