3D-Lungenlappen- Segmentierung mit der IWT

Transkript

1 3D-Lungenlappen- Segmentierung mit der IWT Daniel Stöbel 8..7

2 Gliederung. Anatomie der Lunge. Motivation / Ziel 3. Maskierung der Lunge 4. Lungenlappensegmentierung. Gefäßsegmentierung. Distanzbild 3. Wasserscheidentransformation => IWT 5. Experimente 8..7

3 Anatomie der Lunge rechter Lungenflügel: 3 Lungenlappen linker Lungenflügel: Lappen (Herz) die Lappen besitzen eigene luftführende und vaskuläre Subsysteme Lappen sind voneinander durch Lappenspalten (Fissuren) getrennt, ca. mm dünne Bindegewebsstrukturen

4 fertiges Segmentierungsergebnis

5 Motivation Lungenlappen sind unabhängige anatomische Komponenten der Lunge => wichtig für Diagnose und Therapie von Lungenerkrankungen, z.b. Prognose des Lungenvolumens bei der Entfernung eines Teils der Lunge bei Lungenkrebs hilft bei weiteren Bildverarbeitungsschritten (z.b. Segmentierung der Lungensegmente) und bei der Bestimmung von CT-Parametern Erkennung der Fissuren ist schwierig, besonders bei erkrankten Lungen und geringer Bildauflösung neuer Ansatz: Erkennung auf Basis der lappenspezifischen Gefäßsysteme, Fissurenbilder werden nur als mögliche Zusatzinformation verwendet

6 Fissurenbilder

7 . Lungensegmentierung Lungensegmentierung (Maskierung) ist Voraussetzung für Lungenlappensegmentierung:. Segmentierung der Atemwege durch 3D-Regionenwachstum (RW) mit automatischem Schwellwert, da sonst die Lungenflügel ineinander laufen könnten. die Lungenflügel kranker Lungen können durch Aufblähung direkten Kontakt haben => markerbasierte 3D- Wasserscheidentransformation 3. 3D-RW mit einem Startpunkt pro Lungenflügel für das Lungengewebe

8 4. Morphologisches Schließen wird angewendet um Lücken zu füllen, da Gefäße oft nur teilweise segmentiert werden Dilatation Erosion

9 . Gefäßsegmentierung jeder Lappen hat eigene Blutversorgung => an den Fissuren befinden sich keine großen Gefäße Gefäße (große Dichte) heben sich stark vom umgebenden Gewebe ab Segmentierung der Blutgefäße durch Regionenwachstumsverfahren mit festem Schwellwert entstehende Maske:, falls Gefäßvoxel;, sonst Problem: Tumoren können Ergebnis verfälschen => zukünftige Verbesserung

10 3. Distanztransformation Distanzbild, in dem jedes Voxel den Wert des (euklidischen) Abstands zum nächsten Gefäß enthält => hohe Werte dort, wo größere Gefäße weit entfernt sind Fissuren = lokale Maxima 8..7

11 Erosion:

12 Vorwärts-Rückwärts-Masken: 8..7

13 Kombination von Distanz- und Originalbild die Originalbilder mit den schlecht erkennbaren Fissuren werden durch gewichtete Addition mit dem Distanzbild kombiniert Gewichtung abhängig von Auflösung (Schichtdicke) des Originalbildes

14 Wasserscheidentransformation Voxel werden nach Grauwert sortiert (Bucket Sort) -> linearer Zeitaufwand die Höhenebenen werden von unten nach oben verarbeitet (geflutet) jedes Element wird nur einmal bearbeitet -> linearer Zeitaufwand isolierte Punkte erhalten neues Label Punkte die an bestehende Bereiche (Becken) grenzen erhalten dessen Label (6er-Nachbarschaft) Punkte die an verschiedene Bereiche grenzen sind Wasserscheiden und erhalten eigenes Label

