Analyse der linksventrikulären Funktion - TUprints

Kapitel 7
Analyse der linksventrikulären
Funktion
Nicht: vieles zu kennen, aber: vieles
miteinander in Berührung zu setzen, ist eine
Vorstufe des Schöpferischen.
Wilhelm Blake
as Herz ist das zentrale Pumporgan des menschlichen Körpers und stellt damit den
Hauptantrieb des Blutkreislaufs dar. Dabei maßgeblich ist vor allem das linke Ventrikel (LV), das aufgrund seiner Kontraktion und Expansion die nötige Pumpbewegung
für die Versorgung des Körperkreislaufs mit Blut liefert. Aus der Analyse dieser Kavität
können demzufolge wichtige funktionale Parameter über das Herz abgeleitet werden. Einer
automatisierten, quantitativen Analyse geht eine Extraktion des Ventrikels voraus, auf deren
Grundlage dann globale Parameter und andererseits die Bewegung bzw. Deformation beschreibende lokale Größen berechnet werden können. Letztere lassen sich auf der Basis der
Analyse dynamischer Bilddaten berechnen, die Informationen über das zeitliche Verhalten
derselben Region des Herzens über einen kompletten Zyklus bereitstellen.
Gegenstand dieses Kapitels ist die Ableitung der linksventrikulären Funktion des Herzens
aus dynamischen CT- und MRT-Bilddaten (3D-Volumen + Zeit) des Thorax. Dazu wird ein
Segmentierungsverfahren vorgestellt, das eine automatisierte Extraktion des LV ermöglicht.
In dessen Ergebnis sind das mit Blut gefüllte Endokard und der Bereich des Herzmuskels in
zu allen Herzphasen gehörenden, aufgenommenen Volumendatensätzen markiert und stehen
damit für eine nachfolgende Analyse zur Verfügung. Daraus werden dann klinisch wichtige,
physikalische Parameter wie Wandbewegung , Wanddickenzunahme und regionale Volumina
berechnet. Neben diesen Standardgrößen wird als neues Maß die Asynchronität des Schlagverhaltens des LV eingeführt.
Zur Bestimmung dieser Parameter wurden komplett automatisierte Verfahren entwickelt,
bei denen vor allem auf Konformität mit den von der American Heart Association (AHA)
veröffentlichten Vorgaben bezüglich der Orientierung des Herzens, dessen Einteilung in einzelne Segmente und der Visualisierung der Analyseergebnisse geachtet wurde.
D
107
108
Analyse der linksventrikulären Funktion
Bei Infarktpatienten wird neben den Cine-MRT-Aufnahmen noch ein zusätzlicher, statischer Late-Enhancement-Datensatz akquiriert. Dieser ermöglicht die Erkennung der durch
den Infarkt hervorgerufenen Narbe im Myokard (3.2.3). Im folgenden wird ein Ansatz für die
automatische Fusion der Cine-MRT- und LE-Daten und die anschließende Quantifizierung
der Infarktnarbe vorgestellt.
7.1
Einführung
Wandbewegungsstörungen (siehe 2) lassen sich in nicht-invasiver Weise durch die Analyse dynamischer Bilddaten erkennen. Somit können ischämische Bereiche des Herzmuskels
frühzeitig erkannt werden bzw. nach einem etwaigen Herzinfarkt die in Mitleidenschaft gezogenen Bereiche lokalisiert werden. Dazu wird einerseits das mechanische Verhalten des Herzmuskels im Rahmen einer Bewegungsanalyse untersucht, wobei die Wandbewegung und die
Wanddicke die Hauptrolle spielen. Andere, klinisch relevante Parameter sind volumetrische
Größen und deren zeitliche Veränderung über den Herzzyklus.
