Globales Formwissen Atlas basierte Segmentierung

Transkript

1

2 Globales Formwissen Atlas basierte Segmentierung Segmentierung in einem Datensatz vorhanden Atlas A(x) Labelbild A L (x) Automatische Übertragung auf Patientendatensatz Patientendatensatz P(x) Segmentierung P L (x) 2 / 66

3 Globales Formwissen Atlas basierte Segmentierung t A(x) P(x) t A L (x) P L (x) 3 / 66

4 Atlas basierte Segmentierung Transformation Transformation des Atlasses: Maximierung eines Ähnlichkeitsmaßes Rigide: Nur Translation und Rotation Affin: Translation, Rotation, Skalierung, Scherung Deformierbar Bildregistrierung 4 / 66

5 Atlas basierte Segmentierung Atlasauswahl Einzelnes Individuum Auswahl des Individuums: Zufall Heuristik (Bildqualität, Durchschnittlichkeit des Individuums, Abwesenheit von Bildartefakten, ) Nur ein Atlas wird benötigt Einfache Atlaserstellung Populärste Atlasauswahlstrategie 5 / 66

6 Atlas basierte Segmentierung Atlasauswahl Bester Atlas Mehrere Atlasse von unterschiedlichen Individuen Anpassung aller Atlasse Auswahl des besten Atlasses Höchste Ähnlichkeit Geringste Deformation 6 / 66

7 Atlas basierte Segmentierung Atlasauswahl Durchschnitts-Form-Atlas Iterative Durchschnittsformbildung 1. Affine Anpassung an beliebigen Datensatz Durchschnittsbild 2. Deformierbare Anpassung an Durchschnittsbild Durchschnittsbild 3. Anpassung des Durchschnitts-Form-Atlasses 7 / 66

8 Atlas basierte Segmentierung Atlasauswahl Multi-Atlas Mehrere Atlasse von unterschiedlichen Individuen Anpassung aller Atlasse jeder Atlas liefert andere Segmentierung Klassifikation z.b. voting 8 / 66

9 Segmentierungsverfahren - Wiederholung Pixelorientiert Schwellwertverfahren (Otsu Verfahren) Regionen & Kantenbasiert Region Growing Split & Merge Kantendetektion & Konturverfolgung Wasserscheidentransformation Graph Cut Lokales Formwissen Snakes Active Contours Radialstrahlen Globales Formwissen Modellbasiert Hough Transformation Mass Spring Models Deformable Surfaces Statistical Shape Models Atlas 9 / 66

10 Pixelorientierte Segmentierungsverfahren Prinzip: Jedem Pixel wird unabhängig eine Klasse zugeordnet Beispiel: Schwellwertverfahren (manuelle oder automatische Schwellwerte (Otsu)) Anwendungsbeispiel: Segmentierung von Strukturen mit hohem Kontrast (z.b. Knochen) Besonderheiten: Einfach, flexibel, schnell Pixelgenau Keine Initialisierung notwendig Fehlende Information über die Lage von Pixeln 10 / 66

11 Regionenbasierte Segmentierungsverfahren Prinzip: Aufteilung des Bildes in maximaler Homogenität Beispiele: Region Growing (Bottom Up) Split & Merge (Top Down) Anwendungsbeispiel: Segmentierung der Lunge Besonderheiten: Information über Nachbarschaft Robustheit bei verrauschten Bildern Keine Verwendung von Modellwissen ( Boundary Leaking) z.t. Startwerte erforderlich (z.b. Seedpunkte) 11 / 66

12 Kantenbasierte Segmentierungsverfahren Prinzip: Finden der Konturen von Objekten Beispiele: Kantendetektion Konturverfolgung Canny Edge Detector Anwendungsbeispiel: Erkennen von Gesichtsformen in Ultraschallbildern Besonderheiten: Nicht Objekte sondern Objektgrenzen werden gefunden Keine Verwendung von Modellwissen ( Boundary Leaking) 12 / 66

13 Regionen & Kantenbasierend Prinzip: Verwendung sowohl von regionorientierten als auch kantenorientierten Vorgehensweisen Beispiele: Wasserscheidentransformation Graph Cut Anwendungsbeispiele: Segmentierung von Zellen aus Mikroskopaufnahmen Interaktive Tumorsegmentierung Besonderheiten: Kann Vorteile von region- und kantenbasierten Segmentierungsverfahren kombinieren 13 / 66

