Rekonstruktion der Koronar-Anatomie mittels digitaler Bildverarbeitung von Echokardiogrammen
Rekonstruktion der Koronar-Anatomie mittels digitaler Bildverarbeitung von Echokardiogrammen
Files
Date
2005
Authors
Graichen, Uwe
Editors
Journal ISSN
Electronic ISSN
ISBN
Bibliographical data
Publisher
Series
URI (citable link)
International patent number
Link to the license
EU project number
Project
Open Access publication
Collections
Title in another language
Reconstruction of coronary anatomy by means of digital image processing of echocardiographs
Publication type
Dissertation
Publication status
Published in
Abstract
One of the main causes of death in the western countries are coronary heart
diseases. Presently, the X-ray angiography is the gold standard for the
examination of coronary arteries. This invasive, X-ray-based procedure
requires the infrastructure of a cardiac catheterization lab. Ultrasonic
examinations are getting more and more important as an imaging technique in
cardiography. In contrast to the X-ray angiography, patient and physician are
not exposed to degrading radiation. Further, ultrasound devices are commonly
used already and inexpensive in comparison to other imaging systems. The goal
of this project was to develop an image processing system, which can detect
and quantify coronary arteries in 3D-ultrasound data and thus can supplement
or replace the X-ray angiography examination. The procedure consists of
several steps: 1st the interpolation of volumedata without artefacts, 2nd the
analysis of the local structure of the datasets, 3rd tracking the run of the
vessels and 4th the segmentation of the vessel lumen.
3D ultrasound datasets are interpolated out of a series of 2D ultrasound
images, which are recorded using a transesophageal transducer. The recording
is triggered by the ECG and needs a few minutes. Because of the long recording
time, the motion of the heart and of the patient during the recording the
image series contain movement artefacts. This artefacts can be reduced by
registration adjacent images in the series before interpolation volume data.
The registration is done using a rigid, correlation based method. Rotation and
scaling parameter are determined from the Fourier-Mellin invariant descriptors
of the images. The translation parameters are calculated out of the by
rotation and scaling corrected images. Due the special structure of the
ultrasound images a windowing function adapted to the ultrasound cone is used.
With this modified volume interpolation method movement artefacts can be
significant reduced.
The analysis of the local structure is used to detect line-like structures in
3D ultrasound datasets. The structural analysis is done using the local
differential structure of the datasets. Particularly suitable for this purpose
are Hessians which are calculated for every voxel of the Gaussian-smoothed 3D
dataset. The Eigenvectors of the Hessian establish an orthogonal system. Two
Eigenvectors are pointing in the directions with the minimal or maximal
absolut value of the second derivation respectively. The third is orthogonal
to both. The Eigenvalues connected to the Eigenvectors spezify the value of
the second derivation. From the Eigenvalue a similarity measure with Gaussian
lines is calculated. By chosing the the standard deviation and by examination
the sign of the Eigenvalues it is possible to search selective of a line-like
with a specific diameter and progression of contrast.
The run of the vessels is described by centerlines. The result of the
structural analysis step is 3D dataset with similarity measures with the
select line-like structure. The centerlines are calculated in such a way that
the run of the centerline is close to voxels with large similarity measures.
This done by a modified thinning method. First a threshold is applied. Voxels
with a similarity measure smaller than this threshold are set to zero. From
the remaining voxels a erasure list is generated. The erasure list contains
coordinates of the voxels and is sorted by the similarity measures in
ascending order. During the thinning the erasure list is traversed and it is
checked to delete the voxel without changing the topology and without removing
end points of the skeleton. The resulting resulting skeleton runs close to
voxels with large similarity measures.
Along the centerlines of the vessels the lumen of the vessels is segmented.
For every voxel on the centerline a cross section is calculated. The normal of
the cross section is the Eigenvector of the Hessian which is connected to the
Eigenvalue with the smallest absolute value. On the cross sections the lumen
of the vessels is segmented using a modified Snake-method. The potential
function, which describes the energy of the image, is calculated from the
magnitude of the gradients and additionally from the similarity measure with
line-like structures. The potential forces which affect to the Snake are
calculated from this potential function using the gradient-vector-flow
method. By this modified Snake method is robust approach for segmenting the
lumen of vessels.