Neben der Analyse dynamischer Standard-Bilddaten (CT und MRT) zur Ableitung der
Myokardfunktion ist auch die Verwendung spezieller Aufnahmetechniken möglich. Hier ist vor
allem das Tagged Imaging zu nennen [FND+ 06], mit dem ein einfaches Bewegungstracking
möglich ist. Allerdings wird dieses Verfahren nur sehr selten in der klinischen Routine eingesetzt, da die Aufnahmezeiten deutlich länger als bei einer Standard-Cine-MRT sind. Bei
der Entwicklung der Algorithmen zur LV-Analyse lag der Fokus aber auf der Verwendung
klinisch relevanter Daten, weshalb solche speziellen Techniken hier keine Rolle spielen.
Die Analyse der Myokardfunktion, d.h. der Dynamik des LV, erfordert eine Segmentierung
desselben. Eine vollständige Analyse setzt die Kenntnis der Grenzen des Endokards als auch
der des Epikards voraus (2.1). Der Segmentierungsschritt muß also beide Grenzen aus den
Bilddaten extrahieren.
Es gibt viele verschiedene Ansätze für die Extraktion der großen Kavitäten des Herzens.
Einige wurden bereits weiter oben (4.2) vorgestellt. Dabei lassen sich die Ansätze anhand
des Segmentierungsergebnisses in konturbasierte und regionenbasierte Verfahren [Jäh05]
und zusätzlich auf Basis des verwendeten Vorwissens in Verfahren, die Form-basiert arbeiten
oder nicht, einteilen. Vom klinischen Standpunkt her ist eine andere Unterteilung möglich –
nämlich auf Basis der notwendigen Rechenzeit in Verfahren, die klinisch verwendet werden
können, da sie relativ schnell zu Segmentierungsergebnissen führen, und solche, die aufgrund
der langen Rechenzeit nicht für die klinische Routine geeignet sind.
Die im Rahmen dieser Arbeit entwickelten Verfahren zur Analyse des LV [Wes05a, WN06,
WWN+ 07, WNW07] sind hybride Ansätze, die Elemente aus den verschiedenen möglichen
Ansätzen verwenden. Der Kern der Segmentierung ist dabei ein regionenbasierter Ansatz,
der um eine Komponente zur Integration anatomischen Vorwissens erweitert wird. Zusätzlich
kommen nach der Extraktion des Endokards konturbasierte Verfahren zum Einsatz, um den
Rand des Epikards zu detektieren. Der Fokus lag dabei in erster Linie auf Entwicklung von
Ansätzen, die in der klinischen Routine eingesetzt werden können, d.h. Verfahren, die mit
minimaler Interaktion von Seiten des Anwenders innerhalb weniger Minuten das LV aus
Zeitserien kardiologischer Bilddaten extrahieren.
7.2. Automatisierte Segmentierung von MRT-Kurzachsenaufnahmen
Abbildung 7.1: Die einzelnen Komponenten der im Rahmen dieser Arbeit entwickelten
Ventrikelanalyse. Der obere Teil kann dabei sowohl basiernd auf MRT- ala auch auf CTDaten erfolgen. Für die Integration von LE-MRT-Daten zum Zwecke der Infarktanalyse sollte
die LV-Analyse auf Cine-MRT-Daten durchgeführt werden.
Darauf aufbauend werden verschiedene funktionelle Parameter des Herzens abgeleitet
und verschiedene Visualisierungen derselben vorgestellt. Für die Untersuchung von Infarktpatienten werden zusätzlich LE-Daten (3.2.3) in die Analyse mit einbezogen, um einerseits
die Lage von Infarktnarben zu visualisieren und andererseits selbige auch zu quantifizieren.
Eine vollständige Übersicht über die im Rahmen dieser Arbeit entwickelte Ventrikelanalyse
gibt Abb. 7.1.
