4D-Segmentierung von MRI-Daten menschlicher Herzen

Transkript

1 Institut für Biomedizinische Bildanalyse 4D-Segmentierung von MRI-Daten menschlicher Herzen Bachelorarbeit zur Erlangung des Titels Bachelor of Science Medizinische Informatik der Privaten Universität für Gesundheitswissenschaften, Medizinische Informatik und Technik vorgelegt von Johannes Holzmeister aus Steinach am Brenner Hall in Tirol, 2004

2 Inhaltsverzeichnis Inhaltsverzeichnis Einleitung Allgemein Zielsetzung Anatomische und physiologische Grundlagen: Das Herz Die Anatomie des Herzens Allgemein Der Blutkreislauf Die Herzventile Segelklappen Taschenklappen Die Physiologie des Herzens Die Aktionsphasen des Herzens Die Systole Die Diastole Methoden Bildgebung und benutzte Bilddaten Datenquellen Die Segmentierung Die Region-Growing- und Level-Set-Methode amira Verwendete amira 3.0-Tools Manuelles Segmentieren mit amira I-PRESP Automatische Segmentierung mit I-PRESP Vorverarbeitungsschritte Der Segmentierungsprozess Die Segmentierung mit Fast Marching Level Sets und Active Geodesic Level Sets Die Segmentierung unter Verwendung von Templates Ergebnisse Segmentierte Zyklen amira 3.0 Zyklen I-PRESP Zyklen Parametereinstellungen Quantitativer Vergleich mit Similarity Match Weitere Ergebnisse Diskussion

3 5.1 Segmentierte Zyklen amira I-PRESP Parametereinstellungen Similarity Match Allgemeine Zusammenfassung Zusammenfassung Abstract Danksagung Curriculum vitae Literaturverzeichnis Bildquellen Appendix

4 1 Einleitung 1.1 Allgemein Die Entdeckung der Röntgenstrahlung im Jahre 1895 durch Wilhelm Conrad Röntgen war die Geburtsstunde der Biomedizinischen Bildgebung. Dies was ein bahnbrechendes Ereignis für die damalige Medizin, da es zum ersten Mal möglich war, die menschliche Anatomie auf anschaulichste Weise darzustellen und zu repräsentieren. Gleichsam läutete es eine Zeit ein, in der es zum Ziel wurde technische Geräte und verschiedenste Methoden zu entwickeln um eine bessere Qualität mit mehr Details der menschlichen Anatomie zu erreichen. Durch solche leistungsfähigere Techniken wird der diagnostische Blick des Arztes in das Innere des menschlichen Köpers zunehmend präziser. So ist es dem Arzt möglich dem Patienten etwaige Risikofaktoren und somit Konsequenzen in dessen weiterer Behandlung und Therapie aufzuzeigen noch bevor der Patient überhaupt die Symptome seines Leidens bemerken kann. Die bildgebenden Verfahren sind aus diesen Gründen in der Medizin nicht mehr wegzudenken. Zu den meist verwendeten Technologien in Kliniken und Krankenhäusern zählen neben der konventionellen Röntgenuntersuchung, der Ultraschall (US), die Computertomographie (CT), die Positronen-Emissions- (PET) und die Magnetresonaz-Tomographie (MR). Die stetigen Fortschritte auf dem Sektor der Bildqualität dienen einerseits als Basis für die Entwicklung von neuen, andererseits dienen sie der Verfeinerung von bestehenden Methoden, um noch tiefere Einblicke in den menschlichen Körper zu bekommen. Eine vollautomatische 3-dimensionale (3D) Darstellung der menschlichen Anatomie ist sicherlich ein erster Schritt, um das Diagnostizieren im zukünftigen Klinikalltag zu erleichtern. Dabei rückt nun ein klassischer Nachteil der derzeitigen Biomedizinischen Bildgebung in den Vordergrund: fast alle Geräte haben eine begrenzte Möglichkeit in der Darstellung eines 2-dimensionalen (2D) Bildes eines Organs, indem Schritt für Schritt eine Ebene entlang einer bestimmte Achse des Körpers gescannt wird. Die fehlerfreie Interpretation eines 2D Schichtbildes von 3D Objekten stellt eine spezielle Herausforderung an den Mediziner dar und forciert die Weiterentwicklung von 3D-Tools, um schnellere wie zuverlässigere Diagnosen erstellen zu können. Da die Erzeugung von 3D Repräsentationen aus 2D Bildern keine triviale Aufgabe ist, bietet sich hier ein freies unabhängiges Forschungsfeld für die Biomedizinischen Bildgebung an. Optimierte Verfahren sind aber nach wie vor nicht artefaktfrei, so können beispielsweise die physiologische Organlage im Körper sowie atemabhängige Brustkorbbewegungen Störeinflüsse bedingen, welche schließlich die Qualität des zu diagnostizierenden Bildes erheblich beeinträchtigen und so deren Interpretation unnötigerweise erschweren. Dieses Problem zu lösen wäre sicherlich der erste Schritt um eine exakte und somit zur sicheren Diagnosestellung verwendbare 3D Repräsentation des menschlichen Körpers zu erhalten. Auf der einen Seite ist es immens wichtig, die Qualität des Bildes an sich zu verbessern sowie die Bildbeschaffung an die Darstellungsform anzupassen. Andererseits besteht die Notwendigkeit einer Methode, welche die Grenzen eines gewählten Objektes in einem medizinischen Bild erkennt, wie z. B. das Herz in einem 3

5 Magnetic Resonace Imaging -Tomogramm. Die Standardmethode ist nach wie vor die manuelle Segmentierung und Darstellung des gewünschten Objektes durch medizinische Experten, was mit einem großen Zeitaufwand verbunden ist, wobei die Objektivität und somit die Vergleichbarkeit nicht unbedingt gegeben ist. Somit wird eine Methode gesucht, die dieses Problem so schnell, so sorgfältig und so objektiv wie möglich löst. Das Programm I-PRESP (IBIA-Preprocessing and Segmentation Pipeline) [1], eine weitgehende automatische Segmentierungs-Pipeline von Dr. Karl Fritscher, ist ein erster Ansatz um den Zeitaufwand erheblich zu minimieren. Das Herz als zentraler Motor des Kreislaufes stellt ein interessantes und herausforderndes Organ dar, nicht zuletzt auch deswegen, weil die Mehrzahl der Todesfälle mit diesem Organ im Zusammenhang stehen (Akutes Koronarsyndrom, Herzinfarkt, Herzinsuffizienz, etc ). Es gibt viele Gruppen und wissenschaftliche Arbeiten die sich deshalb ausschließlich mit der Segmentierung und Modellierung des Herzens [2] [3] [4] beschäftigen. Ein Hauptforschungsthema am Institut für Biomedizinische Signalverarbeitung und Bildgebung (IBIA) der Privaten Universität für Gesundheitswissenschaften, Medizinische Informatik und Technik (UMIT) ist die 4D Darstellung und Analyse von Herzen, um einerseits populationsspezifische Herzformen und andererseits durch Zyklen bedingte Formänderungen zu studieren. Die Daten die in dieser Arbeit verwendet werden, entstammen der Kooperation des IBIA und der Abteilung für Kardiologie und der Abteilung für Radiologie I (beide gehören der Medizinischen Universität Innsbruck an). Die Analyse basiert auf einer Zeitserie von EKG-getriggerten MRI short-axis Scans des menschlichen Herzens von vier gesunden männlichen Probanden im Alter zwischen 25 und 50 Jahren. Diese vier Zyklen beginnen mit der R-Zacke (0 ms) des Elektrokardiogramms und repräsentieren nahezu den gesamten Herzzyklus in 50 ms Schritten. So erhält man ca. 14 segmentierte Herzen pro Herzzyklus bei einem Pulsschlag von ca. 70 Schlägen pro Minute. Führt man sich die komplexe Struktur des Herzens vor Augen, so wird schnell deutlich, dass ein möglicher Segmentierungsalgorithmus nicht nur robust, sondern gleichzeitig auch sehr flexibel sein sollte. Insbesondere topologische Veränderungen stellen eine Herausforderung dar, die von den verschiedenen Ansätzen unterschiedlich gut bewältigt werden können. Neben der Organkomplexität stellt die Datenqualität eine Herausforderung dar u. a.: teilweise zu geringer Kontrast zwischen den Kammern und dem umliegenden Muskelgewebe; die atemabhängige Bewegung des Herzens; weiters ist die Grenze zwischen den Vorhöfen und den Kammern oft nur sehr schwer erkennbar, weil die Herzklappen im MRI kaum sichtbar sind. 4

6 1.2 Zielsetzung Ziel dieser Bachelorarbeit ist es, zwei Arten der Segmentierung experimentell gegenüber zustellen und Erfahrungen für die weitere Softwareentwicklung zu sammeln. Für die manuelle Segmentierung wird die Software amira 3.0 und für das weitgehend automatische Segmentieren das Programm I-PRESP verwendet. Dabei sollen im Speziellen folgende drei Hauptpunkte untersucht werden: Segmentierte Zyklen des Herzens: Ein wesentliches Ergebnis soll die Segmentation von Herzzyklen sein. Parametereinstellungen: In Zuge dessen ist es wichtig objektspezifische Parameter zu finden, die die Basis für folgende Segmentationsprozesse darstellen. Quantitativer Vergleich verschiedener Methoden: Die erzielten Ergebnisse sollen quantitativ gegenübergestellt werden, um Richtwerte für zukünftige Arbeiten zu erhalten. Folgende Punkte müssen ebenfalls berücksichtigt werden: Effizienz: Hier wird einerseits der Zeitaufwand für das Segmentieren der Zyklen beobachtet, andererseits wird auf die Einarbeitungszeit der verwendeten Programme geachtet. Softwaredesign: Die Benutzeroberfläche und das Softwarekonzept sollen erprobt, Probleme erkannt und eventuelle Lösungen vorgeschlagen werden. Auf diese Punkte wird nun in der folgenden Arbeit eingegangen und die erzielten Ergebnisse auf anschauliche Weise dargestellt. 5

