Seminar aus Informatik - SS/2011

Transkript

1 Seminar aus Informatik - SS/2011 Bildregistrierung in der Medizin Fethi KAYA - Yusuf ÖZBEK Fethi.Kaya@stud.sbg.ac.at Yusuf.Oezbek@stud.sbg.ac.at 1

2 1. Einleitung In diesem Beitrag werden einige Grundlagen, Methoden und Algorithmen für das Seminarthema Bildregistrierung in der Medizin dargestellt. Bildregistrierung (auch Bildfusion) ist ein wichtiger Prozess in der digitalen Bildverarbeitung und wird dazu benutzt, zwei oder mehrere Bilder derselben Szene, oder zumindest ähnlicher Szenen, bestmöglich in Übereinstimmung miteinander zu bringen. Bildregistrierungsverfahren sind vor allem in der medizinischen Bildverarbeitung häufig anzutreffen. Dort werden Bilder, die mit verschiedenen bildgebenden Verfahren (Modalitäten) gewonnen wurden, aneinander angeglichen. Somit können besser Erkenntnisse aus diesen Bildern gewonnen werden und viele Informationen über Krankheiten erhalten werden. Dazu verdeutlicht diese Ausarbeitung, was Mutual Information ist und, wie sie zur Registrierung von medizinischem Bildmaterial genutzt werden kann. Außerdem werden Grundlagen der Registrierung, Registrierungsmethoden und Transformationstechniken beschrieben. Abschließend wird ein Demoprogramm zur Registrierung der medizinischen Bilder mittels Mutual Information vorgestellt. 2. Einführung zur Registrierung Die Informatik bietet die Möglichkeit, Bilder unter verschiedensten Gesichtspunkten miteinander zu registrieren. Dazu werden zwei Bilder (CT, MRT, PET, SPECT, Röntgen etc.). mit ähnlichen Strukturen in eine möglichst optimale räumliche Übereinstimmung gebracht. Im Verfahren bedeutet dies, dass ein Referenzbild und ein Objektbild existiert, die durch eine Transformation T in Übereinstimmung gebracht werden. Um Änderungen (bei zeitlich unterschiedlichen Bildern) oder Unterschiede (bei Registrierungen zeitgleicher Bilder verschiedener Art) miteinander vergleichen zu können, muss gewährleistet sein, dass auf den Bildern die gleiche Position des Körpers getroffen ist. Die Transformation T minimiert dabei bestmöglich die Abweichung der Bilder voneinander bzw. passt die Objektbilder bestmöglich an das Referenzbild an. Die zu registrierenden Bilder unterscheiden sich voneinander, weil sie von unterschiedlichen Positionen, zu unterschiedlichen Zeitpunkten oder mit unterschiedlichen Sensoren aufgenommen wurden. Definition: Registrierung setzt Objekte in einem Bild A zu Objekten in einem anderen Bild B in Beziehung und gibt eine Berechnungsvorschrift für eine Transformation von A nach B zurück. Zudem müssen die Intensitätswerte der beiden Bilder die Voxel oder Pixel angeglichen werden. Formal besprochen bezeichnet eine Registrierung also die Berechnung einer Abbildung: Der Punkt XA in Bild A wird also durch die Transformation T auf die entsprechende Position XB in Bild B angebracht. Die Schwierigkeit ist es sicherlich, die passende Transformation zu finden, die das eine Bild auf das andere ausrichtet. 2

