View
30
Download
3
Category
Preview:
DESCRIPTION
Computergestützte Diagnose von Lungenerkrankungen/ Exploration von CT-Thoraxdaten. Tobias Mönch, Matthias Keil, CV 8. Sem. Gliederung. Einleitung Bildgebung Digitales Roentgen Bildfilterung Subtraktion Computer Tomographie Einfache Visualisierungsmethoden Maximum Intensity Projection - PowerPoint PPT Presentation
Citation preview
Computergestützte Diagnosevon Lungenerkrankungen/
Exploration von CT-Thoraxdaten
Tobias Mönch,
Matthias Keil,
CV 8. Sem
2
Gliederung
1. Einleitung2. Bildgebung
Digitales Roentgen• Bildfilterung• Subtraktion
Computer Tomographie3. Einfache Visualisierungsmethoden
Maximum Intensity Projection Volumerendering
4. Fortgeschrittene Visualisierungsmethoden Oberflächendistanzbilder Anatomische Reformatierung
5. Einteilung der Lunge in Segmente Fissuren Bronchien Blutgefäße & Bronchien
4
Einleitung
Digitale Bildgebung der Lunge:
– Erkennung pulmonaler Erkrankungen (Veränderungen)
• Globale Berechnung der Stärke der Erkrankung
• Einteilung in Segmente
• Periphere und Homogene Veränderungen
• Struktur und Funktion
5
Einleitung
– Lokalisation und Prozessdiagnose (Tumore)
• Röntgen: Überlagerung von Strukturen
• CT: 3 dimensionale Sicht
– Verlaufskontrolle (Behandlung)
• Auflösung sehr wichtig
• Berechnung von Volumen
7
Einleitung
– Berechnung von Lungenparametern (Segmentabhängig)
• Globale Berechnung ungenau
• Mittlere Lungendichte
• Emphysem Index
8
Digitales Röntgen (CR)
• Elektronische Photoplatte / Speicherfolie– Seit 1981 (Fuji)– Hohe Empfindlichkeit (1/10 der Dosis)– Bis 10 Aufnahmen je Sekunde– Hohe Auflösung
• 10 Linienpaare / mm
– Digitale Verarbeitung
9
CR- Bildfilterung
• Bildverbesserung– Unsharp Matching
• Highpass-Filterung
• Resultierendes Bild gewichtet auf Original addiert
• Kleine Strukturen und Kanten werden verstärkt– z.B. Pulmonalarterien
• Rauschanfällig
10
CR- Bildfilterung
• Kontrastanhebung– Wavelettransformation
• Multiscale Repräsentation
• Gradienten verstärken
• Senkrecht zu Kanten
• Inverse Transformation
• Regionen werden mit Kanten verstärkt
• Rauschunterdrückung
11
CR- Subtraktion
• Verlaufskontrolle– Tumorwachstum / Ansprechen auf Behandlung
• Besser als „Side by Side“ Vergleiche• Registrierung (Überlappung)
– Anatomische Landmarken
– Geometrische Verformung
• Volumenänderung im Subtraktionsbild
12
Computertomographie (CT)• Schichtbildverfahren• Fächerförmige Strahlen
– In parallele Geometrie umrechnen
• Projektionen messen• 1-D Fouriertransformation
– Frequenzraumrepräsentation
• 2-D Rücktransformation– Ortsraumrepräsentation
http://www.iap.uni-bonn.de/P2K/tomography/auto_rib_cage.html
13
Computertomographie (CT)
• Spiral CT:– Kontinuierliche Abtastung– Schnelle Aufnahme– Geringe Artefakte– Umrechnung der Messdaten in Ebenenprojektion– Interpolation
• Hounsfield Einheiten:– H = 1000 ( - w)/(w - a)
• Artefakte:– Bewegung– Metall– Partialvolumeneffekt
14
SARS-Severe Acute Respiratory
Syndrome• In Röntgenaufnahmen schlecht diagnostizierbar• HRCT als Lösung
http://www.droid.cuhk.edu.hk/web/atypical_pneumonia/atypical_pneumonia.htm
15
Einfache Visualisierungsmethoden
• Bereits Standardverfahren– In Visualisierungssoftware integriert– Vom Arzt ausgeführt
• Maximum Intensity Projection• Distance MIP
Lokalisation und Prozessdiagnose
