3D active shape modeling for cardiac MR and CT image
segmentation
Assen, Hans Christiaan van
Citation
Assen, H. C. van. (2006, May 10). 3D active shape modeling for cardiac MR
and CT image segmentation. Retrieved from https://hdl.handle.net/1887/4460
Version:
Corrected Publisher’s Version
License:
Licence agreement concerning inclusion of doctoral
thesis in the Institutional Repository of the University
of Leiden
Downloaded from:
https://hdl.handle.net/1887/4460
Stellingen
behorend bij het proefschrift
’3D Active Shape Modeling for Cardiac MR and CT Image Segmentation’
van Hans Christiaan van Assen 1. Adaptieve weefselklassificatie tijdens het matchen van een ”Active Shape Mo-del” (ASM) heeft als voordeel boven grijswaardentraining, dat een dergelijk ASM toepasbaar is op een breder veld van radiologische modaliteiten. (dit proefschrift) 2. Gedistribueerde computertechnologie is een vereiste voor het uitvoeren van groot-schalige beeldverwerkingsstudies en voor het bereiken van een goede fijnafstel-ling van klinische multi-parameter-afhankelijke beeldverwerkingstoepassingen. (dit proefschrift)
3. Door grijswaardentraining bij de constructie van statistische vormmodellen ach-terwege te laten, worden dergelijke modellen ook toepasbaar op beeldvlakken die een andere orientatie in de ruimte hebben dan de beeldvlakken die tijdens de modeltrainingfase zijn gebruikt. (dit proefschrift)
4. Door langs de oppervlakken van een ”Active Shape Model” (ASM) de uit een beeld-dataset afgeleide informatie met een weging te propageren, wordt een der-gelijk ASM toepasbaar op dunner bemonsterde datasets zonder significant schillende segmentatieresultaten te genereren ten opzichte van resultaten ver-kregen op dicht bemonsterde datasets. (dit proefschrift)
5. Wanneer parameters ter kwalificatie van statistische modellen, zoals generalise-rend vermogen, compactheid en specificiteit niet eenduidig zijn bij de kwalificatie van modellen die met verschillende puntcorrespondenties zijn geconstrueerd, dan zijn de kwaliteitsverschillen van de verkregen segmentatieresultaten volledig af-hankelijk van het gebruikte feature-detectie-algoritme. (dit proefschrift)
6. Als gevolg van de grote verscheidenheid in vormen en verschijningen van zowel gezonde als pathologische structuren in humane medische beelden, en vanwe-ge de verscheidenheid in kwaliteit van de medische beelden zelf, vanwe-gecombineerd met de mogelijke consequenties van de uitkomst voor de pati¨ent, is de medische beeldverwerking de moeilijkste vorm van beeldverwerking.
7. In de nabije toekomst zullen computer-ondersteund diagnosticeren en -beslissen onmisbaar zijn in de dagelijkse klinische praktijk.
8. Een model vertegenwoordigt enkel de beschikbare kennis, het vertegenwoordigt niet ”de waarheid”.
9. ”Meten is weten”, visualiseren is begrijpen.