3 Abbildung 1: Konstruktion eines dreidimensionalen Datensatzes aus einer Serie von zwei dimensionalen Bildern. Der linke Stapel besteht aus übereinandergelegten Schichten, die nicht aneinander ausgerichtet sind, der rechte Stapel aus registrierten Schichten. Referenzbild f Objektbild m Abbildung 2: Transformation eines Punktes des Referenzbildes auf den korrespondieren den Punkt im Verschiebungsbild Registrierungsbereiche Anwendungsfälle Die Bildregistrierung kann in folgende Bereiche aufgeteilt werden: Verschiedene Kamerapositionen(Multiview Analysis): Die zu registrierenden Bilder enthalten dasselbe Objekt bzw. dieselbe Szene, wurden aber von unterschiedlichen Kamerapositionen aufgenommen. Die Registrierung kann dann genutzt werden, um ein größeres zweidimensionales Sichtfeld zu erhalten oder auch zur 3D-Rekonstruktion. Verschiedene Zeitpunkte (Multitemporal Analysis): [2] Die zu registrierenden Bilder enthalten dasselbe Objekt bzw. dieselbe Szene, wurden aber zu unterschiedlichen Zeitpunkten aufgenommen. Hierbei kann die Registrierung genutzt werden, um Veränderungen, die über die Zeit entstanden sind, festzustellen. Verschiedene Sensoren (Multimodal Analysis): Die zu registrierenden Bilder enthalten dasselbe Objekt bzw. dieselbe Szene, wurden aber mit verschiedenen Sensoren aufgenommen, d.h. mit verschiedenen Kameras (Geräte) oder verschiedenen bildgebenden Verfahren. Das Ziel ist hier, durch die Registrierung der Bilder mehr und detailliertere Informationen aus den Bildern zu gewinnen. 3

4 Szene-zu-Modell-Registrierung (Object Reconstruction): Ein oder mehrere Bilder eines Objektes bzw. einer Szene werden mit einem Modell des Objektes bzw. der Szene registriert. Die registrierten Bilder können dann mit dem gegebenen Modell verglichen werden. In vielen Anwendungen können diese Faktoren auch gleichzeitig auftreten. 3. Klassifikation der Registrierung [1] Die Klassifikation der Registrierungsmethoden in der Medizin können folgendermaßen definiert und kategorisiert werden. In diesem Beitrag werden nicht alle Klassifizierungsthemen behandelt, sondern auf die wichtigsten, oft verwendeten und standardisierten Methoden eingegangen. I. Dimensionality a. Spatial dimensions only: 1. 2D/2D 2. 2D/3D 3. 3D/3D b. Time series (more than two images), with spatial dimensions: 1. 2D/2D 2. 2D/3D 3. 3D/3D II. Nature of registration basis a. Extrinsic 1. Invasive A. Stereotactic frame B. Fiducials (screw markers) 2. Non-invasive A. Mould, frame, dental adapter. B. Fiducials (skin markers) b. Intrinsic 1. Landmark based A. Anatomical B. Geometrical 2. Segmentation based A. Rigid models (points, curves, surfaces) B. Deformable models (snakes) 3. Voxel property based A. Reduction to scalars/vectors (moments, principal axes) B. Using full image content c. Non-image based (calibrated coordinate systems) b. Multi-modal 1. CT MR 2. CT PET 3. CT SPECT 4. DSA MR 5. PET MR 6. PET US 7. SPECT MR 8. SPECT US 9. TMS MR 10. US CT 11. US MR 12. X-ray CT 13. X-ray MR 14. X-ray portal 15. X-ray US 16. Video CT 17. Video MR c. Modality to model 1. CT 2. MR 3. SPECT 4. X-ray d. Patient to modality 1. CT 2. MR 3. PET 4. Portal 5. X-ray VIII. Subject a. Intrasubject (1) b. Intersubject c. Atlas 4

5 III. Nature of transformation a. Rigid b. Affine c. Projective d. Curved IV. Domain of transformation a. Local b. Global V. Interaction a. Interactive 1. Initialization supplied 2. No initialization supplied b. Semi-automatic 1. User initializing 2. User steering/correcting 3. Both c. Automatic VI. Optimization procedure a. Parameters computed b. Parameters searched for VII. Modalities involved a. Mono-modal 1. Autoradiographic 2. CT or CTA 3. MR 4. PET 5. Portal 6. SPECT 7. US 8. Video 9. X-ray or DSA IX. Object a. Head 1. Brain or skull 2. Eye 3. Dental b. Thorax 1. Entire 2. Cardiac 3. Breast c. Abdomen 1. General 2. Kidney 3. Liver d. Pelvis and perineum e. Limbs (orthopedic) 1. General 2. Femur 3. Humerus 4. Hand f. Spine and vertebrae Tabelle 1: Klassifizierung der Bildregistrierung in der Medizin. 4. Registrierungsmethoden Zur Berechnung der korrekten Ausrichtung zweier Bilder existieren viele verschiedene Techniken und Algorithmen. Um dieses Gebiet übersichtlicher darzustellen wird im Folgenden eine Klassifikation der Registrierung bzw. Registrierungsmethoden dargestellt. Hier sollen auf drei Registrierungsverfahren eingegangen werden: Eine punktbasierte Methode (Landmarkbasierte Registration), eine Methode für oberflächenbasierte Verfahren (Segmentationsbasierte Registration) und ein Verfahren für Grauwertbasierte Verfahren (Voxel property basierte Registration). 5

