UnivIS
Informationssystem der Friedrich-Alexander-Universität Erlangen-Nürnberg © Config eG 
FAU Logo
  Sammlung/Stundenplan    Modulbelegung Home  |  Rechtliches  |  Kontakt  |  Hilfe    
Suche:      Semester:   
 
 Darstellung
 
Druckansicht

 
 
Merkmalspunktselektion und Bewegungsmodelle für 2D/3D-Registrierung

In der interventionellen Radiologie werden Echtzeit- Röntgenaufnahmen verwendet, um dem Chirurgen eine Orientierung innerhalb des Körpers zu ermöglichen. Jedoch sind nicht alle wichtigen anatomische Strukturen in diesen Bildern sichtbar. Um diese Strukturen zu visualisieren, können präoperativ aufgenommene 3D-Bilder, wie CT- oder MRT-Scans, auf dem 2D-Bild überlagert werden. 2D/3D-Registrierungsmethoden werden verwendet, um die richtige Position des 3D-Bildes für die Überlagerung zu schätzen. Eine merkmalsbasierte Registriermethode wurde am LME entwickelt, welche insbesondere eine gute Schätzung der Position anhand eines einzelnen 2D-Bildes ermöglicht. Hierbei wird ein Bewegungsmodell verwendet, welches rigide 3D-Transformationen aus 2D-Verschiebungen einer Menge von Punkten schätzen kann.
Im Rahmen dieses Projektes werden Punktselektionsverfahren und Erweiterungen des Bewegungsmodells untersucht, um die Robustheit sowie die Genauigkeit des Verfahrens zu erhöhen. Obwohl viele Selektionsverfahren für Merkmalspunkte existieren, ist das 2D/3D-Registrierungsszenario speziell, da die abgebildeten Objekte für das Röntgensystem durchsichtig sind. Die Auswahl der besten Merkmalspunkte wird abhängig vom Anwendungsfall betrachtet. Dies beinhaltet eine Wahl abhängig von den zu registrierenden Strukturen und von der Qualität der verwendeten Bilder sowie multi-modale Registrierung. Bei dieser ist das Feature-Matching anspruchsvoller, da die Intensitäten für die gleichen Strukturen anders verteilt sind. Erweiterungen zum Bewegungsmodell werden auch untersucht, um die abhängig von den Eigenschaften der Merkmalspunkte ermittelbaren Anteile der Punktverschiebung optimal nutzen zu können (z.B. ist an Kantenpunkten auf Grund des Aperturproblems nur eine 1D-Komponente der Verschiebung ermittelbar, während für Eckpunkte eine 2D-Verschiebung geschätzt werden kann).
Projektleitung:
Prof. Dr.-Ing. habil. Andreas Maier

Beteiligte:
Roman Schaffert, M. Sc., Jian Wang, M. Sc., Dr.-Ing. Anja Borsdorf

Stichwörter:
Starr; Registrierung; Fluoroskopie; CT; merkmalsbasiert; 2-D/3-D; Bewegungsschätzung;

Laufzeit: 1.8.2015 - 31.7.2019

Förderer:
Siemens Healthineers AG

Kontakt:
Schaffert, Roman
Telefon +49 9131 85 27826, Fax +49 9131 85 27270, E-Mail: roman.schrom.schaffert@fau.de
Publikationen
Schaffert, Roman ; Wang, Jian ; Fischer, Peter ; Borsdorf, Anja ; Maier, Andreas: Multi-View Depth-Aware Rigid 2-D/3-D Registration. In: IEEE (Hrsg.) : 2017 IEEE Nuclear Science Symposium and Medical Imaging Conference Record (NSS/MIC) (IEEE Nuclear Science Symposium and Medical Imaging Conference (NSS/MIC) Atlanta, Georgia, USA 26.10.2017). 2017, S. -.
Schaffert, Roman ; Wang, Jian ; Borsdorf, Anja ; Hornegger, Joachim ; Maier, Andreas: Comparison of Rigid Gradient-Based 2D/3D Registration Using Projection and Back-Projection Strategies. In: Tolxdorff, Thomas ; Deserno, M. Thomas ; Handels, Heinz ; Meinzer, Hans-Peter (Hrsg.) : Bildverarbeitung für die Medizin (Workshop Bildverarbeitung für die Medizin Berlin 13.03.2016). Springer : Springer, 2016, S. 140-145.
[doi>10.1007/978-3-662-49465-3_26]
Schaffert, Roman ; Wang, Jian ; Fischer, Peter ; Borsdorf, Anja ; Maier, Andreas: Metric-Driven Learning of Correspondence Weighting for 2-D/3-D Image Registration. In: Springer (Hrsg.) : Pattern Recognition, 40th German Conference (40th German Conference on Pattern Recognition (GCPR 2018) Stuttgart 10.10.2018-12.10.2018). 2018, S. 1-13.

Institution: Lehrstuhl für Informatik 5 (Mustererkennung)
UnivIS ist ein Produkt der Config eG, Buckenhof