7 2 Anatomische und physiologische Grundlagen: Das Herz Im diesem Kapitel wird kurz auf die Anatomie und die Physiologie des Herzens eingegangen (wesentliche Grundlage für den Segmentierungsprozess). 2.1 Die Anatomie des Herzens Allgemein Das Herz und die Gefäße sind die Kreislauforgane. Im nachgeburtlichen Kreislauf des Menschen unterscheidet man den großen (Körper-) Kreislauf zur Versorgung aller Organe und den kleinen (Lungen-) Kreislauf, der dem Gasaustausch dient. Beide sind in Form einer 8 hintereinander geschaltet, in ihrer Kreuzung liegt als Saug- und Druckpumpe das Herz [5]. Abbildung 1 zeigt eine vereinfachte Darstellung der Kreislauforgane. Abbildung 1: Vereinfachtes Schema der Kreislauforgane. [A1] 1 Herz 2 Kleiner Kreislauf 3 Großer Kreislauf Das Herz ist ein muskuläres Hohlorgan, das zur Beförderung von Blut in den Kreislauf eingeschalten ist. Das Septum cordis (die Scheidewand), teilt das Herz in eine linke und eine rechte Hälfte. Die linke Hälfte ist dem Körperkreislauf, die rechte Hälfte dem Lungenkreislauf zugeordnet. Beide Hälften sind unterteilt 6

8 in je ein Atrium (Vorhof) und einen Ventrikel (Kammer). Die Richtung, in die das Herz vom Blut durchströmt wird, wird von den Herzklappen bestimmt, die ungefähr in einer Ebene liegen [6]. Die Größe des Herzens entspricht ungefähr der geschlossenen Faust des Menschen. Das Gewicht beträgt ca g. Es transportiert im Ruhezustand ca l Blut durch den Körper (bei 70 Schlägen pro Minute; 80 ml Schlagvolumen) [6]. Das Herz liegt im Mediastinalraum zwischen den beiden Lungenflügeln. Zwei Drittel befinden sich hinter der linken Brustkorbhälfte und ein Drittel hinter der rechten Brustkorbhälfte. Abbildung 2 zeigt die Lage des Herzens. Das Herz grenzt [7]: Ventral an die Rückseite des Sternums Lateral an den rechten und linken Pulmonalflügel Dorsal an die Aorta und an den Oesophagus Kaudal an das Diaphragma thoraco-abdominale. Abbildung 2: Die Lage des Herzens im Mediastinalraum. [A2] 1 Aorta 2 Truncus pulmonalis 3 Vena cava superior 4 Atrium dextrum 5 Arteriae pulmonales 6 Ventriculus sinister 7 Ventriculus dexter 8 Aorta abdominalis 9 Vena cava inferior 10 Sternum 11 Diaphragma thoraco-abdominale 7

9 Die Form des Herzens wird mit einem aufgebauchten Kegel verglichen, dessen Basis nach rechts hinten oben und dessen Spitze nach links unten gerichtet ist. Die Achse verläuft also in situ schräg. Die beiden Ventrikel werden von außen scheinbar durch einen Sulcus interventricularis getrennt. Die Herzspitze selbst wird von der Muskulatur der linken Kammer gebildet. Die Grenze zwischen den Ventrikeln und den Atrien ist äußerlich durch den Sulcus coronarius gekennzeichnet. Die beiden Atrien besitzen sackartige Auriculae cordis (Herzohren), die die großen Gefäßstämme umgreifen. Der Sulcus terminalis trennt die Vena cava superior vom Atrium dextrum. Der Ventriculus dexter geht in den Truncus pulmonalis über [6]. Hierzu siehe Abbildung 3. Die Lage der großen Gefäße, nämlich Truncus pulmonalis und Aorta einerseits, sowie Vena cava inferior und superior und Venae pulmonales andererseits, dienen der Orientierung am Herzen. In situ liegt die Verlaufsrichtung der Vena cava inferior und superior in einer vertikalen Achse; der Austritt des Truncus pulmonalis liegt ventral links von der Aorta. Die 4 Venae pulmonales erreichen von der Seite her das Atrium sinistrum [6]. Abbildung 3: Die Gestalt des Herzens von ventral (linkes Bild) und von dorsal (rechtes Bild). [A1] 1 Aorta 2 Truncus pulmonalis 3 Vena cava superior 4 Atrium dextrum 5 Venae pulmonales 6 Vena cava inferior 7 Auriculum sinister 8 Auriculum dextrum 9 Ventriculus dexter 10 Ventriculus sinister 11 Sulcus interventricularis anterior 12 Sulcus coronarius 13 Sinus coronarius 8

10 2.1.2 Der Blutkreislauf Im großen Kreislauf gelangt das Blut aus dem Atrium sinistrum in den Ventriculus sinister. Über die Aorta erreicht es das Kapillargebiet der Organe. Aus den Beinen und der unterer Rumpfhälfte fließt das Blut über die Vena cava inferior (untere Hohlvene), in den rechten Vorhof. In den selbigen mündet auch die Vena cava superior (obere Hohlvene). Sie leitet das Blut aus Kopf, den Armen und der oberen Rumpfhälfte. Im kleinen Kreislauf strömt das Blut aus dem Atrium dextrum in die Ventriculus dexter. Über die Arteriae pulmonales (Lungenarterien) fließt es dann ins Kapillargebiet der Lungen, und über die Venae pulmonales (Lungenvenen) in den linken Vorhof [5] Die Herzventile Die beiden Ventrikel haben je einen Eingang und einen Ausgang. Die Eingänge führen von den kleineren Atrien in die größeren Ventrikel. Die Ausgänge leiten das Blut in die Aorta oder in den Truncus pulmonalis. An diesen Übergängen, von den Atrien zu den Ventrikeln sitzen die Herzklappen oder auch Herzventile, die sich vom Blutstrom nur in eine Richtung aufdrücken lassen. Kommt der Druck von der anderen Seite, schlägt die Klappe zu und verhindert so die Möglichkeit des Rückflusses [7]. Abbildung 4: Blick von oben auf die Herzventilebene. Alle vier Klappen liegen in einer Ebene und werden von einem Bindegewebsgerüst zusammengehalten, dem Herzskelett. Die Pfeile zeigen die Flussrichtung des sauerstoffreichen (= rot) und des sauerstoffarmen (= blau) Blutes. [A1] [A2] 1 Trikuspidalklappe 2 Bikuspidalklappe 3 Aortenklappe 4 Pulmonalklappe 5 Herzskelett 9

11 Die Herzventile, zwei Segelklappen und zwei Taschenklappen, entspringen von einem Bindegewebsgerüst, dem so genannten Herzskelett und liegen in etwa in einer Ebene, der Ventilebene (Abbildung 4). Sie trennt die Vorhofmuskulatur von der Kammermuskulatur. Die Vorhof-Kammer Mündung, wird durch eine Segelklappe, der Atrioventrikularklappe, verschlossen. Die Ausflussbahn jeder Kammer führt durch die Taschenklappen [5] Segelklappen Da die Klappen zwischen den Vorhöfen und Kammern aus dünnen weißem Bindegewebe bestehen, nennt man sie Segelklappen [7]. An der Unterfläche des freien Segelrandes ziehen feine Chordae tendineae zu den Papillarmuskeln. Einerseits halten sie das Segel fest und andererseits hindern sie es daran, in den Vorhof durchzuschlagen. Im rechten Herzen besteht die Segelklappe, auch Trikuspidalklappe genannt, aus drei Segeln. Die Bikuspidalklappe, die im linken Herzen liegt, besteht nur aus zwei Segeln [5]. Die Abbildung 5 zeigt eine Segelklappe im geschlossenen und im geöffneten Zustand. Abbildung 5: Segelklappe im geschlossenen und im geöffneten Zustand. [A2] 1 Segelklappe 2 Chordae tendineae 3 Papillarmuskeln Taschenklappen Je eine Taschenklappe liegt am Ursprung der Aorta (Aortenklappe) und eine am Ursprung des Truncus pulmonalis (Pulmonalklappe). Jede der beiden Klappen wird aus drei Taschen zusammengesetzt, wobei deren Unterseite gegen die entsprechende Ausflussbahn gerichtet ist [5]. Abbildung 6 zeigt die Form einer Taschenklappe. 10

12 Abbildung 6: Bild A zeigt eine Aortenklappe in situ und eine auseinander geschnittene Taschenklappe. Bild B zeigt eine Taschenklappe im geschlossenen und im geöffneten Zustand. [A1] 2.2 Die Physiologie des Herzens Die Aktionsphasen des Herzens In Ruhe beträgt die Herzfrequenz eines Menschen ca Schläge/ min [8]. Mit jeder Krontraktion wird das Blut aus den Kammern in den kleinen Lungenkreislauf und in den großen Körperkreislauf gepumpt. Durch die Kontraktion werden die Innenräume der Herzhöhlen verkleinert und so das Blut in den entsprechenden Kreislauf weiterbefördert. Anschließend erschlafft die Herzmuskulatur wieder, die Herzhöhlen erweitern sich und füllen sich wieder mit Blut [7]. In ca. 1 Sekunde laufen also die vier Aktionsphasen der Herzhöhlen ab. Die vier Phasen sind (siehe auch Tabelle 1 und Abbildung 7): die Anspannungs- (I) und Auswurfphase (II) der Systole die Entspannungs- (III) und Füllungsphase (IV) der Diastole, Wie bereits beschrieben wurde, bestimmen die Herzklappen die Strömungsrichtung des Blutes, nämlich von den Vorhöfen in die Kammern (Aktionsphase IV), weiters von diesen in die Aorta und in den Truncus pulmonalis (Aktionsphase II). Während der Anspannungsphase und der Entspannungsphase sind alle Klappen geschlossen. Die Drücke, die beidseits der Klappen bestehen, sind für das Öffnen und Schließen verantwortlich [8]. 11