6 4.1. Extrinsic Registration [1] Eine extrinsische Registration liegt vor, wenn die Registrierung aufgrund von zusätzlichen Objekten durchgeführt wird, die in den Bildraum integriert wurden. Diese zusätzlichen Objekte sind innerhalb der Modalität gut sichtbar und werden künstlich an den Patienten montiert, wie stereotaktische Gestelle, Schrauben, Rahmen oder Markierungen auf der Haut. Werden solche Hilfsmittel genutzt, kann die gesuchte Transformation oft explizit und sehr genau berechnet werden. Nachteil diese Registrationsmethode ist, dass der Patient meist sehr unangenehme Prozeduren erdulden muss, in denen die extrinsischen Markierungen befestigt werden. Abbildung 3: Metall CT- Skin Markers Intrinsic Registration [1] Eine intrinsische Registration liegt vor, wenn die Registrierung nur auf dem vom Patienten generierten Bildinhalt basiert. Als intrinsische Registrationsmethode können folgende drei Verfahren definiert werden: Punktbasierte Verfahren (Landmarkbasierte Registration), Oberflächenbasierte Verfahren (Segmentationsbasierte Registration) und Grauwertbasierte Verfahren (Voxel property basierte Registration). Die Registrierung kann dann aufgrund von Landmarken durchgeführt werden. Landmarken sind meist interaktiv ausgewählte, herausragende, gut identifizierbare Punkte im Bild. Diese Art der Registrierung fordert keinen langen Optimierungsprozess und ist sehr schnell. Sie fordert aber eine Interaktion des Nutzers und ist damit abhängig von menschlicher Subjektivität. Wird eine auf Oberfläche basierende Registrierung durchgeführt, findet die Registrierung aufgrund von äquivalenten Strukturen in den Bildern statt. Ein Nachteil dieser Registrierung ist, dass sie von der Genauigkeit der Segmentierung abhängt. Eine weitere Variante intrinsischer Registrierung basiert auf den Intensitätswerten selbst. Dabei können sowohl die im gesamten Bild enthaltenen Informationen als auch die Teilinformationen genutzt werden. Dieser Art der Registrierung gilt momentan das größte Interesse der medizinischen Bildverarbeitung, da im Unterschied zu den anderen Methoden nicht die Grauwerte auf wenige Informationen reduziert werden, sondern alle zur Verfügung stehenden Informationen während des Registrierungsprozesses genutzt werden können. Außerdem ist weder eine Montage externer Marker noch die Interaktion des Anwenders zur Registrierung nötig. 6

7 Punktbasierte Verfahren (Landmarkbasierte Registration) [2] Zunächst soll ein punktbasiertes Verfahren für rigide oder affine Transformationen angegeben werden. Hierfür benötigen wir zwei Punktmengen P= (p1, p2,..., pn) und Q= (q1, q2,..., qn). Die erste Punktmenge verweist auf die Punkte im Eingabebild(Referenzbild), die zweite auf die Punkte im Bild, auf das gemappt werden soll (Objektbild); die in der zweiten Menge enthaltenen Punkte nennt man Landmarks (Kontrollpunkten). Für das vorgestellte Verfahren muss gelten, dass die beiden Punktmengen gleich groß sind - es gilt also SIZE(P) = SIZE(Q), welcher Punkt in dem einen Bild zu welchem Punkt in dem anderen Bild gehört ist dabei als bekannt vorauszusetzen. Abbildung 4: Überlagerung auf die Landmarken. Überlagert man die Punkte pi auf die korrespondierenden Punkte qi, kann man die Fehlerrate messen, d.h. den Abstand, den ein Punkt pi vom Landmarkenpunkt qi abweicht. In Abbildung 4 sieht man insgesamt vierzehn. Punkte, die blauen Punkte stammen dabei aus der Menge P, die roten aus der Menge Q. Die Pfeile zwischen den korrespondierenden Punkten geben die Fehler an, also die Abstände zwischen dem transformierten Punkt pi und dem Landmarkenpunkt qi: Err = T(pi) qi Abbildung 5: Punktbasierte Registration (CT-PET) Oberflächenbasierte Verfahren (Segmentationsbasierte Regist.) Oberflächen stechen deutlicher hervor als Landmarken. Ein bekannter Algorithmus für Segmentationsbasierte Registration ist Head&Hat Algorithmus. Der Algorithmus bekommt als Eingabe ein hochauflösendes Bild von einem Tomographen (Head) und eine dazu passende Punktmenge (Hat), wobei die Punkte nicht miteinander verbunden sind, und führt iterativ rigide Transformationen der Punktmenge aus. Dies macht er solange, bis die beste Position 7

