Statistical Models for Segmentation from MR Localizer Images (Tienda española)

Previo

Indice, Datei (33 KB)
Lectura de prueba, Datei (140 KB)

In dieser Dissertation werden Methoden zur Segmentierung anatomischer Strukturen in Pla-
nungsbildern der Magnetresonanztomographie (MRT), sogenannten Localizer-Bildern, vor-
gestellt. Localizer sind schnelle MR-Scanprotokolle zur Untersuchungsplanung. Segmentie-
rungen anatomischer Strukturen aus diesen Bildern k¨onnen f¨ur Anwendungen zur vollau-
tomatischen Untersuchungsplanung, z.B. Organlokalisierungen, Schichtpositionierungen, Se-
quenzanpassungen, etc. verwendet werden. Da Localizer-Bilder nicht hinsichtlich Bildqualit¨at
sondern hinsichtlich Messzeit und Abdeckung optimiert sind, sind modellbasierte statistische
Verfahren f¨ur die Segmentierung vorteilhaft.
Zwei Methoden werden vorgestellt: Die erste ist eine Methode zur Rekonstruktion von Le-
berform, position und -orientierung aus einer Serie von wenigen 2D-Planungsschichtbildern
mit großem Schichtabstand. Dazu wird ein Active Shape Model aus manuellen Lebersegmen
tierungen von 3D Trainingsbildern erstellt, das die durchschnittliche Leberform und die Haupt-
komponenten seiner Varianz beschreibt. Korrespondierende Landmarkenpunkte auf der Ober-
fl¨ache werden durch Remeshing mit Hilfe konformer Abbildungen in der sph¨arischen Dom¨ane
initialisiert und verfeinert durch Optimierung eines Korrespondenzmaßes, welches auf Mini-
mum Description Length (MDL) basiert und die Kompaktheit des generierten statistischen
Modells beschreibt. Die Segmentierung der Leber aus den gestapelten 2D-Schichtbildern er-
folgt durch durch die Berechnung derjenigen Modellinstanz des Active Shape Models, welche
bestm¨oglich die Bilddaten beschreibt. Man erreicht dies durch iterative Berechnung optimaler
Verschiebungen der Landmarken. Die optimalen Verschiebungen beruhen auf Grauwertprofi-
len in den Bildern und einer normalisierten lokalen Statistik der Grauwertverteilungen in den
Trainingsbildern. Die Instanz des Active Shape Models, die die gefundenen Verschiebungen
der Landmarken am besten repr¨asentiert, wird durch eine Projektion auf den Linearraum des
Active Shape Models gefunden. Daraus erh¨alt man eine g¨ultige Modellinstanz, die die Ver-
schiebungen der Landmarken bestm¨oglich beschreibt.
Die Ergebnisse der Segmentierung aus generierten Localizer-Bildern werden mit den ma-
nuellen Segmentierungen mittels 4 Fehlermetriken verglichen. Die Ergebnisse zeigen, dass die
Methode gegen¨uber Lebersegmentierungen mittels Active Shape Models aus 3D Daten kon-
kurrenzf¨ahig ist, wenn auch mit geringerer Pr¨azision aufgrund der geringeren Bildqualit¨at.
Die zweite Methode, die in dieser Dissertation vorgestellt wird, ist ein automatisches, ana-
tomisches Labeling oder eine Multiorgansegmentierung anatomischer Strukuturen in FastView-
Bildern. FastView ist ein modernes MR-Protokoll, welches 3D Localizer-Bilder produziert, in-
dem 2D-Schichten w¨ahrend kontinuierlichem Vorschub des Patiententisches gemessen werden.
Die Segmentierung basiert auf einem statistischen Atlas des menschlichen K¨orpers, der aus ei-
ner Gruppe repr¨asentativer FastView Datens¨atze gewonnen wird. Der Atlas enth¨alt einerseits
ein statistisches Deformationsmodell, das verwendet werden kann, um unbekannte Datens¨atze
auf die durchschnittliche K¨orperform des Atlas zu verformen. Zus¨atzlich enth¨alt der Atlas ein
statistisches Modell der Grauwertverteilungen, das verwendet werden kann, um g¨ultige At-
lasbilder zu erzeugen. Beide statistischen Modelle k¨onnen verwendet werden, um einen unbe-
kannten Datensatz auf den Atlas zu registrieren, indem die Modellinstanzen des Deformations-
feldes und des Atlas berechnet werden, welche die ¨Ahnlichkeit zwischen dem Atlas und dem,
durch das Deformationsfeld verformten, unbekannten Bilddatensatz maximiert. Das Labeling
des unbekannten Datensatzes erh¨alt man dann aus der Propagierung der anatomischen Labels
des Atlas auf den registrierten Datensatz. Da der Registrierungsprozeß die Optimierung einer
Multiparameter-Zielfunktion mit vielen Freiheitsgraden und die Berechnung ihrer Ableitun-
gen erfordert, und da jede Auswertung der Kostenfunktion eine 3D-Verformung der Eingabe
erfordert, m¨ussen Strategien zur Verbesserung der Laufzeit in Betracht gezogen werden. Dazu
wurden das statistische Deformationsmodell und das statistische Grauwertmodell komplett auf
die GPU (Graphics Processing Unit) portiert, was die Berechnung der kompletten deformierba-
ren Registrierungen mit Grafikhardwarebeschleunigung erlaubt. Die Hardwarebeschleunigung
umfaßt somit die gesamte Berechnungskette der Registrierungen inklusive der Erzeugung der
Instanzen des Deformationsfeldes und der Grauwertverteilungen, welche die Auswertung der
linearen Modelle durch Matrixmultiplikationen und Vektoradditionen erfordert. Die Laufzeiten
des Registrierungsprozesses sind etwa 10-30s, was der Gr¨oßenordnung der Dauer der Bildak-
quisition selbst entspricht. Diese Laufzeiten erlauben auch einen praktischen Einsatz in der
klinischen Routine.
Die Validierung der atlas-basierten Segmentierungen erfolgt durch manuelles Setzen korre-
spondierender Landmarken an definierbaren Punkten in den Eingabebildern und im Atlas. Die
Abweichungen der Landmarken im Atlas von den registrierten Landmarken im Bilddatensatz
werden als Fehlerkriterium f¨ur die G¨ute der Methode verwendet und mit der Reproduzierbar-
keit der manuellen Markierung von Landmarken verglichen.