15 4. Interaktive Wasserscheiden- Transformation (IWT) (normale) Wasserscheidentransformation eignet sich gut zur Segmentierung von Bereichen, die durch lokale Maxima voneinander getrennt sind (Distanzbild) häufiges Problem: Übersegmentierung aufgrund von Krankheiten und Abnormalitäten kann ein Eingreifen des Benutzers erforderlich sein => IWT ist die Lösung

16 IWT Erweiterung der WT: Hierarchische Anordnung der Becken und Wasserscheiden in einem Baum Beckenminima = Blätter des Baumes, Elternknoten = Dämme = mögliche Mischkandidaten => Reihenfolge in der die Becken zusammengeflossen sind

17 Verbesserung des Distanzbildes Gefäße werden invertiert: Gefäße werden dunkler, Gewebe heller => das aufsteigende Wasser verteilt sich zuerst über das gesamte Gefäßsystem (Minima) die Dämme werden erst bei höheren Grauwerten (Gewebe) gebildet und nicht an den Adern nützlich, wenn Marker auf großes Blutgefäß in Hilusnähe (Eintritt der Gefäße in die Lungenlappen) gesetzt werden => weniger Segmente

18 IWT - Interaktion des Benutzers Möglichkeiten: Marker und globaler Parameter (preflooding height) Marker: Baum wird solange von unten nach oben gemischt, bis markierte Bereiche aneinander stoßen preflooding height = minimale Beckentiefe: Becken mit niedriger Tiefe werden mit Becken laut merge table zusammengemischt (Plateaus werden vereint)

19 8..7 9

20 IWT Vorteile: Interaktion erst am Ende der Verarbeitung => keine aufwändigen Neuberechnungen durch hierarchische Anordnung der Becken => visuelle Kontrolle in Echtzeit 8..7

21 Übersegmentierung wird durch Zusammenmischen der Becken vermieden robust und vielseitig: Segmentierung von Nerven, Gehirn, Knochen anwendbar auf große Datensätze in D, 3D, 4D, nur begrenzt durch den Arbeitsspeicher 8..7

22 Original Ergebnis 8..7

23 weiteres Beispiel für IWT

24 Ergebnisse für die Lungenlappensegmentierung Tests mit CTs von mehr als 3 Patienten: 8 hochaufgelöste Datensätze mit wenigen pathologischen Veränderungen => Segmentierung mit nur Marker pro Lungenlappen für niedrigaufgelöste Scans wurden meist zusätzliche Marker benötigt Vorverarbeitungszeit: high resolution (Schichtdicke: -,5 mm; 5 x 5 x 35 Voxel) ca. 3 Min. auf Standard PC (,7 GHz, GB RAM) Interaktion (Setzen von Markern): -6 sek. pro Lungenflügel übereinstimmend klassifiziertes Volumen: >99%

25 Quellen Kuhnigk, J.M., Hahn, H.K., Hindennach, M., Dicken, V., Krass, S., Peitgen, H.O.: Lung lobe segmentation by anatomy-guided 3D watershed transform, Progress in Biomedical Optics and Imaging, Vol. 4, No. 3, Part. 3, pp.48-49, 3. Kuhnigk, J.M., Hahn, H.K., Hindennach, M., Dicken, V., Kraß, S., Peitgen, H.O.: 3D-Lungenlappen-Segmentierung durch Kombination von Region Growing, Distanz- und Wasserscheiden-Transformation, Bildverarbeitung für die Medizin, Springer Verlag, S. 46-5, 3. Hahn, H.K., Peitgen, H.O.: IWT Interactive Watershed Transform: A hierarchical method for efficient interactive and automated segmentation of multidimensional grayscale images, Progress in Biomedical Optics and Imaging, Vol. 4, No. 3, Part., pp , 3. Haberl, Martin, 3D - Visualisierung und Segmentierung von medizinischen Tomographiedaten, Magisterarbeit, Linz, Juli