14 Lokales Formwissen Prinzip: Einbeziehung von lokalem Formwissen bei der Anpassung Beispiele: Snakes Active Contours Radialstrahlen Anwendungsbeispiel: Tumorsegmentierung Organsegmentierung Besonderheiten: Gute Segmentierungsergebnisse auch bei kaum sichtbaren Strukturen Großes Formenspekturm möglich, jedoch lokale Einschränkungen (Glattheit ) Startwerte erforderlich, komplex, lange Laufzeit 14 / 66

15 Globales Formwissen Prinzip: Anpassung eines vorgegebenen Modells an konkrete Bilddaten Beispiele: Hough Transformation Mass Spring Models Deformable Surfaces Statistical Shape Models Atlas Anwendungsbeispiel: Organsegmentierung Besonderheiten: Ausgezeichnete Segmentierungsergebnisse auch bei kaum sichtbaren Strukturen Nur ganz bestimmte Formen möglich, globale Einschränkung Kein generisches Verfahren Startwerte erforderlich, komplex, lange Laufzeit 15 / 66

16 Active Contours vs. Deformable Surfaces vs. Statistical Shape Models Deformable Surface Statistical Shape Model Einzelne Referenzform Globales Formwissen Oberflächenrepräsentation Externe Energie (Bildfeatures) Initiale Oberfläche Gelernter Referenzformenraum Lokales Formwissen (Glattheit) Active Contours 16 / 66

17 Segmentierungsverfahren - Fazit Existenz einer großen Anzahl verschiedener Segmentierungsverfahren, und es gilt: 17 / 66

18 Beispiel: Segmentierung der Herzkranzgefäße (Koronararterien) 18 / 66

19 Anatomie des Herzens 19 / 66

20 Koronararterien 20 / 66

21 Koronare Herzkrankheit (KHK) 21 / 66

22 Segmentierung zur Analyse der Koronararterien Segmentierung der Koronararterien zur nachfolgenden Analyse derselbigen Analyse von Koronararterien zur Feststellung von unter Umständen vorliegenden Herz-Kreislauf-Erkrankungen Planung einer notwendigen Operation (bspw. Bypass) Corkscrew-Algorithmus zur Segmentierung der Koronararterien Trackingbasierter Ansatz Simultane Detektion der Gefäßmittellinie und des Gefäßrandes 22 / 66

23 Initialisierung Blau: Startpunkt Gelb: Richtungspunkt Grün: Endpunkt 23 / 66

24 Bildvorverarbeitung 24 / 66

25 Adaptive Seeded Threshold s u = G (1 - t) s o = G (1 + t) Voxel, die einen originalen Grauwert G zwischen s u und s o haben behalten diesen, alle anderen werden auf 0 gesetzt t: Toleranzwert (in Prozent) Definition der Werte erfolgt automatisch auf Basis der initial gesetzten Punkte 25 / 66

26 Adaptive Seeded Threshold Problem: Ausdünnung des Kontrastmittels in den Koronararterien im Bereich der Herzspitze (distaler Bereich) In diesem Bereich des Herzens gelegene Herzkranzgefäße erscheinen deshalb dunkler als diejenigen im Bereich der Aorta Für jede axiale Schicht individuellen unteren und oberen Schwellwert festlegen 26 / 66

27 Adaptive Seeded Threshold Grauwerte, in den Schichten s j, j=1,,k in denen Positionen definiert wurden gelten als Fixwerte In dazwischen liegenden Schichten i, i=1,,n wird der Grauwert G(i) linear interpoliert Wichtungsfaktor w, 0 w 1 ergibt sich aus dem prozentualen Abstand der betrachteten Schicht i von den Schichten j und j+1 27 / 66

