Kapitel 9. Zusammenfassung

Transkript

1 Kapitel 9 Zusammenfassung Medizinische Navigationssysteme verbessern die räumliche Orientierung von Chirurgen während Operationen. Eine Vielzahl von Navigationssystemen basieren auf der Registrierung von präoperativen Bilddaten (CT und MRT) mit dem intraoperativen Koordinatensystem des Patienten. Für die Repräsentation des Patienten-Koordinatensystems werden Landmarken und intraoperative Bildgebung verwendet. Der Nachteil landmarkenbasierter Verfahren liegt vor allem in der großen zeitaufwendigen Benutzerinteraktion. Da anatomische Landmarken in der Regel nicht genau genug sind, werden sogenannte Fiducial Marker verwendet, die vor der OP entfernt werden, daher lässt sich eine solche Registrierung nicht wiederholen. Bei der intraoperativen Bildgebung sind Benutzerinteraktionen geringer und die Registrierung lässt sich reproduzieren. Jedoch sind viele bildgebende Geräte sehr groß und unflexibel. Bei Verfahren, die auf Röntgenstrahlen basieren, kommt als Nachteil noch die Strahlenbelastung für Patient und medizinisches Personal hinzu. In dieser Arbeit wurde ein Navigations-Verfahren verwendet, welches auf intraoperativem Ultraschall basiert. Intraoperativer Ultraschall hat den Vorteil kostengünstig, flexibel und echtzeitfähig zu sein. Für die Registrierung des intraoperativen Ultraschall mit den präoperativen Bilddaten wurde ein Oberflächen-Volumen-Algorithmus verwendet. Hierfür wurde die Knochenoberfläche aus den CT-Daten extrahiert und in die Ultraschalldaten projiziert. Während der Registrierung wurde die Summe der Grauwerte im Ultraschall, die von der Knochenoberfläche abgedeckt wurden, maximiert. Dieser von Brendel und Winter entworfene Algorithmus wurde in den Vorarbeiten anhand von CT-Daten der LWS evaluiert. Im Rahmen dieser Arbeit wurden die ultraschallbasierte Navigation wie folgt erweitert: Erweiterung auf die Registrierung von MRT- und Ultraschalldaten Automatisierung des Navigationsprozesses 145

2 146 9 Zusammenfassung Evaluierung der Genauigkeit der ultraschallbasierten Registrierung anhand der anatomischen Regionen LWS, Knie und Kopf Für die anatomischen Strukturen (LWS, Knie und Kopf) wurden markante Knochenstrukturen identifiziert, die sich auch gut im Ultraschall abbilden ließen. Ultraschallaufnahme-Protokolle, die eine bestmögliche Darstellung der Knochenoberfläche ermöglichen, wurden definiert. MRT-Sequenzen zur Darstellung der Knochenoberfläche Für viele medizinische Fragestellungen wurden anstatt von CT-Daten präoperative MRT-Daten erhoben. Daher wurde die ultraschallbasierte Registrierung auf die Registrierung von Ultraschall und MRT-Daten erweitert. Die größte Herausforderung lag in der Extraktion der Knochenoberfläche aus den MRT-Daten. Anders als in CT-Daten hebt sich der Knochen in MRT-Daten nicht stark vom umliegende Gewebe ab. Es wurden verschiedene MRT- Sequenzen bezüglich der Darstellung des Knochens beurteilt. Die Beurteilung erfolgte systematisch, indem der Kontrast zwischen Knochen und umliegenden Gewebe für jede Sequenz einzeln bewertet wurde. Am Knie wurde eine T1-gewichtete Sequenz mit Wasseranregung am besten bewertet. An der LWS und am Kopf wurde keine Sequenz gut beurteilt. Insgesamt fünf Sequenzen an der LWS wurden jedoch als befriedigend mit positiver Tendenz bewertet. Am Kopf sind drei MRT-Sequenzen als befriedigend mit positiver Tendenz bewertet worden. Segmentierung Für die Extraktion der Knochenoberfläche aus MRT-Daten war eine Segmentierung des Knochens notwendig. Hierfür wurde ein Shape-based Level Set- Algorithmus verwendet. Für diesen Algorithmus wurde zunächst ein Shape-Modell der entsprechenden anatomischen Region angefertigt. Das Modell wurde dann während des Segmentierungsprozesses an die Knochenstruktur angepasst. Die Evaluierung der Segmentierung erfolgte an MRT-Sequenzen des Knies und der LWS, die zuvor für die Knochendarstellung als gut beurteilt wurden. Es konnte gezeigt werden, dass der Shape-based Level gut für Segmentierung von Knochenstrukturen aus MRT-Daten und CT-Daten geeignet ist. Für die Segmentierung des Femurs aus MRT-Daten eigneten sich am besten ein T1- gewichte Sequenz mit Wasseranregung und eine Gradientenecho-Sequenz, die zuverlässigsten und besten Ergebnisse wurden mit der Optimierungsfunktion Of-234 erzielt. Mit dem Laplacian Level Set-Algorithmus konnten die Segmentierungsergebnisse des Femurs noch verbessert werden. Die Segmentierungsergebnisse auf der Skalierungsstufe 0 waren nicht signifikant besser