7.2
Automatisierte Segmentierung von
MRT-Kurzachsenaufnahmen
In der klinischen Routine werden oftmals noch Verfahren verwendet, die eine manuelle Markierung von Endokard- und Epikardrand erfordern. Als problematisch neben dem damit verbundenen hohen Zeitaufwand muß der Fakt angesehen werden, daß letztendlich eine manuelle Definition der Ebene der Mitralklappen (2.1) notwendig ist. Vergegenwärtigt man sich,
daß die zu untersuchenden 4D-Datensätze aus 25 bis 35 einzelnen, über einen kompletten Herzzyklus aufgenommenen 3D-Datensätzen bestehen, so wird deutlich, daß das nicht
optimal für eine klinische Anwendnug ist – einerseits wegen dessen schon genanntem enormen Zeitaufwand, andererseits aber auch wegen der auf Grund des hohen manuellen Grads
der Segmentierung nicht optimalen Reproduzierbarkeit der mit diesem Ansatz gewonnenen
Ergebnisse.
Dementsprechend sollte aus Gründen
• der Reproduzierbarkeit
• der Minimierung der Intra- und Inter-Observer-Variabilität
109
110
Analyse der linksventrikulären Funktion
Abbildung 7.2: Die einzelnen Schritte für die Extraktion des linken Ventrikels aus MRTKurzachsenaufnahmen.
• und vor allem des Zeitaufwands
eine möglichst vollständige Automatisierung des Segmentierungsprozesses bzw. eine Minimierung des User-Inputs, die sich auf die initiale Definition einiger weniger Größen beschränkt
und einen automatischen Ablauf der Segmentierung ermöglicht, erfolgen.
Ein solcher, weitestgehend automatisierter Segmentierungsansatz für das LV wurde im
Rahmen dieser Arbeit entwickelt [WN06]. Dieser Ansatz beschränkt sich auf die Prozessierung von Kurzachsenaufnahmen. Dies stellt natürlich eine Einschränkung dar, konzentriert
sich dabei aber auf die klinisch relevanten Aufnahmetechniken für kardiologische MRTBilddaten. Im Rahmen einer solchen Bildakquisition werden immer Kurzachsenaufnahmen
gemacht und für die Analyse der Myokardfunktion verwendet.
Vor dem Entwurf eines automatischen Segmentierungsverfahrens stellt sich nun zunächst
die Frage, welche Teilschritte im einzelnen durchlaufen werden müssen, um ein Segmentierungsergebnis zu erhalten, das es ermöglicht, eine AHA-konforme Analyse der Daten
[CWD+ 02] durchzuführen (Abb. 7.2):
1. Die Kurzachsenaufnahmen sind so um die z-Achse des Bildstapels zu rotieren, daß
sich das Septum links vom linken Ventrikel befindet.
2. Für jedes einzelne 3D-Volumen ist die z-Schicht festzulegen, bis zu der das linke Ventrikel – ausgehend vom Apex – segmentiert werden soll. Diese Schicht soll möglichst
gut der Ebene der Mitralklappen entsprechen; damit also kurz unterhalb des linksventrikulären Ausflußtrakts liegen.
3. Der eigentliche Segmentierungsschritt soll die Definition nur minimaler initialer Parameter erfordern. Soll ein Grauwert-basierter Ansatz verwendet werden, so sollen die zu
verwendenden Schwellwerte automatisch berechnet werden.
7.2. Automatisierte Segmentierung von MRT-Kurzachsenaufnahmen
111
Abbildung 7.3: Transformation der Kurzachsenaufnahmen durch Rotation um den Mittelpunkt (rot) des linken Ventrikels. Zusätzlich zu diesem wird ein zweiter Punkt (gelb)
definiert, der sich in gleichem Abstand von der maximalen Anterior- und der maximalen
Inferiorposition befindet, an der das rechte Ventrikel das Myokard berührt. Der Rotationswinkel ergibt sich aus dem Winkel zwischen der durch die beiden eingezeichneten Punkte
definierten Geraden und der Horizontalen.
