Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: statistical shape model

Sortuj według:

Ogranicz wyniki do:

Modyfikacja algorytmu aktywnych modeli kształtu eliminująca wpływ anizotropii danych tomograficznych

Kos A., Skalski A., Zieliński T.

Przegląd Elektrotechniczny

2015

R. 91, nr 5

41-44

W artykule zaproponowano modyfikację algorytmu automatycznej segmentacji ASM, uwzględniającą anizotropię danych medycznych w reprezentacjach TK i MR na etapie generowania modelu statycznego. Przedstawiono również nową metodę generowania zbiorów punktów uczących/treningowych, wymaganych przez algorytm ASM, opartą o zmodyfikowany algorytm ICP. Zaproponowaną metodę przetestowano na testowej serii 15 rzeczywistych woluminów TK, osiągając średnią dokładność segmentacji, wyrażoną współczynnikiem Dice’a, na poziomie 0.8014.

In the paper a modified ASM algorithm, that considers a CT and MRI medical data anisotropy at the stage of statistic shape model generation, is proposed. Additionally, a new, non-rigid ICP algorithm-based method of creating the ASM training data points sets is presented. The proposed approach had been tested on a series of 15 real patients CT volume data, reaching a mean accuracy of the segmentation 0.8014, measured by the Dice coefficient.

Using of statistical shape models for pelvis reconstruction in the oncologic surgery

Skadłubowicz P., Król Z., Wróbel Z., Hefti F., Krieg A.

Journal of Medical Informatics & Technologies

2009

Vol. 13

151--156

The reconstruction of the osseous structures in the pelvic region after bone tumour resection is highly complex and challenging. Up to now the reconstruction of the pelvis defects by autologous or allogenous grafts (for instance the fibula transplants) are highly unsatisfied because of large shape differences. Therefore there is a huge demand for patient-specific and anatomically shaped implants. Our pelvis reconstruction planning approach is based on the statistical shape model. For generation of the statistical pelvis shape model a large data pool of CT datasets has been collected. The following CT data segmentation and surface processing methods delivered the required pelvis geometries. Via Procrustes analysis of the collected pelvis surfaces the parameterized pelvis shape mean model has been calculated and the principal component analysis (PCA) [3] applied for estimating the anatomically optimal graft or implant geometry. We will demonstrate on the clinical pelvis reconstruction case that the using of statistical shape models in the oncologic surgery planning is robust and very promising method.