Brainscape's Knowledge GenomeTM

Browse over 1 million classes created by top students, professors, publishers, and experts.


See full index

Computerunterstützte Chirurgietechnik > Medizinische Bildverarbeitung > Flashcards

Medizinische Bildverarbeitung Flashcards

1
Q

Bildrekonstruktion

A

Wiederherstellung verlorener Bildinformation

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
2
Q

Bildverbesserung

A

Art der Bildverarbeitung, durch die anschließende Auswertevorgänge einfacher oder
zuverlässiger werden (z.B. Kontraständerung, Filterung)(DIN)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
3
Q

Merkmalsextraktion

A

Merkmalsextraktion, feature extraction
(engl.), ein Vorgang, Objekte und Bereiche auf dem
Boden zu studieren und ausfindig zu machen, zu denen man auf der Grundlage von
Fernerkundungsdaten bzw. -bildern nützliche Information gewinnen kann.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
4
Q

Segmentierung

A

Klassifizierung von Bildbereichen zu einem Objekt von Interesse

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
5
Q

Bildregistrierung

A

Mehrere Bilddatensätze werden bestmöglich kongruent gemacht

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
6
Q

Pixel/Voxel

A

Voxel = volumetrisches Pixel

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
7
Q

Welche anderen Ansätze der 3D-Darstellung kennen Sie?

A

Volumendarstellung

Oberflächendarstellung

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
8
Q

Was ist Windowing

A

Abbildung eines Ausschnitts der 4096 mögliche HU-Werte auf 256 verschiedene Grauwerte
CT Bilder haben 12 bit Information pro Pixel, Anzeigen können wir nur 8 bit (256 Werte),
sehen können wir ca. 7 bit (120-130 Grauwerte)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
9
Q
  1. Was versteht man unter einer Punktoperation zur Bildverbesserung? (Beispiele ?)
A

Algorithmen, die als Grundlage einen einzelnen Punkt oder mehrere Punkte betrachten.
Bsp: Mittelwertfilter, Pixelbasierte Segmentierung, linerae Transformationen

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
10
Q

Histogrammausgleich

A

Spreizen häufig vorkommender Grauwerte und Stauchen von Grauwerten mit geringer
Häufigkeit
> Ziel: Kontrasterhöhung

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
11
Q

Erläutern Sie anhand einer Skizze den im Zusammenhang mit Bildfiltern üblichen
Begriff einer 4er-Nachbarschaft (8er Nachbarschaft)

A

4er: senkrechte Pixelnachbarn

8er senkrechte und diagonale Pixelnachbarn

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
12
Q

Was bezeichnet man als „Rauschen“ im Bild? Wodurch kann Rauschen z.B. erzeugt
werden?

A

Störungen im Bild
Quanten- oder Photonenrauschen beim Bildgebungsprozess (z.B. bei Röntgenstrahlen)
Thermisches Rauschen im analogen Bereich der Signalverarbeitung
Quantisierungsrauschen durch die Analog/ Digital-Wandlung

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
13
Q

Erläutern Sie die Funktionsweise und Anwendung eines Mittelwertfilters

A

Rauschen kann durch Mittelung unterdrückt werden
Originalwert wird verrechnet mit/ersetzt durch das arithmetische Mittel / den Median seiner selbst und der Nachbarschaft

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
14
Q

Nennen Sie Beispiele für geometrische Merkmale die in der medizinischen
Bildverarbeitung zur Charakterisierung von Strukturen herangezogen werden

A
  • Fläche
  • Umfang
  • Formfaktor
  • Radienverhältnis
  • Exzentrizität
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
15
Q

Was versteht man unter einer Texturanalyse? (warum spricht man hier von
Statistiken 2. Ordnung?)