diseases. Presently, the X-ray angiography is the gold standard for the
examination of coronary arteries. This invasive, X-ray-based procedure
requires the infrastructure of a cardiac catheterization lab. Ultrasonic
examinations are getting more and more important as an imaging technique in
cardiography. In contrast to the X-ray angiography, patient and physician are
not exposed to degrading radiation. Further, ultrasound devices are commonly
used already and inexpensive in comparison to other imaging systems. The goal
of this project was to develop an image processing system, which can detect
and quantify coronary arteries in 3D-ultrasound data and thus can supplement
or replace the X-ray angiography examination. The procedure consists of
several steps: 1st the interpolation of volumedata without artefacts, 2nd the
analysis of the local structure of the datasets, 3rd tracking the run of the
vessels and 4th the segmentation of the vessel lumen.
3D ultrasound datasets are interpolated out of a series of 2D ultrasound
images, which are recorded using a transesophageal transducer. The recording
is triggered by the ECG and needs a few minutes. Because of the long recording
time, the motion of the heart and of the patient during the recording the
image series contain movement artefacts. This artefacts can be reduced by
registration adjacent images in the series before interpolation volume data.
The registration is done using a rigid, correlation based method. Rotation and
scaling parameter are determined from the Fourier-Mellin invariant descriptors
of the images. The translation parameters are calculated out of the by
rotation and scaling corrected images. Due the special structure of the
ultrasound images a windowing function adapted to the ultrasound cone is used.
With this modified volume interpolation method movement artefacts can be
significant reduced.
The analysis of the local structure is used to detect line-like structures in
3D ultrasound datasets. The structural analysis is done using the local
differential structure of the datasets. Particularly suitable for this purpose
are Hessians which are calculated for every voxel of the Gaussian-smoothed 3D
dataset. The Eigenvectors of the Hessian establish an orthogonal system. Two
Eigenvectors are pointing in the directions with the minimal or maximal
absolut value of the second derivation respectively. The third is orthogonal
to both. The Eigenvalues connected to the Eigenvectors spezify the value of
the second derivation. From the Eigenvalue a similarity measure with Gaussian
lines is calculated. By chosing the the standard deviation and by examination
the sign of the Eigenvalues it is possible to search selective of a line-like
with a specific diameter and progression of contrast.
The run of the vessels is described by centerlines. The result of the
structural analysis step is 3D dataset with similarity measures with the
select line-like structure. The centerlines are calculated in such a way that
the run of the centerline is close to voxels with large similarity measures.
This done by a modified thinning method. First a threshold is applied. Voxels
with a similarity measure smaller than this threshold are set to zero. From
the remaining voxels a erasure list is generated. The erasure list contains
coordinates of the voxels and is sorted by the similarity measures in
ascending order. During the thinning the erasure list is traversed and it is
checked to delete the voxel without changing the topology and without removing
end points of the skeleton. The resulting resulting skeleton runs close to
voxels with large similarity measures.
Along the centerlines of the vessels the lumen of the vessels is segmented.
For every voxel on the centerline a cross section is calculated. The normal of
the cross section is the Eigenvector of the Hessian which is connected to the
Eigenvalue with the smallest absolute value. On the cross sections the lumen
of the vessels is segmented using a modified Snake-method. The potential
function, which describes the energy of the image, is calculated from the
magnitude of the gradients and additionally from the similarity measure with
line-like structures. The potential forces which affect to the Snake are
calculated from this potential function using the gradient-vector-flow
method. By this modified Snake method is robust approach for segmenting the
lumen of vessels.
Summary in another language
Eine der Haupttodesursachen in den westlichen Ländern sind koronare
Herzerkrankungen. Momentan ist die Röntgenangiographie Goldstandard bei der
Beurteilung der Koronargefäße. Dieses invasive, röntgenbasierte Verfahren
bedarf der Infrastruktur eines Herzkatheterlabors. Ultraschall gewinnt in der
Kardiographie als bildgebendes Verfahren zunehmend an Bedeutung. Im Gegensatz
zur Röntgenangiographie erfolgt keine Belastung des Patienten und des Arztes
durch ionisierende Strahlung. Ultraschallgeräte sind, verglichen mit anderen
bildgebenden Geräten, preiswert und sehr stark verbreitet. Ziel der Arbeit ist
es, ein Verfahren zu entwickeln, mit dem die Koronarien in
3D-Ultraschalldatensätzen detektiert und quantitativ bewertet werden können.