8 gefunden ist, die die Punktmenge (Hat) mit dem hochauflösenden Bild (Head) verbindet. Die beste Position ist dabei die Position, die das Quadrat des Abstandes zwischen den einzelnen Punkten aus der Punktmenge und dem einzelnen Punkt an der Oberfläche des Bildes minimiert. In der Iteration verwendet der Algorithmus eine Optimierung, die die Punktmenge in jeder Iteration verschiebt. Der Algorithmus bricht ab, wenn in einer Iteration abhängig von einer Fehlertoleranz keine bessere Lösung gefunden werden kann. Ein weiterer bekannter Algorithmus dieser Gruppe ist der sogenannte Iterative Closest Point (ICP). Die Oberfläche im Bewegten Bild, die man registrieren möchte, wird als Menge von Punkten repräsentiert. Zuerst findet man zu jedem dieser Punkte den nächstgelegenen Punkt auf der Oberfläche des anderen Bildes, dann wird die rigide Transformation gesucht, welche die Abstände zwischen diesen Punkten minimiert. Nach Anwendung der gefundenen Transformation wird die Menge der nächstgelegenen Punkte erneut bestimmt und wieder die Transformation gesucht, die die Abstände minimiert. Iterativ werden diese Schritte wiederholt, bis der Abstand zwischen den Punkten unter eine bestimmte Schwelle gefallen ist. Abbildung 6: Links- Segmentationsbasierte Registration mit Head&Hat Rechts- Segmentationsbasierte Registration mit ICP Grauwertbasierte Verfahren (Voxel property basierte Registration) Bei diesem Verfahren werden die Grauwerte als Ähnlichkeitsmaß der beiden Bilder, anstelle von geometrischen Strukturen genutzt. Abbildung 7: Links- Grauwertbasierte Registration JPEG-JPEG Rechts- Grauwertbasierte Registration CT-CT 8

9 5. Registrierungskomponenten - Transformationen Transformation ist starre Bewegung im Raum, bzw. die Vorschrift, wie sich Objekte im Raum bewegen können. Das Ziel bei der Bildregistrierung ist es, eine Transformation T zu finden, die ein gegebenes Quellbild (Objektbild) F bestmöglich mit einem Zielbild (Referenzbild) G in Übereinstimmung bringt. Die bestmögliche Übereinstimmung wird dabei durch ein Maß D für die Gleichheit oder die Ungleichheit der Bilder charakterisiert. Bildregistrierung ist also ein Optimierungsproblem, da es darum geht D(T(F), G) zu minimieren (falls D die Ungleichheit misst) bzw. zu maximieren (falls D die Gleichheit misst). Während der Transformationsverfahren werden die bestimmten Eigenschaften der zu den registrierenden Bildern nicht geändert. Abbildung 8: Transformationsalgorithmen Die Transformationen können in zwei große Kategorien eingeteilt werden, abhängig vom Umfang der benutzten Daten: 5.1. globale Transformation Globale Transformationen benutzen alle Kontrollpunkte, um einen Parametersatz für das gesamte Bild zu berechnen. Eine globale Transformation besteht somit aus einer einzigen Funktion, die auf jeden Bildpunkt angewendet wird. 9

