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:
Non-lineal EEG Modelling by Using Quadratic Entropy for Arousal Level Classification Kapitel lesen Erstes Kapitel lesen

2016 | OriginalPaper | Buchkapitel

Review of Automatic Segmentation Methods of White Matter Lesions on MRI Data

verfasst von : Darya Chyzhyk, Manuel Graña, Gerhard Ritter

Erschienen in: Innovation in Medicine and Healthcare 2016

Verlag: Springer International Publishing

Einloggen

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

search-config
loading …

Abstract

White matter (WM) lesions are a phenomena perceived in magnetic resonance imaging (MRI) which is prevalent in many different brain pathologies, hence the general interest in automated methods for lesion segmentation (LS). We provide a short review of some commonly used state-of-the-art approaches. The article is focused on the machine learning techniques which researches use to construct semi- and fully-automated tools for LS. In addition, we mention the preprocessing steps, features extraction, LS databases and validation techniques.

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 GENESIS—Cloud-Based System for Next Generation Sequencing Analysis: A Proof of Concept
Nächstes Kapitel Hygehos Ontology for Electronic Health Records
Literatur
1.
Anbeek, P., Vincken, K.L., van Osch, M.J.P., Bisschops, R.H.C., van der Grond, J.: Automatic segmentation of different-sized white matter lesions by voxel probability estimation. Med. Image Anal. 8(3), 205–215 (2004) (Medical Image Computing and Computer-Assisted Intervention—MICCAI 2003)
2.
Anbeek, P., Vincken, K.L., van Osch, M.J.P., Bisschops, R.H.C., van der Grond, J.: Probabilistic segmentation of white matter lesions in mri imaging. NeuroImage 21(3), 1037–1044 (2004)
3.
Bijar, A., Khayati, R., Penalver-Benavent, A.: Increasing the contrast of the brain mr flair images using fuzzy membership functions and structural similarity indices in order to segment ms lesions. PLoS ONE 8(6), e65469 (2013)
4.
de Boer, R., Vrooman, H.A., van der Lijn, F., Vernooij, M.W., Arfan Ikram, M., van der Lugt, A., Breteler, M.M.B., Niessen, W.J.: White matter lesion extension to automatic brain tissue segmentation on mri. NeuroImage 45(4), 1151–1161 (2009)
5.
Garcia-Lorenzo, D., Francis, S., Narayanan, S., Arnold, D.L., Collins, D.L.: Review of automatic segmentation methods of multiple sclerosis white matter lesions on conventional magnetic resonance imaging. Med. Image Anal. 17(1), 1–18 (2013)
6.
Jain, S., Sima, D.M., Ribbens, A., Cambron, M., Maertens, A., Van Hecke, W., De Mey, J., Barkhof, F., Steenwijk, M.D., Daams, M., Maes, F., Van Huffel, S., Vrenken, H., Smeets, D.: Automatic segmentation and volumetry of multiple sclerosis brain lesions from MR images. NeuroImage: Clinical 8, 367–375 (2015)
7.
Klöppel, S., Abdulkadir, A., Hadjidemetriou, S., Issleib, S., Frings, L., Thanh, T., Mader, I., Teipel, S., Hüll, M., Ronneberger, O.: A comparison of different automated methods for the detection of white matter lesions in MRI data. NeuroImage 57(2), 416–422 (2011)CrossRef
8.
Mitra, J., Bourgeat, P., Fripp, J., Ghose, S., Rose, S., Salvado, O., Connelly, A., Campbell, B., Palmer, S., Sharma, G., Christensen, Soren, Carey, L.: Lesion segmentation from multimodal MRI using random forest following ischemic stroke. NeuroImage 98, 324–335 (2014)CrossRef
9.
Ramirez, J., Gibson, E., Quddus, A., Lobaugh, N.J., Feinstein, A., Levine, B., Scott, C.J.M., Levy-Cooperman, N., Gao, F.Q., Black, S.E.: Lesion explorer: a comprehensive segmentation and parcellation package to obtain regional volumetrics for subcortical hyperintensities and intracranial tissue. NeuroImage 54(2), 963–973 (2011)CrossRef
10.
Roy, P.K., Bhuiyan, A., Janke, A., Desmond, P.M., Wong, T.Y., Abhayaratna, W.P., Storey, E., Ramamohanarao, K.: Automatic white matter lesion segmentation using contrast enhanced flair intensity and markov random field. Comput. Med. Imaging Graph. 45, 102–111 (2015)
11.
Schmidt, P., Gaser, C., Arsic, M., Buck, D., Forschler, A., Berthele, A., Hoshi, M., Ilg, R., Schmid, V.J., Zimmer, C., Hemmer, B., Muhlau, M.: An automated tool for detection of flair-hyperintense white-matter lesions in multiple sclerosis. NeuroImage 59(4), 3774–3783 (2012)CrossRef
12.
Seghier, M.L., Ramlackhansingh, A., Crinion, J., Leff, A.P., Price, C.J.: Lesion identification using unified segmentation-normalisation models and fuzzy clustering. NeuroImage 41(4), 1253–1266 (2008)CrossRef
13.
Steenwijk, M.D., Pouwels, P.J.W., Daams, M., van Dalen, J.W., Caan, M.W.A., Richard, E., Barkhof, F., Vrenken, H.: Accurate white matter lesion segmentation by k nearest neighbor classification with tissue type priors (knn-ttps). NeuroImage: Clinical 3, 462–469 (2013)
14.
Sweeney, E.M., Vogelstein, J.T., Cuzzocreo, J.L., Calabresi, P.A., Reich, D.S., Crainiceanu, C.M., Shinohara, R.T.: A comparison of supervised machine learning algorithms and feature vectors for ms lesion segmentation using multimodal structural mri. PLoS ONE 9(4), e95753 (2014)
15.
Valverde, S., Oliver, A., Roura, E., Pareto, D., Vilanova, J.C., Ramio-Torrenta, L., Sastre-Garriga, J., Montalban, X., Rovira, A., Llado, X.: Quantifying brain tissue volume in multiple sclerosis with automated lesion segmentation and filling. NeuroImage: Clinical (2015)
Metadaten
Titel
Review of Automatic Segmentation Methods of White Matter Lesions on MRI Data
verfasst von
Darya Chyzhyk
Manuel Graña
Gerhard Ritter
Copyright-Jahr
2016
Buch
Innovation in Medicine and Healthcare 2016

Print ISBN: 978-3-319-39686-6

Electronic ISBN: 978-3-319-39687-3

Copyright-Jahr: 2016

DOI
https://doi.org/10.1007/978-3-319-39687-3_29