Wahrscheinlichkeitsbasiertes Modell zur verknüpften Segmentierungs- und elastischen Deformationsanalyse in der medizinischen Bildverarbeitung

Die Verfügbarkeit schneller Rechentechnik ermöglichte es in den letzten Jahren, komplexere Bildverarbeitungsalgorithmen zu entwickeln und für die praktische Bildverarbeitung zugänglich zu machen. Basierend auf den Theorien der Markov-Random- und Gibbs-Felder wird in dieser Arbeit ein komplexes Wahrscheinlichkeitsmodell entwickelt, welches die automatische gleichzeitige Textursegmentierung und elastische Deformationsanalyse ermöglicht. Durch das unüberwachte Anlernen von Wahrscheinlichkeitsverteilungen, die homogenitätsabhängige automatische Anpassung von Nachbarschaftsrelationen und die Integration von anatomischem sowie biomechanischem A-Priori-Wissen konnten die Parametrisierung des Modells minimiert und die Robustheit erhöht werden. Zur Illustration des entwickelten Verfahrens wird der Schwerpunkt auf die Verarbeitung medizinischer Daten verschiedener Modalitäten gelegt, da gerade neuroradiologische Fragestellungen höchste Anforderungen an Genauigkeit und Verlässlichkeit von Bildverarbeitungsalgorithmen bei minimalem Parametrisierungsaufwand stellen.