gms | German Medical Science

53. Jahrestagung der Deutschen Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie e. V. (GMDS)

Deutsche Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie

15. bis 18.09.2008, Stuttgart

Automatische graphenbasierte Gehirnsegmentierung in hochauflösenden 3D-TOF-Magnetresonanzangiographien

Meeting Abstract

  • Nils Daniel Forkert - Institut für Medizinische Informatik, Universitätsklinikum Hamburg-Eppendorf, Hamburg, Deutschland
  • Dennis Säring - Institut für Medizinische Informatik, Universitätsklinikum Hamburg-Eppendorf, Hamburg, Deutschland
  • Matthias Färber - Institut für Medizinische Informatik, Universitätsklinikum Hamburg-Eppendorf, Hamburg, Deutschland
  • Till Illies - Klinik und Poliklinik für Neuroradiologische Diagnostik und Intervention, Universitätsklinikum Hamburg-Eppendorf, Hamburg, Deutschland
  • Jens Fiehler - Klinik und Poliklinik für Neuroradiologische Diagnostik und Intervention, Universitätsklinikum Hamburg-Eppendorf, Hamburg, Deutschland
  • Dietmar Möller - Department Informatik, Arbeitsbereich Technische Informatiksysteme, Universität Hamburg, Hamburg, Deutschland
  • Heinz Handels - Institut für Medizinische Informatik, Universitätsklinikum Hamburg-Eppendorf, Hamburg, Deutschland

Deutsche Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie. 53. Jahrestagung der Deutschen Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie (gmds). Stuttgart, 15.-19.09.2008. Düsseldorf: German Medical Science GMS Publishing House; 2008. DocSTUD1-1

The electronic version of this article is the complete one and can be found online at: http://www.egms.de/en/meetings/gmds2008/08gmds245.shtml

Published: September 10, 2008

© 2008 Forkert et al.
This is an Open Access article distributed under the terms of the Creative Commons Attribution License (http://creativecommons.org/licenses/by-nc-nd/3.0/deed.en). You are free: to Share – to copy, distribute and transmit the work, provided the original author and source are credited.


Outline

Text

Einleitung

Eine große Anzahl an Menschen leidet an zerebralen Gefäßkrankheiten, wie Aneurysmen oder Arteriovenösen Malformationen (AVM), die zu einem Schlaganfall führen können, wenn sie nicht rechtzeitig diagnostiziert werden. Hierzu wird in der Klinik die nicht-invasive räumlich hochaufgelöste 3D-TOF-Magnetresoanzangiographie (time-of-flight) Aufnahmetechnik verwendet. Diese zeichnet sich durch einen sehr guten Blut-zu-Hintergrund-Kontrast aus und erlaubt eine genaue Segmentierung des zerebralen Gefäßsystems, die eine wichtige Voraussetzung für eine korrekte Diagnose und Planung einer endovaskulären Behandlung ist.

Nicht zerebrale Gewebeklassen wie beispielsweise Fett, Knochenmark und Augen erschweren jedoch die Segmentierung der Gefäße, da sie sich durch ähnliche Intensitäten darstellen. Eine vorausgehende Segmentierung des Gehirns ist daher ein wesentlicher Vorverarbeitungsschritt zur Verbesserung der Gefäßsegmentierung.

Es bestehen zahlreiche Ansätze zur Segmentierung des Gehirns in MR-Bilddaten. Frei verfügbare Software zur Segmentierung des Gehirns wie beispielsweise Free-Surfer [1], Brain Extraction Tool [2] und Brain Surface Extractor [3] führten allerdings bezogen auf die 3D-TOF-MRA zu starken Segmentierungsfehlern. Verfahren zur Segmentierung der Gehirnsubstanz, die speziell auf TOF-Daten ausgerichtet sind, sind den Autoren nicht bekannt.

In dieser Arbeit wird ein Ansatz vorgestellt, der die Besonderheiten der TOF-Daten bei der Gehirnsegmentierung berücksichtigt. Hierbei wird zunächst der Schädelknochen, der das Gehirn umgibt, mittels Region-Growing segmentiert. Auf Basis dieser Segmentierung werden markante Punkte an der äußeren Grenze des Gehirns extrahiert, die dann als Stützstellen für eine graphenbasierte Kontursuche verwendet werden.

Methoden

Im ersten Schritt wird die Schädeldecke mittels 2D-Region-Growing segmentiert. Die Knochenschicht besitzt im TOF-Datensatz eine dem Hintergrund ähnliche Intensitätsverteilung. Unter der Annahme, dass die Intensitäten im Hintergrund der TOF-MRA Rayleigh-verteilt und die Intensitäten des Gehirngewebe Gauß-verteilt sind, wird aus dem Signalwerthistogramm mittels einer adaptierten Methode nach Hassouna et al. [4] unter Verwendung eines Mixture-Modells ein Schwellwert zur groben Trennung von Knochen und dem Gehirngewebe extrahiert. Dieser dient als oberer Schwellwert für das Region-Growing. Die Saatpunkte für das Region-Growing können durch eine zeilen- und spaltenweise Analyse der Intensitätsprofile in der Schicht gewonnen werden, in denen sich die Knochenschicht durch eine Senke darstellt (siehe Abbildung 1.b [Abb. 1]). Da der Schädel das Gehirn nicht völlig umgibt (siehe Abbildung 1.c [Abb. 1]), kann hieraus jedoch noch nicht die benötigte geschlossene Kontur zur Abgrenzung des Gehirngewebes extrahiert werden.

