Aktive Sensoren: Kontextbasierte Filterung von Merkmalen zur modellbasierten Segmentierung

Transkript

1 Aktive Sensoren: Kontextbasierte Filterung von Merkmalen zur modellbasierten Segmentierung Lars Dornheim, Jana Dornheim, Heiko Seim, Klaus D. Tönnies Otto-von-Guericke-Universität Magdeburg, Fakultät für Informatik

2 Gliederung 1. Sensorbasierte Modelle zur Segmentierung 2. Aktive Sensoren richtungsgewichtete Kontursensoren 3. Medizinische Anwendungen 1. Segmentierung des Schildknorpels 2. Segmentierung vergrößerter Lymphknoten 3. Segmentierung des linken Ventrikels 4. Zusammenfassung 2

3 1. Sensorbasierte Modelle Sensorarten, passive Sensoren, Merkmale 3

4 1. Sensorbasierte Modelle verschiedenste Modelle für medizinische Segmentierungsaufgaben sind sensorbasiert an den Sensoren fließt im allgemeinen dynamisch und lokal die Bildinformation in das Modell ein Feder-Masse-Modell Active Shape Model (ASM) Quelle: Cootes et al,

5 1. Sensorarten Arten von Sensoren: Intensitätssensoren Kontursensoren Komplexsensoren (für Ecken, Kreise, etc.)... Intensitäts- und Kontursensoren Sensoren sind zur Zeit im allgemeinen passiv. statische, vorberechenbare Sensorkarte keine Einbeziehung dynamischer Information während des Segmentierungsprozesses Ecken-Sensoren 5

6 1. Merkmalsfülle gerade in medizinischen Bildern treten viele einfache Merkmale (Konturen,...) sehr häufig auf Gründe: Rauschen bzw. Detailreichtum oft irrelevant oder sogar störend (z.t. erst während der Segmentierung einschätzbar) dynamische Reduktion der irrelevanten Merkmale wünschenswert z. B. durch Wissen über den aktuellen Modellzustand aktive Sensoren dynamische Sensorkarten Informationen aus dem Segmentierungsprozeß werden genutzt 6

7 2. Aktive Sensoren Richtungsgewichtung, Stabile Feder-Masse-Modelle (SMSMs), Merkmalsreduktion 7

8 2. Kontursensoren Schwerpunkt: Kontursensoren (Gradientensensoren) im allgemeinen für exakte Objektabgrenzung verwendet nur Gradientengröße wird benutzt gewünschte Gradientenrichtung wird vernachlässigt (a priori nicht bekannt) dynamische Kontextinformation für Kontursensor nötig Wissen über lokale Modellausrichtung (Sensorkoordinatensystem) Stabile Feder-Masse-Modelle LV in SPECT-Schicht Gradientenbild der SPECT-Schicht 8

9 2. Stabile Feder-Masse-Modelle Feder-Masse-Modelle zur Segmentierung physikalisch-basierte Modelle dynamische Systeme aus mit Federn vernetzten Massepunkten: Federkräfte, Sensorkräfte keine Simulation realer physikalischer Vorgänge potentiell instabil, da Umklappungen und Verzerrungen leicht möglich Zustände entspannter Federn Stabile Feder-Masse-Modelle (SMSMs) Torsionskräfte zur Formerhaltung explizite Rotationsfähigkeit nötig 9

10 2. SMSMs: Torsionskräfte Torsionskräfte: Einführung von Feder-Ruherichtungen Verdrehung gegen diese Ruherichtungen löst kompensierendes Drehmoment aus r 0ij Interne Modellkraft in Kompensationsrichtung : F i, j = t i r ij,r 0ij n ij r ij n ij Nachteil: Starre Ausrichtung n ij mit n ij =r 0ij r ij,r 0ij r ij 2 r ij

11 2. SMSMs: Explizite Rotationsfähigkeit Ausgleichsdrehung der Sensoren auf Grund der mittleren Federverdrehungen Anpassung der Feder-Ruherichtungen Rotationsquarternion: = Q i j Q n ij m i n, a ij mit Q, a = cos 2 sin 2 a dynamisches Sensorkoordinatensystem