13 Die Systole In der ersten Phase der Systole, der Anspannungsphase, sind die Segelklappen und die Taschenklappen geschlossen und die Kammern mit Blut gefüllt. Durch die Anspannung des Myokards wird Druck auf das Blut ausgeübt. Da der Kammerdruck aber noch nicht genug hoch ist, bleibt die Aortenklappe und die Pulmonalklappe geschlossen [7]. Die Auswurfphase ist die zweite Phase der Systole. Wenn der Kammerdruck den Blutdruck in den Arterien erreicht, werden bei zunächst noch ansteigendem Blutdruck die Aortenklappen geöffnet, die Kammermuskulatur verkürzt sich, das Kammervolumen wird kleiner und ca. 70 ml Blut werden in die Arterien ausgeworfen. Dieses Volumen wird auch Schlagvolumen genannt [5]. Da der Druck in den Arterien anschließend wieder höher ist als in der Kammer, schließen sich die Taschenklappen wieder. Die Systole ist somit beendet und die Diastole beginnt [7] Die Diastole Die Entspannungsphase leitet die Diastole ein. Inzwischen haben sich die Vorhöfe wieder mit Blut gefüllt, wobei das Senken der Ventilklappenebene mit einer Saugwirkung während der Auswurfsphase am meisten dazu beiträgt [8]. Alle Klappen sind abermals geschlossen und durch die Myokardentspannung sinken die Kammerdrücke [7]. Nun beginnt die Füllungsphase der Ventrikel. Die Bikuspidal- und die Trikuspidalklappe öffnen sich und das Blut fließt von den Vorhöfen in die Kammern, da die Kammerdrücke unter die Vorhofdrücke gesunken sind. Diese Phase endet mit dem Schließen der Segelklappen und eine neue Systole beginnt [7]. Herzzyklus Phasen Segelklappen Taschenklappen Systole Diastole Anspannungsphase geschlossen geschlossen Auswurfsphase geschlossen offen Entspannungsphase geschlossen geschlossen Füllungsphase offen geschlossen Tabelle 1: Die Tabelle zeigt die Aktion der Klappen während des Herzzyklus. [A1] 12

14 Abbildung 7: Zusammenfassende Darstellung der Herzzyklen und der Aktionsphasen. [A2] 13

15 3 Methoden Im folgenden Kapitel werden die Bildgebung, benützte Bilddaten und prinzipielle Grundlagen der Segmentation besprochen. Weiters werden die verwendeten Programme erläutert. 3.1 Bildgebung und benutzte Bilddaten Die Magnetresonanztomographie (MRT) oder auch Magnetic Resonace Imaging (MRI) genannt, wird seit den 80-er Jahren zunehmend in der Diagnostik als bildgebende Methode eingesetzt [9]. Im Unterschied zur Computer Tomographie (CT) werden in der MRI starke Magnetfelder und Hochfrequenzimpulse, also Radiowellen und keine Röntgenstrahlen verwendet. Auf Grund der völlig anderen Bilderzeugungsmodalität können Gewebekontraste besser dargestellt werden. Mit dem Magnetic Resonace Imaging können Schnittebenen in frei wählbarer Raumrichtung aufgenommen werden. Die Volumendatensätze werden für alle Körperregionen in der medizinischen Diagnostik herangezogen. Auch bei der Darstellung von Blutgefäßen, des Nierenhohlsystems, von Pankreas- und Gallenwegen und bei der funktionellen Bildgebung wie zum Beispiel am Gehirn (f-mri) wird das MRI zunehmend verwendet. Da heute eine Verkürzung der Bildaufnahmezeit möglich ist, können Bilder oder Bildfolgen im Sekundenbereich angefertigt werden. Dies ermöglicht einerseits Aufnahmen vom Thorax oder vom Abdomen während der Atemanhaltephase, andererseits sind nun sogar Aufnahmen von bewegten Organen wie dem Herzen möglich. Diese Verbesserungen der zeitlichen Auflösung bilden die Grundlage für die Darstellung von Funktionen, wie zum Beispiel die Bewegungsabläufe des Herzens oder die Perfusion von Organen. Dies verleiht der bildgebenden Diagnostik der Zukunft einen neuen Stellenwert, der über die Bedeutung als reine Suchmethode zum Auffinden von pathologischen Veränderungen hinaus zu einer gleichzeitigen Funktionsbeurteilung von Organsystemen führt, d. h., dass mittels einer Untersuchung eine Vielzahl unterschiedlicher Fragen beantwortet wird. Das MRI ist aber leider noch nicht im Stande die Computer Tomographie für die verschiedenen Organgebiete vollständig zu ersetzten, da die CT das MRI durch ihre Auflösung noch klar übertrifft [9]. Mittels der MRI sind mehrere verschiedene Sichten auf das Herz möglich. Die fünf am meisten verwendeten Sichten sind: die sagittale Ebene, die coronale Ebene, die axiale Ebene, die long axis - Ebene and die short axis -Ebene. Von diesen fünf Ebenen gehört die sagittale Ebene, die coronale Ebene und die axiale Ebene zu den klassischen Hauptebenen, während die short axies - und die long axies -Ebene zu den Standardebenen des Herzens gehören [10]. Hierzu siehe Abbildung 8. In Abbildung 9 wird ein vollständiger MRI- short axis Scan eines Herzdatenzyklus in 100ms Schritten gezeigt, wobei sich die Schnittebene in Höhe der beiden Ventrikel befindet. Der unterschiedliche Füllungszustand der beiden Herzhöhlen ist hier gut erkennbar. Im Zustand 000 ms (Beginn der Systole) 14

16 sind die Ventrikel prall gefüllt, die sich während der Systole in den Kreislauf entleeren. Am Anfang der Diastole (ca. 300 ms) beginnen sich die Ventrikel wieder über die Atrien zu füllen. Abbildung 8: Die zwei linken Bilder zeigen eine MRI-Aufnahme des Herzens jeweils in der sagittalen Ansicht. Die blauen Linien zeigen die verschiedenen Möglichkeiten der short axis -Ebene an, die ausgewählt werden können. Durch den weißen Balken in den mittleren Bildern wird angezeigt, in was für einer Ebene man sich gerade befindet. Im oberen mittleren Bild befindet man sich in der Schnittebene 8 (Höhe der Atrien), im unteren mittleren Bild befindet man sich in der Schnittebene 13 (Höhe der Ventrikel). In den rechten Bildern wird dazu die entsprechende MRI-Aufnahme in der short axis -Ebene abgebildet. [A3] 1 Truncus pulmonalis 2 Aorta 3 Atrium dextrum 4 Septum interatriale 5 Vena cava inferior 6 Anhang des Atrium sinistrum 7 Arteria coronaria sinistra 8 Venae pulmonales 9 Atrium sinistrum 10 Sulcus interventricularis anterior 11 Septum interventricularis 12 Ventriculus sinister 13 Ventriculus dexter 14 Pericardium 15

17 RV LV RV LV 000 ms 100 ms RV LV RV LV 200 ms 300 ms RV LV RV LV 400 ms 500 ms Abbildung 9: MRI short axis Scans eines Herzdatenzyklus in 100ms Schritten in Höhe der Ventrikel. Der Füllungszustand der beiden Ventrikel ist gut zu erkennen. 16

18 3.2 Datenquellen Wie bereits erwähnt entstammen die zur Verfügung gestellten Daten der Kooperation des Institutes für Biomedizinische Signalverarbeitung und Bildgebung (IBIA) aus der Privaten Universität für Gesundheitswissenschaften, Medizinische Informatik und Technik (UMIT) und der Abteilung für Kardiologie und der Abteilung für Radiologie I (beide gehören der Medizinischen Universität Innsbruck an). Die Analyse basiert auf einer Zeitserie von EKG-getriggerten MRI short-axis Scans des menschlichen Herzens von vier gesunden männlichen Patienten (h_003, h_005, h_006, und h_007). Tabelle 2 zeigt diese Daten im Detail. ID Geschlecht Alter (a) Puls (pro min) Zeitspanne (ms) Pixelspacing (mm) Schicht- Dicke (mm) Schicht [orginal] Schicht [isotrop] h_003 männlich 25 ~ , x192x29 256x256x124 h_005 männlich 47 ~ , x192x33 192x192x106 h_006 männlich 50 ~ , x192x35 174x192x112 h_007 männlich 49 ~ , x192x31 192x192x99 Tabelle 2: Die Daten im Detail. 3.3 Die Segmentierung Ein wichtiges Gebiet in der Bildverarbeitung stellt die Segmentierung dar. Sie ist eine Methode der Bildanalyse, mit dem Ziel ein Ausgangsbild zu erreichen, welches durch das Markieren von bestimmten Gebieten oder durch das Abgrenzen von Gebilden das Eingangsbild beschreibt. Der Prozess bei dem bestimmte Gebiete markiert oder abgegrenzt werden wird als Segmentierung bezeichnet. Die Einteilung und Interpretation dieser Gebiete ist als Klassifikation zu benennen und kann eigentlich nicht streng von der Segmentierung getrennt werden. Kurz gesagt ist das Hauptziel der Bildanalyse die Lücke zwischen der low-level Pixelinformationen und der symbolischen Spezifizierung des Bildinhaltes zu schließen. Bis jetzt konnte dieses Ziel aber nur in speziellen und klar definierten Bereichen erreicht werden. Zur globalen Bildanalyse ist es jedoch noch ein langer Weg [1]. Die Abbildung 10 veranschaulicht dieses Problem. 17

19 Abbildung 10: Links das Originalbild und zwei Interpretationen der einzelnen Objekte des Bildes. [A4] Das linke Originalbild kann auf zwei verschiedene Arten interpretiert werden. Für viele Menschen ist die erste Interpretation am Geläufigsten, wobei die meisten Algorithmen für automatische Segmentierung als Ergebnis die zweite Interpretation liefern würden, da sie nicht bestehendes Wissen zur Darstellung von Bildsegmentationen verwenden. Die Fähigkeit bereits bestehendes Wissen für die automatische Segmentierung einzusetzen befindet sich noch in der Entwicklungsphase. Zum Teil fließt jenes Wissen bereits in viele Algorithmen ein [1]. Es sind viele Verfahren zur Segmentierung bekannt. Grundsätzlich kann die klassische Segmentierung in folgende Methoden eingeteilt werden. Es gibt die Pixel orientierten Methoden [11], die Kanten basierenden Methoden [11], die Regionen basierenden Methoden [11] und die Segmentierung basierend auf Deformierbaren Modellen [11]. Die Grenzen dieser Methoden sind aber oft fließend. So können auch verschiedene Verfahren miteinander kombiniert werden um ein besseres Ergebnis zu erzielen. 18

