SCC: ConfidenceConnectedSegmentation

Link to ITK Doxygen and function description:
Segment pixels with similar statistics using connectivity.
This filter extracts a connected set of pixels whose pixel intensities are consistent with the pixel statistics of a seed point. The mean and variance across a neighborhood (8-connected, 26-connected, etc.) are calculated for a seed point. Then pixels connected to this seed point whose values are within the confidence interval for the seed point are grouped. The width of the confidence interval is controlled by the “Multiplier” variable (the confidence interval is the mean plus or minus the “Multiplier” times the standard deviation). If the intensity variations across a segment were gaussian, a “Multiplier” setting of 2.5 would define a confidence interval wide enough to capture 99% of samples in the segment.

Parameter:
[Multiplier NumberOfIteration ReplaceValue]

Example:
SegmentedImage = matitk('SCC', [1.2 5 1], uint8(InputImage), uint8([]), [row, col, slice]);

SCSS: CellularSegmentationSegmentation(Debug)

I couldn’t find any documentation.

Parameter:
[SetChemoAttractantLowThreshold SetChemoAttractantHighThreshold numberOfIterations]

Example:
SegmentedImage = matitk('SCSS', [3 10 5], uint8(InputImage), uint8([]), []);

SCT: ConnectedThresholdSegmentation

Link to ITK Doxygen and function description:
Label pixels that are connected to a seed and lie within a range of values.
ConnectedThresholdImageFilter labels pixels with ReplaceValue that are connected to an initial Seed AND lie within a Lower and Upper threshold range.

Parameter:
[LowerThreshold UpperThreshold]

Example:
SegmentedImage = matitk('SCT', [40 59], uint8(InputImage), uint8([]), []);

SFM: FastMarchSegmentation

Link to ITK Doxygen and function description:
Solve an Eikonal equation using Fast Marching.
Fast marching solves an Eikonal equation where the speed is always non-negative and depends on the position only. Starting from an initial position on the front, fast marching systematically moves the front forward one grid point at a time.
Updates are preformed using an entropy satisfy scheme where only “upwind” neighborhoods are used.

Parameter:
[stoppingTime]

Example:
SegmentedImage = matitk('SFM', [1], uint8(InputImage), uint8([]), [row, col, slice]);

SGAC: GeodesicActiveContourLevelSetSegmentation

Link to ITK Doxygen and function description:
Segments structures in images based on a user supplied edge potential map.
This class is a level set method segmentation filter. An initial contour is propagated outwards (or inwards) until it ”sticks” to the shape boundaries. This is done by using a level set speed function based on a user supplied edge potential map.
The PropagationScaling parameter can be used to switch from propagation outwards (POSITIVE scaling parameter) versus propagating inwards (NEGATIVE scaling parameter).
In general, the larger the CurvatureScaling, the smoother the resulting contour. To follow the implementation in Caselles et al paper, set the PropagationScaling to (the inflation or ballon force) and AdvectionScaling and CurvatureScaling both to 1.0.

Parameter:
[propagationScaling CurvatureScaling AdvectionScaling MaximumRMSError MaxIteration]

Example:
SegmentedImage = matitk('SGAC', [1 10 1 2 10], uint8(InputImage), uint8(PotentialMap), [row, col, slice]);

SIC: IsolatedConnectedSegmentation

Link to ITK Doxygen and function description:
Label pixels that are connected to one set of seeds but not another.
IsolatedConnectedImageFilter finds the optimal threshold to separate two regions. It has two modes, one to separate dark regions surrounded by bright regions by automatically finding a minimum isolating upper threshold, and another to separate bright regions surrounded by dark regions by automatically finding a maximum lower isolating threshold.
The algorithm labels pixels with ReplaceValue that are connected to Seeds1 AND NOT connected to Seeds2. When finding the threshold to separate two dark regions surrounded by bright regions, given a fixed lower threshold, the filter adjusts the upper threshold until the two sets of seeds are not connected. The algorithm uses a binary search to adjust the upper threshold, starting at Upper. The reverse is true for finding the threshold to separate two bright regions. Lower defaults to the smallest possible value for the InputImagePixelType, and Upper defaults to the largest possible value for the InputImagePixelType.