Ausgehend vom Schwerpunkt des segmentierten Schädelknochens einer TOF-Schicht wird jeweils für zwei Strahlen mit 18 Grad Winkelabstand das Pixel des segmentierten Schädels bestimmt, das den geringsten Abstand innerhalb der aufgespannten Fläche der Strahlen zum Schwerpunkt aufweist (siehe Abbildung 1.d [Abb. 1]). So werden für jede Schicht 20 Stützstellen am Übergang zwischen Schädel und Gehirngewebe für die nachfolgende graphenbasierte Kontursuche ermittelt.

Die Verbindung der 20 bestimmten Stützstellen erfolgt auf Basis graphentheoretischer Optimierungsalgorithmen auf bildspezifischen Kostengraphen in Anlehnung an das von Mortensen und Barret [5] vorgestellte Live-Wire-Verfahren. Hierzu wird für das betrachtete Schichtbild ein Kostengraph erstellt, bei dem die Knoten den Pixeln in der Schicht entsprechen. Die Knoten von benachbarten Bildpunkten werden durch Kanten im Graphen verbunden. Zur Berechnung der Kostenfunktion wurde das invertierte Deriche-Kantenbild [6] der jeweiligen Schicht verwendet. Kanten, die zu Objektkonturen korrespondieren, erhalten im Graphen niedrige Kosten, so dass sich kostenoptimale Pfade im Graphen an den Objektkonturen der Schicht ausrichten. Die extrahierten Stützstellen werden mit kostenoptimalen Pfaden verbunden, so dass eine geschlossene Kontur entsteht. Zur effizienten Berechnung dieser Pfade wurde der Algorithmus von Dijkstra mit einem Fibonacci-Heap zur Knotenverwaltung verwendet [7].

Ergebnisse

Zur Evaluation des vorgestellten Verfahrens standen 14 TOF-Datensätze (156 Schichten mit 384´512 Pixeln pro Schicht) zur Verfügung, in denen das zerebrale Gewebe von Experten manuell segmentiert wurde. Die durchschnittlich benötigte Zeit betrug hierfür 2,5 Stunden pro Datensatz. Zur Evaluation der automatisch berechneten Segmentierungen wurden diese mit den manuellen Segmentierungen verglichen. Als empirische Vergleichsmaße wurden der Dice-D(A,B) [8] und Jacquard-Koeffzient J(A,B) [8] verwendet. Hierbei weisen Werte nahe bei 1 auf eine hohe Übereinstimmung von manueller und automatischer Segmentierung hin

(Tabelle 1 [Tab. 1]). Es wurden ein mittlerer Dice-Wert von 0,984 und ein mittlerer Jacquard-Wert von 0,969 berechnet. Die guten quantitativen Ergebnisse und eine visuelle Begutachtung (siehe Abbildung 2 [Abb. 2]) durch Mediziner zeigen, dass das vorgestellte Verfahren zu Segmentierungsergebnissen mit nur wenigen Segmentierungsfehlern führt, die in einem Nachverarbeitungsschritt interaktiv korrigiert werden können.

Diskussion

Die interaktive Gehirnsegmentierung in 3D-TOF-Bilddaten von 6 Observern ergab hinsichtlich der Inter-Observer-Variabilität einen mittleren Dice-Wert von 0,991 und einen mittleren Jacquard-Wert von 0,983. Das vorgestellte Verfahren ermöglicht eine schnelle vollautomatische Gehirnsegmentierung, die auch bei starken Konvektivitäten von Gehirngewebe zu angrenzenden Gewebeklassen robuste Ergebnisse liefert, die nahe an der ermittelten Inter-Observer-Variabilität liegen. Die Interaktionszeit, die für die Nachbearbeitung notwendig ist, beträgt im Vergleich zur benötigten Zeit für die manuelle Segmentierung von 2,5 Stunden nur noch wenige Minuten. Die Fehler bei der Segmentierung sind vor allem auf schwache Kanten im Randbereich des Gehirns zurückzuführen. Eine Erweiterung der Kostenfunktion könnte die Ergebnisse hier weiter verbessern.


Literatur

1.
Dale A, Fischl B, Sereno M. Cortical surface-based analysis I Segmentation and Surface reconstruction. Neuroimage. 1999; 9: 179 – 194.
2.
Smith, S. Fast robust automated brain extraction. Hum Brain Mapp. 2002; 17(3): 143-155.
3.
Shattuck D, Sandor-Leahy S, Schaper K, Rottenberg D, Leahy R. Magnetic resonance image tissue classifi-cation using a partial volume model. Neuroimage. 2001; 13: 856-876.
4.
Sabry Hassouna M, Farag A, Hushek S, Moriarty T. Cerebrovascular segmentation from TOF using stochas-tic models. Med Image Anal. 2006; 10: 2-18.
5.
Barret W, Mortensen E. Interactive live-wire boundary extraction. Med Image Anal. 1997; 1(4): 331-341.
6.
Deriche, R. Fast algorithms for low—level vision. Ninth ICPR, Rome, 424-438; 1988
7.
Färber M, Ehrhardt J, Handels H. Live-Wire-based segmentation using similarities between corresponding image structures. Computerized Medical Imaging and Graphics 2007;31(7): 549-561.
8.
Heimann T, Thorn M, Kunert T, Meinzer HP. Empirische Vergleichsmaße für die Evaluation von Segmentierungsergebnissen, Bildverarbeitung für die Medizin 2004. Springer-Verlag, Berlin: 400-404; 2004