Das Verfahren besteht aus einer Kette von mehreren Bildverarbeitungsschritten:
1. der artefaktarmen Rekonstruktion von Volumendatensätzen, 2. der
Strukturanalyse der Ultraschalldatensätze, 3. der Ermittlung des
Gefäßverlaufes und 4. der Segmentierung der Gefäßlumen.
Die Ultraschallvolumendatensätze werden aus 2D-Ultraschallbildserien
interpoliert, die mit Hilfe einer Transösophageal Ultraschall Sonde
aufgezeichnet wurden. Die Aufnahme erfolgt, nach Herz- und Atemphase
getriggert, aus der Speiseröhre heraus und dauert einige Minuten. Aufgrund der
langen Aufnahmezeit, der starken Eigenbewegung des Herzens und der Bewegung
des Patienten während der Aufzeichnung enthalten die Bilder
Bewegungsartefakte. Diese Artefakte kann man vermindern, indem man benachbarte
Bilder aus den Ultraschallbildserien vor der Volumenrekonstruktion
registriert. Durch das modifizierte Volumenrekonstruktionsverfahren wurden die
Bewegungsartefakte deutlich reduziert.
Mit Hilfe der Strukturanalyse sollen linienartige Strukturen mit vorgegebenem
Durchmesser und Kontrastverlauf in Volumendatensätzen detektiert werden. Die
Strukturanalyse erfolgt unter Verwendung der lokalen Differentialeigenschaften
der Ultraschallvolumendatensätze. Als besonders geeignet hat sich das
Strukturanalyseverfahren mittels Hessematrix erwiesen. Bei diesem Verfahren
wird für jedes Voxel eines mit einem Gaußkern gefalteten Volumendatensatzes
eine Hessematrix berechnet. Aus den Eigenwerten der Hessematrizen wird für
jedes Voxel ein Ähnlichkeitsmaß mit einer Gaußschen Linie bestimmt. Durch die
entsprechende Wahl der Standardabweichung des Gaußkerns, mit dem der
Volumendatensatz gefaltet wird, und durch Auswertung der Vorzeichen der
Eigenwerte der Hessematrizen kann gezielt nach linienartigen Strukturen mit
bestimmtem Durchmesser und Kontrastverlauf gesucht werden.
Der Gefäßverlauf wird durch Mittelachsen repräsentiert. Als Ergebnis der
Strukturanalyse des Ultraschalldatensatzes erhält man einen Volumendatensatz
mit Ähnlichkeitsmaßen zur vorgewählten linienartigen Struktur. Die
Mittelachsen werden so ermittelt, daß sie in der Nähe von Voxeln mit großen
Ähnlichkeitsmaßen verlaufen. Dies wird durch ein modifiziertes
Thinningverfahren realisiert. Zuerst wird ein Schwellwertverfahren angewendet.
Voxel mit einem kleineren Ähnlichkeitsmaß als dem Schwellwert werden auf Null
gesetzt und aus den verbleibenden Voxeln eine Löschliste erstellt. Die
Löschliste enthält die Koordinaten der Voxel und ist nach den
Ähnlichkeitsmaßen in aufsteigender Reihenfolge geordnet. Während des Thinnings
wird die Löschliste in aufsteigender Reihenfolge durchlaufen. Es wird geprüft,
ob das entsprechende Voxel entfernt werden kann, ohne die Topologie zu stören
und Endpunkte vom entstehenden Skelett zu entfernen. Das so entstehende
Skelett verläuft nahe der Voxel mit großen Ähnlichkeitsmaßen.
Entlang der Gefäßverläufe wird das Gefäßlumen segmentiert. Für jedes Voxel der
Mittelachse wird ein radialer Gefäßschnitt ermittelt. Als Normale der radialen
Schnitt"-ebene dient der Eigenvektor der Hessematrix mit dem betraglich
kleinsten zugehörigen Eigenwert. Auf den 2D-Schnittbildern wird der
Gefäßquerschnitt mit Hilfe eines modifizierten Snake-Verfahrens segmentiert.
Die Potentialfunktion, die die Bildenergie beschreibt, wird aus den Beträgen
der Gradienten und zusätzlich aus den Ähnlichkeitsmaßen für gerichtete
linienartige Strukturen bestimmt. Die Potentialkräfte, die auf die Snake
einwirken, werden aus dieser Potentialfunktion bestimmt. Das Vektorfeld, das
diese Potentialkräfte beschreibt, wird mit Hilfe des
Gradient-Vector-Flow-Verfahrens berechnet. Das modifizierte Snake-Verfahren
ermöglicht es, Gefäßquerschnitte robust zu segmentieren.
