Zusammenfassung
Die Darstellung anatomischer Strukturen auf Basis von Segmentierungsergebnissen in Form von Binärmasken ist eine grundlegende Aufgabe im Bereich der medizinischen Visualisierung. Hierfür werden meist polygonale Oberflächen genutzt. Bei Binärmasken fehlt jedoch die Information über die tatsächliche Oberfläche, wodurch die erzeugten Repräsentationen unter Artefakten leiden. Eine Glättung der Maske oder der polygonalen Repräsentation kann dies reduzieren, führt jedoch auch zu Ungenauigkeiten. Diese Arbeit beschreibt einen Ansatz zur Berechnung einer vorzeichenbehafteten Distanzfunktion für eine gegebene Binärmaske auf Basis eines neuronalen Netzwerkes. Diese lässt sich anschließend mit klassischen Methoden in eine Oberfläche überführen, deren Visualisierung glatt und artefaktfrei ist und nur minimale Abweichungen einführt.
This is a preview of subscription content, log in via an institution.
Buying options
Tax calculation will be finalised at checkout
Purchases are for personal use only
Learn about institutional subscriptionsPreview
Unable to display preview. Download preview PDF.
Literatur
Lorensen WE, Cline HE. Marching cubes: a high resolution 3D surface construction algorithm. Comput Graph (ACM). 1987;21(4):163–169.
Taubin G. A signal processing approach to fair surface design. Proc Conf Comp Graph Interact Tech. 1995; p. 351–358.
Moench T, Gasteiger R, Janiga G, et al. Context-aware mesh smoothing for biomedical applications. Comput Graph. 2011;35(4):755–767.
Wei M,Wang J, Guo X, et al. Learning-based 3D surface optimization from medical image reconstruction. Opt Lasers Eng. 2018;103:110–118.
Schumann C, Oeltze S, Bade R, et al. Model-free surface visualization of vascular trees. Eurographics/ IEEE-VGTC Sym Vis. 2007; p. 283–290.
Wu J, Wei M, Li Y, et al. Scale-adaptive surface modeling of vascular structures. Biomed Eng Online. 2010;9(1):75.
Newcombe RA, Izadi S, Hilliges O, et al. KinectFusion: real-time dense surface mapping and tracking. Proc IEEE Int Sym Mix Augm Real. 2011; p. 127–136.
Park JJ, Florence P, Straub J, et al. Deepsdf: learning continuous signed distance functions for shape representation. Proc IEEE CVPR. 2019; p. 165–174.
Lempitsky V. Surface extraction from binary volumes with higher-order smoothness. Proc IEEE Comput Soc Conf Comput Vis Pattern Recognit. 2010; p. 1197–1204.
Çiçek Ö, Abdulkadir A, Lienkamp SS, et al. 3D U-Net: learning dense volumetric segmentation from sparse annotation. Proc MICCAI. 2016; p. 424–432.
Author information
Authors and Affiliations
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2021 Der/die Autor(en), exklusiv lizenziert durch Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature
About this paper
Cite this paper
Tschigor, C., Chlebus, G., Schumann, C. (2021). Deep Learning-basierte Oberflächenrekonstruktion aus Binärmasken. In: Palm, C., Deserno, T.M., Handels, H., Maier, A., Maier-Hein, K., Tolxdorff, T. (eds) Bildverarbeitung für die Medizin 2021. Informatik aktuell. Springer Vieweg, Wiesbaden. https://doi.org/10.1007/978-3-658-33198-6_74
Download citation
DOI: https://doi.org/10.1007/978-3-658-33198-6_74
Published:
Publisher Name: Springer Vieweg, Wiesbaden
Print ISBN: 978-3-658-33197-9
Online ISBN: 978-3-658-33198-6
eBook Packages: Computer Science and Engineering (German Language)