20 3.3.1 Die Region-Growing- und Level-Set-Methode Zwei spezielle Methoden der Segmentierung werden im folgenden Abschnitt noch etwas genauer erläutert, da sie von den benutzen Softwareprogrammen, amira 3.0 und I-PRESP zur Segmentierung angewandt werden. Region-Growing-Methode: Ein besonders wichtiges Verfahren ist das Region-Growing [12]. Hierbei wird ein Saatpunkt, also ein Ausgangspunkt, in das zu segmentierende Gebiet gesetzt. Die so markierte Region wächst solange, bis der Algorithmus auf eine vorgegebene Grenze im Bild stößt. Problematisch sind Grauwerte, die nicht eindeutig einer Region zugewiesen werden können. Dadurch entstehen Lücken und es besteht die Gefahr des Ausfließens. Der Region-Growing-Algorithmus als Pseudo Code: Auswahl des Saatpunktes x 1 : Manuell oder Automatisch Füge Nachbarn in eine Liste Leg den Saatpunkt x 1 in die Menge A Wiederhole bis Liste leer ist: { Sortiere Liste Nehme das erste Pixel x i (größte Ähnlichkeit) von der Liste Füge es der Menge A hinzu Überprüfte Nachbarpixel auf Ähnlichkeit und füge diese gegebenenfalls zur Liste Update den Mittelwert. } Unterschiedliche Methoden der Grenzensetzung können nur bedingt Abhilfe schaffen. Erhöhung der Schwellwerte ermöglicht zwar eine Erkennung schwacher Übergänge, führt aber auch zu Übersegmentierung. Die Bilder müssen vor der Segmentierung mit der Region-Growing-Methode oft zur Rauschunterdrückung mit einem Gaußfilter geglättet werden. Dies führt bedauerlicherweise dazu, dass auch die gesuchten Kanten nicht mehr so genau lokalisiert werden können [12]. Level-Set-Methode: Die Level-Set Methode, ein Deformierbares Modell basierend auf einen geometrischen Ansatz, stellt ein wichtiges Feld numerischer Methoden zur Kurven- und Flächenentwicklung dar. Eingeführt in den 80-er Jahren von den amerikanischen Mathematikern Osher und Sethian, werden diese Methoden heute in vielen Anwendungsgebieten, wie z.b. in der Bildverarbeitung eingesetzt [12]. 19

21 Sie ist ein mathematisches Verfahren um geometrische Objekte und deren Bewegung numerisch zu berechnen. Der Vorteil der Level-Set-Methode liegt darin, dass man Kurven und Oberflächen auf einem räumlich festen (Euler schen) Koordinatensystem berechnen kann, ohne Parametrisierung dieser Objekte verwenden zu müssen. Insbesondere muss bei der Level-Set-Methode die Topologie, zum Beispiel die Anzahl der zusammenhängenden Gebiete, nicht bekannt sein. Sie kann sich sogar während der Berechnung ändern. Dies erlaubt die einfache Verfolgung der Ränder beweglicher Objekte, wie des Herzens. Das Prinzip: Ein eindimensionaler Rand Γ (siehe Gleichung 1) wie es eine Kurve darstellt, wird bei der Level-Set Methode als Nullstellenmenge ("level-set") einer zweidimensionalen Hilfsfunktion φ beschrieben. Gleichung 1: Formel eines eindimensionalen Randes Γ. [A5] Die Hilfsfunktion wird auf dem ganzen betrachteten Gebiet definiert, und zwar mit positiven Werten im Inneren und negativen Werten im Äußeren des von Γ umschlossenen Gebiets. Bei einem zeitlich veränderlichen Rand kann analog eine zeitabhängige Hilfsfunktion definiert werden. Bewegt sich solch eine Kurve entlang ihrer Normalenrichtung mit einer Geschwindigkeit v, kann man diese Bewegung mittels einer so genannten Hamilton-Jacobi-Gleichung (siehe Gleichung 2) für die Hilfsfunktion darstellen. Gleichung 2: Hamilton-Jacobi-Gleichung. [A5] Diese Gleichung ist eine partielle Differentialgleichung und kann mit Hilfe von numerischen Näherungsmethoden auf einem gleichmäßigen Gitter berechnet werden. Um die Kurve Γ zu verschiedenen Zeitpunkten der Bewegung darzustellen, muss nun einfach die Nullstellenmenge der Funktion φ verfolgt werden [13]. Die folgenden abgeleitenden Level-Set-Methoden werden im Programm I-PRESP verwendet: Fast Marching Level Sets -Methode [1] Active Geodesic Level Sets -Methode [1] Diese werden in der Master-Thesis von Dr. Karl Fritscher genauer beschrieben. 20

22 3.4 amira 3.0 amira 3.0 ist ein baukastenartiges, objektorientiertes Softwaresystem. Seine Basissystemkomponenten sind Module und Datenobjekte. Das Softwareprogramm bietet 120 verschiedene Module zum Vorverarbeiten bzw. Bearbeiten und Visualisieren von Datensätzen an. Darüber hinaus werden auch Werkzeuge in einem speziellen Feature, welches Image Segmentation Editor genannt wird, für die interaktive Segmentierung von 2D und teilweise auch für 3D Bilder angeboten. Neben der Palette an Segmentierungswerkzeugen für die manuelle Segmentierung gibt es natürlich auch einige Werkzeuge für das automatische Segmentieren [14]. Was die Segmentierung betrifft, so legt aber amira 3.0 seine Hauptaufmerksamkeit klar auf die manuelle Segmentierung. Hier muss aber der User viel Zeit investieren, um ein gutes Resultat bei der Segmentierung zu erzielen [1] Verwendete amira 3.0-Tools Folgende Werkzeuge wurden bei der manuellen Segmentierung verwendet: Brush Sobald das Werkzeug aktiviert ist und die Größe des Pinsels im darunter liegenden Feld ausgewählt wurde, kann man das ausgesuchte Gebilde markieren, indem man die dazugehörigen Voxel mit der Maus bei gedrückter linker Maustaste einfach anmalt [14]. Abbildung 11: Dieses Bild zeigt einen Ausschnitt aus dem Image Segmentation Editor. Hier sieht man das Tools -Feld mit ausgewähltem Brush -Tool (linkes kleines Bild). 21

23 Magic Wand Wenn der User mit der Maus bei aktivierter Magic Wand auf ein Voxel fährt und die linke Maustaste drückt, dann erscheint eine große zusammenhängende eingefärbte Fläche. Diese Fläche enthält nun das angeklickte Voxel und alle weiteren Voxel, die einen Grauwert haben, der innerhalb der eingegebenen Toleranzgrenze liegt (ähnlich dem Region-Growing -Verfahren). Die Auswahl der Eingrenzung wird wieder im darunter liegenden Menüfeld angegeben. Normalerweise benutzt man dieses Tool nur bei einem momentan ausgesuchten Bild. Wenn aber der 3D-Button im Image Segmentation Editor angeklickt ist, besteht auch die Möglichkeit alle angrenzenden Voxel des gesamten 3D Datensatzvolumens auf die Zugehörigkeit zu prüfen [14]. Abbildung 12: Dieses Bild zeigt einen Ausschnitt aus dem Image Segmentation Editor. Hier sieht man das Tools -Feld mit ausgewähltem Magic Wand -Tool (linkes kleines Bild). 22

24 3.4.2 Manuelles Segmentieren mit amira 3.0 Zuerst muss der zu segmentierende Datensatz, eine Imagedatei, importiert werden. Um 3D Bilder visualisieren zu können, ist es in meisten Fällen der gewöhnlichste und schnellste Weg aus dem 3D Datensatz Orthogonalschnitte zu entnehmen. Dies ermöglicht das OrthoSlice Modul. So hat man die Möglichkeit beliebige Orthogonalschnitte aus einem 3D Datensatz zu betrachten (siehe Abbildung 13). Abbildung 13: Hier sieht man einen Screenshot der graphischen Benutzeroberfläche von amira 3.0. Im linken Fenster ist ein axialer Orthogonalschnitt eines MRI Datensatzes zu sehen (Schicht 62). Anschließend wird eine LabelField -Datei, die zur Segmentierung notwendig ist erzeugt und mit dem bereits geladenen Datensatz verknüpft. Beim Aktivieren des LabelField -Buttons erscheint nun ein weiteres Benutzerfenster. Der Image Segmentation Editor. In diesem Fenster ist nun das manuelle Segmentieren möglich. Nach dem Aussuchen des gewünschten Werkzeuges, wie Brush oder Magic Wand und dem Einstellen der dazu gehörigen Parameter, können nun die Herzkammern und die großen zu- und ableitenden Gefäße einzeln und Schicht für Schicht segmentiert werden (siehe Abbildung 14 und Abbildung 15). Um einen Herzdatensatz durch zu segmentieren, müssen bei einem Pixelspacing von ca. 1,56mm ca. 125 Schichten bearbeitetet werden. 23

25 Abbildung 14: Im linken Fenster ist der Image Segmentation Editor zu sehen. Der mit dem Tool Brush segmentierte linke Ventrikel ist in Rot dargestellt (Schicht 62). 24

26 Abbildung 15: Das linke Fenster zeigt den Image Segmentation Editor. In dieser Schicht sind folgende segmentierte Objekte zu sehen: in Blau der rechte Ventrikel, in Hellblau das rechte Atrium, in Gelb das linke Atrium, in Orange die Aorta; (Schicht 33). 25

