Statistische 3D-Formmodelle mit verteilter Erscheinungsmodellierung - Segmentierung per Abstimmung

Die Segmentierungsfahigkeit 3D Statistischer Formmodelle wird durch eine limitierte, typischerweise unidirektionale Landmarkensuche und durch schwaches Lernen auf lokal begrenzter Bildinformation erheblich eingeschrankt. Wir prasentieren eine Erweiterung 3D Statistischer Formmodelle um eine verteilte Erscheinungsmodellierung auf der Grundlage randomisierter Regressionswalder. Diese schatzen von unterschiedlichen Bildpositionen aus die Lage gesuchter Oberflachenlandmarken und ziehen dabei einen ganzheitlicheren Nutzen aus verteilter Bildinformation. Schlieslich werden alle Schatzungen in einem Abstimmungsverfahren zu einer robusten Positionsschatzung gebundelt. Nach erfolgreichen Anwendungen bei der Multi-Organ-Segmentierung aus fruheren Arbeiten demonstrieren wir die Segmentierungsfahigkeit der Methode auf besonders herausfordernden Daten. Fur diesen Zweck fuhren wir Segmentierungen des linken Herzventrikels auf 32 transosophagealen 3D-Ultraschalldaten durch. Ergebnisse werden quantitativ in 4-facher Kreuzvalidierung evaluiert und mit veroffentlichten Ergebnissen hochspezialisierter Methoden verglichen. Ohne zusatzliche Parameteroptimierung, Bildvorverarbeitung und Modellinitialisierung werden hierbei Ergebnisse erzielt, die sich im Bereich spezialisierter Methoden bewegen.