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.
3<br />
1 Einführung<br />
Die Bildsegmentierung und im Besonderen die medizinische Bildverarbeitung sind Anwendungsgebiete<br />
der Informatik, in denen in den letzen Jahren große Fortschritte erreicht<br />
wurden. Typische medizinische Bilddaten, zum Beispiel Röntgenbilder, Computerund<br />
Magnetresonanztomographie (CT,MT), Ultraschallbilder, sowie Gewebeproben aus<br />
Pathologie und Histologie, bieten einen großen Anwendungsbereich für computergestützte<br />
Bildsegmentierung [SSS02]. Durch die Weiterentwicklung und Erforschung <strong>von</strong> bekannten<br />
<strong>Segmentierung</strong>smethoden und neuen Bilderkennungsalgorithmen kann für die<br />
meisten medizinischen Bildgebungsverfahren eine computerbasierte Bildverarbeitung<br />
ermöglicht werden. Vorhandene Applikationen sind, je nach Anwendungsfall, unterschiedlich<br />
stark automatisiert.<br />
Trotz der bisherigen Fortschritte kann man sagen, dass vollautomatisierte Bildsegmentierung<br />
der menschlichen Bilderkennungsleistung weit unterlegen ist. Während der<br />
menschliche bzw. tierische Wahrnehmungsapparat verschiedenste, sehr komplexe <strong>Segmentierung</strong>sprobleme<br />
in kurzer Zeit lösen kann, sind Applikationen zur automatisierten<br />
Bildsegmentierung meist speziell auf einen konkreten Anwendungsfall zugeschnitten. Eine<br />
Veränderung der Randbedingungen, für die ein <strong>Segmentierung</strong>salgorithmus optimiert<br />
ist, führt oft zum Scheitern des <strong>Segmentierung</strong>ssystems. Der Mensch hingegen kann für<br />
beliebige Bilddaten, auch unter sehr schlechten Rahmenbedingungen (Bildstörungen,<br />
Verrauschung, Farbveränderungen) Bildelemente schnell und sicher erkennen. Die Spezialisierung<br />
<strong>von</strong> automatischen <strong>Segmentierung</strong>ssystemen auf eingeschränkte Aufgaben,<br />
führt zu immer neuen Problemstellungen, die mit bisherigen Verfahren nicht zufriedenstellend<br />
zu lösen sind.<br />
Trotz der Überlegenheit der menschlichen Bilderkennungsleistung ist es dennoch erstrebenswert,<br />
<strong>Segmentierung</strong> durch Algorithmen zu automatisieren. Für viele medizinische<br />
Diagnosen müssen zunächst große Mengen <strong>von</strong> Bilddaten analysiert und klassifiziert<br />
werden, um gesicherte Aussagen über die genaue Sachlage zu erhalten.<br />
Die vorliegende Arbeit begründet sich auf der Problemstellung, Muskelfaserzellen vollautomatisch<br />
zu segmentieren. Die Erkennung <strong>von</strong> Zellen kann zwar gut manuell ausgeführt<br />
werden, wird jedoch durch Anwendung <strong>von</strong> automatisierter <strong>Segmentierung</strong><br />
schneller und effizienter. Besonders bei großen Datenmengen kann durch eine ununterbrochene<br />
Analyse durch Computersysteme viel personeller Aufwand verringert werden.<br />
Eine manuelle <strong>Segmentierung</strong> vieler Muskelfaserschnitte ist nicht nur ein zeitaufwendiger,<br />
sondern auch monotoner Arbeitsvorgang. Durch Abnahme der Konzentration<br />
steigt die Wahrscheinlichkeit für ein ungenaues <strong>Segmentierung</strong>sergebnis. Solche Feh-