A

• Berücksichtigung örtlicher Abhängigkeiten (Homogenität, Kontrast,…)
• Regelmäßigkeit, Periodizität,…
Textur:
In der Computergrafik verwendet man Texturen als „Überzug“ für 3D-Modelle, um deren Detailgrad zu erhöhen, ohne dabei jedoch den Detailgrad der Geometrie zu erhöhen.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
16
Q
  1. Was versteht man im Zusammenhang eines Grauwertbildes unter einer „Kante“?
A

Linienförmiger Ort des Übergangs zwischen zwei Bildbereichen

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
17
Q

Nennen und erläutern Sie die Funktionsweise eines richtungsabhängigen Kantenfilters

A

Sobel-Filter (Differenzoperation benachbarter Pixel gekoppelt mit einer Mittlungsoperation)
Prewitt-Filter (die Grauwerte in der aktuellen Gradientenrichtung werden nicht zusätzlich
gewichtet)

18
Q

Nennen und erläutern Sie die Funktionsweise eines richtungsunabhängigen Kantenfilters

A

Filtert hohe Grauwertunterschiede zu Nachbarn in allen Richtungen
Laplace-Filter (2. Ableitung, Kante – Nulldurchgang des Signals)
Laplace-of-Gaussian

19
Q

Welches Problem ergibt sich hinsichtlich der zugrundeliegenden Bildqualität bei der
Anwendung z.B. eines Laplacefilters? Welche Gegenmaßnahme ist denkbar?

A

• Problem: Rauschen wird aufgrund höher Gradienten auch verstärkt
• Lösung:
o Rauschunterdrückungsalgorithmen (Smoothing)
o Kantenverstärkung
o ggf. Schwellwert-basierte Kantensegmentierung

20
Q

Erläutern Sie den Begriff „Segmentierung“ – Welche prinzipiellen Verfahren kennen
Sie?

A 
.... um jeden einzelnen Pixel zu prüfen, ob es zu einem Objekt von Interesse gehört oder nicht. Diese Operation wird Segmentierung genannt.
Mögliche Verfahren:
• Pixelorientiert
• Kantenorientiert
• Regionenbasiert
• Modellbasiert
• Texturbasiert
21
Q

Erläutern Sie Vorgehensweisen, Vor- und Nachteile einer pixelorientierten
Schwellwert-Segmentierung

A

o Annahme:
§ Region besteht aus Pixeln mit ähnlicher Grauwertamplitude
o Vorgehensweise
§ Histogrammbildung (Verwendung von Statistiken erster Ordnung)
§ Binarisierung durch Schwellwertbildung
o Vorteil:
§ Einfaches Verfahren und schnelle Implementierung
§ Verfahren liefert vollständige Segmentierung des Bildes
§ Bild lässt sich vollständig binarisieren
o Problem:
§ Auf viele Bilder kann man das Schwellwertverfahren nicht anwenden
→ lokale Helligkeitsschwankungen
§ In der Praxis häufig keine bimodale Verteilung der Grauwerte
§ Komplexität wächst bei mehreren Schwellwerten und der
Segmentierung von mehreren Klassen
§ Örtliche Abhängigkeiten werden nicht berücksichtigt
o Lösung:
§ Kantenorientierte Segmentierung
§ Regionsbasierte Segmentierung

22
Q

Welche HU-Werte würden Sie für eine pixel Segmentierung von Knochen (Fett) mit
dem Schwellwertverfahren vorschlagen?

A

Knochen: >50HU

23
Q

Erläutern Sie das Prinzip des Wasserscheidenalgorithmus (anhand einer Skizze).

A

• Grauwertbild wird als topographisches Relief interpretiert
• Simulation eines Flutungsprozesses bei dem die regionalen Minima die Quelle
darstellen und die „Täler“ überfluten
• Durch den steigenden „Wasserstand“ treten Berührungsstellen („Dämme“) der
einzelnen Seen auf
• Dämme werden als Wasserscheidenlinien bezeichnet

24
Q

Warum spricht man bei regionenorientierten Segmentierungsverfahren von Homogenitätsbasierten Verfahren (Beispiele für Kriterien).

A

Es wird solange Segmentiert bis die entsprechenden segmentierten regionen homogenisiert sind

25
Q 
Beschreiben und Vergleichen Sie die Region-Growing – Methode mit der Split- and
Merge Segmentierung (Verfahren, Vorteile, Nachteile, Indikation ?)
A

Region-Growing:
Startpunkt wählen -> Region wachsen lassen und Pixelamplitudendifferent vergleichen ->
Homogenitätskriterium erfüllt, wenn Differenz < Schwellwert
In medizinischer Bildverarbeitung ist oft nur ein Objekt zu segmentieren-> Region-Growing