7.2.1
Ausrichtung der Bilddaten
Eine Kurzachsenaufnahme ist genau dann so orientiert, daß sich das Septum (2.1) links vom
LV befindet, wenn die Verbidungsgerade, die das Zentrum des LV mit dem mittleren Punkt
des Septumbereichs – man betrachte hierzu den Myokardbereich, der an das rechte Ventrikel
angrenzt (Abb. 7.3) – verbindet, eine Horizontale ist. Wird in einer beliebig ausgerichteten
Kurzachsenaufnahme genau diese Gerade definiert, so läßt sich aus deren Winkel in Bezug
auf die Horizontale der Winkel bestimmen, um den die Kurzachsenaufnahme gedreht werden
muß, um die gewünschte Ausrichtung zu erreichen. Zur Definition einer Geraden g kann eine
Zwei-Punkt-Darstellung
n
g = p ∨ q = tp + sq | t, s ∈ R, t + s = 1
o
(7.1)
mit p und q Punkte im R3 , verwendet werden [HW92]. Damit läßt sich die Anforderung
des obigen Schritts 1 durch die Angabe zweier Punkte erfüllen.
7.2.2
Grauwertbasierte Voxelklassifikation
Ziel der Segmentierung ist in dem hier betrachteten Fall die möglichst optimale Separierung
des Endokardbereichs von dem ihn umgebenden Myokardbereich. Für dieses Problem wurde
weiter oben (5.1.1) bereits ein automatischer Ansatz vorgestellt. Dieser läßt sich für die
Bestimmung des Schwellwertes, der optimal das blutgefüllte linke Ventrikel von seiner Umgebung trennt, verwenden, da das Blut eine deutlich höhere Wasserkonzentration aufweist
112
Analyse der linksventrikulären Funktion
und damit die blutgefüllten Bereiche die hellsten im Bild sind (3.1.3). Die Verwendung des
Otsu-Verfahrens [Ots79] für die Trennung des Bildes in zwei Grauwertklassen führt dann
also zu einer Binarisierung der Bilddaten in der die Ventrikel weiß (Wert 1) erscheinen und
deren direkte Umgebung schwarz (Wert 0) (Abb. 7.4).
In einigen Fällen kann diese automatische Festlegung der Schwellwerte zu Fehlsegmentierungen führen, wo beispielsweise auch Bereiche des Myokards nahe dem Endokardrand
den Wert 1 zugewiesen bekommen. Um dies zu korrigieren, hat der Anwender einen Balanceregler, mit dem er den Schwellwert verschieben und damit die Größe der weiß erscheinenden
Region innerhalb bestimmter Grenzen manipulieren kann.
7.2.3
Automatische Detektion der Mitralklappenebene
Die obere Begrenzung des LV ist durch die Ebene der Mitralklappen gegeben. Es ist bekannt,
daß das Herz während des Pumpzyklus’ eine Senk- und Kontraktionsbewegung in Richtung
der langen Achse vollführt [DTWF05], weshalb sich die Lage der Mitralklappen über den
Herzzyklus ändert. Ein manuelles Setzen dieser Ebene erfordert dabei in Abhängigkeit von
der zeitlichen und räumlichen Auflösung der Bilddaten eine Überprüfung und eventuelle
Korrektur der entsprechenden Bilddebene in jedem Einzelvolumen.
Im Bereich der Mitralklappen, durch den das Blut in das LV einströmt, befindet sich
ebenfalls die Kavität, die das Blut während der Kontraktionsphase aus dem Ventrikel weg
in den Körperkreislauf weiterleitet – der linksventrikuläre Ausflußtrakt (LVOT). Dieser setzt
am LV an und führt über das Septum hinaus in den rechten Bereich des Herzens (siehe 2.1).
In Kurzachsenaufahmen ist der Beginn des LVOT als Weitung des vorwiegend kreisförmigen
LV in Richtung Septum zu erkennen (Abb. 7.4).
