Segmentierung. Seminar: Medizinische Visualisierung. Daniel Lange

Transkript

1 Segmentierung Daniel Lange Seminar: Medizinische Visualisierung

2 Segmentierung 2 Überblick Einführung / Begriffsdefinition Punktorientierte Verfahren Kanten-/Konturorientierte Verfahren Regionenorientierte Verfahren Vergleich der Verfahren Texturbasierte Ansätze

3 Segmentierung / Einführung 3 Mensch Segmentierung

4 Segmentierung / Einführung 4 Definition von Segmentierung Literatur: uneinheitlich Hier: Teilbereich der Bildanalyse Ziel: Bereitstellung (effizienter) Verfahren zur Erzeugung inhaltlich zusammenhängender Regionen Segmente Gruppierung der Pixel aufgrund von Bildinformationen Segmentierung = Einteilung in Regionen, die einem Homogenitätskriterium genügen

5 Segmentierung / Einführung 5 A-priori-Wissen über Bildinhalt und Bildentstehung Nach der Segmentierung nötig zur Interpretation Einfluss in Segmentierung möglich Algorithmusdesign Kontrollstrukturgestaltung Angabe von Schranken bzgl. der Segmentanzahl

6 Segmentierung / Punktverfahren 6 Punktorientierte Verfahren Maßgeblich: Grauwert eines Pixels Annahme: n verschiedene Objekte korrespondieren mit n verschiedenen Maxima im (Grauwert-)Histogramm Histogramm n-modal Einteilung der Grauwerte in n Bereiche Bimodales Histogramm klassisches Thresholding h(g) t g

7 Segmentierung / Punktverfahren 7 Vorteil: einfach und schnell berechenbar Nachteil: Vernachlässigung globaler Zusammenhänge und räumlicher Konzepte Beschränkt auf einfaches Bildmaterial Oft Teilschritt in komplexen Verarbeitungsketten

8 Segmentierung / Punktverfahren / Global 8 Globales Schwellwertverfahren Optimum: Objekt und Hintergrund anhand der Grauwerte unterscheidbar, Schwellwert zur Objekthervorhebung auffindbar z.b. helles Objekt auf dunklem Grund 2 Maxima im Histogramm Definition einer Funktion, die einzelne Pixel bzgl. des Schwellwertes t auf schwarz oder weiss abbildet Festlegung von t z.b. durch Mittelung der Grauwerte der beiden Maxima

9 Segmentierung / Punktverfahren / Global 9 Problem: Mittelung wenig sinnvoll, bei ungleicher Verteilung der Grauwerte um die Maxima

10 Segmentierung / Punktverfahren / ISODATA 10 ISODATA Clustering Initialisierung: beliebige Verteilung von n Clusterzentren Iteration: Jeder Grauwert wird dem Zentrum zugeteilt, das am nächsten liegt Neuberechnung des Zentrums, aufgrund der neuen Cluster-Mitglieder

11 Segmentierung / Punktverfahren / Lokal 11 Lokales Schwellwertverfahren Globaler Schwellwert führt oft zu ungenügenden Resultaten Unterteilung des Bildes in Sektoren Histogramm und Schwellwert pro Sektor Kein bimodales Histogramm im Sektor: Interpolation von t aus den Schwellwerten der Nachbarsektoren Sehr sinnvoll bei vielen kleinen Objekten

12 Segmentierung / Punktverfahren / Dynamisch 12 Dynamisches Schwellwertverfahren Konsequente Erweiterung der lokalen t-berechnung Schwellwert pro Pixel, aufgrund eines M*M-Fensters Fenstergröße so, dass das Histogramm bimodal ist Bei langsamer Bildveränderung: Überspringen von Pixeln

13 Segmentierung / Punktverfahren / Shadingkorrektur 13 Shading-Korrektur Schlechte Ergebnisse aufgrund unregelmäßiger Ausleuchtung Globale Bereinigung der Ausleuchtung Faltung des Originalbildes mit grossem Mittelwertfilter (z.b. 31*31) Subtraktion von Originalbild und Mittelwertbild Korrekturprofil