Parameter:
[LowerThreshold ReplaceValue]

Example:
SegmentedImage = matitk('SIC', [30 255], uint8(InputImage), uint8([]), [row, col, slice, row2, col2, slice2]);

SLLS: LaplacianLevelSetLevelSetSegmentation

Link to ITK Doxygen and function description:
Segments structures in images based on a second derivative image features.
This class is a level set method segmentation filter. It constructs a speed function which is zero at image edges as detected by a Laplacian filter. The evolving level set front will therefore tend to lock onto zero crossings in the image. The level set front moves fastest near edges.
The Laplacian segmentation filter is intended primarily as a tool for refining existing segmentations. The initial isosurface (as given in the seed input image) should ideally be very close to the segmentation boundary of interest. The idea is that a rough segmentation can be refined by allowing the isosurface to deform slightly to achieve a better fit to the edge features of an image. One example of such an application is to refine the output of a hand segmented image.
Because values in the Laplacian feature image will tend to be low except near edge features, this filter is not effective for segmenting large image regions from small seed surfaces.
This filter requires two inputs. The first input is a seed image. This seed image must contain an isosurface that you want to use as the seed for your segmentation. It can be a binary, graylevel, or floating point image. The only requirement is that it contain a closed isosurface that you will identify as the seed by setting the IsosurfaceValue parameter of the filter. For a binary image you will want to set your isosurface value halfway between your on and off values (i.e. for 0′s and 1′s, use an isosurface value of 0.5).
The second input is the feature image. This is the image from which the speed function will be calculated. For most applications, this is the image that you want to segment. The desired isosurface in your seed image should lie within the region of your feature image that you are trying to segment.

Parameter:
[IsoSurfaceValue PropagationScaling CurvatureScaling MaximumRMSError MaxIteration]

Example:
SegmentedImage = matitk('SLLS', [30 1.2 1 2 20], uint8(InputImage), uint8(SeedImage), []);

SNC: NeighbourhoodConnectedSegmentation

Link to ITK Doxygen and function description:
Label pixels that are connected to a seed and lie within a neighborhood.
NeighborhoodConnectedImageFilter labels pixels with ReplaceValue that are connected to an initial Seed AND whose neighbors all lie within a Lower and Upper threshold range.

Parameter:
[RadiusX RadiusY RadiusZ LowerThreshold UpperThreshold ReplaceValue]

Example:
SegmentedImage = matitk('SNC', [10 10 1 30 60 255], uint8(InputImage), uint8([]), [row, col, slice]);

SOT: OtsuThresholdSegmentation

Link to ITK Doxygen and function description:
Threshold an image using the Otsu Threshold.
This filter creates a binary thresholded image that separates an image into foreground and background components. The filter computes the threshold using the OtsuThresholdImageCalculator and applies that theshold to the input image using the BinaryThresholdImageFilter. The NunberOfHistogram bins can be set for the Calculator. The InsideValue and OutsideValue can be set for the BinaryThresholdImageFilter.

Parameter:
[numberOfHistogram]

Example:
SegmentedImage = matitk('SOT', [2], uint8(InputImage), uint8([]), []);

SSDLS: ShapeDetectionLevelSetFilter

Link to ITK Doxygen and function description:
Segments structures in images based on a user supplied edge potential map.
This class is a level set method segmentation filter. An initial contour is propagated outwards (or inwards) until it ”sticks” to the shape boundaries. This is done by using a level set speed function based on a user supplied edge potential map.
This filter requires two inputs. The first input is a initial level set. The initial level set is a real image which contains the initial contour/surface as the zero level set. For example, a signed distance function from the initial contour/surface is typically used. Note that for this algorithm the initial contour has to be wholly within (or wholly outside) the structure to be segmented.
The second input is the feature image. For this filter, this is the edge potential map. General characteristics of an edge potential map is that it has values close to zero in regions near the edges and values close to one inside the shape itself.