Dies prädestiniert für eine Detektion der Mitralklappenebene basierend auf der morphologischen Veränderung des LV im linken, oberen, basalen Bereich. Da, wie oben bereits
gefordert, einer der beiden vom Anwender zu setzenden Punkte sich ungefähr im Mittelpunkt
des LV befinden soll, kann ausgehend von diesem mittels eines Radialstrahlen-Ansatzes die
Form des Ventrikels untersucht werden. Dabei vereinfacht der Fakt, daß das LV im basalen
– also dem den Mitralklappen nächsten Bereich – eine nahezu kreisförmige Form hat und
kaum störende Papillarmuskulatur vorhanden ist, die Erkennung der Abweichung von der
Kreisform und damit den Beginn des LVOT.
Dazu wird ausgehend vom in das Ventrikel gesetzten Punkt der Abstand zum Endokardrand entlang radialer Strahlen sukzessive für diese und alle darüber liegenden Schichtbilder
gemessen. Weicht dieser Abstand des Endokardrandes im linken Bereich des Bildes – man
rufe sich in Erinnerung, daß die Transformation zur korrekten Rotation der Kurzachsenaufnahmen zu diesem Zeitpunkt bereits auf die Daten angewendet wurde – signifikant von
der Kreisform ab, so ist anzunehmen, daß die entsprechende Schicht den Beginn des LVOT
enthält (siehe Abb. 7.4). Damit ist die Ebene der Mitralklappen detektiert, und es ist die
letzte darunter liegende Schicht gerade noch dem zu segmentierenden LV zuzuordnen.
7.2. Automatisierte Segmentierung von MRT-Kurzachsenaufnahmen
Abbildung 7.4: Ausgehend vom im Endokard plazierten Punkt wird senkrecht zu den Bildebenen in Richtung der Mitralklappen mittels radialer Suchstrahlen die Form des linken
Bereichs des Endokards analysiert (links). Weicht diese stark von der Kreisform ab, so befindet sich in der entsprechenden Schicht der LVOT (Mitte), und der Datensatz wird ab dieser
Schicht nach oben hin beschnitten – im gezeigten Beispiel um eine Schicht (rechts).
7.2.4
Schichtweise Maskierung der Bilder
Da ein einfacher Grauwert-basierter Ansatz keinerlei Informationen über die Form der zu
extrahierenden Struktur verwendet, kann es vorkommen, daß aufgrund von Aufnahmeartefakten oder Einbeziehung von Bildschichten, die bereits Teile des LVOT enthalten, eine
Brücke zwischen dem Endokard und umliegenden Strukturen in den Binärbildern besteht.
Da im letzten Schritt der Extraktion eine Zusammenhangsanalyse durchgeführt wird, sind
solche falschen Verbindungen zu korrigieren.
Dazu wurde ein Ansatz entwickelt, der die anatomische Kenntnis darüber, daß sich bei
einem Kurzachsenschnitt das Ventrikel als mehr oder weniger kreisrunde Form abzeichnen
muß, verwendet. Dieses Circular Masking Slice-by-Slice generiert in jeder Schicht eine nahezu kreisrunde Maske, die das linke Ventrikel enthält. Bereiche außerhalb davon werden
ausgeblendet. Im einzelnen werden dafür die folgenden Schritte durchgeführt (Abb. 7.5):
1. Bestimmung des Schwerpunkts der hellen Bereiche in jeder Schicht.
2. Suche entlang radialer Strahlen nach einem 1 − 0-Übergang und Speicherung dieser
dem Endokardrand entsprechenden Positionen.
3. Berechnung des Schwerpunkts aller im vorangegangenen Schritt gefundenen Positionen und Wiederholung der Radialstrahlen-Suche.
4. Sortierung der Strahlen nach Länge.
5. Median-basierte Ausreißerkorrektur der Endokardrand-Positionen. Dazu wird der Median-Wert über alle Strahllängen berechnet. Strahlen die außerhalb eines vom Anwender gesetzten Toleranzintervalls liegen, werden auf den berechneten Median-Wert
gesetzt.