Herzerkrankungen. Momentan ist die Röntgenangiographie Goldstandard bei der
Beurteilung der Koronargefäße. Dieses invasive, röntgenbasierte Verfahren
bedarf der Infrastruktur eines Herzkatheterlabors. Ultraschall gewinnt in der
Kardiographie als bildgebendes Verfahren zunehmend an Bedeutung. Im Gegensatz
zur Röntgenangiographie erfolgt keine Belastung des Patienten und des Arztes
durch ionisierende Strahlung. Ultraschallgeräte sind, verglichen mit anderen
bildgebenden Geräten, preiswert und sehr stark verbreitet. Ziel der Arbeit ist
es, ein Verfahren zu entwickeln, mit dem die Koronarien in
3D-Ultraschalldatensätzen detektiert und quantitativ bewertet werden können.
Das Verfahren besteht aus einer Kette von mehreren Bildverarbeitungsschritten:
1. der artefaktarmen Rekonstruktion von Volumendatensätzen, 2. der
Strukturanalyse der Ultraschalldatensätze, 3. der Ermittlung des
Gefäßverlaufes und 4. der Segmentierung der Gefäßlumen.
Die Ultraschallvolumendatensätze werden aus 2D-Ultraschallbildserien
interpoliert, die mit Hilfe einer Transösophageal Ultraschall Sonde
aufgezeichnet wurden. Die Aufnahme erfolgt, nach Herz- und Atemphase
getriggert, aus der Speiseröhre heraus und dauert einige Minuten. Aufgrund der
langen Aufnahmezeit, der starken Eigenbewegung des Herzens und der Bewegung
des Patienten während der Aufzeichnung enthalten die Bilder
Bewegungsartefakte. Diese Artefakte kann man vermindern, indem man benachbarte
Bilder aus den Ultraschallbildserien vor der Volumenrekonstruktion
registriert. Durch das modifizierte Volumenrekonstruktionsverfahren wurden die
Bewegungsartefakte deutlich reduziert.
Mit Hilfe der Strukturanalyse sollen linienartige Strukturen mit vorgegebenem
Durchmesser und Kontrastverlauf in Volumendatensätzen detektiert werden. Die
Strukturanalyse erfolgt unter Verwendung der lokalen Differentialeigenschaften
der Ultraschallvolumendatensätze. Als besonders geeignet hat sich das
Strukturanalyseverfahren mittels Hessematrix erwiesen. Bei diesem Verfahren
wird für jedes Voxel eines mit einem Gaußkern gefalteten Volumendatensatzes
eine Hessematrix berechnet. Aus den Eigenwerten der Hessematrizen wird für
jedes Voxel ein Ähnlichkeitsmaß mit einer Gaußschen Linie bestimmt. Durch die
entsprechende Wahl der Standardabweichung des Gaußkerns, mit dem der
Volumendatensatz gefaltet wird, und durch Auswertung der Vorzeichen der
Eigenwerte der Hessematrizen kann gezielt nach linienartigen Strukturen mit
bestimmtem Durchmesser und Kontrastverlauf gesucht werden.
Der Gefäßverlauf wird durch Mittelachsen repräsentiert. Als Ergebnis der
Strukturanalyse des Ultraschalldatensatzes erhält man einen Volumendatensatz
mit Ähnlichkeitsmaßen zur vorgewählten linienartigen Struktur. Die
Mittelachsen werden so ermittelt, daß sie in der Nähe von Voxeln mit großen
Ähnlichkeitsmaßen verlaufen. Dies wird durch ein modifiziertes
Thinningverfahren realisiert. Zuerst wird ein Schwellwertverfahren angewendet.
Voxel mit einem kleineren Ähnlichkeitsmaß als dem Schwellwert werden auf Null
gesetzt und aus den verbleibenden Voxeln eine Löschliste erstellt. Die
Löschliste enthält die Koordinaten der Voxel und ist nach den
Ähnlichkeitsmaßen in aufsteigender Reihenfolge geordnet. Während des Thinnings
wird die Löschliste in aufsteigender Reihenfolge durchlaufen. Es wird geprüft,
ob das entsprechende Voxel entfernt werden kann, ohne die Topologie zu stören
und Endpunkte vom entstehenden Skelett zu entfernen. Das so entstehende
Skelett verläuft nahe der Voxel mit großen Ähnlichkeitsmaßen.