27 3.5 I-PRESP Die IBIA-Preprocessing and Segmentation Pipeline, kurz genannt I-PRESP, ist das Ergebnis der Masterarbeit von Herrn Dr. Karl Fritscher. Es stellt Werkzeuge zur Vorverarbeitung medizinischer Bilddaten und Methoden zur automatischen Segmentierung von Strukturen zur Verfügung. Das entwickelte Programm beinhaltet 22 Filter zur Bildvorverarbeitung, vier verschiedene Methoden zur Bildsegmentierung, die auf Geometric Deformable Models basieren und weitere Standardmethoden zur 2-dimensonalen oder 3-dimensionalen Bildbetrachtung [1] Automatische Segmentierung mit I-PRESP Vorverarbeitungsschritte Die Medizinische Bildanalyse benötigt oft Vorverarbeitungsprozesse bei denen Filter verwendet werden, welche das Rauschen entfernen. Dabei erreicht man auch klinisch wichtige Strukturen und Abgrenzungen von Objekten. Dies kann zur Verbesserung der Leistung der nachträglichen Weiterbearbeitung führen. Das Originalformat des Herzdatensatzes ist ein RAW-Image Format und muss zuerst in das Programm importiert und in ein ITK Metaheader Format konvertiert werden. Abbildung 16 zeigt ein RAW-Image Format eines Herzdatensatzes. Abbildung 16: Man sieht das RAW-Image Format des Herzdatensatzes. Das linke Bild zeigt die axiale Ansicht, in der Mitte ist die sagittale Ansicht und im rechten Bild die coronale Ansicht zu sehen. [A4] LV Linker Ventrikel RV Rechter Ventrikel LA Linkes Atrium RA Rechtes Atrium AO Aorta 26

28 Im nächsten Schritt wird die Bildgröße verändert. Dazu wird die Region of Interest mit einem speziellen Werkzeug aus dem gesamten Datensatz herausgeschnitten. Dies ist nicht unbedingt notwendig, bei kleineren Datensätzen aber verlaufen die nachfolgenden Arbeitsschritte schneller ab. Anschließend werden verschiedene Filter wie der Anisotropic Diffusion Filter (Raschunterdrückung), der Gradienten- Filter (Glättung), der Gauss-Filter und der Sigmoid-Filter (Kanten verstärken) verwendet. Damit werden die Grauwerte des Bildes verändert, das nicht erwünschte Rauschen wird unterdrückt, das Bild geglättet und die Kanten verstärkt. Anschließend erfolgt die eigentliche Segmentierung. In Abbildung 17 und Abbildung 18 sieht man die Bearbeitung des Datensatzes mit den vorher genannten Tools. Abbildung 17: Die Bilder zeigen die herausbearbeitete Region of Interest, und die Verwendung des Anisotropic Diffusion Filters. [A4] Abbildung 18: Die Herz MR-Scans nach der Vorverarbeitung mit einem Gradienten und Sigmoid-Filter. [A4] 27

29 Der Segmentierungsprozess Mit dem Segmentierungsprogramm I-PRESP wurde auf zwei unterschiedliche Arten segmentiert. Einerseits wurden die Datensätze zuerst mit Fast Marching Level Sets weiter vorbearbeitet und schließlich mit Active Geodesic Level Sets feinsegmentiert. Andererseits wurden Templates verwendet. Diese dienten als Vorlage, von denen aus dann wieder mit Active Geodesic Level Sets weiter segmentiert wurde Die Segmentierung mit Fast Marching Level Sets und Active Geodesic Level Sets In den 3 Hauptebenen werden zuerst Saatpunkte in der zu segmentierenden Herzkammer oder in zuoder ableitenden großen Gefäßen gesetzt. Anschließend wird der Set Stopping Value Parameter eingegeben, der den Filter reguliert und ihn nach einer gewissen Zeit stoppt. Erst danach wird die Fast Marching Level Sets Segmentierung gestartet (siehe Abbildung 19). Es ist zu bedenken, dass die Saatpunkte gut gewählt werden müssen, da diese das Ergebnis des Algorithmus und in weiterer Folge jenes der Feinsegmentierung maßgeblich beeinflussen. Abbildung 19: Hier ein Beispiel für das Setzen der Saatpunkte im rechten Atrium in der axialen Ebene (links) und im linken Ventrikel in der sagittalen Ebene (rechts). [A4] 28

30 Nach dem Erscheinen des Zwischenergebnisses wird in das Active Geodesic Level Sets -Menü gewechselt, in welchem ebenfalls die folgenden Parameter gesetzt werden: Iterations: Dieser Parameter gibt an, nach wie vielen Iterationen der Prozess stoppt [1]. Curve Scaling: Dieser Parameter reguliert die Krümmungs-Geschwindigkeit. Sie kontrolliert die Form der Kontur und verhindert das Ausbrechen der aktiven Kontur, auch Snake genannt, aus den Objektgrenzen. Die Geschwindigkeit arbeitet nach innen hin und ist an einem bestimmten Punkt proportional zur Krümmung der Snake [1]. Advection Scaling: Dieser Skalierungsparameter kontrolliert die Advections-Geschwindigkeit. Er bewirkt, dass die Kontur verlangsamt bzw. stoppt wenn sie sich einer Grenze nähert. Die Advection wird größer je mehr sich die Snake dem Bildrand parallel nähert [1]. Propagation Scaling: Mit diesem Parameter kann die Ausbreitungs-Geschwindigkeit der Oberfläche reguliert werden. Sie ist proportional zum feature image, welches ein Bild nach den Vorverarbeitungsschritten mit der Information über die Ausbreitung der Snake darstellt. Negative Werte führen zu einer Expandierung der Kontur, während positive Werte eine Kontraktion bewirken. In einer homogenen Region des feature image ist die Propagation Scaling konstant [1]. Schließlich wird der Active Geodesic Level Sets -Algorithmus gestartet. Als Ergebnis erscheint die vollständige Segmentierung des ausgewählten Objektes. Abbildung 20 und Abbildung 21 zeigen solche Resultate. Durch das Zusammenfügen der einzelnen segmentierten Label erhält man die gesamte Oberfläche des Herzens. Hierzu siehe aber Kapitel 4. Abbildung 20: Hier das Endresultat der Segmentierung des linken Ventrikel. [A4] 29

31 Abbildung 21: Hier ist das Endresultat der vier segmentierten Hohlräume des Herzens zu sehen. [A4] Die Segmentierung unter Verwendung von Templates Bei diesem Prozess basiert die Segmentierung hauptsächlich auf dem Active Geodesic Level Sets Modul. Der erste Schritt ist wiederum, das Image zum Zeitpunkt 0 des Datensatzes in das Programm zu importieren und zu konvertieren. Weiters wird das Bild mit den Vorverarbeitungsfiltern, wie in Abschnitt , bearbeitet. Anschließend werden die 4 Hohlräume des Herzens und die zu- und ableitenden großen Gefäßen mit Fast Marching Level Sets - und dem Active Geodesic Level Sets -Algorithmus segmentiert. Die daraus resultierenden segmentierten Label werden als Templates für das um 50 ms darauf folgende Image des gleichen Datensatzes verwendet. Von diesen Templates aus wird dann wieder mit Active Geodesic Level Sets weiter segmentiert. Diese letzten zwei Schritte werden so oft wiederholt bis schlussendlich der gesamte Herzzyklus segmentiert worden ist. Im Anschluss daran, werden die einzelnen Label zusammen gefügt. Das Ergebnis stellt die pro Zeitabschnitt vollständig segmentierte Oberfläche des Herzens dar. Auch hier siehe wieder Kapitel 4. 30

32 4 Ergebnisse In diesem Kapitel werden nun die vollständig manuell und automatisch segmentierten Herzzyklen präsentiert, Parametereinsstellung für die I-PRESP Segmentierung angegeben und ein quantitativer Vergleich zwischen manueller und weitgehend automatischer Segmentierung angegeben. 4.1 Segmentierte Zyklen amira 3.0 Zyklen Hier wird ein vollständig manuell segmentierter Datensatz (h_003) gezeigt, der ausschließlich mit dem Programm amira 3.0 bearbeitet worden ist. In der linken Spalte werden die segmentierten und zusammengefügten 4 Hohlräume des Herzens und die zu- und ableitenden großen Gefäße zum Zeitpunkt t gezeigt, in der mittleren Spalte ist der um 50 ms spätere Datensatz abgebildet. Die rechte Spalte zeigt schließlich die Differenz der beiden Zustände, die sich aus den Distanzen der beiden Segmentierungen errechnet. Die Regionen in Violett entsprechen dem Datensatz zum Zeitpunkt t, die goldenen Regionen entsprechen den um 50 ms späteren Datensatz. Idente Regionen werden in Weiß dargestellt. Ein Teil eines vollkommen segmentierten Datensatzes wird in Abbildung 22 dargestellt. Im Anhang ist der gesamte segmentierte Datensatz zu sehen. Zustand t Zustand t + Differenz 000 ms 050 ms 200 ms 250 ms 31

33 400 ms 450 ms Abbildung 22: Die linke Spalte zeigt den Datensatz zum Zeitpunkt t, die mittlere Spalte zeigt den gleichen Datensatz um 50 ms versetzt und die rechte Spalte zeigt schließlich die Differenz der beiden. (bearbeiteter Datensatz h_003) I-PRESP Zyklen In diesem Abschnitt werden Datenzyklen (h_006), die mit dem Programm I-PRESP segmentiert worden sind, mit den gleichen, aber mit amira 3.0 nachbearbeiteten Zyklen gegenübergestellt. Abbildung 23 zeigt den mit amira 3.0 segmentierten Datensatz zum Zeitpunkt 0 was die R-Zacke im Elektrokardiogramm entspricht. Von diesem Datensatz aus wurde einerseits mit Fast Marching Level Sets und Active Geodesic Level Sets (siehe Abbildung 24) oder andererseits unter der Verwendung von Templates (siehe Abbildung 25) weitersegmentiert. Die Regionen in Violett entsprechen den Überlagerungen des ersten Datensatzes, die goldenen Regionen entsprechen den Überlagerungen des zweiten Datensatzes (mit amira 3.0 segmentiert). Idente Regionen werden in Weiß dargestellt. Im Anhang sind die zwei vollständig segmentierten Datensätze zu sehen. 000 ms Abbildung 23: Mit amira 3.0 segmentierter Datensatz (h_006) zum Zeitpunkt 0. 32