• Volume RenderingPräoperative Behandlungsplanung
16
Maximum Intensity Projection
• Lunge vorsegmentieren– Schwellwertverfahren– Keine hellen Strukturen außerhalb der Lunge
• z.B. Rippenknochen, Mediastinale Strukturen
• Projektion des 3D Datensatzes– Nur hellste Voxel dargestellt
• In Echtzeit möglich– Interaktive Rotation
17
Distance MIP
• Darstellung des Abstands des hellsten Voxels zur Oberfläche des Lungenvolumens in Projektionsrichtung
• Farbkodiert• Nur Voxelintensitäten über
bestimmtem Schwellwert
18
Volume Rendering
• Direkte Darstellung des 3D-Datensatzes• Ohne Graphik Primitive• Ablauf:
– Datenverbesserung
– Voxelshading (Phong)
parallel – Berechnung der Durchsichtigkeit (Klassifikation)
• Anhand der Grauwerte und der Gradienten
– Raycasting und undurchsichtiger Hintergrund
Pixelwert
21
Fortgeschrittene Visualisierungsmethoden
• Vorgestellt von MeVis• Befundung von
– Rundherden (im Inneren der Lunge)– Pleuraständigen Tumoren (linsenförmig, rund)
• Erscheinen als Verdickung des Rippenfells
• Projektionsansichten der segmentierten Lunge– Region Growing und Wasserscheiden
• Oberflächendistanzbilder• Anatomische Reformatierung
22
Oberflächendistanzbilder
• Veränderungen der segmentierten Lungenoberfläche• Projektion des Abstandes Distanzbild• GradientenfilterungVeränderungen verstärkt
23
Anatomische Reformatierung
• Verschieben der Zeilen des Datensatzes• Oberfläche der Lunge in einer Schicht• Voxel darunter werden entsprechend mit verschoben
• Bei Tumoren ist Oberfläche nicht gleichmäßig• Unnatürliche Verschiebung der inneren Strukturen
25
Einteilung der Lunge in Segmente über Fissuren
• Fissuren:– Trennung zwischen Lungenlappen– Ca. 1 mm dicke Bindegewebsstrukturen– Unvollständig oder gar nicht sichtbar
26
Fissuren
• Erstellen der Lungenmaske– Segmentierung der Luftwege– Trennung der Lungenteile
• Gefäßsegmentierung– Region Growing mit
automatischem Startpunkt
27
Fissuren
• Distanztransformation– Entfernung jedes Voxels zum nächsten Blutgefäß
• Berücksichtigen von Fissuren– Gewichtete Addition von Distanzbild und Original– Anpassung an hoch- und niedrigaufgelöste Daten
28
Fissuren
• Lungenlappensegmentierung durch interaktive Wasserscheidentransformation– Finden von 3D-Bereichen, die durch lokale Maxima getrennt
werden– Hierarchische, markerbasierte WST– Schnelle Anzeige der Segmentierungsergebnisse nach
jedem Marker
29
Fissuren
• Fazit:– Robustes Verfahren– Geringer Interaktionsaufwand– Volumen stimmt zu >99% überein
30
Einteilung der Lunge in Segmenteüber den Bronchialbaum
• Segmentierung des Lungenparenchyms durch Region Growing
• Sigma-Filter– Rauschen unterdrücken– Kanten erhalten
• Verfolgung des Bronchialbaumes
31
Bronchialbaum
• Skelettierung der Struktur
• Interpretation als Graph– Knoten = Verzweigungspunkte– Kanten = Mittelachsen der Gefäße zwischen den
Verzweigungen
32
Bronchialbaum
• Segment alle Voxel, die näher am entsprechenden Teilbaum liegen
• Genauigkeit >70 %• Ursprünglich zur Segmentierung der Leber gedacht
33
• Finden der Hauptäste durch 3D-Region-Growing• Vorverarbeitung
– Vergrößern der Schichten (2x)– 13x13 Mexican Hat Filter– Luftwege dunkel– Blutgefäße hell– Kantenerhaltendes Region
Growing
Einteilung der Lunge in Segmenteüber Blutgefäße & Bronchien
34