Split-and-Merge:
Das Bild wird solange in Teilsegmente unterteilt bis diese das Homogenitätskriterium
erfüllen
+kein Startpunkt notwendig
+vollständige und überschneidungsfreie Segmentierung
-Splitting kann bis auf die Ebene einzelner Pixel gehen oder rechteckige Regionen bilden

26
Q
  1. Erläutern Sie den Begriff der Bildregistrierung (bzw. Bildreferenzierung)
A

Bildregistrierung ist ein wichtiger Prozess in der digitalen Bildverarbeitung und dient dazu,
zwei oder mehrere Bilder derselben Szene, oder zumindest ähnlicher Szenen, bestmöglich in
Übereinstimmung miteinander zu bringen. Dabei wird eines der Bilder als Referenzbild festgelegt, die anderen werden Objektbilder genannt
Ziel: Zusammenführung: Erweiterung des Bildausschnittes, Verbesserung der Bildqualität,
Vergleich von inter-individuellen Bildern

27
Q
  1. Nennen Sie (mind. 4) unterschiedliche Anwendungsszenarien bei denen das
    Zusammenführen unterschiedlicher Bildinformationen sinnvoll sein kann
A

Bilder zur unterschiedlichen Zeit aufgenommen, verschiede Techniken der Aufnahmen

  • Präoperatives CT Bild + intraoperativer Ultraschall (Wirbelsäule)
  • PET + CT Bild
  • MR + PET (zeitlich und räumlich getrennt) (Tumordiagnostik)
  • Implantatdatenbanken + CT-Bilddaten (Knieendoprothetik, Hüftendoprothetik)
  • Digitale Atlanten + Bilddaten
  • CT + MR 3D-3D Matching
28
Q
  1. Welche Arten von Transformationen sind bei der Bildreferenzierung zu berücksichtigen?
A
  • Starr
  • Affin
  • Projektiv
  • Deformiert
29
Q 
Welche grundsätzlich unterschiedlichen Verfahrensansätze der Bildreferenzierung
kennen Sie (Geometrie/ Intensität)? ist schon die Lösung!
A

Geometriebasiert:
o Räumliche Abweichung zwischen Merkmalen (z.B. Punktpaaren) minimieren
• Intensitätsbasiert:
o Unterschiede der Intensität der Bilddatensätze minimieren (Maximierung der
Bildkorrelation, Intensitätsgradienten zwischen Pixeln bzw. Voxeln)

30
Q
  1. Ist z.B. eine intensitätsbasierte Referenzierung von Ultraschallbildern mit Röntgenbildern sinnvoll?
A

Nein

Es wird physikalisch was anderes dargestellt: Reflexion von Schall vs Schwächung von Röntgen-Strahlung

31
Q
  1. Beschreiben Sie den allgemeinen Verfahrensablauf der Referenzierung.
A 
1. Kalibrierung jedes Sensorsystems/Bezugssystems
(Kenntnis der Abbildungseigenschaften)
while Abweichung > Grenzwert do
2. Merkmalsextraktion
3. paarweise Zuordnung von Merkmalen
4. Optimierungsziel definieren
5. (Ausreißer ggf. eliminieren)
6. Optimierung
32
Q

Aus welchen Komponenten setzt sich eine Starrkörpertransformation zusammen
(bitte möglichst in Matrizenschreibweise)

A

Spaltenvektor = 4x4 Matrix * Spaltenvektor
mit:
- (x’,y’,z’,1);
- R Matrix mit unten drei nullen, rechts t-vektor und unten rechts einer 1 dran
- (x,y,z,1)

33
Q

Erläutern Sie anhand einer Starrkörperrefernzierung die wesentlichen Komponenten
bzw. Schritte einer Referenzierung

A 
• Merkmale:
o Punkte
o Konturen
o Flächen
• Merkmalszuordnung:
o Vordefiniert
o Interaktiv
o Automatisch
o Punkt/Punkt
o Punkt/Fläche
• Optimierungskriterium definieren:
o typischerweise minimale Abstandsquadrate
• Optimierung:
o Abstandsquadratminimierung (Iterative Closest Point (ICP) Algorithmus)
34
Q

Wann kommt eine Starre Referenzierung zur Anwendung

A

Starre Strukturen, die ihre Lage aber nicht ihre Form ändern (z.B. Knochen)

35
Q

Erläutern Sie den Unterschied einer Punkt-zu-Punkt-Referenzierung vs. einer
flächenbasierten Referenzierung