14 Segmentierung / Kantenverfahren 14 Kanten-/ Konturorientierte Verfahren Forderung an die Gestalt der Regionen neben Homogenität: Glatte und scharfe Berandung Regionenbeschreibung durch Angabe einer Randkurve Segmentermittlung durch Extraktion der Kanten Schwierigkeit: Zusammenfassung der Kantenpunkte zu einer Kante

15 Segmentierung / Kantenverfahren 15 Eine Kante entspricht einem Grauwertsprung Korrekte Lage der Kante: Zwischen den Pixeln Entscheidung, ob man die Kante auf Objektpixeln zeichnet oder auf Hintergrundpixeln

16 Segmentierung / Kantenverfahren 16

17 Segmentierung / Kantenverfahren / Pixelorientiert 17 Pixelorientierte Kantenextraktion Maßzahl pro Pixel, basierend auf dem Gradienten Binarisierung der Maßzahlen mittels Schwellwert Kanten werden zu Linien Optimierung des Kantenbildes Entfernen einzelner Punkte Verdünnung der Linien Kantenbild dient als Maske zur Objektmarkierung

18 Segmentierung / Kantenverfahren / Pixelorientiert 18 Kantenrelaxation Pro Pixel: Wahrscheinlichkeit dass er auf einer Kante liegt Iteration: Neuberechnung aufgrund benachbarter Pixel Pixel beeinflussen sich gegenseitig Räumliche Verbundwahrscheinlichkeiten spielen eine Rolle

19 Segmentierung / Kantenverfahren / Linienorientiert 19 Linienorientierte Kantenextraktion Grundgedanke: Nicht alle Pixel müssen untersucht werden Beschränkung auf zwei Aufgaben: Finden von geeigneten Startpunkten für die Linienverfolgung Auffinden von Nachfolgepunkten Startpunktbestimmung: Manuell durch den Benutzer Interaktion notwendig Automatisch, aufgrund von Gradienten oder Grauwerten

20 Segmentierung / Kantenverfahren / Linienorientiert 20 Bestimmung von Nachfolgepunkten durch Suchstrahlen Genauere Ergebnisse durch Untersuchung aller Pixel auf einem Kreisbogen Probleme bei unterbrochenen Linien, deshalb mehrere Suchkreisbögen in verschiedenen Abständen

21 Segmentierung / Kantenverfahren / Wasserscheiden 21 Wasserscheidentransformation Wasserscheiden (Konturen) Staubecken (Regionen) Dämme Wasserstand Minima Minima

22 Segmentierung / Kantenverfahren / Wasserscheiden 22 Problem: Medizinisches Bildmaterial meistens stark verrauscht Lösung: Berechnung aller Einflusszonen (Mosaikbild), iterative Verschmelzung bis Regionen brauchbar Vorteil: Geschlossene Linienzüge

23 Segmentierung / Kantenverfahren / Wasserscheiden 23

24 Segmentierung / Regionenverfahren 24 Regionenorientierte Verfahren Liefern immer direkt zusammenhängende Regionen Prinzip: Entscheidung, ob Pixel oder Menge von benachbarten Pixeln zu einer Region gehören oder nicht Entscheidungsfindung mit Distanzmaß Verschmelzung von benachbarten Regionen durch Linkage Reihenfolge von Entscheidungen festgelegt durch Kontrollstruktur

25 Segmentierung / Regionenverfahren / Linkage 25 Single-Linkage Contiguity-Constraint-Complete-Linkage Contiguity-Constraint-Average-Linkage Centroid-Linkage Complete-Linkage

26 Segmentierung / Regionenverfahren / Kontrollstruktur 26 Kontrollstruktur Reihenfolge des Verschmelzens entscheidend Feste Reihenfolge (Uhrzeigersinn) liefert unter Umständen unzureichende Ergebnisse Bestes Ergebnis, wenn zuerst Regionen mit minimaler Distanz verschmolzen werden A B D C E