Parameter:
[propagationScaling curvatureScaling SetMaximumRMSError SetNumberOfIterations]

Example:
SegmentedImage = matitk('SSDLS', [1.4 1 2 20], uint8(FeatureImage), uint8(GradientImage), []);

SWS: WatershedSegmentation

Link to ITK Doxygen and function description:
A low-level image analysis algorithm that automatically produces a hierarchy of segmented, labeled images from a scalar-valued image input.
This filter implements a non-streaming version of an image segmentation algorithm commonly known as “watershed segmentation”. Watershed segmentation gets its name from the manner in which the algorithm segments regions into catchment basins. If a function f is a continuous height function defined over an image domain, then a catchment basin is defined as the set of points whose paths of steepest descent terminate at the same local minimum of f.
wo parameters control the output of this filter, Threshold and Level. The units of both parameters are percentage points of the maximum height value in the input.
Threshold is used to set the absolute minimum height value used during processing. Raising this threshold percentage effectively decreases the number of local minima in the input, resulting in an initial segmentation with fewer regions. The assumption is that the shallow regions that thresholding removes are of of less interest.
The Level parameter controls the depth of metaphorical flooding of the image. That is, it sets the maximum saliency value of interest in the result. Raising and lowering the Level influences the number of segments in the basic segmentation that are merged to produce the final output. A level of 1.0 is analogous to flooding the image up to a depth that is 100 percent of the maximum value in the image. A level of 0.0 produces the basic segmentation, which will typically be very oversegmented. Level values of interest are typically low (i.e. less than about 0.40 or 40% ), since higher values quickly start to undersegment the image.

Parameter:
[SetLevel SetThreshold]

Example:
SegmentedImage = matitk('SWS', [0.4 0.1], uint8(InputImage), uint8([]), []);

A detailed description about how to compile the code is coming soon… So here we are:

Get and compile the ITK source code

You should get the ITK code, which can be found here:
http://www.itk.org

Configure and compile ITK with CMake. Set CMAKE_OSX_ARCHITECTURES to x86_64:

ccmake .
make


Get and compile the MATITK source code

I was looking for the latest source code of MATITK. The published code in the Insight Jorunal was from 2006. The latest code of MATITK I could found was published 2007 in the mailinglist of MATITK:
http://www.sfu.ca/~hamarneh/matitk-list/msg00012.html

Export your Matlab environment path: export MATLAB="/Applications/MATLAB_R2009b.app"
Configure MATITK with CMake: ccmake .
Set ITK_DIR to the root build tree of ITK, e.g. ~/Downloads/InsightToolkit-3.16.0
Set MATLAB_MEX_EXECUTABLE to where your mex-compiler can be found, e.g. /Applications/MATLAB_R2009b.app/bin/mex
All paths to the ITK Toolboxes should be set, e.g. ~/Downloads/InsightToolkit-3.16.0/bin/libITKBasicFilters.a

I had to edit the MATIK source code, since I got a few errors. Basically, I checked every *.inl for a FunctionCall. Within this call, the last argument ist mostly something like ITK...IMAGEFILTERDESC. I just set that argument into quotation marks, e.g. "ITKANTIALIASBINARYIMAGEFILTERDESC". Now, I could compile without errors:
make

Grab the library here:
MATITK Mac OS X 10.5.8 (64Bit) Matlab 2009b: matitk.mexmaci64

Naja, jedenfalls habe ich nun heraus gefunden, wie das Internet mich (meinen Namen) sieht:

Ihr könnt das selbst mal ausprobieren. Personas ist am MIT entwickelt worden:

It uses sophisticated natural language processing and the Internet to create a data portrait of one’s aggregated online identity. In short, Personas shows you how the Internet sees you.

1. Schiedsrichter lassen sich beeinflussen: Schreit was das Zeug hält! Forscher haben 2 Gruppen von Schiedsrichter eine Situation beurteilen lassen. Eine Gruppe mit Ton, die andere ohne. Jetzt ratet mal, wer weniger Fauls gegen die Heimmannschaft gepfiffen hat. Die Gruppe mit Ton. Schreien hilft!
2. In Wimbledon 2007 lassen sich 70 von 83 falschen Pfiffen durch den Effekt erklären, dass unser Hirn ein 100ms-Verzögerung ausgleicht, indem es eine vorausschauende Illusion im Kopf erstellt und Objekte weiter in dessen Bewegungsrichtung abbildet als sie wirklich sind. Beispielsweise sieht dadurch ein Schiri einen Tennisball schon im Aus, obwohl dieser doch noch im Feld landet.
3. Die Farbe spielt auch eine Rolle. So mussten Punktrichter in einer Studie Tae kwon do Situationen bewerten. Sie gaben dem Kämpfer mit roten Amzug mehr Punkte als dem blauen Gegner. Dafür wurde die gleiche Szene digital bearbeitet und die Farben der Kämpfer vertauscht. Trotzdessen bekam Rot mehr Punkte.