A

Markante Punkte werden in beiden Datensätzen definiert und dann verglichen.
Im Unterschied zur einfachen Punkt-Zu-Punkt Registrierung wird hierbei eine geringe (i.a. N
> 10…50) Anzahl an Punkten der Knochenoberfläche (Punktwolke), die während der Operation am realen Patienten digitalisiert werden, auf die entsprechende Oberfläche des rechnerbasierten Planungsmodells abgebildet. Die Modell-Oberfläche liegt hierbei ebenfalls in Form von (jedoch einer sehr großen Anzahl) von Punkten vor. Vorteilhaft ist hierbei, dass
nicht die punktgenaue Identifikation und Zuordnung der Einzelpunktpaare wichtig ist (es
werden Flächen verglichen und zur Deckung gebracht).

36
Q

Erläutern Sie das Prinzip den ICP-Algorithmus (ggf. Ablaufdiagram)

A

Die Idee des ICP-Algorithmus ist es, zu jedem Punkt der intraoperativ am Objekt
digitalisierten Punktwolke den am nächsten liegenden Punkt auf der Modell-Oberfläche zu
finden und dann eine Punkt-Zu-Punkt Registrierung durchzuführen. Anschließend wird die
Transformation durchgeführt und für die neue Lage der Punktwolke in Relation zur Modelloberfläche wieder eine Punktzuordnung vorgenommen. Dies wird dann iterativ so lange fortgeführt, bis entweder ein
Fehler < Schwellwert oder eine maximale Anzahl an Iterationen erreicht wird. Anschaulich ist
klar, dass Vorraussetzung für ein Gelingen des Algorithmus eine hinreichend genaue („grobe“) Vorreferenzierung (d.h. Vorausrichtung) der Punktwolke. Die Punktwolke sollte sich also bereits in der Nähe des relevanten Flächensegmentes befinden. Aus diesem Grund ist eine Punkt-zu-Punkt-Referenzierung auf Basis anatomischer Landmarken (s.o.) für diese grobe Vorausrichtung üblich

37
Q

Erläutern Sie die Bedeutung der Eigenvektoren und Eigenwerte (sowie von Konditionsmaßen) der Sensitivitätsmatrix im Rahmen der Analyse der Lagebestimmtheit

A

Maß für Freiheitsgrade

Beschreibt, wie kompakt ein Körper ist

38
Q

Welches Vorgehen schlagen Sie vor, wenn es bei der Punkt-zu-Punkt-Referenzierung
bei der Zuordnung, dem Fehlen oder einer Ungenauigkeit von einzelnen Punkten in
einem der Datensatz zu Korrespondenzproblemen kommt?

A

Menge von punkten
Abweichungen rauswerfen
Punkt zum Antasten als Checkpoint

39
Q

Wie kann eine Strukturoberfläche im Falle einer flächenbasierten Referenzierung
repräsentiert sein/erfasst werden? Nennen Sie Beispiele der Erfassung
(Merkmalsextraktion)?

A

Wird repräsentiert durch Punktwolke
Erfasst durch
• Bildgebung
• Raster scan optisch

40
Q
  1. Inwiefern spielt die Dimensionalität bei der Referenzierung eine Rolle (Beispeile)?
A

• 2D auf 3D oder 3D auf 4D gibt Probleme, da man z.B. den gleichen Zeitpunkt nehmen
muss (schlagendes Herz)
• 2D auf 2D und 3D auf 3D klappt sonst gut.

41
Q

Nennen Sie mindestens 4 Beispiele, bei denen eine starre Referenzierung i.a. nicht ausreichend ist.

A
  • Weichgewebereferenzierung (Gehirn, Leber)
  • Intra-individuelle Referenzierung z.B. bei Tumoren
  • inter-individuelle Referenzierung
  • Referenzierung mit Atlanten/Modellen
42
Q

Welche Rolle spielen 3D-Lokalisationssysteme im Zusammenhang mit der
intraoperativen Referenzierung

A
  • Erweiterung des Bildausschnittes

* Bildqualität wird verbessert

Computerunterstützte Chirurgietechnik (14 decks)

Brainscape helps you reach your goals faster, through stronger study habits.
© 2024 Bold Learning Solutions. Terms and Conditions