Entlang der Gefäßverläufe wird das Gefäßlumen segmentiert. Für jedes Voxel der
Mittelachse wird ein radialer Gefäßschnitt ermittelt. Als Normale der radialen
Schnitt"-ebene dient der Eigenvektor der Hessematrix mit dem betraglich
kleinsten zugehörigen Eigenwert. Auf den 2D-Schnittbildern wird der
Gefäßquerschnitt mit Hilfe eines modifizierten Snake-Verfahrens segmentiert.
Die Potentialfunktion, die die Bildenergie beschreibt, wird aus den Beträgen
der Gradienten und zusätzlich aus den Ähnlichkeitsmaßen für gerichtete
linienartige Strukturen bestimmt. Die Potentialkräfte, die auf die Snake
einwirken, werden aus dieser Potentialfunktion bestimmt. Das Vektorfeld, das
diese Potentialkräfte beschreibt, wird mit Hilfe des
Gradient-Vector-Flow-Verfahrens berechnet. Das modifizierte Snake-Verfahren
ermöglicht es, Gefäßquerschnitte robust zu segmentieren.
Subject (DDC)
004 Computer Science
Keywords
echocardiography,image processing,registration,segmentation
Conference
Review
undefined / . - undefined, undefined. - (undefined; undefined)
Cite This
ISO 690
GRAICHEN, Uwe, 2005. Rekonstruktion der Koronar-Anatomie mittels digitaler Bildverarbeitung von Echokardiogrammen [Dissertation]. Konstanz: University of KonstanzBibTex
@phdthesis{Graichen2005Rekon-6451,
year={2005},
title={Rekonstruktion der Koronar-Anatomie mittels digitaler Bildverarbeitung von Echokardiogrammen},
author={Graichen, Uwe},
address={Konstanz},
school={Universität Konstanz}
}
RDF
<rdf:RDF
xmlns:dcterms="http://purl.org/dc/terms/"
xmlns:dc="http://purl.org/dc/elements/1.1/"
xmlns:rdf="http://www.w3.org/1999/02/22-rdf-syntax-ns#"
xmlns:bibo="http://purl.org/ontology/bibo/"
xmlns:dspace="http://digital-repositories.org/ontologies/dspace/0.1.0#"
xmlns:foaf="http://xmlns.com/foaf/0.1/"
xmlns:void="http://rdfs.org/ns/void#"
xmlns:xsd="http://www.w3.org/2001/XMLSchema#" >
<rdf:Description rdf:about="https://kops.uni-konstanz.de/server/rdf/resource/123456789/6451">
<dspace:hasBitstream rdf:resource="https://kops.uni-konstanz.de/bitstream/123456789/6451/1/dis.pdf"/>
<bibo:uri rdf:resource="http://kops.uni-konstanz.de/handle/123456789/6451"/>
<void:sparqlEndpoint rdf:resource="http://localhost/fuseki/dspace/sparql"/>
<dc:contributor>Graichen, Uwe</dc:contributor>
<foaf:homepage rdf:resource="http://localhost:8080/"/>
<dc:format>application/pdf</dc:format>
<dcterms:title>Rekonstruktion der Koronar-Anatomie mittels digitaler Bildverarbeitung von Echokardiogrammen</dcterms:title>
<dcterms:rights rdf:resource="https://rightsstatements.org/page/InC/1.0/"/>
<dcterms:hasPart rdf:resource="https://kops.uni-konstanz.de/bitstream/123456789/6451/1/dis.pdf"/>
<dc:rights>terms-of-use</dc:rights>
<dcterms:abstract xml:lang="eng">One of the main causes of death in the western countries are coronary heart<br />diseases. Presently, the X-ray angiography is the gold standard for the<br />examination of coronary arteries. This invasive, X-ray-based procedure<br />requires the infrastructure of a cardiac catheterization lab. Ultrasonic<br />examinations are getting more and more important as an imaging technique in<br />cardiography. In contrast to the X-ray angiography, patient and physician are<br />not exposed to degrading radiation. Further, ultrasound devices are commonly<br />used already and inexpensive in comparison to other imaging systems. The goal<br />of this project was to develop an image processing system, which can detect<br />and quantify coronary arteries in 3D-ultrasound data and thus can supplement<br />or replace the X-ray angiography examination. The procedure consists of<br />several steps: 1st the interpolation of volumedata without artefacts, 2nd the<br />analysis of the local structure of the datasets, 3rd tracking the run of the<br />vessels and 4th the segmentation of the vessel lumen.<br /><br />3D ultrasound datasets are interpolated out of a series of 2D ultrasound<br />images, which are recorded using a transesophageal transducer. The recording<br />is triggered by the ECG and needs a few minutes. Because of the long recording<br />time, the motion of the heart and of the patient during the recording the<br />image series contain movement artefacts. This artefacts can be reduced by<br />registration adjacent images in the series before interpolation volume data.