@mastersthesis{Dullinger2023,
  type      = {Master Thesis},
  author    = {Dullinger, Julian},
  title     = {Planung und Entwicklung einer Pipeline f{\"u}r die Segmentierung von zerebralen Blutgef{\"a}ßen in MRT-Bildsequenzen},
  institution = {Physikalische Technik, Informatik},
  pages     = {73},
  year      = {2023},
  abstract  = {F{\"u}r die Behandlung der Parkinson-Krankheit wird die Methode der Tiefen Hirnstimulation immer h{\"a}ufiger verwendet. Daf{\"u}r muss der Zugangsweg der Elektroden f{\"u}r den Eingriff unter Ber{\"u}cksichtigung von Risikobereichen festgelegt werden. Die Segmentierung und Darstellung dieser Risikobereiche ist ein Hauptbestandteil der pr{\"a}operativen Planung. F{\"u}r die Wests{\"a}chsische Hochschule Zwickau wird ein Demonstrator f{\"u}r die Darstellung dieser Risikobereiche in virtueller Realit{\"a}t entwickelt. Dieser ben{\"o}tigt Segmentierungen von Blutgef{\"a}ßen aus MRT-Bildsequenzen als Eingabedaten. In dieser Arbeit wird eine Pipeline geplant und entwickelt, welche Blutgef{\"a}ße aus MRT-Bildsequenzen segmentieren kann und die Resultate dem Demonstrator zur Verf{\"u}gung stellt. Hierf{\"u}r wurde eine umfangreiche Literaturrecherche durchgef{\"u}hrt, auf deren Basis die Anforderungen der Pipeline festgelegt wurden. Entsprechend der Anforderungen wurden die Verfahren UNet, BRAVE-Net, VMTK und Vesselness-Filter getestet und mit Metriken verglichen. Aus den daraus gewonnen Erkenntnissen wurde eine funktionsf{\"a}hige Pipeline mit einem Convolutional Neural Network auf Basis der UNet-Architektur entwickelt und eine alternative Pipeline f{\"u}r die Verwendung von Vesselness-Filtern demonstriert.},
  language  = {de}
}