113
114
Analyse der linksventrikulären Funktion
Abbildung 7.5: Beim Circular Masking Slice-by-Slice wird das Binärbild aus dem vorangegangenen Schritt schichtweise maskiert. Mittels radialer Suchstrahlen erfolgt eine Detektion
der ungefähren Positionen des Endokardrands. Nach einer Ausreißerkorrektur wird ein Kreis
definiert, der das Endokard komplett enthält, und dessen Außenbereich die Voxel enthält
(links), die ausmaskiert werden (rechts). Im gezeigten Beispiel wird dadurch die Verbindung
zum rechten Ventrikel gekappt (Pfeil).
6. Auswahl eines (Referenz-)Strahls aus der Liste und Generierung eines Kreises um
den berechneten Schwerpunkt mit genau diesem Radius. Diese Auswahl erfolgt über
einen vom Anwender definierten Prozentwert (0 %, 100 %), der die Lage des Strahls
innerhalb der sortierten Liste angibt.
7. Maskierung des Eingangsbilds mit der im vorangegangenen Schritt generierten Maske.
7.2.5
Zusammenhangsanalyse
Nach dem Circular Masking Slice-by-Slice enthalten die Bilddaten praktisch nur noch das
Endokard als Bereich mit dem Wert 1, alle anderen Voxel haben den Wert 0. Da es dennoch
sein kann, daß es einige wenige nicht zum Endokard gehörende Voxel gibt, die den Wert 1
besitzen, wird als letzter Schritt eine Zusammenhangsananlyse durchgeführt. Diese ist als
binäres Region Growing mit dem zweiten vom Anwender gesetzten Punkt als Startpunkt
implementiert. In deren Ergebnis ist das LV – genauer das Endokard – aus den Kurzachsenaufnahmen extrahiert (Abb. 7.6).
7.2. Automatisierte Segmentierung von MRT-Kurzachsenaufnahmen
Abbildung 7.6: Das linke Endokard wurde mit den beschriebenen Schritten automatisch
aus Kurzachsenaufnahmen extrahiert. Es sind drei orthogonale Schichten und eine 3DDarstellung des Datensatzes gezeigt. (In der 3D-Darstellung wurde das zusammen mit dem
Segmentierungsergebnis dargestellte Volumen beschnitten. Der helle Bereich hinter dem LV
ist das rechte Ventrikel.)
115
116
Analyse der linksventrikulären Funktion
7.3
LV-Segmentierung in axial aufgenommenen
Kardio-CT-Daten
Der in den vorangegangenen Abschnitten vorgestellte Ansatz für die automatisierte Extraktion des LV aus als Kurzachsenansichten des Herzens aufgenommenen MRT-Daten läßt
sich prinzipiell auch auf Kardio-CT-Aufnahmen anwenden. Durch die Gabe eines Kontrastmittels zeichnet sich der blutgefüllte Teil des LV ähnlich deutlich vom Myokard ab wie in
MRT-Aufnahmen.
Allerdings bedingen Aufnahmetechnik und Rekonstruktionsverfahren bei der CT (siehe 3.1.2), daß die aufgenommenen Thorax-Daten immer als axiale Schichtbilder vorliegen.
Um das oben besprochene Verfahren auch auf Kardio-CT-Daten anwenden zu können, ist
also eine Transformation derselben in Kurzachsenansichten nötig. Das kann natürlich einerseits durch eine manuelle Definition der Orientierung der langen Achse des Herzens
geschehen [WSFD04], wie es zum Beispiel Standard in kommerziell erhältlichen KardioAnalyse-Paketen1 ist. Eine andere Möglichkeit ist die Extraktion der langen Achse basierend
auf einer (groben) Segmentierung des LV. Im Rahmen dieser Arbeit wurde ein Vergleich der
manuellen Definition der langen Achse mit einem solchen automatischen Verfahren durchgeführt, die zu dem deutlichen Ergebnis kam, daß eine automatische Bestimmung der langen
Achse eine signifikant geringere Inter-Observer-Variabilität aufweist als manuelle Verfahren
[WSFD04].