34 Segmentierung mit Fast Marching Level Sets und Active Geodesic Level Segmentierung mit amira 3.0 Differenz von frontal Differenz von seitlich hinten Sets 050 ms 050 ms 350 ms 350 ms 600 ms 600 ms Abbildung 24: Im der linken Spalte sieht man einen segmentierten Datensatz, der mit dem Fast Marching Level Sets - und dem Active Geodesic Level Sets -Algorithmus bearbeitet wurde. Die zweite linke Spalte zeigt den gleichen Datensatz, der schließlich manuell mit amira 3.0 weiterbearbeitet wurde. Die Differenz der beiden Datensätze wird in der rechten Spalten wiedergegeben, einerseits von frontal gesehen andererseits von links hinten gesehen. (bearbeiteter Datensatz h_006) 33

35 Segmentierung unter der Verwendung von Templates Segmentierung mit amira 3.0 Differenz von frontal Differenz von seitlich hinten 050 ms 050 ms 350 ms 350 ms 600 ms 600 ms Abbildung 25: Hier sieht man in der linken Spalte einen Datensatz der unter der Verwendung von Templates segmentiert worden ist. In der zweiten Spalte wiederum die mit amira 3.0 weiterbearbeitete Segmentierung und in den beiden rechten Spalten die Differenz (einerseits von frontal gesehen andererseits von links hinten gesehen). (bearbeiteter Datensatz h_006) 34

36 4.2 Parametereinstellungen In diesem Abschnitt soll gezeigt werden wie die Filter und Parameter, die unter anderem in Kapitel 3 besprochen wurden, gesetzt worden sind. Als Beispiel dient hier der Datensatz h_006 (100ms nach der R-Zacke des Elektrokardiogramms), der mit I-PRESP unter der Verwendung von Templates bearbeitet worden ist. Siehe Tabelle 3. Ähnliche Parametersetzungen wurden auch für die Datensätze h_005 und h_007 herangezogen. Gradient + Glättung (Sigma) Sigmoid Filter Stopping Value Set Curve Scaling Set Advection Scaling Set Propagation Scaling Linker Ventrikel 1 α: -40 β: ,0 3,0 2,5 Rechter Ventrikel 1 α: -40 β: ,0 3,0 2,5 Linkes Atrium 1 α: -40 β: ,0 3,0-2,0 Rechtes Atrium 1 α: -40 β: ,0 3,0-3,5 Aorta 1 α: -40 β: ,0 3,0-2,0 Truncus Pulmonalis 1 α: -40 β: Tabelle 3: Setzung der Parameter. 35

37 4.3 Quantitativer Vergleich mit Similarity Match Die folgende Tabelle zeigt einen quantitativen Vergleich der Ergebnisse des Datensatzes h_006 bei Saatpunktsetzung und Templateverwendung in Bezug auf den Golden Standard (manuelles Segmentieren). Der Similarity Index wurde mit dem Programm I-PRESP errechnet und spiegelt prozentuell den Vergleich der Ergebnisse wieder. Einerseits wurden die Segmentationen, die mit dem Fast Marching Level Sets - und dem Active Geodesic Level Sets -Algorithmus bearbeitet wurden mit den amira 3.0 nachbearbeiteten Bildern verglichen (siehe mittlere Spalte in Tabelle 4), andererseits wurden die Datensätze, die unter Anwendung von Templates entstanden sind mit den amira 3.0 nachbearbeiteten Bildern verglichen (siehe rechte Spalte in Tabelle 4). Die linke Spalte gibt den Zeitpunkt des Datensatzes an. Zeitpunkt t Similarity Index Similarity Index (bei Saatpunktsetzung) (bei Templateverwendung) 050 0,907 0, ,913 0, ,903 0, ,903 0, ,916 0, ,921 0, ,933 0, ,932 0, ,924 0, ,923 0, ,926 0, ,919 0, ,919 0, ,914 0,987 Mittelwert m 0,918 0,962 Standardabweichung δ 0,0095 0,0286 Tabelle 4: Quantitativer prozentueller Vergleich mit Similarity Match. Im Mittel ergibt sich ein Wert von 0,918 (δ = 0,0095) für den Similarity Index bei der Saatpunktsetzung. Bei der Templateverwendung beträgt der Mittelwert 0,962 (δ = 0,0286). Siehe hier ebenfalls Tabelle 4. 36

38 4.4 Weitere Ergebnisse Während der Zeitaufwand für die Segmentierung eines gesamten Herzdatensatzes über den Zyklus mit amira 3.0 ca. eine Woche beträgt, ist der Segmentierungszeitaufwand mit dem Programm I-PRESP wesentlich geringer. Bei der Saatpunktsetzung benötigt man ca. drei Tage und bei der Verwendung von Templates ca. zwei Tage. Die Einarbeitungszeit für amira 3.0 beträgt ca. eine Woche und wird durch die Verwendung eines User- Guides beschleunigt. Hingegen bei dem Programm I-PRESP bedarf es einer wesentlich längeren Zeit für die Einarbeitung, einerseits durch das Pipeline Prinzip, andererseits durch ergänzendes Literaturstudium. Beim Softwaredesign war amira 3.0 standardmäßig ausgereift. Bei I-PRESP hingegen konnte klar festgestellt werden, dass es sich hier noch um einen Prototyp handelt. 37

39 5 Diskussion In diesem Kapitel werden die gewonnenen Ergebnisse diskutiert und Verbesserungsvorschläge für den I-PRESP Prototypen eingebracht. Eine allgemeine Zusammenfassung rundet dieses Kapitel ab. 5.1 Segmentierte Zyklen amira 3.0 Allgemein: amira ist ein in der Bildverarbeitung häufig verwendetes Programm, das mittlerweile in der Version 3.01 vorliegt. Da ich das Programm nur über eine kurze Zeit für das manuelle Segmentieren verwendet habe, konnte ich jedoch nicht das ganze Softwareprodukt im Detail kennen lernen. Mit dieser Software wurde einerseits der Datensatz h_003 vollständig segmentiert, andererseits wurde es zur Nachbearbeitung der mit I-PRESP segmentierten Datensätze h_005, h_006 und h_007 verwendet. Nachteilig erwies sich diese Methode als nicht objektiv, da jeder User subjektiv die Übergänge und Abgrenzungen der einzelnen Herzkompartimente festlegt. Dies ist natürlich auch durch den verminderten Kontrast in der Herzventilebene bedingt. So kann es sein, dass die Lage der Herzventilebene am gleichen Objekt von verschiedenen Benutzern unterschiedlichen Schichten zugeordnet wird. Durch die Differenzen, die durch die Gegenüberstellungen bestimmter Zustände entstehen, werden die Bewegungen des Herzens, sprich das Füllen und das Leeren der Atrien und Ventrikel deutlich vorgezeigt. Auch wenn man die MRI-Aufnahmen in der short axis -Ebene nebeneinander stellt, sind die systolischen und diastolischen Bewegungen gut sichtbar (siehe Abbildung 9). Effizienz: Die Effizienz läst aber zu wünschen übrig, denn das manuelle Segmentieren nahm sehr viel Zeit in Anspruch, wobei man dafür aber ein sehr exaktes Ergebnis des gewünschten Objektes erhielt. Pro Zustand benötigte man ca. 7 Stunden, dies erfordert dann ca. 100 Stunden für die vollständige Segmentierung eines Zyklus. Softwaredesign: Mir erschien es als sehr benutzerfreundlich und mit dem User-Guide schnell und einfach zu verstehen. Dennoch sind mir wenige Kleinigkeiten bei der Benutzung aufgefallen, wie zum Beispiel das Umordnen der Objektregistrierungen im Materials -Ordner des Image Segmentation Editor. Dies war leider nicht möglich. So musste man vorhandene Objektregistrierungen löschen und diese dann in der gewünschten Reihenfolge wieder einfügen. 38

40 Im Großen und Ganzen denke ich, dass amira 3.0 ein sehr gutes Softwareprodukt für den ersten Einstieg in die Bildverarbeitung ist. Im Speziellen für die manuelle Segmentierung und für die 3D Darstellung von Objekten I-PRESP Allgemein: Das Programm IBIA-Preprocessing and Segmentation Pipeline kurz I-PRESP genannt, ist eine weitgehende automatische Segmentierungs-Pipeline von Dr. Karl Fritscher. Da dieses Programm erst vor kurzem an der IBIA entwickelt worden ist, war ich einer der Ersten der die Möglichkeit hatte dieses neue Programm zu testen und zu verwenden. Ein großer Vorteil war hierbei, dass evtl. Fehler im Programm sofort behoben wurden oder eingebrachte Verbesserungsvorschläge direkt umgesetzt wurden. Wie bereits in Kapitel 4 erwähnt, wurde mit diesem Programm auf zwei Arten automatisch segmentiert. Einerseits wurde mit Fast Marching Level Sets und Active Geodesic Level Sets und andererseits unter der Verwendung von Templates segmentiert. Zur ersten Methode ist zu sagen, dass der User hier viel Vorwissen über die Anatomie des Herzens und über die Funktion der Saatpunkte haben muss, da das Ergebnis stark von der Setzung jener Saatpunkt in den einzelnen Hohlräumen abhängt. Denn je präziser er diese Punkte setzt, desto bessere Zwischenergebnisse werden durch die Vorverarbeitung erreicht und desto schneller ist die weitere Feinsegmentierung mittels der Active Geodesic Level Sets -Methode. Die Verwendung von Templates bei der Segmentierung ist meiner Meinung nach die einfachste und schnellste Methode einen vollständigen Zyklus zu segmentierten. Effizienz: Hier ist klar zu beobachten, dass mit der weitgehenden automatischen Segmentierungs-Pipeline wesentlich schneller segmentiert werden kann, als mit der manuellen Segmentierungsmethode. Man benötigt hier ein Drittel der Zeit (Reduktion von 100 Stunden auf ca. 30 Stunden), die man für das manuelle Segmentieren braucht. Softwaredesign: In den folgenden Punkten werden Nachteile aufgezählt, die mir bei der Benutzung dieses Programms aufgefallen sind. Im anschließenden Absatz werden zu einigen angeführten Punkten Verbesserungen vorgeschlagen: a) Der erste Punkt betrifft die verschiedenen Eingabefenster die zahlreich in diesem Programm vorkommen. Sie sind zu klein geraten, sodass der Benützter oft in ein solches Fenster reinklicken und den Cursor benutzten muss, wenn er den gesamten Eingabewert kontrollieren 39