• Nutzung von anatomischem Wissen– Luftwege und kleinere Blutgefäße verlaufen parallel– Erst Blutgefäße finden, dann in der Umgebung nach
Luftwegen suchen
• Vergeben von Vertrauenslevels– Blutgefäße (0.5 und 1.0)– Luftwege (0.4, 0.6, 0.8 und 1.0)
Blutgefäße & Bronchien
35
Blutgefäße & Bronchien
• Einstufung der…– Blutgefäße nach…
• Größe
• Grauwert (auch relativ zur Umgebung)
– Luftwege nach…• Grauwert
• Nachbarschaft zu Blutgefäßen, deren Größe und Vertrauenslevel
• Vorhandensein einer Gefäßwand
• Relativer Grauwert zu umgebenden Regionen
37
Blutgefäße & Bronchien
• Aufbau des Bronchialbaums– A-Baum = Primärbaum– B-Baum = A-Baum und alle größeren
gefundenen Luftwege– C-Baum = alle Luftwege aus den CT-Schichten
• Nachbearbeitung des Baumes– Skelettierung– Füllen von Löchern– Löschen von geometrisch unmöglichen
Formen
38
Blutgefäße & Bronchien
• Weiterer Ansatz Fuzzy-Logic:– Repräsentation durch Sprachausdrücke
• HELLIGKEIT ist NIEDRIG
• ADJAZENZ ist HOCH
• VORHANDENSEIN_VON_WÄNDEN ist HOCH
Vorhandensein von Wänden
Helligkeit
Niedrig Mittel Hoch
Dunkel Mittel HochSehr Hoch
Mittel Niedrig Mittel Hoch
HellSehr
NiedrigNiedrig Mittel
39
Blutgefäße & Bronchien
• Wahrscheinlichkeitsermittlung über Fuzzy-Logic• Ergebnis: Einstufung von 0 bis 3• C-Baum besteht aus den mit 2-3 bewerteten
Luftwegen
40
Blutgefäße & Bronchien
• Fazit:– Getestet an Datensätzen von Hunde-Lungen– Gute bis sehr gute Übereinstimmungen
41
Literatur (1)
• S. Krass, D. Selle, D. Boehm, H.-H. Jend, A. Kriete, W. Rau, H.-O. Peitgen, „A method for the determination of bronchopulmonary segments based on HRCT data“
• M. Sonka, G. Sundaramoorthy, E. A. Hoffman, „Knowledge-Based Segmentation of Intrathoracic Airways from Multidimensional High Resolution CT Images“
• M. Sonka, W. Park, E. A. Hoffman, „Rule-Based Detection of Intrathoracic Airway Trees“
• W. Park, E. A. Hoffman, M. Sonka, „Fuzzy Logic Approach to Extraction of Intrathoracic Airway Trees from Three-Dimensional CT Images“
• J.-M. Kuhnigk, H. K. Hahn, M. Hindennach, V. Dicken, S. Krass, H.-O. Peitgen, „Lung lobe segmentation by anatomy-guided 3D watershed transform“
• J.-M. Kuhnigk, H. K. Hahn, M. Hindennach, V. Dicken, S. Kraß, H.-O. Peitgen, „3D-Lungenlappen-Segmentierung durch Kombination von Region Growing, Distanz- und Wasserscheiden-Transformation“
• http://www.mevis.de/projects/thorax/segments/segments.html (16.05.04)
42
Literatur (2)
• http://www.mevis.de/projects/thorax/radiography/chest.html (16.05.04)• http://www.droid.cuhk.edu.hk/web/atypical_pneumonia/
atypical_pneumonia.htm (16.05.04)• http://www.iap.uni-bonn.de/P2K/tomography (16.05.04)• http://dpi.radiology.uiowa.edu/spie/sonka/lung.html (16.05.04)• J. Lu, D. M. Healy Jr. and J. B. Weaver, „Contrast Enhancement of
Medical Images Using Multiscale Edge Representation“, SPIE vol. 2242 Wavelet Applications, pp. 711-719, 1994
• A. Polesel, G. Ramponi and V.J. Mathews, „Adaptive Unsharp Masking for Contrast Enhancement“, Proc. Fourth IEEE Intern. Conf. on Image Processing, ICIP-97, S.Barbara, CA, Oct.26-29, 1997
• Marc Levoy, „Display of Surfaces from Volume Data“, IEEE Computer Graphics and Applications,Vol. 8, No. 3, May, 1988, pp. 29-37
• S. Krass, D. Selle, A. Bödicker, W. Spindler, H. Seyffarth, H.-H. Jend, „Computergestützte Radiologie des Thorax“
Recommended