DC FieldValueLanguage
dc.contributor.advisorSablatnig, Robert-
dc.contributor.authorVogl, Wolf-Dieter-
dc.date.accessioned2020-06-29T22:14:06Z-
dc.date.issued2012-
dc.date.submitted2012-06-
dc.identifier.urihttps://resolver.obvsg.at/urn:nbn:at:at-ubtuw:1-46386-
dc.identifier.urihttp://hdl.handle.net/20.500.12708/8802-
dc.descriptionZsfassung in dt. Sprache-
dc.description.abstractEin wesentlicher Bestandteil für die Erkennung und Diagnose von Brustkrebs sind medizinische Bildgebungsverfahren. Moderne Bildgebungsverfahren wie Dynamische Kontrasterweiterte Magnetresonanztomographie (DCE-MRI), Positronemissionstomographie (PET) und Diffusionsgewichtetes MRT (DWI) liefern eine Vielzahl an Informationen über die Tumorbiologie und ermöglichen somit eine genauere und sicherere Diagnose von Brustkrebs. Eine systematische Analyse und Kategorisierung der Bilddaten ist ein essentieller Bestandteil einer präzisen Diagnose. Computerunterstützte Diagnosesysteme (CAD) unterstützen Radiologen bei der Analyse der Bilddaten durch den Einsatz von digitalen Bildanalysemethoden und Maschinenlernalgorithmen.<br />In dieser Arbeit wird ein neuartiges multimodales CAD System beschrieben, welches eine automatische Kombination der Bildmodalitäten DCE-MRI, PET und DWI, sowie eine automatische Lokalisierung und Segmentierung von Brustkrebsgewebe, und eine automatische Klassifizierung der Läsionen in benign und malign ermöglicht. Das CAD System besteht aus drei Hauptteilen: die Registrierung der Bildmodalitäten, der Detektion und Segmentierung der Läsion, und der Unterscheidung von benignen und malignen Läsionen. Im Validierungsprozess konnte anhand von 16 Patientendaten gezeigt werden, dass der multimodale Ansatz sowohl die Segmentierung als auch die Klassifizierung verbessert, verglichen mit einem Ansatz basierend auf der DCE-MRI Modalität. Die Ergebnisse der Validierung zeigen auch, dass dieser Ansatz vergleichbare Resultate zu aktuellen unimodalen CAD Systemen bietet.<br />de
dc.description.abstractMedical imaging has become crucial in detection and diagnosis of breast cancer. Advanced image modalities like Dynamic Contrast Enhanced Magnetic Resonance Imaging (DCE-MRI), Diffusion Weighted Magnetic Resonance Imaging (DWI), and Positron Emission Tomography (PET) provide complementary information about the lesion biology and increase the precision and certainty of cancer diagnosis. A systematic analysis and categorization of the image data is essential for an accurate diagnosis.<br />Computer Aided Diagnosis (CAD) systems aid radiologists in this task by using digital image analysis methods and machine learning algorithms. The aim of this thesis is the development of a novel multimodal breast lesion CAD system with a fully automatic combination of DCE-MRI, DWI and PET image modalities, the fully automatic detection and segmentation of cancerous regions, and the fully automatic classification of the lesions into benign and malign ones. The CAD system consists of three main elements: the registration of the image modalities, the detection and segmentation of the lesion, and the classification of the lesions into benign and malign. In the validation process it is qualitatively and quantitatively demonstrated on 16 breast studies that a multimodal approach improves the segmentation and classification performance in comparison to a single-modal DCE-MRI approach. The results of the validation also demonstrate that the proposed method provides a comparable performance to state-of-the-art single-modality CAD systems.en
dc.formatXII, 118 S.-
dc.languageEnglish-
dc.language.isoen-
dc.subjectBrustkrebsde
dc.subjectComputerunterstützte Diagnosede
dc.subjectMagnetresonanztomografiede
dc.subjectDiffusionsgewichtete Magnetresonanztomografiede
dc.subjectPositronsemissionstomografiede
dc.subjectMedizinische Bildverarbeitungde
dc.subjectbreast canceren
dc.subjectcomputer aided diagnosisen
dc.subjectmagnetic resonance imagingen
dc.subjectdiffusion weighted magnetic resonance imagingen
dc.subjectpositron emission tomographyen
dc.subjectmedical visual computingen
dc.subjectmultimodal medical imagingen
dc.titleAutomatic segmentation and classification of breast lesions using a novel multimodal imaging approachen
dc.typeThesisen
dc.typeHochschulschriftde
dc.contributor.assistantLangs, Georg-
tuw.publication.orgunitE183 - Institut für Rechnergestützte Automation-
dc.type.qualificationlevelDiploma-
dc.identifier.libraryidAC07813864-
dc.description.numberOfPages118-
dc.identifier.urnurn:nbn:at:at-ubtuw:1-46386-
dc.thesistypeDiplomarbeitde
dc.thesistypeDiploma Thesisen
item.languageiso639-1en-
item.cerifentitytypePublications-
item.cerifentitytypePublications-
item.openaccessfulltextOpen Access-
item.openairetypeThesis-
item.openairetypeHochschulschrift-
item.openairecristypehttp://purl.org/coar/resource_type/c_18cf-
item.openairecristypehttp://purl.org/coar/resource_type/c_18cf-
item.grantfulltextopen-
item.fulltextwith Fulltext-
Appears in Collections:Thesis

Files in this item:


Page view(s)

29
checked on Jan 16, 2022

Download(s)

95
checked on Jan 16, 2022

Google ScholarTM

Check


Items in reposiTUm are protected by copyright, with all rights reserved, unless otherwise indicated.