gms | German Medical Science

82nd Annual Meeting of the German Society of Oto-Rhino-Laryngology, Head and Neck Surgery

German Society of Oto-Rhino-Laryngology, Head and Neck Surgery

01.06. - 05.06.2011, Freiburg

Automatisierte Erkennung der anterioren Schädelbasisin CT-Datensätzen für Navigation und Robotik

Meeting Abstract

Search Medline for

  • corresponding author Klaus Eichhorn - Klinik und Poliklinik für Hals-Nasen-Ohrenheilkunde/Chirurgie, Bonn
  • Carsten Last - Institut für Robotik und Prozeßinformatik, Braunschweig
  • Friedrich M. Wahl - Institut für Robotik und Prozeßinformatik, Braunschweig
  • Friedrich Bootz - Klinik und Poliklinik für Hals-Nasen-Ohrenheilkunde/Chirurgie, Bonn

Deutsche Gesellschaft für Hals-Nasen-Ohren-Heilkunde, Kopf- und Hals-Chirurgie. 82. Jahresversammlung der Deutschen Gesellschaft für Hals-Nasen-Ohren-Heilkunde, Kopf- und Hals-Chirurgie. Freiburg i. Br., 01.-05.06.2011. Düsseldorf: German Medical Science GMS Publishing House; 2011. Doc11hnod583

doi: 10.3205/11hnod583, urn:nbn:de:0183-11hnod5832

Published: April 19, 2011

© 2011 Eichhorn 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: Zur Operationsplanung und Navigation im Bereich der Nasennebenhöhlen (NNH) sowie zur Roboter-assistierten-endoskopischen Sinuschirurgie (RASS) ist eine Automatisierung der Bildauswertung mit Erkennung der anterioren Schädelbasis in CT-Daten wünschenswert.

Methoden: Manuell segmentierte CT-NNH-Datensätze von 50 Patienten dienten als Ausgangspunkt für eine modellbasierte, automatische Segmentierung der Nasennebenhöhlen. Durch die Wahl geeigneter Parameter kann dieses Modell an die individuelle Anatomie eines Patienten angepasst werden. Hierfür wurde ein hochautomatisierter Bildverarbeitungsalgorithmus programmiert, der trotz der hohen Variabilität der NNH eine automatische Zuordnung der Schädelbasis in zweidimensionalen Schichten erlaubt. Die Ergebnisse des automatischen Ansatzes wurden mit denen der manuellen Segmentierung verglichen und die Abweichungen wurden ermittelt.

Ergebnisse: Die automatisierte Erkennung der Nasennebenhöhlen wurde in einer CT-Schicht evaluiert. Sie dauerte im Schnitt etwa 40 Sekunden im Vergleich zu durchschnittlich etwa 6 Minuten bei der manuellen Segmentierung. Das quadratische Mittel der Abweichung betrug, über alle 50 Datensätze gemittelt, 3,74 mm bei einer Standardabweichung von 2,42 mm. Nur bei fünf Datensätzen ergab sich eine Abweichung von mehr als 6 mm. Diese Datensätze hatten die gemeinsame Eigenschaft, dass der Frontalsinus hyperpneumatisiert war. In den restlichen Datensätzen konnte annähernd der Umriss der Nasennebenhöhlen automatisch erkannt werden.

Schlussfolgerungen: Durch Bildverarbeitung ist eine automatisierte Erkennung der Schädelbasis möglich, mit Abweichungen die auch im Bereich von kommerziellen Navigationslösungen auftreten.