27 Segmentierung / Regionenverfahren / Agglomerativ 27 Agglomerative Verfahren - Region Growing Auswahl geeigneter Keimpunkte Anfangsregionen Rest der Pixel: keine Zugehörigkeit zu Regionen Betrachtung der Pixel um die Regionen, ist d t wird der Pixel der Region hinzugefügt Problem: Anfällig für Chaining-Effekt Geeignete Wahl der Keimpunkte wichtig In möglichst homogenen Regionen In einem Raster über das Bild verteilt

28 Segmentierung / Regionenverfahren / Agglomerativ 28 Region Merging Unterteilung des gesamten Bildbereichs in kleine Regionen, z.b. 2*2 Pixel Iteratives Verschmelzen benachbarter Regionen mit d t Terminierung, wenn für die Distanzen zwischen allen benachbarten Regionen gilt: d > t

29 Segmentierung / Regionenverfahren / Divisiv 29 Divisive Verfahren - Split Initialisierung: Gesamtes Bild = eine Partition Iteration: Partitionen auf Homogenität prüfen (z.b. Grauwertdynamik, -varianz,...) Wenn inhomogen: Teilung in Subpartitionen Terminierung: Alle Partitionen homogen Problem: Teilung von Regionen durch Partitionierung

30 Segmentierung / Regionenverfahren / Divisiv 30 Split & Merge Nach jedem Split wird geprüft, ob benachbarte Subpartitionen zueinander homogen sind Sofortige Verschmelzung, falls möglich Problem: Ausgefranste, eckige Kanten durch rechteckige Partitionierung Nachträgliche Kantenglättung nötig

31 Segmentierung / Regionenverfahren / Hierarchisch 31 Hierarchische Segmentierung - Pyramid-Linking

32 Segmentierung / Regionenverfahren / Scale-Space 32 Scale-Space-Ansatz

33 Segmentierung / Regionenverfahren / FC 33 Fuzzy Connectedness Derzeit eine der besten Methoden zur halbautomatischen Segmentierung Automatische Erkennung von OOIs in der Medizin schwer Bisher: Interaktive Methoden, bei denen der User stark eingebunden ist Besserer Ansatz: Halbautomatische Segmentierung mit sehr begrenzter Interaktion

34 Segmentierung / Regionenverfahren / FC 34 Idee von Fuzzy Connectedness: Beschreibung, wie stark Pixel zusammenhängen

35 Segmentierung / Regionenverfahren / FC 35 Starke Abhängigkeit der Ergebnisse von: Funktion zur Berechnung der Pixelaffinität Parametern, die durch die Interaktion festgelegt werden Schwellwert zur Binarisierung Erinnerung an Wasserscheidentransformation: Segmentgrenzenbildung durch Abgrenzung gegeneinander Wettkampfsituation Wettkampfkonzept bei Fuzzy Connectedness: User wählt statt einem OOI alle zu segmentierenden Objekte Pixel gehört zu dem Objekt mit der grössten Fuzzy Connectedness

36 Segmentierung / Regionenverfahren / FC 36 Vorteile Mehrere Objekte werden gleichzeitig berechnet Segmentierungsergebnisse verbessern sich generell Kein Schwellwert nötig Vergleich der Ergebnisse zu halbautomatischer Wasserscheidentransformation möglich Mehrere Keimpunkte pro Objekt wählbar

37 Segmentierung / Vergleich 37 a) Original b) Threshold c) Watershed d) Fuzzy Connectedness

38 Segmentierung / Vergleich 38 a) Originalbild b) Keimpunkte c) Ergebnis des Wasserscheidenverfahrens

39 Segmentierung / Vergleich 39 d) Connectedness-Werte für Region 2 e) Schwellwert 0,75 f) Schwellwert 0,5

40 Segmentierung / Vergleich 40 g) Connectedness-Werte für Region 2 h) Connectedness-Werte für Region 3 i) Ergebnis der Segmentierung in 4 Regionen

41 Segmentierung / Vergleich 41 a) Originalbild c) Region 2 mit Wasserscheidentransformation f) Region 2 mit normaler FC i) Alle 4 Regionen mit Wettkampf-FC

42 Segmentierung / Texturansätze 42

43 Segmentierung Daniel Lange Seminar: Medizinische Visualisierung