Großer Beleg Segmentierung von ATPase-gefärbten - Fakultät ...
Großer Beleg Segmentierung von ATPase-gefärbten - Fakultät ...
Großer Beleg Segmentierung von ATPase-gefärbten - Fakultät ...
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
38 5 FORMWISSEN-ERWEITERUNG ZUR REGIONSPRÜFUNG<br />
p(c) = 1 n ·<br />
n∑<br />
i=1<br />
( )<br />
exp − d2 (c, c i )<br />
2σ 2<br />
(5.5)<br />
Die Distanz zwischen zwei Zellformen berechnet sich durch d 2 (c, c i ) und ist in Gleichung<br />
(5.6) gegeben. Für jeden Pixel (x, y) ∈ Ω DB wird die Distanz aus den Labels gebildet<br />
und quadriert. Ω DB ist der 257x257 Pixel große Bildraum in dem die Datenbankformen<br />
repräsentiert werden. Je nachdem, ob das Seeded-Region-Growing nun mit einer Skalierung<br />
der Trainingsformen arbeitet oder nicht, kann der Bildraum Ω DB auch kleiner oder<br />
größer der genannten Ausdehnung sein. Die einzelnen Einträge der Vektoren c bzw. c i ,<br />
entsprechen den einzelnen Pixeln im Datenbankbildraum und ermöglichen einen Zugiff<br />
auf Labels, die die Zellform beschreiben. Der Zugriff auf das Labeling wird durch<br />
L : Ω DB ↦→ −1, 1 realisiert, so dass ein Label <strong>von</strong> −1 einen außerhalb der Zellform liegenden<br />
Pixel (x, y) anzeigt. L(x, y) = 1 entspricht einem innen liegenden Punkt. L(x, y)<br />
ist an dieser Stelle nicht mit den Labels aus dem Bildraum des Muskelfaserschnittes Ω<br />
zu verwechseln.<br />
d 2 (c, c i ) =<br />
∑<br />
(L c (x, y) − L ci (x, y)) 2 (5.6)<br />
(x,y)∈Ω DB<br />
Aus Gleichung 5.5 wird deutlich, dass die Größe des Parzenfensters nun durch die<br />
Standardabweichung σ gesteuert wird. Wie auch in der allgemeinen Definition des Parzenschätzers<br />
ist es besonders wichtig einen geeigneten Wert für σ zu wählen.<br />
σ sollte so gewählt werden, dass die Gaußverteilung für einen bestimmte Trainingsform<br />
c i (der Erwartungswert) möglichst die am nächsten gelegenen anderen Zellformen miteinschließt.<br />
In [dS01] wird eine Standardabweichung <strong>von</strong> σ = 1/ √ n vorgeschlagen, die<br />
als Initialisierung verwendet und im späteren Verlauf optimiert werden kann. Hierbei ist<br />
n die Anzahl der vorhandenen Trainingsformen. Bei anderen <strong>Segmentierung</strong>sverfahren<br />
wurden ebenfalls Kerndichteschätzungen verwendet, um <strong>Segmentierung</strong>sergebnisse mit<br />
bestimmten Trainingsformen zu vergleichen. Die praktischen Tests haben gezeigt, dass<br />
für das Seeded-Region-Growing der <strong>von</strong> Cremers, Osher und Soatto vorgeschlagenen<br />
Ansatz zur Abschätzung <strong>von</strong> σ besonders geeignet ist. Die Abschätzung erfolgt über<br />
die durchschnittliche Distanz jeder Trainingsform zu ihrem nächsten Nachbarn. Mathematisch<br />
ausgedrückt ergibt sich die Formel aus Gleichung (5.7). Es wird also für jede<br />
Trainingsform c i der nächste Nachbar c j ermittelt, der folglich die kürzeste Distanz zu<br />
c i hat. Über diese Distanzen wird anschließend gemittelt [COS06].