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:
Similarity Metric Learning for 2D to 3D Registration of Brain Vasculature Kapitel lesen Erstes Kapitel lesen

2016 | OriginalPaper | Buchkapitel

Vessel Detection on Cerebral Angiograms Using Convolutional Neural Networks

verfasst von : Yang Fu, Jiawen Fang, Benjamin Quachtran, Natia Chachkhiani, Fabien Scalzo

Erschienen in: Advances in Visual Computing

Verlag: Springer International Publishing

Einloggen

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

search-config
loading …

Abstract

Blood-vessel segmentation in cerebral angiograms is a valuable tool for medical diagnosis. However, manual blood-vessel segmentation is a time consuming process that requires high levels of expertise. The automatic detection of blood vessels can not only improve efficiency but also allow for the development of automatic diagnosis systems. Vessel detection can be approached as a binary classification problem, identifying each pixel as a vessel or non-vessel. In this paper, we use deep convolutional neural networks (CNNs) for vessel segmentation. The network is tested on a cerebral angiogram dataset. The results show the effectiveness of deep learning approach resulting in an accuracy of 95%.

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 Unsupervised Caries Detection in Non-standardized Bitewing Dental X-Rays
Nächstes Kapitel False Positive Reduction in Breast Mass Detection Using the Fusion of Texture and Gradient Orientation Features
Literatur
1.
Staal, J., Abramoff, M., Niemeijer, M., Viergever, M., van Ginneken, B.: Ridge based vessel segmentation in color images of the retina. IEEE Trans. Med. Imaging 23, 501–509 (2004)CrossRef
2.
Fraz, M.M., Remagnino, P., Hoppe, A., Uyyanonvara, B., Rudnicka, A.R., Owen, C.G., Barman, S.A.: Blood vessel segmentation methodologies in retinal images-a survey. Comput. Methods Programs Biomed. 108, 407–433 (2012)CrossRef
3.
Chaudhuri, S., Chatterjee, S., Katz, N., Nelson, M., Goldbaum, M.: Detection of blood vessels in retinal images using two-dimensional matched filters. IEEE Trans. Med. Imaging 8, 263–269 (1989)CrossRef
4.
Zana, F., Klein, J.C.: Segmentation of vessel-like patterns using mathematical morphology and curvature evaluation. IEEE Trans. Image Process. 10, 1010–1019 (2001)CrossRefMATH
5.
Can, A., Shen, H., Turner, J.N., Tanenbaum, H.L., Roysam, B.: Rapid automated tracing and feature extraction from retinal fundus images using direct exploratory algorithms. IEEE Trans. Inf. Technol. Biomed. 3, 125–138 (1999)CrossRef
6.
Quachtran, B., Hamilton, R., Scalzo, F.: Detection of intracranial hypertension using deep learning. In: ICPR, pp. 1–6 (2016)
7.
Stier, N., Vincent, N., Liebeskind, D., Scalzo, F.: Deep learning of tissue fate features in acute ischemic stroke. In: IEEE BIBM, pp. 1316–1321 (2015)
8.
Vincent, N., Stier, N., Yu, S., Liebeskind, D.S., Wang, D.J., Scalzo, F.: Detection of hyperperfusion on arterial spin labeling using deep learning. In: IEEE BIBM, pp. 1322–1327 (2015)
9.
Melinščak, M., Prentašić, P., Lončarić, S.: Retinal vessel segmentation using deep neural networks. In: VISAPP (2015)
10.
Maji, D., Santara, A., Mitra, P., Sheet, D.: Ensemble of deep convolutional neural networks for learning to detect retinal vessels in fundus images. arXiv preprint arxiv:​1603.​04833 (2016)
11.
Fu, H., Xu, Y., Wong, D.W.K., Liu, J.: Retinal vessel segmentation via deep learning network and fully-connected conditional random fields. In: ISBI (2016)
12.
Krizhevsky, A., Sutskever, I., Hinton, G.E.: Imagenet classification with deep convolutional neural networks. In: NIPS, pp. 1097–1105 (2012)
13.
Karpathy, A., Toderici, G., Shetty, S., Leung, T., Sukthankar, R., Fei-Fei, L.: Large-scale video classification with convolutional neural networks. In: CVPR (2014)
14.
15.
Simard, P.Y., Steinkraus, D., Platt, J.C.: Best practices for convolutional neural networks applied to visual document analysis. In: ICDAR, pp. 958–963 (2003)
16.
Ji, S., Xu, W., Yang, M., Yu, K.: 3D convolutional neural networks for human action recognition. IEEE TPAMI 35, 221–231 (2013)CrossRef
17.
Scalzo, F., Liebeskind, D.S.: Perfusion angiography in acute ischemic stroke. Comput. Math. Methods Med. 2016, 1–14 (2016)MathSciNetCrossRef
18.
Scalzo, F., Hao, Q., Walczak, A.M., Hu, X., Hoi, Y., Hoffmann, K.R., Liebeskind, D.S.: Computational hemodynamics in intracranial vessels reconstructed from biplane angiograms. In: Bebis, G., et al. (eds.) ISVC 2010. LNCS, vol. 6455, pp. 359–367. Springer, Heidelberg (2010). doi:10.​1007/​978-3-642-17277-9_​37 CrossRef
Metadaten
Titel
Vessel Detection on Cerebral Angiograms Using Convolutional Neural Networks
verfasst von
Yang Fu
Jiawen Fang
Benjamin Quachtran
Natia Chachkhiani
Fabien Scalzo
Copyright-Jahr
2016
Buch
Advances in Visual Computing

Print ISBN: 978-3-319-50834-4

Electronic ISBN: 978-3-319-50835-1

Copyright-Jahr: 2016

DOI
https://doi.org/10.1007/978-3-319-50835-1_59