10 5.2. lokale Transformation Bei den lokalen Transformationen wird das Bild in mehrere Bereiche im Extremfall ist jeder Bildpunkt ein eigener Bereich aufgeteilt. Dann werden für jeden Bereich die Parameter berechnet. Somit können auch lokal unterschiedlich starke Unterschiede in den Bildern behandelt werden. Eine lokale Transformation besteht aus mehreren Funktionen, jede für einen Bereich. Durch globale Transformationen können in den Bildern lokal unterschiedlich starke Unterschiede nur schlecht bzw. gar nicht angeglichen werden. Lokale Transformationen sind dafür besser geeignet. Hierbei besteht die Transformation aus mehreren Funktionen. Für eine Funktion werden dann nicht mehr alle Kontrollpunkte benutzt, sondern jede Funktion hat ihre Kontrollpunkte. Abbildung 9: Triangulation zur Realisierung der stückweisen Interpolation 5.3. Transformationsalgorithmen [2] Transformationen werden in rigide und nicht rigide Transformationen unterteilt, die sich in der Anzahl ihrer Freiheitsgrade und Auswirkung auf das Bild unterscheiden: Abbildung 10: Beispiel einer rigiden und einer nichtrigiden Transformation im Ver gleich zum Orginalbild. Eine rigide Transformation repräsentiert eine Rotation und eine Translation in die durch die Dimensionen angegebenen Richtungen. Sie ist dadurch charakterisiert, dass alle Geraden, Parallelen, Winkel und Abstände im Bild erhalten bleiben. Die nicht rigide Transformation erlaubt zusätzlich zur Rotation und Translation auch eine Skalierung und Scherung. So können alle geometrischen Eigenschaften des Bildes verändert werden. 10

11 rigide Transformation In die Klasse der rigiden Transformationen fallen Rotationen und Verschiebungen. Dies sind die am häufigsten auftretenden Transformationen und können durch den einfachen Term T(x) = Ax + t dargestellt werden, wobei A die Rotationsmatrix und t den Verschiebungsvektor darstellen. In den gleichen Bereich fällt auch die Größenänderung des vorliegenden Materials, welches durch die einfache Ergänzung des Terms zu T(x) = s Ax+t erreicht werden kann. Durch diese Transformation kann das Problem der falschen Orientierung, Verschrobenheit, Drehung, Aufnahmeabstand und Größen Änderung behoben affine Transformation Unter affin werden die schrägen Verschiebungen eingeordnet. Diese können über Matrizen bereinigt werden. Im Term nutzen wir T(x) = Mx + t, mit M als Matrix und t als Verschiebung. Verschiebungen können schnell entstehen, da Patienten nie genau gleich fixiert werden können, wenn eine bildgebende Untersuchung angewendet wird. In der Berechnung kann bei Anwendung dieser Transformationen recht schnell ein hoher Rechenaufwand entstehen, abhängig von der Größe der Matrix, die zur Berichtigung genutzt wird elastische Transformation Gekrümmte Transformationen sind wesentlich komplexer zu lösen, als die bisher beschriebenen. Diese Transformationen können nicht durch Matrizen gelöst werden, da die Verformung sehr individuell sein kann. Zu diesem Zweck wird die Transformation meist über polynomiale Anpassungen oder aber Vektorfelder der Form yi = xi + ti(x) gelöst. Da diese Methoden wesentlich schwerer zu berechnen sind und die Verformung sehr genau geplant sein muss, werden diese vermieden. Elastische Transformationen sind nicht-affine Transformationen. Sie werden dann eingesetzt, wenn die beiden Bilder stark verzerrt sind. Es entsteht, wenn man elastisches Material deformiert und diese Deformationen mit der geringstmöglichen Anzahl an Verformungen stattfinden. Ähnlichkeiten in den Bildern wirken bei elastischen Transformationen als Kraft oder als Energie, die eines der Bilder so lange verformen, bis es auf das andere gemappt werden kann. Algorithmen, die elastische Transformationen registrieren und ausführen, suchen nach dem minimalen Energiezustand, mit dem die Transformation ausgeführt werden kann projektive Transformation In die projektive Klasse fallen die Bilder, die perspektivisch verschoben sind. Dieses Problem ist wie bei den affinen Transformationen über Matrizen zu lösen und hat damit auch einen ähnlichen Aufwand. 11