41 will. Wird aber der Cursor zu weit nach links bewegt, bleibt dieser nicht in diesem Fenster, sondern wandert zum Eingabefenster im nächsten links gelegenen Menü. b) Im User-Interface wird nicht anzeigt, was für eine Datei gerade bearbeitet wird oder gerade geladen wurde. c) Bei der manuellen Segmentierung mit I-PRESP, müssen die Paint Level - und Delete - Werkzeuge immer vor dem Verlassen des Menüs manuell deaktiviert werden. Geschieht dies nicht, wird in einem anderen Menü bei der Betätigung der Maus weitergezeichnet oder weitergelöscht. d) Bei der Verwendung von Combine Files : Falls man sich beim Zuordnen der Hohlräume verklickt, kann man dies nicht mehr korrigieren oder den Prozess abbrechen, sondern muss den ganzen Combine Files Prozess durchlaufen, damit man wieder zum gewünschten Anfang kommt. e) Auch beim Speichern sind mir kleinere Probleme aufgefallen. Beim Abspeichern einer Datei, kann es durchaus vorkommen, dass bereits eine Datei mit demselben Namen existiert und diese dann ohne Vorwarnung überschrieben wird. Eine weitere Schwachstelle auf diesem Gebiet ist, dass Dateien nur mit den Endungen.img oder.hdr abgespeichert werden können. Versucht man ein File mit einer anderen Endung abzuspeichern, wird dieses ohne Anmerkung überhaupt nicht gespeichert. f) Wenn ich im schon geöffneten Programm neue Daten laden will, werden die Einstellungen in allen Eingabefenster, die ich zuvor benutzt habe nicht auf einen Defaultwerte zurückgesetzt sondern bleiben bestehen. g) Die Opacity Einstellung muss nach jedem Segmentierungsschritt wieder aktiviert werden. Der Wert in der Opacity -Einstellung (z.b.: 0,25) bleibt zwar gleich, nur ist jene Funktion nicht aktiv. h) Wenn man sich im Level Sets -Menü befindet und auf Show Source Image klickt, dann verschwindet plötzlich das Overlay. Erst durch wiederholtes Anklicken vom View Overlay - Button erscheint jenes dann wieder. i) Eine weiteres Problem ergibt sich bei der Benutzung der Reset - und Update -Taste: Bei der Verwendung des Sigmoid-Filters werden zuerst die gewünschten Einstellungen gesetzt. Nun führe ich die Filter aus und erhalte ein bearbeitetes Bild. Da mir aber das gerade erschienene Bild nicht gefällt, benützte ich deshalb die Reset -Taste um auf das vorherige Bild wieder zurück 40

42 zu kommen. Das Ursprungsbild erscheit erneut und ich möchte jenes weiterbearbeiten. Aus diesem Grund drücke ich die Update -Taste. Nun wird aber das Bild wiederholt verändert, und zwar mit den Werten die noch im Eingabefenster stehen. Doch nun ist es nicht mehr möglich die Reset -Taste zu benützen, da schon die Update -Taste gedrückt wurde und somit das vorher bearbeitete Bild bereits abgespeichert wurde. Verbesserungsvorschläge: ad a): Alle Eingabefenster sollten vergrößert werden und der Cursor sollte nur mehr die Möglichkeit haben sich in einen Eingabefenster zu bewegen. ad b): Es sollte in jedem User-Interface im linken oberen Rand ein kleines Fenster erscheinen, das den Namen der gerade bearbeitenden Datei einblendet. ad c): Bei der manuellen Segmentierung mit I-PRESP, sollten sich die Paint Level - und Delete - Werkzeuge beim Verlassen des Menüs automatisch deaktivieren. ad d): Eine Cancel -Taste wäre in Menü bei der Benützung des Combine Files -Prozesses sehr sinnvoll. Das Betätigen dieser Taste sollte entweder den ganzen Prozess abbrechen oder auf die Defaulteinstellung zurücksetzten. So muss nicht der gesamte Prozess durchlaufen werden. ad e): Im Falle der Überspeicherung sollte der User sofort gewarnt werden. Ein Fenster sollte sich öffnen und den User nochmals informieren, dass er dabei ist die bereits bestehende Datei zu überschreiben. Weiters soll der User gewarnt werden falls er eine Datei mit einer unberechtigten Endung speichert will. 5.2 Parametereinstellungen Durch verschiedene Tests in der Einarbeitungsphase wurden die Einstellungen der besprochenen Parameter im Programm I-PRESP ermittelt und notiert. Die förderlichsten Einstellungen wurden herausgefiltert und schließlich für das Segmentieren verwendet. Während der Segmentierung der Datensätze änderte sich der Großteil der Einflussgrößen kaum oder gar nicht. Nur die Stopping Value - Einstellung der Iterationen differenzierte stark, da sie von der Art des zu segmentierten Objektes abhängig ist. 41

43 5.3 Similarity Match Die Qualität der Ergebnisse, bedingt durch die beiden Segmentierungsmethoden, ist nicht mit jener Qualität der manuellen Segmentierung zu vergleichen. Es ist klar ersichtlich, dass die beiden Arten teilweise sehr unsauber segmentieren und nicht ins Detail eingehen können. Bei beiden Segmentierungsmethoden zeigt die Differenz auch deutlich, dass eine manuelle Nachsegmentierung unbedingt notwenig ist, um ein annähernd perfektes Endergebnis zu erhalten. Weiters kann man aber dennoch festzustellen, dass I-PRESP unter Verwendung von Templates genauere Ergebnisse liefert als mit der Setzung von Saatpunkten. 5.4 Allgemeine Zusammenfassung Die Zielsetzung wurde im Großen und Ganzen abgearbeitet, die gewonnenen Ergebnisse präsentiert und diskutiert. Hier wurde schließlich klar festgestellt, dass die manuelle Segmentierung mittels amira 3.0 zwar genauere Resultate liefert, aber der Zeitaufwand wesentlich höher ist als wenn man mit dem weitgehend automatischen Programm I-PRESP segmentieren würde. Ob eine detailtreue Segmentierung oder eine zeitlich erheblich verkürzte, mindergetreue Darstellung zum Zug kommt, hängt schließlich von einer weiteren Zielsetzung ab. Meiner Meinung nach war es eine sehr interessante Bachelorarbeit, da ich so zwei Arten der Segmentation genauer kennen lernen und schließlich mittels zweier unterschiedlicher Softwareprodukte MRI-Datensätze des menschlichen Herzens bearbeiten konnte. Dies war aber auch eine Herausforderung für mich, da ich ja gleichzeitig auch noch ein neues Programm, nämlich I-PRESP testete und evt. Verbesserungsvorschläge einbringen konnte. Ich hoffe, dass diese Bachelorarbeit als Basis für weitere Arbeiten dienen kann und noch weitere Motivation liefert. 42

44 6 Zusammenfassung Das Herz ist der zentrale Motor des menschlichen Körpers und viele Krankheiten stehen mit diesem Organ im Zusammenhang. So stellt es ein interessantes und herausforderndes Organ für eine Verbesserung in der nicht-invasiven Diagnostik - im Speziellen der medizinischen Bildgebung - dar, um vermeintliche Schäden am Herzen frühzeitig erkennen und bekämpfen zu können. Ein Hauptproblem ist dabei nach wie vor die zeitlich optimierte Extraktion von komplexen anatomischen Entitäten, wie z.b. den Kammern, den Vorhöfen, oder den Gefäßabgängen, die für weitere Analysen wichtig sind. Solche Segmentierungsalgorithmen sollen nicht nur robust, sondern gleichzeitig auch flexibel sein. Das Ziel dieser Bachelorarbeit war es daher, zwei grundsätzliche Arten von Segmentierungsmethoden, einerseits das manuelle Segmentieren, andererseits das weitgehend automatische Segmentieren mittels der Level-Sets (mit und ohne Template), und zusätzlicher manueller Nachkorrektur experimentell gegenüberzustellen und Erfahrungen für die weitere Softwareentwicklung zu sammeln. Für die manuelle Segmentierung wurde die Software amira 3.0 und für die weitgehend automatische Segmentierung das Programm I-PRESP, entwickelt am Institut für Biomedizinische Bildanalyse (IBIA) an der UMIT, verwendet. Die Eigenschaften beider Softwarepakete werden untersucht und deren Anwendung auf Herzdaten erklärt. Die Datensätze, die bearbeitet werden, basieren auf einer Zeitserie von EKG-getriggerten Magnetresonanztomographie short-axis Scans des menschlichen Herzens von vier gesunden männlichen Probanden im Alter zwischen 25 und 50 Jahren. Diese Zyklen beginnen mit der R-Zacke (0 ms) des Elektrokardiogramms und repräsentieren nahezu den gesamten Herzzyklus in 50 ms Schritten. So erhält man insgesamt ca. 14 segmentierte Herzen pro Zyklus, bei einem Pulsschlag von ca. 70 Schlägen pro Minute. Die Ergebnisse bestehen aus vollständig segmentierten Zyklen, die mit amira 3.0 oder mit I-PRESP bearbeitet bzw. nachbearbeitet worden sind. Die Parametereinstellungen, der quantitative Vergleich der unterschiedlichen Methoden und ihre Effizienz werden präsentiert und diskutiert. Schlussendlich kann man sagen, dass bei der manuellen Segmentierung das Ergebnis zwar exakter ist, jedoch der Zeitaufwand, der dafür benötigt wird, dreimal so hoch ist als bei der weitgehend automatischen Segmentierung. Für die zukünftige weitere Verbesserung der Segmentierung haben sich durch diese Arbeit viel versprechende Ansatzpunkte gezeigt. Insbesondere die Einbeziehung von Modellwissen in den Segmentierungsprozess soll in nächster Zukunft untersucht werden. 43