<br />The registration is done using a rigid, correlation based method. Rotation and<br />scaling parameter are determined from the Fourier-Mellin invariant descriptors<br />of the images. The translation parameters are calculated out of the by<br />rotation and scaling corrected images. Due the special structure of the<br />ultrasound images a windowing function adapted to the ultrasound cone is used.<br />With this modified volume interpolation method movement artefacts can be<br />significant reduced.<br /><br />The analysis of the local structure is used to detect line-like structures in<br />3D ultrasound datasets. The structural analysis is done using the local<br />differential structure of the datasets. Particularly suitable for this purpose<br />are Hessians which are calculated for every voxel of the Gaussian-smoothed 3D<br />dataset. The Eigenvectors of the Hessian establish an orthogonal system. Two<br />Eigenvectors are pointing in the directions with the minimal or maximal<br />absolut value of the second derivation respectively. The third is orthogonal<br />to both. The Eigenvalues connected to the Eigenvectors spezify the value of<br />the second derivation. From the Eigenvalue a similarity measure with Gaussian<br />lines is calculated. By chosing the the standard deviation and by examination<br />the sign of the Eigenvalues it is possible to search selective of a line-like<br />with a specific diameter and progression of contrast.<br /><br />The run of the vessels is described by centerlines. The result of the<br />structural analysis step is 3D dataset with similarity measures with the<br />select line-like structure. The centerlines are calculated in such a way that<br />the run of the centerline is close to voxels with large similarity measures.<br />This done by a modified thinning method. First a threshold is applied. Voxels<br />with a similarity measure smaller than this threshold are set to zero. From<br />the remaining voxels a erasure list is generated. The erasure list contains<br />coordinates of the voxels and is sorted by the similarity measures in<br />ascending order. During the thinning the erasure list is traversed and it is<br />checked to delete the voxel without changing the topology and without removing<br />end points of the skeleton. The resulting resulting skeleton runs close to<br />voxels with large similarity measures.<br /><br />Along the centerlines of the vessels the lumen of the vessels is segmented.<br />For every voxel on the centerline a cross section is calculated. The normal of<br />the cross section is the Eigenvector of the Hessian which is connected to the<br />Eigenvalue with the smallest absolute value. On the cross sections the lumen<br />of the vessels is segmented using a modified Snake-method. The potential<br />function, which describes the energy of the image, is calculated from the<br />magnitude of the gradients and additionally from the similarity measure with<br />line-like structures. The potential forces which affect to the Snake are<br />calculated from this potential function using the gradient-vector-flow<br />method. By this modified Snake method is robust approach for segmenting the<br />lumen of vessels.</dcterms:abstract>
<dc:language>deu</dc:language>
<dspace:isPartOfCollection rdf:resource="https://kops.uni-konstanz.de/server/rdf/resource/123456789/36"/>
<dc:creator>Graichen, Uwe</dc:creator>
<dcterms:issued>2005</dcterms:issued>
<dcterms:available rdf:datatype="http://www.w3.org/2001/XMLSchema#dateTime">2011-03-24T16:12:48Z</dcterms:available>
<dcterms:alternative>Reconstruction of coronary anatomy by means of digital image processing of echocardiographs</dcterms:alternative>
<dcterms:isPartOf rdf:resource="https://kops.uni-konstanz.de/server/rdf/resource/123456789/36"/>
<dc:date rdf:datatype="http://www.w3.org/2001/XMLSchema#dateTime">2011-03-24T16:12:48Z</dc:date>
</rdf:Description>
</rdf:RDF>
Internal note
xmlui.Submission.submit.DescribeStep.inputForms.label.kops_note_fromSubmitter
Examination date of dissertation
June 22, 2005