12 [4] [5] 6. Mutual Information 6.1. Historie und Definition Mutual Information ist eine Methode, um die gemeinsame PDF (Joint Probability Distribution Function) unter Beachtung der Randverteilungen zu messen. Erstmalig von Shannon vorgestellt, wurde sie gleichzeitig von Forschern in Belgien und am MIT in den USA als Maß für multimodales Registrieren vorgeschlagen. Sie berechnet sich zu: Qualitativ kann man Mutual Information als Maß verstanden werden, das beschreibt, wie gut ein Bild ein anderes erklärt. Bei einer perfekten Überlagerung ist sie maximal. Abbildung 11: Komponenten einer Registrierung in ITK Fixed Image: Enthält Eingangsbild(Referenzbild). Movin Image: Enthält Eingangsbild (Objektbild). Metric: Bestimmt die Eignung der aktuellen Registrierungsiteration mittels Berechnung die Summe der quadrierten Abstände. Interpolator: Legt Transformation am Bild und berechnet sub-pixel Werte. Optimizer: Passt die Transformation in einem Versuch zur Verbesserung der Metrik. Transform: Enthält Transformationsmethoden Entropie Wenn man Bilder registrieren möchte, die mit unterschiedlichen Modalitäten aufgenommen wurden, hat man das Problem, dass anatomisch korrespondierende Strukturen nicht durch dieselben Intensitätswerte dargestellt werden. 12

13 Einige Strukturen werden durch bestimmte Bildgebungstechniken überhaupt nicht dargestellt, während sie bei anderen zu erkennen sind. Abstandsmetrik und Korrelationsmetrik können die Überlagerung solcher Bilder nicht bewerten. Dennoch gibt es immer einen Zusammenhang zwischen den Grauwerten. In dem einen Bild nicht dargestellte Strukturen können zum Beispiel in dem anderen Bild immer Strukturen entsprechen, die ein- und denselben Intensitätswert besitzen. Auf diese Weise ist es möglich Korrespondenzen herzustellen. Die im Folgenden vorgestellten Metriken basieren auf diesem Prinzip. Die prinzipielle Idee dabei ist es, die Information im fusionierten Ergebnisbild zu minimieren. Abbildung 11 stellt dies sehr anschaulich dar. Wenn die beiden Bilder gut überlagert sind, ist nur eine Nase zu erkennen. Bei schlechter Überlagerung, sind zwei Nasen, zwei Augen, etc. zu sehen. Ziel ist es, die Menge an Information im fusionierten Bild zu reduzieren. Dazu wird ein Maß für Information benötigt. Das in der Signal- und Bildverarbeitung am weitesten verbreitete Maß ist die Entropie H. Abbildung 12: Reduktion der Information im registrierten Bild mittels Entropie Die Entropie eines Bildes lässt sich durch bestimmen. a steht für alle möglichen Grauwerte des Bildes und pa(a) für die Häufigkeit, mit der es im Bild enthalten ist. Die Häufigkeit der einzelnen Grauwerte wird durch das Histogramm des Bildes bestimmt. Unter dem Histogramm eines Bildes versteht man die Verteilung seiner Grauwerte. Beim Registrieren zweier Bilder wird nur der Anteil der Bilder, der im Überlappungsbereich liegt betrachtet. 13

14 7. Bildregistrierungsprogramm Für diese Seminar wird ein Demoprogramm zur Registrierung der medizinischen Bilder mittels Mutual Information implementiert. Für die Implementierung des Mutual Information-Algorithmus wird die Bibliothek Insight Segmentation and Registration Toolkit (ITK) benutz. Für die Darstellung bzw. Visualisierung der Registrationsergebnisse wird die Bibliothek Visualization Toolkit (VTK) und für die Entwicklung der GUI-Elemente wird die Bibliothek Fast Light Toolkit (FLTK) benutz. Abbildung 13: Die Aussicht vom Image Registrationsprogramm Load Fixed Img.: Mit diesem Button werden die DICOM-formatierte Serienbilder (Referenzbilder) aus der Ordner eingelesen. Load Moving Img.: Mit diesem Button werden die DICOM-formatierte Serienbilder (Objektbilder) aus der Ordner eingelesen. Clear: Clear Button ermöglicht alle Fensterinhalte leeren und den Speicher frei zu geben. 14