Schiedsrichter sind halt auch bloss Menschen.. und wir wissen immernoch wo ihr Auto steht!

Also ich bin dort. Mal sehen, was es so Neues geben wird. Wie weit die PET-MRT inzwischen sind usw… ich bin gespannt!

Beide Pakete kann man recht einfach installieren. Beim Toolkit sollte man allerdings unbedingt darauf achten, bei der Installation die Option “Customize” oder “Anpassen” zu wählen, um die notwendigen CUDAKext zu installieren.

Vorausgesetzt die Developer Tools (XCode Tools) von Leopard sind installiert, kann man nach einem Neustart das Terminal öffnen und in den CUDA Installationspfad wechseln: cd /Volumes/Macintosh\ HD/Developer/CUDA/. Schnell noch die Umgebungsvariablen in die .bash_profile schreiben:

export NVSDKCUDA_ROOT=/usr/local/cuda
export CUDA_LIB_PATH=/usr/local/cuda/SDK
export PATH=/usr/local/cuda/bin:/usr/local/cuda/open64/bin:$PATH
export DYLD_LIBRARY_PATH=/usr/local/cuda/lib:$DYLD_LIBRARY_PATH

Dann mit make im oben genannten Pfad die Beispielprojekte kompilieren. Als nächstes hab ich dann geschaut, welche Eigenschaften die GT130 hat und das Beispielprogramm deviceQuery ausgeführt: ./bin/darwin/release/deviceQuery. Dabei kam folgendes zum Vorschein:

There is 1 device supporting CUDA

Test PASSED


Das sieht bis auf einen Punkt doch alles ganz vernünftig aus. Die Clock rate ist natürlich viel zu niedrig. Das liegt allerdings daran, dass die GT130 eine Grafikchip für mobile Geräte ist und sie einen variable Taktrate hat. Die 0.34 GHz ist die Power-Saving Clock Rate, also die Stromspar-Variante. Interessant wäre also herauszubekommen, wie die maximale Clock rate aussieht.

[UPDATE] Ich habe gerade gelesen, dass just gestern CUDA 2.1 (Toolkit, SDK) für OS X erschienen ist. Werd ich heut abend gleich mal ausprobieren.

Also mit CUDA 2.1 ist die Clock rate stimmiger und liegt jetzt bei 1.3GHz:

There is 1 device supporting CUDA

Test PASSED


Zum ersten ein Interview mit Thomas Tuschl in der Süddeutschen. Dort erläutert der Wissenschafter, warum er den Ruf nach Berlin nicht gefolgt ist und wie sich die Kanzler der FU Berlin so engagiert hat, ihn nach Deutschland zu holen. Oder eben auch nicht.
Brauchen Sie wirklich eine Spülkraft?

Kenn ihr das auch? Diese kleinen Zellen im Auge? Die immer in Blickrichtung mitschwimmen? Was das ist, steht bei Wikipedia.
Mouches volantes

Wie man seine Schnürsenkeln cleverer und sicherer bindet, erklärt Ian Fieggen
Ian’s Shoelace Site

Als Beispiel der Open Innovation wurde auch Mi Adidas genannt. Auf dieser Plattform kann man sich seinen Sportschuh selbst gestalten. Naja, leider nicht wirklich. Das ist ja auch das Enttäuschende an dieser Plattform. Man kann lediglich nachschlagen, in welchen von 3 Läden in ganz Deutschland, man sich seinen Schuh selbst gestalten kann. Na, juhu.

