Visual Computing in Medicine - Cheatsheet

Filtertechniken zur Bildverbesserung

Definition:

Filtertechniken zur Bildverbesserung: Methoden zur Reduktion von Rauschen, Verbesserung der Kanten und allgemeiner Bildverbesserung.

Details:

• Glättungsfilter: Reduktion von Rauschen.
• Scharfzeichnungsfilter: Verstärkung der Kanten.
• Medianfilter: Entfernt impulsives Rauschen.
• Gaußfilter: Glättet das Bild durch einen gewichteten Mittelwert.
• Sobel-Filter: Detection von Kanten mittels Gradientenberechnung.

Segmentation von medizinischen Bildern

Definition:

Segmentierung von medizinischen Bildern ist der Prozess der Trennung relevanter Strukturen oder Bereiche (z.B. Organe, Tumore) vom Hintergrund in einem medizinischen Bild.

Details:

• Automatische oder manuelle Methoden zur Segmentierung
• Wichtige Verfahren: Schwellenwertverfahren, Region Growing, K-Means Clustering, Schnappzieher-Algorithmus
• Deep Learning Methoden zunehmend wichtig: U-Net, Fully Convolutional Networks (FCNs)
• Genaue Segmentierung essentiell für Diagnose, Operationsplanung und Therapieüberwachung
• Evaluierung der Segmentierung durch Metriken wie Dice-Koeffizient, Jaccard-Index

Volumenrendering und Oberflächenrendering

Definition:

Techniken zur Visualisierung medizinischer Daten: Volumenrendering für volumetrische Daten, Oberflächenrendering für explizite Oberflächen.

Details:

• Volumenrendering: Darstellung des gesamten Volumens; verwendet Intensitäten \textit{oder} Transparenzen der Voxels
• Oberflächenrendering: Darstellung/Extraktion von Oberflächen; meist durch Isosurfaces
• Wichtige Verfahren im Volumenrendering: Raycasting, Splatting \textit{und} Texture Mapping
• Wichtige Verfahren im Oberflächenrendering: Marching Cubes (extrahiert Isosurfaces)
• Anwendung: Diagnose, Operationsplanung \textit{oder} Forschung
• Performance: Volumenrendering häufig rechenintensiver als Oberflächenrendering

Machine Learning und Deep Learning für die Bildanalyse

Definition:

Verwendung von ML- und DL-Techniken zur Analyse und Interpretation medizinischer Bilder.

Details:

• ML: Algorithmen, die Muster in Daten finden (z.B. SVM, Random Forest).
• DL: Neuronale Netze, insbesondere CNNs, die Schichten zur Merkmalserkennung verwenden.
• CNNs: Convolutional Layers, Pooling Layers, Fully Connected Layers.
• Trainingsprozess: Forward Propagation, Loss Function, Backpropagation.
• Datenvorverarbeitung: Normalisierung, Augmentierung.
• Evaluation: Accuracy, Precision, Recall, F1-Score, ROC/AUC.
• Anwendungen: Segmentierung, Klassifikation, Erkennung von Anomalien.

Erfassung und Verarbeitung von Volumendaten

Definition:

Erfassung und Verarbeitung von Volumendaten ist die Sammlung und Bearbeitung von 3D-Daten, oft für medizinische Anwendungen wie CT- oder MRT-Scans.

Details:

• Volumendaten werden in Form von Voxeln dargestellt.
• Typische Schritte: Datenerfassung, Vorverarbeitung, Segmentierung, Visualisierung.
• Datenerfassung: Nutzung von Bildgebungsverfahren (CT, MRT, Ultraschall).
• Vorverarbeitung: Rauschen entfernen, Bildverbesserung.
• Segmentierung: Objekte oder Strukturen im Volumen identifizieren.
• Visualisierung: 3D-Darstellung der Volumendaten, z.B. durch Volume Rendering.
• Mathematische Werkzeuge: Fourier-Transformation, Filter (gaussisch, median).
• Wichtige Algorithmen: Marching Cubes, Raycasting.

Interaktive Visualisierungen für Diagnose und Therapie

Definition:

Einsatz interaktiver visueller Werkzeuge zur Unterstützung von Diagnose und Therapieprozessen.

Details:

• Ermöglicht detaillierte Untersuchung von medizinischen Bilddaten (CT, MRT, Ultraschall)
• Verbesserung der Diagnosegenauigkeit durch visuelle Analyse
• Hilfe bei der Planung und Überwachung therapeutischer Maßnahmen
• Integration von 3D-Visualisierungen zur besseren Raumwahrnehmung
• Echtzeit-Interaktion mit medizinischen Daten zur Untersuchung verschiedener Szenarien
• Nutzung von Algorithmen zur Segmentierung und Annotation von medizinischen Bildern
• Unterstützung durch Augmented Reality (AR) und Virtual Reality (VR)
• Bessere Visualisierung von organischen Strukturen und Pathologien

Transformationen und Filtermethoden

Definition:

Transformationen und Filtermethoden: Techniken zur Anpassung und Verbesserung von medizinischen Bildern in Visual Computing.

Details:

• Transformationen: Rotation, Skalierung, Translation, Shearing
• Homogene Koordinaten für kombinierte Transformationen
• Filtermethoden: Rauschentfernung, Kantenverstärkung, Glättung
• Wichtige Filter: Gauß-Filter, Median-Filter, Sobel-Filter
• Fourier-Transformation für Frequenzanalysen
• LTI-Systeme und Faltung: \[ (f * g)(t) = \int_{-\infty}^{\infty} f(\tau) g(t - \tau) d\tau \]
• Kernel-Matrix für diskrete Filter

Integration von bildgebenden Verfahren in chirurgische Navigationssysteme

Definition:

Integration von bildgebenden Verfahren (z.B. CT, MRT) in chirurgische Navigationssysteme zur präzisen Verfolgung von Instrumenten und anatomischen Strukturen während der OP

Details:

• Verbesserung der Operationsgenauigkeit durch Echtzeit-Visualisierung
• CT: Computertomographie für detaillierte Querschnittsbilder
• MRT: Magnetresonanztomographie zur Darstellung weicher Gewebe
• DICOM-Standard für den Austausch medizinischer Bilder
• Registrierung: Ausrichten der Bilddaten mit dem Patienten
• Kalibrierung der Tracking-Systeme für präzise Navigation
• Fluoroskopie bei minimalinvasiven Eingriffen