3 147 als die auf Skalierungsstufe 1 (alle Bildgrößen durch zwei geteilt). Auf der Skalierungsstufe 1 ist die Rechenzeit allerdings wesentlich geringer. Daher ist es aureichend die Segmentierung auf der Skalierungsstufe 1 durchzuführen. Die Verwendung der CMA-Evolutionsstrategie ist dem gradientenbasierten Rprop- Verfahren stark überlegen gewesen und lieferte in fast 90% der verglichenen Segmentierungen ein besseres Ergebnis. Darüber hinaus lag die Streuung der CMA-Segmentierung deutlich unter der Streuung der Rprop-Segmentierung. Für die Segmentierung einzelner Wirbel aus MRT-Daten der LWS, war eine T2-gewichtete Sequenz und eine T2-gewichtete Sequenz mit Wasseranregung am besten geeignet. Besonders mit der Funktion Of-3456 wurden gute Ergebnisse erzielt. Für die Automatisierung des Navigationsprozesses war auch eine Segmentierung einzelner Lendenwirbel aus CT-Daten notwendig. Auf CT-Daten hatten die Segmentierungen der Wirbel mit der Optimierungsfunktion Of-12 die besten Ergebnisse. Durch die zusätzliche Anwendung der Laplacian Level Set-Segmentierung wurden die Wirbel-Segmentierungen aus MRT- oder CT-Daten immer verschlechtert. Die Segmentierung von Wirbeln aus MRT- oder CT-Daten ist noch nicht zufriedenstellend, auch wenn die Approximation des Shape-Modells an verschiedene anatomischen Strukturen des Wirbels gut ist, ist besonders die Segmentierung der Seitenfortsätze fast nicht gegeben. Daher sind in einem nächsten Schritt, zum einen ein Shape-Modell mit mehr Forminformationen zu erstellen und die Seitenfortsätze sollten aus dem Modell entfernt werden und in einem eigenständigen Shape-Modell enthalten sein. Automatisierung der präoperativen Bildverarbeitungsschritte Für die Automatisierung der präoperativen Bildverarbeitungsschritte, welche aus der Extraktion der Knochenoberfläche aus den präoperativen MRT- oder CT-Daten bestehen, wurden Bildverarbeitungs-Pipelines entworfen. Insgesamt wurden vier unterschiedliche Pipelines benötigt, jeweils eine für die Extraktion der Femur- und Wirbel-Knochenoberfläche aus CT-Daten, sowie jeweils eine für die Extraktion der Femur- und Wirbel-Oberfläche aus MRT-Daten. Die einzelnen Bausteine dieser Pipelines wiederholten sich, wurden jedoch je nach Applikation unterschiedlich hintereinander geschaltet. Diese Bausteine waren: Segmentierung einzelner Knochen Scan-Pfad matching Ultraschall-Simulation in den präoperativen Daten Extraktion der Knochenoberfläche einzelner Knochen