28 Adaptive Seeded Threshold Ergebnis der Schwellwertfilterung 28 / 66

29 Bildvorverarbeitung 29 / 66

30 Opening Noch bestehende Verbindungen zwischen den Ventrikel und den Koronararterien sollen entfernt werden 30 / 66

31 Opening Bereiche harter Arterienverkalkung (Hard Plaques) korrekt behandeln 31 / 66

32 Initiale Pfadsuche Suche nach Gefäßrand Richtungen parallel zur x-, y- und z-achse werden zyklisch durchlaufen Gelb: Haltepunkte Türkis: Schwerpunkt aus jeweils drei aufeinanderfolgenden Haltepunkten Gefäßmittellinie ergibt sich in erster Näherung aus den Schwerpunkten Schwerpunkte dienen als Stützpunkte für B-Spline Generierung 32 / 66

33 Iterative Korrektur und Randdetektion Resampling der Pfadpositionen (äquidistante Anordnung) Ausgehende von aktueller Pfadposition aussenden von radialen Suchstrahlen zur Detektion der Randpunkte Korrektur der Pfadposition als Schwerpunkt der detektierten Randpunkte Iteration über vorhergehende Schritte 33 / 66

34 Ergebnis Kurve, die die Gefäßmittellinie beschreibt Liste von Punkten, die den Gefäßrand approximiert Aus berechneten Randpunkten Dreiecksgitter erzeugen 34 / 66

35 Weiteres Problem Äußere Strukturen stören die Sicht auf das Herz und die Koronararterien 35 / 66

36 Beispiel: Segmentierung des Herzens 36 / 66

37 Motivation Durch Extraktion des Herzens werden Strukturen, die die Sicht auf das Herz stören ausgeblendet Resultat: Störungsfreie dreidimensionale Sicht auf das Herz CT Datensatz vom Thorax Manuell gecropptes Herz 37 / 66

38 Hounsfield-Skala Feste Zuordnung von anatomischen Strukturen zu Grauwertbereichen 38 / 66

39 A priori Wissen Entlang der Oberfläche des Herzens treten unterschiedliche Grauwertübergänge auf: 1: Übergang zum Brustbein 2: Übergang zur Aorta und Wirbelsäule 3: Übergang zum umliegenden Gewebe Übergang zwischen Herzgewebe und Zwerchfell ist schwer zu erkennen 39 / 66

40 Lösungsidee Die Segmentierung des Herzens erfolgt durch Kombination aus: einem automatischen Schwellwert-Verfahren (Otsu-Verfahren), um den Datensatz vorzusegmentieren und einem anschließenden Suchstrahl-Verfahren zur Detektion der äußeren Herzbegrenzung 40 / 66

41 Ergebnis des Otsu-Verfahrens Originaldatensatz wurde in 3 Graustufen unterteilt Berechnung des Schwerpunktes über die beiden hellsten Otsu- Labels Berechnete Schwerpunkt liegt im Herzen Dadurch Ausgangspunkt für Suchstrahlen 41 / 66

42 Segmentierung des Herzens Berechnung der Suchstrahlen Korrekturen an der Aorta Korrekturen am Brustbein Erzeugung der Kontur Füllen der Kontur 42 / 66

43 Berechnung der Suchstrahlen Ausgehend vom Schwerpunkt werden n (Default-Wert: 60) radiale Strahlen in die axiale Schicht ausgesendet Abbruchkriterium: Grauwert 0 oder 1 und minimale Strahllänge überschritten Bildrand erreicht 43 / 66

44 Korrektur des Schwerpunktes Nach der ersten Suchstahlberechnung wird der Schwerpunkt korrigiert Er wird erneut berechnet, diesmal über die Endpunkte der berechneten Suchstrahlen Der Schwerpunkt fällt mittig ins Herz Von diesem Schwerpunkt berechnet man erneut die Suchstrahlen, die die Übergänge des Herzens zum umliegenden Gewebe finden 44 / 66

45 Korrekturen an der Aorta Die zu langen Strahlen werden durch radiale Interpolation korrigiert 45 / 66

46 Korrekturen am Brustbein Radiale Interpolation Lineare Interpolation 46 / 66

47 Korrekturen am Brustbein Strahlendpunkte wurden durch Gewichtung aus 40% radialer und 60% linearer Interpolation korrigiert 47 / 66

48 Erzeugung der Kontur Endpunkte der Strahlen werden miteinander verbunden, indem der Richtungsvektor zwischen je zwei Endpunkten berechnet wird Damit die Kontur sicher geschlossen ist wird nicht nur der Punkt selbst, sondern seine 4er-Nachbarschaft gesetzt 48 / 66

