gms | German Medical Science

Unser Ziel war die Entwicklung eines Bildverarbeitungsansatzes zur Bearbeitung von dreidimensionalen Datensätzen (CT und MRT), der nur wenige Benutzerinteraktionen erfordert, gute Resultate erzielt, dreidimensionale Bildverarbeitung zur Verbesserung der rekonstruierten Organoberflächen unterstützt und problemlos an verschiedene Organ- und Datenmaterialien angepasst werden kann. Dies wurde erreicht, indem organspezifisches a-priori-Wissen unter Verwendung eines Referenzmodells während des Segmentierungsvorgangs ausgenutzt wird. Diese Arbeit befasst mit der Verbesserung von Strahlentherapie-Verfahren für Augentumoren durch die Anwendung von Protonstrahlen. Ein präzises Modell des Patientenauges und des Tumors ist Voraussetzung für die Festlegung des erforderlichen Behandlungsplans.

Zwei wichtige Kategorien des a-priori-Wissens sind die Organtopologie und die Bildeigenschaften des Organs in den verschiedenen Bildaufnahmemodalitäten. Um die Oberfläche und die Bildeigenschaften zu integrieren, haben wir ein Referenzmodell konstruiert, das einen typischen Datensatz enthält, in dem das relevante Organ per Hand segmentiert und dreidimensional rekonstruiert wird. Sechs Landmarken wurden in diesem Referenzmodell definiert, um eine Landmarken-basierte Registrierung mit anderen Daten zu erlauben. Der modellbasierte Segmentierungsansatz bestand aus folgenden Schritten: 1) In dem aktuellen Datensatz werden sechs Landmarken an Positionen eingetragen, die in ihrer anatomischen Lokalisation mit den Landmarken im Referenzmodell übereinstimmen. 2) Anhand der korrespondierenden Landmarken werden das Referenzmodell und der aktuelle Datensatz miteinander registriert. 3) Anschließend wird ein modellbasierter Snakes-Ansatz angewendet und es werden oberflächenbasierte Interpolation und Registrierung analog zum Segmentierungsverfahren durchgeführt.

Die Tests werden mit 14 Phantomdatensätzen, 23 Patientendatensätzen und 9 Datensätzen aus Schweineaugen durchgeführt. Die Landmarken-basierte Registrierung der Daten und des Referenzmodells wurde durch eine Sequenz homogener Transformationen durchgeführt, die sich als stabil erwies. Die Definition der Internen und Externen Kraft für den modellbasierten Snakes-Ansatz erwies sich als stabil und sehr verlässlich. Der modellbasierte Snakes erbachte sehr gute Ergebnisse, die wenig oder gar keine Nachbearbeitung erforderlich machten. Oberflächenbasierte Interpolation und Registrierung, die den modellbasierten Bildverarbeitungsansatz verwandten, führten zu guten und verlässlichen Ergebnissen.

Wir haben einen modellbasierten Bildverarbeitungsansatz entwickelt, der Segmentierung, Interpolation und Registrierung von Schichtendatensätzen einschließt. Die erforderliche Benutzerinteraktionszeit beträgt weniger als 30 Sekunden. Die Ergebnisse erfordern wenig oder gar keine Nachbearbeitung. Die dreidimensionale Rekonstruktion führt zu glatten Organoberflächen.

Unser modellbasierter Snakes-Ansatz erweitert die Standard-Snakes-Anwendungen. Um das a-priori-Wissen über das Referenzmodell zu nutzen, werden die Internen und Externen Kräfte neu definiert. Für die Interne Energie wird die Kontur, die aus dem Referenzmodell in den aktuellen Datensatz kopiert wurde, als Zielfunktion definiert. Das heißt, die Interne Energie versucht über Winkel und Distanzkräfte die ursprüngliche, anatomisch sinnvolle Konturform zu erhalten. Für die Externe Energie wird an Stelle einer Hochpassfunktion die Mutual Information [Ref. 1] zum Referenzmodell berechnet. Hierzu werden kleine Referenz- und Suchbereiche um die korrespondierenden Punkte in Referenzmodell und aktuellem Datensatz definiert, für die die Mutual Information berechnet wird. Die Externe Kraft versucht die Konturpunkte dorthin zu ziehen, wo die Mutual Information zwischen Referenz- und aktuellen Daten am größten ist. Diese veränderten Definitionen der Internen und Externen Kraft weisen grundlegende Vorteile gegenüber den herkömmlichen Energien des Snakes-Verfahrens auf. Der übliche Snakes-Ansatz versucht durch die Interne Kraft möglichst runde Segmentierungskonturen herzustellen. Dadurch versucht sich die Interne Kraft immer einem anatomisch falschen Optimum anzunähern. Durch die Verwendung einer anatomischen Modell-Kontur als Start- und Zielkontur nähert sich der modellbasierte Snakes-Algorithmus einer anatomisch sinnvollen Form an. Der übliche Snakes-Ansatz verwendet Hochpass-Funktionen für die Externe Energie und setzt voraus, dass Organ und umgebendes Gewebe durch dominante Kanten voneinander abgegrenzt werden. Durch die Verwendung einer Korrelationsfunktion wird eine inhaltsbasierte Anpassung der Kontur an das Bildmaterial vorgenommen. Beide Energien passen in einer Art komparativen Segmentierung die Segmentierung des Referenzmodells an den aktuellen Datensatz an. Um die Stabilität dieses Ansatzes zu verstärken, haben wir die Definition der Mutual Information erweitert, indem wir zwei Wichtungsfunktionen hinzugefügt haben. Die modellbasierte Bildbearbeitung erfordert keine Interaktion nach dem Platzieren der Landmarken. Alle weiteren Schritte werden automatisch vorgenommen.