Andere Schuhhersteller sind da schon wesentlich weiter. Converse zum Beispiel. Der grosse Vorteil dort ist, dass die online entworfenen Schuhe auch nach Deutschland verschickt werden können. die Lieferzeit ist angegeben mit 1- 10 Tage Verarbeitungszeit plus 1- 10 Tage Versand. Klingt durchaus gut. Zumal man die Wahl zwischen unzähligen Modellen hat, die man dann anpassen kann. Die Farbauswahl ist (wie bei allen anderen auch) begrenzt und hängt vom verwendeten Material ab. Zusätzlich kann man sich noch eine 8-stellige ID aufdrucken (oder nähen?) lassen.
Bei Nike hat man ähnliche Möglichkeiten, verschiedene Modelle (Basketball, Running, Outdoor, …) kann man ganz bequem mit seinen Lieblingsfarben bemalen und auch hier läßt sich der Schuh noch weiter personalisieren. Auf das Fersentab kann man sich eine 2-stellige Nummer und an der Seite eine 8-stellige ID aufbringen lassen. Wie bei allen Modellen werden die Texte und Nummern aber auf die internen Richtlinien geprüft und dann Nummern wie 18 oder 00 nicht akzeptiert. Als Lieferzeitraum werden 4 Wochen angegeben. Beide Customization-Shops ähneln sich stark, was auch klar ist, da Converse seit 2003 zu Nike gehört.
Am schönsten ist aber der Shop von Puma. Unter dem Namen Puma Mongolian Shoe BBQ wählt man sich einen von 3 Modellen und geht damit wie bei einem BBQ an die Theke. So ist eben dort auch die Rede von Zutaten. Hier braucht man aber ganze 5-7 Wochen für die Fertigung und Lieferung und man kann sich seinen Namen nicht mit aufsticken lassen. Dafür können im Shop für 17 Elemente am Schuh das Material und die Farbe gewählt werden. Bei den anderen beiden Shops sind das weniger.

Ein interessantes Blog zum Theme Open Innovation und Mass Customization gibt es hier.

Angesprochen wurden Alternativen wie Plastination (Anatomisches Institut, Universität Kiel), zum Übungsobjekt für Chirurgen zu werden (Maryland State Anatomy Board), im Garten unter wissenschaftlicher Beobachtung zu verwesen (Forensic Anthropology Center, University of Tennessee) oder als Crashtestdummy der Wissenschaft einen guten Dienst zu erweisen (Laboratoire de Biomécanique Appliquée).

Ich war ja selbst mal mit im Pathologie-Kurs der Mediziner der Uni Leipzig. Dort haben die Studenten auch an Leichen gelernt. Das war, nicht nur für mich, sehr lehrreich und interessant. Ich begrüße solch ein Verwerten also durchaus! Wobei man vielleicht als erstes eine Organspende in Betracht ziehen sollte. Auf Spiegel-Online stand auch, dass es offenbar einen richtigen Run von Spendewilligen auf die Unis gibt.

Ich bin gerade auf eine interessante Veröffentlichung aufmerksam geworden.

Darin wird untersucht, welche Illustrationen in Neuroscience-Veröffentlichungen höhere Wissenschaftlichkeit beim Leser hervorrufen. So kam dabei heraus, dass Artikel, die mit Hirnbildern illustriert waren, als wissenschaftlicher eingeschätzt wurden als Texte mit anderer Bebilderung (bspw. Graphen, Topographien) oder gar keiner Illustration, obwohl keiner der Artikel einen Überschuss an Wissen beinhaltete.

Sehr interessant, wie sich der gemeine Leser beeinflussen läßt. Dazu muss noch gesagt werden, dass der “gemeine Leser” durch undergraduate students im Alter von 18-25 Jahre repräsentiert wurde. Inwieweit diese also bereits vertraut mit dem Lesen und Beurteilen von wissenschaftlichen Artikeln waren, sei dahin gestellt.

Interessant ist das Ergebnis allemal, da diese Art von Bildern (wie oben gezeigt) eigentlich sehr viel sagen kann. Klar, sie verdeutlichen den gesteigerten Sauerstoffverbrauch im gezeigten Areal, jedoch bedeutet ein erhöhter Verbrauch nicht zwangsläufig eine erhöhte Funktionalität, wie es der Kölner Neurologe Prof. Volker Sturm kürzlich in einem FAZ-Interview formulierte. Dort sagt er, dass die Steigerung ebenso eine Hemmung bedeuten kann und es Fälle gibt, in denen die intellektuelle Leistung am größten ist, wenn das Gehirn ganz ruhig ist.

Was sagt uns das? Die Macht der Bilder, wie alltäglich im Fernsehen bewiesen wird, ist doch erstaunlich gross. Besser immer zweimal hinschauen und nochmal selbst kritisch darüber nachdenken.