45 7 Abstract The heart is the driving engine of the human body and many diseases of the cardiovascular system are closely related to the organ. It is of main importance to recognize possible dysfunctions and defects of organs. Thus the heart represents an extraordinary interesting and challenging organ - respectively in non-invasive diagnostics, which implies the area of medical imaging. Still a main problem is the optimized extraction of complex anatomical entities, as e.g. ventricles, atria and initial parts of vessel, which is a prerequisite for further analysis. Such segmentation algorithms require being robust and flexible. A main topic of this bachelor work was to test two basic segmentation methods, especially manual segmentation, automatic segmentation using different forms of level-sets (with and without templates) including manual correction, to compare them and collect experience for further software developments. For manual segmentation the amira 3.0 software, and for the automatic segmentation the I-PRESP program, developed at the Institute of Biomedical Imaging (IBIA) at the UMIT was used. User specific information is provided in this work. The work is based on electrocardiogram triggered short axis MRI data sets of four healthy male volunteers at the age of 25 to 50 years. A time step of 50 ms between each volume data set led to about 14 different models along each cardiac cycle at a pulse of about 70 beats / minute. The result consists of completed segmented cycles, done either with amira 3.0, or I-PRESP or a combination of both. Parameter settings are given, a quantitative comparison of the different methods is provided, and the efficiency is presented and discussed. To summarize, the manual segmentation is more accurate, but it is a very time consuming process too (consumes about 3 times as much as using the automatic pipeline). This work provides a good basis for future investigations. Incorporating model knowledge in the segmentation process should be one of the next steps to be validated. 44

46 8 Danksagung Diese Arbeit entstand am Institut für Biomedizinische Bildanalyse der Privaten Universität für Gesundheitswissenschaften, Medizinische Informatik und Technik (UMIT). Ich möchte mich besonders bei meinen lieben Eltern bedanken, die mir dieses Studium ermöglicht und mich in meinem Werdegang immer unterstützt haben. Mein Dank gilt Herrn o. Univ. Prof. Dr. Rainer Schubert, der mir die Möglichkeit gab meine Bachelorarbeit an seinem Institut durchzuführen. Weiters möchte ich mich bei Herrn Dr. Karl Fritscher bedanken, der mir bei Fragen zu seiner Software I- PRESP sehr entgegen kam. Mein aufrichtiger Dank gilt vor allem Herrn Univ. Ass. DI Dr. Roland Pilgram, der mir dieses Thema ermöglichte und die Rolle des Betreuers übernahm. Neben seinen beruflichen und familiären Verpflichtungen fand er während der vergangenen Monate stets Zeit, mir mit Rat und Geduld hilfreich zur Seite zu stehen. 45

47 9 Curriculum vitae Johannes Guido Holzmeister Brennerstr. 68 A-6150 Steinach am Brenner Tel.: / Persönliche Angaben Geburtsdatum: Geburtsort: Innsbruck Familienstand: ledig Staatsbürgerschaft: Österreich Eltern: Dr. Univ. med. Hannes Holzmeister, Arzt für Allgemeinmedizin Marion Holzmeister, Radiologisch-technische Assistentin Ausbildung Volksschule: Steinach am Brenner Hauptschule: Steinach am Brenner Gymnasium: Werkschulheim Felbertal bei Salzburg 1996 Gesellenprüfung im Tischler-Handwerk 1997 Matura Studium der Humanmedizin an der Leopold-Franzens-Universität Innsbruck seit Oktober 2001 Bachelor-Studium der Medizinischen Informatik an der Privaten Universität für Gesundheitswissenschaften und Medizinische Informatik und Technik Tirol (UMIT) Studienbegleitende Tätigkeiten 08/ 1998 Praktikum in der Ordination Dr. Hannes Holzmeister 07/ 1999 Famulatur an der Universitätsklinik für Neurochirurgie Innsbruck 08/ 2000 Praktikum in der Ordination Dr. Hannes Holzmeister 01/ 2003 Praktikum im Zentrum für Medizin und Labortechnik und dem Technischen Servicezentrum 09/ 2003 Praktikum in der Firma bm-websolutions 46

48 10 Literaturverzeichnis [1] Fritscher K. D.; Development of software framework for preprocessing and level-set segmentation of medical image data; Innsbruck; Master-Thesis; 2004; [2] Frangi A. et al.; Three-dimensional modeling for functional analysis of cardiac images: A review; IEEE Trans. Med. Imag. 20 (1); 2001; [3] Frangi A. et al.; Automatic construction of mutiple-object three-dimensional statistical shape models: Applications to cardiac modeling; IEEE Trans. Med. Imag. 21 (9); 2002; [4] Lötjönen J. et al.; Four-chamber statistical 3-D heart model from short-axis and long-axis MR images; In: Ellis R. et al., Medical Image Computing and Computer-Assisted Intervention MICCAI; Lecture Notes in Computer Science, vol. 2878; Springer, Berlin; 2003; [5] Leonhardt H. et al.; Taschenatlas der Anatomie, Band 2: Innere Organe; Georg Thieme Verlag Stuttgart, New York, Deutscher Taschenbuch Verlag; 6. überarbeitete Auflage; 1991; [6] Schiebler T. et al.; Anatomie; Springer-Verlag Berlin Heidelberg New York; 5. korrigierte Auflage; 1991; [7] Menche N. et al.; Biologie Anatomie Physiologie; Urban & Fischer Verlag München Jena; 5., überarbeitete Auflage; 2003; [8] Silbernagl St. et al.; Taschenatlas der Physiologie; Georg Thieme Verlag Stuttgart, New York, Deutscher Taschenbuch Verlag; 5. komplett überarbeitetet und neu gestaltete Auflage; 2001; [9] Kauffmann G. W. et al.; Radiologie; Urban & Fischer Verlag München Jena; 2., erweiterte Auflage; 2001; [10] Thrupp St. et al.; Cardiac MRI Anatomical Atlas; ; letzter Zugriff: ; [11] Sonka M. et al.; Handbook of Medical Imaging; Volume 2.; Medical Image Processing & Analysis; Spie Pres, Washington, USA; 2000; 47

49 [12] Adams R. et al.; Seeded Region Growing; IEEE Transaction on Pattern Analysis and Machine Intelligence Vol. 16 (6); 1994; [13] Wikipedia Foundation Inc.; Wikipedia, Die freie Enzyklopädie; ; letzter Zugriff: ; [14] amira 3.0; Mercury Computer Systems; Berlin, ZIB; letzter Zugriff: ; 11 Bildquellen [A1] Leonhardt H. et al.; Taschenatlas der Anatomie, Band 2: Innere Organe; Georg Thieme Verlag Stuttgart, New York, Deutscher Taschenbuch Verlag; 6. überarbeitete Auflage; 1991; [A2] Menche N. et al.; Biologie Anatomie Physiologie; Urban & Fischer Verlag München Jena; 5., überarbeitete Auflage; 2003; [A3] Thrupp St. et al.; Cardiac MRI Anatomical Atlas; ; letzter Zugriff: ; [A4] Fritscher K. D.; Development of software framework for preprocessing and level-set segmentation of medical image data; Innsbruck; Master-Thesis; 2004; [A5] Wikipedia Foundation Inc.; Wikipedia, Die freie Enzyklopädie; ; letzter Zugriff: ; 48

50 12 Appendix Darstellung des mit amira 3.0 vollständig manuell segmentierten Datensatzes (h_003). In der linken Spalte werden die segmentierten und zusammen gefügten 4 Hohlräume des Herzens und die zu- und ableitenden großen Gefäßen zum Zeitpunkt t gezeigt, in der mittleren Spalte ist der um 50 ms spätere Datensatz abgebildet. Die rechte Spalte zeigt schließlich die Differenz der beiden Zustände, die sich aus den Distanzen der beiden Segmentierungen errechnet. Die Regionen in Violett entsprechen dem Datensatz zum Zeitpunkt t, die goldenen Regionen entsprechen den um 50 ms späteren Datensatz. Idente Regionen werden in Weiß dargestellt. Datensatz h_003 mit amira 3.0 segmentiert: Zustand t Zustand t + Differenz 000 ms 050 ms 050 ms 100 ms 100 ms 150 ms 49

51 150 ms 200 ms 200 ms 250 ms 250 ms 300 ms 300 ms 350 ms 350 ms 400 ms 50

52 400 ms 450 ms 450 ms 500 ms 500 ms 550 ms 51

53 Hier werden Datensatzzyklen (h_006), die mit dem Programm I-PRESP segmentiert worden sind, mit den gleichen, aber mit amira 3.0 nachbearbeiteten Zyklen gegenübergestellt. Der erste Datensatz wurde mit Fast Marching Level Sets und Active Geodesic Level Sets segmentiert, der zweite Datensatz wurde unter der Verwendung von Templates segmentiert. Die Regionen in Violett entsprechen den Überlagerungen des ersten Datensatzes, die goldenen Regionen entsprechen den Überlagerungen des zweiten Datensatzes (mit amira 3.0 segmentiert). Idente Regionen werden in Weiß dargestellt. Datensatz h_006 mit Fast Marching Level Sets und Active Geodesic Level Sets segmentiert: Segmentierung mit Fast Marching Level Sets und Active Geodesic Level Segmentierung mit amira 3.0 Differenz von frontal Differenz von seitlich hinten Sets 050 ms 050 ms 100 ms 100 ms 150 ms 150 ms 52

54 200 ms 200 ms 250 ms 250 ms 300 ms 300 ms 350 ms 350 ms 400 ms 400 ms 450 ms 450 ms 53

55 500 ms 500 ms 550 ms 550 ms 600 ms 600 ms 650 ms 650 ms 700 ms 700 ms 54

56 Datensatz h_006 unter der Verwendung von Templates segmentiert: Segmentierung unter der Verwendung von Templates Segmentierung mit amira 3.0 Differenz von frontal Differenz von seitlich hinten 050 ms 050 ms 100 ms 100 ms 150 ms 150 ms 200 ms 200 ms 250 ms 250 ms 55

57 300 ms 300 ms 350 ms 350 ms 400 ms 400 ms 450 ms 450 ms 500 ms 500 ms 550 ms 550 ms 56

58 600 ms 600 ms 650 ms 650 ms 700 ms 700 ms 57