Fallspezifisches Lernen zur automatischen Lung in multimodalen MR-Bildern

Kurzfassung. Medizinische Bilddaten haben eine hohe Diversitauf- grund von Inter- und Intrascanner-VariabilitProtokoll-Parametern sowie patientenspezifischer Erscheinungsformen der Physiologie und Pa- thologie. Wenn ein einzelner Klassifikator sVariationen ber¨ uck- sichtigen soll, wird dies seine Genauigkeit stark beeintrZur Seg- mentierung von Lauf multimodalen MR-Bilder schlagen wir aus diesem Grund vor, fjedes neue Bild einen eigenen Klassifikator zu trainieren. Dazu wird geschwelche der Trainingsdaten am besten geeignet sind um den gegebenen Fall zu segmentieren. Mit diesen wird dann ad hoc der spezifische Klassifikator trainiert. Wir evaluieren unse- re Methode anhand der Daten des international ISLE-Wettbewerbs und zeigen, dass eine deutliche Verbesserung der Segmentierungsqualiter- reicht wird.