15 Checkerboard: Ermöglicht das Fenster auf 2x2, 4x4, 6x6 oder 8x8 zu teilen, damit eine detaillierte Durchsicht von registrierten Referenz- und Objektbild zu haben. Slieders: Mit den Sliders können alle geladenen und angezeigten DICOM- Serienbilder durchgeblättert werden. Fixed Image Axial: Auf diesem kleinen Fenster werden die geladene Referenzbilder mit dem Axial-Ansicht (Draufsicht) dargestellt. Moving Image Axial: Auf diesem Fenster werden die geladene Objektbilder mit dem Axial-Ansicht dargestellt. Fixed Image Sagittal: Auf diesem Fenster werden die geladene Referenzbilder mit dem Sagittal-Ansicht (seitliche Sicht) dargestellt. Moving Image Sagittal: Auf diesem Fenster werden die geladene Objektbilder mit dem Sagittal-Ansicht dargestellt. Fixed Image Coronal: Auf diesem Fenster werden die geladene Referenzbilder mit dem Coronal-Ansicht (vordere Sicht) dargestellt. Moving Image Coronal: Auf diesem Fenster werden die geladene Objektbilder mit dem Coronal-Ansicht dargestellt. Display Image Registration Axial: Auf diesem Fenster wird die Registrationsergebnis von Axial-Referenz- und Objektbild visualisiert. Untenstehendes Slider ermöglicht alle geladene Bilder der Reihe nach miteinander zu registrieren. Display Image Registration Sagittal: Auf diesem Fenster sollte die Registrationsergebnis von Sagittal-Referenz- und Objektbild visualisiert werden. Untenstehendes Slider ermöglicht alle geladene Bilder der Reihe nach miteinander zu registrieren. Display Image Registration Coronal: Auf diesem Fenster sollte die Registrationsergebnis von Coronal-Referenz- und Objektbild visualisiert werden. Untenstehendes Slider ermöglicht alle geladene Bilder der Reihe nach miteinander zu registrieren. 15

16 Abbildung 14: Registrierung der CT-Bilder von zwei verschiedenen Schädel, mit Axial Ansicht angezeigt. Abbildung 15: Registrierung der CT-Bilder von zwei gleichen Plastik-Schädel mit Axial Ansicht angezeigt. Abbildung 16: Registrierung der CT-Bilder von zwei gleichen Schädel, mit Axial Ansicht angezeigt. 16

17 Abkürzungen 2D 3D CT DICOM VTK ITK FLTK MI MRT PET SPECT MSE ICP PDF Zwei dimensional Drei dimensional Computertomographie Digital Imaging and Communication in Medicine The Visualization Toolkit The Insight Segmentation and Registration Toolkit The Fast Light Toolkit Mutual Information Magnetresonanztomographie Positronen-Emissionstomographie Single-Photon-Emissionscomputertomographie Mean Square Error Iterative Closest Point Probability Distribution Function 17

18 Literaturverzeichnis 1. J. B. Antoine Maintz1 and Max A. Viergever, An Overview of Medical Image Registration Methods, Imaging Science Department, Imaging Center Utrecht Barbara Zitova, Jan Flusser, Image registration methods: A survey. Department of Image Processing, Institute of Information Theory and Automation, Academy of Sciences of the Czech Republic, Image and Vision Computing 21 (2003) pp Panos Kotsas, Non-Rigid Registration of Medical Images using an Automated Method, World Academy of Science Engineering and Technology Josien P. W. Pluim, J. B. Antoine Maintz and Max A. Viergever, Mutual information based registration of medical images: A survey, Medical Imaging, IEEE Transactions on, Vol. 22, No. 8. (28 July 2003), pp Luis Ibanez, Will Schroeder, Lydia Ng, Josh Cates and the Insight Software Consortium, The ITK Software Guide Second Edition Updated for ITK version 2.4, November 21,