12 2. Richtungsgewichtete Kontursensoren Ausrichtung der Kontur (Normale) spielt eine Rolle Kontursensoreingabe wird entsprechend den Gradientenrichtungen im Bild gewichtet Einführung von Sensornormalen N i initial: Mittlung angrenzender Konturflächennormalen gewichtet durch deren angrenzenden Winkel: automatische Adaption der Sensornormalen durch dynamisches Sensorkoordinatensystem im SMSM lineare Wichtung der Gradientenstärke mittels der inversen, normierten Richtungsabweichung zwischen Sensor und Gradient: K x, y, z= 1 D x, y,z, N i D x, y, z 12

13 2. Merkmalsreduktion deutliche Reduktion der Merkmalsmenge, auf die ein Kontursensor potentiell reagiert Sensorkarte eines Kontursensors Sensorkarte eines richtungsgewichteten Kontursensors in X-Richtung 13

14 3. Medizinische Anwendungen Segmentierung des Schildknorpels, Segmentierung vergrößerter Lymphknoten, Segmentierung des linken Ventrikels 14

15 3. Anwendungsfälle Segmentierung des Schildknorpels (Kehlkopf) Daten: CT-Daten des Halses (sehr detailreich) Modell: 3D-Oberflächen-SMSM halbautomatisch: manuelle, 5-landmarkenbasierte Initialisierung Segmentierung vergrößerter Lymphknoten Daten: CT-Daten des Halses (sehr detailreich) Modell: 3D-Doppelschalen-SMSM halbautomatisch: manuelle Startpunktsetzung Segmentierung des linken Ventrikels Daten: SPECT-Daten des Thorax (starkes Rauschen, wenig Details) Modell: 3D-Kontur+Grauwert-SMSM vollautomatisch 15

16 3. Segmentierung des Schildknorpels Verbesserung durch aktive Sensoren in 10 von 12 Fällen, sonst gleichbleibend kein fehlerhaftes Finden der gegenüberliegenden Kante des flachen Schildknorpels (vorher bis zu 30% Unterseg.) stark reduziertes Abwandern der Kontursensoren zu großen Gradienten benachbarter Strukturen verwendetes 3D-Oberflächen- Modell passive Sensoren aktive Sensoren 16

17 3. Segmentierung vergröß. Lymphknoten Segmentierung nur mit richtungsgewichteten Kontursensoren erfolgreich kein großräumiges Abwandern einzelner Kontursensoren zu starker, irrelevanter Gradienteninformation mehr zielstrebige Konvergenz passive Sensoren 2D-Schema des verwendeten Doppelschalen-Modells aktive Sensoren 17

18 3. Segmentierung des linken Ventrikels generelle Verbesserung der Segmentierungsgüte auf 7 untersuchten Datensätzen ca. 12% durchschnittliche Verringerung des Segmentierungsfehlers interessant: deutliche Erhöhung der Segmentierungsgüte und Zielstrebigkeit des Modells bei deaktivierten Torsionskräften passive Sensoren (ohne Torsionskraft, ideale Platzierung) aktive Sensoren (ohne Torsionskraft, ideale Platzierung) verwendetes 3D-Modell des LV 18

19 4. Zusammenfassung Segmentierungsgüte, Zielstrebigkeit, Effizienz 19

20 4. Zusammenfassung richtungsgewichtete Kontursensoren aktive Sensoren: 3D-Modellausrichtung wird berücksichtigt können direkt passive Kontursensoren in bestehenden Modellen ersetzen an drei medizinischen Anwendungsfällen untersucht stark reduziertes Abwandern zu Konturen von Nachbarstrukturen durchgängige Verbesserung der Segmentierungsgüte Umsetzung Fazit im Rahmen von Stabilen Feder-Masse-Modellen (SMSMs) kein spürbarer Performanzverlust aktive Kontursensoren sollten im allgemeinen passive ersetzen 20

21 Ende Vielen Dank für die Aufmerksamkeit. 21