49 Füllen der Kontur 49 / 66

50 Segmentierungsergebnisse 50 / 66

51 Anwendung: Segmentierung der rechten Koronararterie 51 / 66

52 Beispiel: Segmentierung des Linken Ventrikels (LV) aus MRT-Kurzachsenaufnahmen 52 / 66

53 Sequenz von MRT-Kurzachsenaufnahmen 53 / 66

54 Motivation Ischämie: Unterversorgung des Herzmuskels mit Blut Bewegungsstörungen der Herzwand Wandbewegungsstörungen lassen sich durch Analyse dynamischer Bilddaten, die über einen Herzzyklus aufgenommen wurden, erkennen (Lage und Ausmaß) Daraus Ableitung der Myokardfunktion Analyse der Myokardfunktion (d.h. die Dynamik des LV) erfordert eine Segmentierung des LV 54 / 66

55 Schritte für die Segmentierung des LV aus MRT-Kurzachsenaufnahmen 55 / 66

56 Ausrichtung der Bilddaten Rot: Mittelpunkt des linken Ventrikels Gelb: gleicher Abstand zwischen max. Anterior- und max. Inferiorposition an der das rechte Ventrikel das Myokard berührt Befinden sich die beiden Punkte auf einer Horizontalen sind die Kurzachsenaufnahmen entsprechend den Vorgaben der AHA orientiert 56 / 66

57 Grauwertbasierte Voxelklassifikation Ziel: optimale Separierung von linkem Ventrikel und umgebenden Myokardbereich Otsu Verfahren zur automatischen Schwellwertbestimmung Binarisierung der Bilddaten (Ventrikel: Wert 1, direkte Umgebung: Wert 0) 57 / 66

58 Detektion der Mitralklappenebene Linksventrikuläre Ausflußtrakt (LVOT) in Mitralklappenebene: obere Begrenzung des LV LVOT als Weitung des vorwiegend kreisförmigen LV zu erkennen (Mitte) Vom zuvor gesetzten Mittelpunkt des LV radiales Suchstrahlmuster zur Untersuchung der Form aussenden Letzte unter LVOT liegende Schicht wird noch dem LV zugeordnet (Links) 58 / 66

59 Schichtweise Maskierung der Bilddaten Circular Masking: Binärbild wird schicht für Schicht maskiert Detektion des Endokardrandes mittels radialer Suchstrahlen Nach Ausreißerkorrektur wird Kreis definiert, der das Endokard komplett enthält 59 / 66

60 Zusammenhangsanalyse Es kann passieren, dass einige nicht zum Endokard gehörende Punkte auch noch den Wert 1 besitzen Durchführung einer Zusammenhangsanalyse Binäres Region Growing 60 / 66

61 Ergebnis 61 / 66

62 Evaluation von Segmentierungsergebnissen Vergleich zu Phantom Softwarephantom: Künstlich erstellter Datensatz Hardwarephantom: Physisches Modell Vergleich von Segmentierungsergebnis zur Referenzsegmentierung Referenzsegmentierung: Goldstandard oder Ground Truth Manuelle Segmentierung durch Experten Intraobservervariabilität: Unterschied verschiedener Segmentierungen des selben Experten Interobservervariablität: Unterschied der Segmentierungen verschiedener Experten Große Variabilität Schwieriges Segmentierungsproblem 62 / 66

63 Vergleich von Segmentierungsergebnissen auf Oberflächen Mittlerer Oberflächenabstand d(k, L) = 1 n l=1 n min k=1,..,m K k L(l) Mittlerer symmetrischer Oberflächenabstand s K, L = d K, L + d L, K 2 63 / 66

64 Vergleich von Segmentierungsergebnissen auf Oberflächen Oberflächenabstand d(k, L) = max l=1,..,n min k=1,..,m K k L(l) Maximaler symmetrischer Oberflächenabstand (Hausdorff-Distanz) h(k, L) = max(d K, L, d L, K ) 64 / 66

65 Evaluation von Segmentierungsergebnissen auf Pixelmengen Dicekoeffizient C Dice = 2 P Q P + Q Jacardkoeffizient C Jacard = P Q P Q 65 / 66