4 148 9 Zusammenfassung Für die Evaluierung wurde die ultraschallbasierte Registrierung an der LWS einmal mit der herkömmlichen semiautomatischen Oberflächen-Extraktionsmethode und einmal mit der hier vorgestellten automatischen Oberflächen-Extraktionsmethode durchgeführt. Der Target Registration Error zwischen den beiden Registrierungen wurde bestimmt. Die Fehler zwischen drei Patientenwirbel lag im Durchschnitt bei 0, 51 mm. Bei zwei Knochenmodellwirbeln lag der Fehler bei nur 0, 1 mm. Diese Ergebnisse zeigten, dass die Abweichung der Registrierungen mit den unterschiedlichen Oberflächen- Extraktionsmethoden sehr gering war und somit eine automatische Extraktion der Knochenoberfläche zuverlässig möglich war. Ultraschallbasierte Registrierung Die ultraschallbasierte Registrierung wurde an den anatomischen Regionen LWS, Knie und Kopf evaluiert. Für die Regionen LWS und Knie wurde die Knochenoberfläche automatisch extrahiert. Am Schädel wurde ein semimanuelles Verfahren zur Extraktion der Knochenoberfläche verwendet. Die Genauigkeit der Registrierungen wurde anhand von Knochenmodellen aller drei anatomischen Regionen ausgewertet. Hierbei wurde der Target Registration Error zwischen einer genauen landmarkenbasierten Registrierung und der ultraschallbasierten Registrierung berechnet. Alle RMS-Fehler lagen unter 1 mm und sind somit akzeptabel für medizinische Navigationssysteme. Am Schädel wurden dieses gute Ergebnis nur erzielt, wenn beide Schläfen gleichzeitig registriert wurden. An der LWS wurde zusätzlich der absolute Fehler anhand einer Pedikelbohrung berechnet. Hierbei wurde navigiert in die vier Pedikel zweier Modellwirbel gebohrt. Die durch die Registrierung berechneten Positionen dieser Bohrlöcher wurden mit der wirklichen Position der Bohrlöcher (anhand einer postoperativen CT-Aufnahme) verglichen, es wurde ein mittlerer RMS-Fehler von 0, 94 mm für alle Bohrlöcher berechnet. Anhand von Probandendaten wurde für die anatomischen Regionen LWS, Knie und Kopf die Streuung der Registrierung ausgewertet und die Qualität der Registrierung visuell beurteilt. An der anatomischen Region LWS und Knie wurden MRT-Daten und Ultraschallvolumendaten von fünf Probanden akquiriert. Für jeden MRT-Datensatz wurden zehn Knochenoberflächen automatisch extrahiert. Für jede Knochenoberfläche wurde bezüglich der Optimierungsfunktion die beste Position in den Ultraschalldaten berechnet. Alle Positionen dieser Referenzregistrierungen wurden visuell als gut beurteilt. Anschließend wurden für jede Oberfläche 100 Startpositionen zufällig festgelegt und ausgehend von diesen Startpositionen wurde die Registrierung durchgeführt. Der Target Registration Error zwischen all diesen Registrierungen und der Referenzregistrierung wurden berechnet. An der LWS ergab sich ein RMS-Fehler von 0, 59 mm. Am Femur lag der Fehler bei 0, 49 mm. Am Kopf wurden elf MRT- und Ultraschalldaten

5 149 von Probanden erhoben. Hier ist für jeden Datensatz eine Oberfläche semimanuell extrahiert worden. Im Durchschnitt ergab sich für 100 Registrierungen pro Oberfläche ein RMS-Fehler von 0, 14 mm. Am Kopf wurde zusätzlich eine landmarkenbasierte Registrierung mit der ultraschallbasierten Registrierung verglichen. Es konnte gezeigt werden, dass die Abweichung der ultraschallbasierten Registrierung von der markerbasierten Registrierung nicht größer war als verschiedene markerbasierte Registrierungen untereinander. Insgesamt an fünf Probanden wurde die Qualität der ultraschallbasierten Registrierung am Kopf anhand von anatomischen Landmarken live von einem Neurochirurgen beurteilt. Alle, außer einer Registrierung, wurden als befriedigend bewertet, was unter den Laborbedingungen zufriedenstellen war.