Einführung in die medizinische Bildverarbeitung SS 2013
Einführung in die medizinische Bildverarbeitung SS 2013
Einführung in die medizinische Bildverarbeitung SS 2013
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
Registrierung<br />
Mutual Information<br />
‣ Woods et al.<br />
‣ Regionen gleichen Gewebes (ähnliche Grauwerte) korrespon<strong>die</strong>ren zue<strong>in</strong>ander<br />
‣ Ideal: Verhältnis zwischen Grauwerten variiert kaum<br />
‣ → Durchschnittliche Varianz des Verhältnisses wird m<strong>in</strong>imiert für Registrierung<br />
‣ Hill et al.<br />
‣ Nutzt Feature Space<br />
‣ Komb<strong>in</strong>ation von Grauwerten korrespon<strong>die</strong>render Punkte <strong>in</strong> e<strong>in</strong>em Plot<br />
‣ Unterschied zu Woods: Cluster von Regionen im Feature Space<br />
‣ Ändert sich mit der Registrierung (Jo<strong>in</strong>t Histogramm)<br />
‣ Collignon et al. & Studholme et al.<br />
‣ Verwendung der Entropie um <strong>die</strong> Registrierung zu messen<br />
‣ Nutzung e<strong>in</strong>es Jo<strong>in</strong>t Histogramms um <strong>die</strong> Wahrsche<strong>in</strong>lichkeitsverteilugn zu schätzen (jeden<br />
E<strong>in</strong>trag im Histogramm durch <strong>die</strong> Anzahl aller E<strong>in</strong>träge teilen)<br />
‣ Shannon-Entropy für Jo<strong>in</strong>t-Distribution:<br />
− p( i, j)log p( i.j)<br />
∑<br />
i, j<br />
‣ E<strong>in</strong>e Transformation welche <strong>die</strong> Jo<strong>in</strong>t-Entropy m<strong>in</strong>imiert, registriert <strong>die</strong> Bilder<br />
© Stephan Gimbel <strong>E<strong>in</strong>führung</strong> <strong>in</strong> <strong>die</strong> mediz<strong>in</strong>ische <strong>Bildverarbeitung</strong><br />
h_da<br />
4
Change language