La lecture à portée de main
Découvre YouScribe en t'inscrivant gratuitement
Je m'inscrisDécouvre YouScribe en t'inscrivant gratuitement
Je m'inscrisDescription
Sujets
Informations
Publié par | ruprecht-karls-universitat_heidelberg |
Publié le | 01 janvier 2011 |
Nombre de lectures | 31 |
Langue | Deutsch |
Poids de l'ouvrage | 3 Mo |
Extrait
Inaugural-Dissertation
zur
Erlangung der Doktorwu¨rde
der
Naturwissenschaftlich-Mathematischen
Gesamtfakulta¨t
der Ruprecht-Karls-Universit¨at
Heidelberg
vorgelegt von
Diplom-Physiker Frederik Orlando Kaster
aus Kirchheimbolanden
Tag der mu¨ndlichen Pru¨fung: 11. Mai 2011Bildanalyse fu¨r die Lebenswissenschaften –
Rechnerunterstu¨tzte Tumordiagnostik
und Digitale Embryomik
Gutachter: Prof. Dr. Fred A. Hamprecht
Prof. Dr. Wolfgang SchlegelDissertation
submitted to the
Combined Faculties for the Natural Sciences and for Mathematics
of the Ruperto-Carola University of Heidelberg, Germany
for the degree of
Doctor of Natural Sciences
Put forward by
Diplom-Physiker Frederik Orlando Kaster
Born in: Kirchheimbolanden
Oral examination: May 11, 2011Image Analysis for the Life Sciences –
Computer-assisted Tumor Diagnostics
and Digital Embryomics
Referees: Prof. Dr. Fred A. Hamprecht
Prof. Dr. Wolfgang SchlegelZusammenfassung
Die moderne lebenswissenschaftliche Forschung erfordert die Analyse einer derart
großen MengevonBilddaten,dasssienurnochautomatisiert bewaltigtwerdenkann.¨
Diese Arbeitstellt einige M¨oglichkeiten vor, wieautomatische Mustererkennungsver-
fahren zu verbesserter Tumordiagnostik und zur Entschlusselung der Embryonalent-¨
wicklung von Wirbeltieren beitragen k¨onnen.
Kapitel 1 untersucht einen Ansatz, wie raumliche Kontextinformation zur verbesser-¨
ten Scha¨tzung von Metabolitenkonzentrationen aus Magnetresonanzspektroskopie-
bildgebungs-(MRSI-)Daten zwecks robusterer Tumorerkennung verwendet werden
kann, und vergleicht diesen mit einem neuen Alternativverfahren.
Kapitel2beschreibteineSoftwarebibliothekzumTraining,TestenundValidierenvon
Klassifikationsalgorithmen zur Scha¨tzung von Tumorwahrscheinlichkeiten an Hand
von MRSI-Daten. Diese ermoglicht die Anpassung an geanderte experimentelle Be-¨ ¨
dingungen,denVergleichverschiedenerKlassifikatorensowieQualita¨tskontrolle:dafu¨r
ist kein Expertenwissen aus der Mustererkennung mehr erforderlich.
Kapitel 3untersucht verschiedene Modelle zumLernenvon Tumorklassifikatorenun-
terBerucksichtigungderinderPraxishaufigauftretendenUnzuverlassigkeit mensch-¨ ¨ ¨
licherSegmentierungen.Zumersten MalwerdenModellefu¨rdieseKlassifikationsauf-
gabe verwendet, welche zusatzlich die objektive Information aus den Bildmerkmalen¨
nutzen.
Kapitel 4 enthalt zwei Beitrage zu einem Bildanalysesystem fur die automatisierte¨ ¨
RekonstruktionderEntwicklungvonZebraba¨rbling-EmbryonenanHandvonzeitauf-
gelosten Mikroskopiebildern: Zwei Verfahren zur Zellkernsegmentierung werden ex-¨
perimentell verglichen, und ein Verfahren zur Verfolgung von Zellkernen u¨ber die
Zeit wird vorgestellt und ausgewertet.