Diese Erkenntnisse und die geforderte automatische Prozessierung auch von axial aufgenommenen Kardio-CT-Daten führen zu einem automatischen Verfahren für die AHAkonforme Visualisierung solcher Daten.
Die der Umwandlung von axialen in Kurzachsenaufnahmen zu Grunde liegende Transformation Φ hat drei Freiheitsgrade, die eine Rotationen definieren, die den Mittelpunkt des
3D-Datensatzes als Referenzpunkt verwendet (Abb. 7.7):
Φ : R3 7→ R3 mit Φ = ΦAxis .
(7.2)
Dabei beschreibt ΦAxis die Rotation, die nötig ist, um die Bilddaten so zu drehen, daß die
lange Achse nAxis parallel zur originalen z-Achse ausgerichtet wird
ΦAxis : z 7→ ze = nAxis .
(7.3)
Hiermit verbunden sind drei Freiheitsgrade, die den drei Komponenten des die Orientierung
der langen Achse beschreibenden Vektors nAxis entsprechen. Ein Verfahren zur Bestimmung
dieses Vektors wird im folgenden vorgestellt.
7.3.1
Automatische Bestimmung der langen Achse
Die Orientierung der langen Achse läßt sich durch eine entlang derselben verlaufende Gerade
festlegen. Letztere kann durch eine 2-Punkt-Darstellung entsprechend Gleichung 7.1 definiert
werden. Eine Möglichkeit, diese beiden Punkte festzulegen, ist die Bestimmung des ApexPunkts und des Mittelpunkts der Mitralklappenebene.
1
Cardio CT Reformatter, Medis B.V.
7.4. Generierung des 16/17-Segmentmodells
Zur initialen Festlegung der ungefähren Position des Ventrikels ist vom Anwender der
ungefähre Schwerpunkt des Ventrikels festzulegen. Diese Positionsbestimmung muß dabei
nicht allzu genau erfolgen, da sie nur zu einer groben Orientierung dient. Die nachfolgend
aufgeführten Schritte detektieren dann automatisch die beiden gesuchten Punkte und definieren damit Position und Orientierung der langen Achse (Abb. 7.7).
1. Ausgehend von der definierten Startposition werden innerhalb eines Kegels mit 45◦ Öffnungswinkel Suchstrahlen in Richtung Apex ausgesandt und der Endokardrand durch
den Übergang vom hellen Endokard zum dunkleren Myokard gesucht. Der längste der
Strahlen definiert die Apex-Position.
2. Eine erste Abschätzung der Lage der langen Achse ist durch die Verbindungsgerade
von Apex-Position und Startposition gegeben. Senkrecht dazu werden beginnend am
Apex radiale Strahlen ausgesandt, die jeweils den Endokardrand detektieren sollen. Das
Fortschreiten entlang der Gerade wird gestoppt, wenn es einen sprunghaften Anstieg
der Strahllänge im linken Bereich gibt, da dann der LVOT gefunden wurde.
3. Pro Satz radialer Strahlen wird aus den detektierten Endokardrandpunkten der Schwerpunnkt berechnet. Die Interpolationsgerade durch alle diese Schwerpunkte definiert
dann die gesuchte lange Achse.
Auf diese Weise läßt sich der gesuchte Vektor nAxis definieren. Seine Richtung ist vom Apex
weg auf die den Bereich des LVOT hin gerichtet. Die Anwendung obiger Transformation
erzeugt dann aus Standard-Axial-Aufnahmen Kurzachsenansichten, die mit dem gleichen
Verfahren wie für MRT-Daten beschrieben segmentiert werden können (Abb. 7.8). Einziger
Unterschied ist die Berechnung von zwei Schwellwerten mit dem Otsu-Verfahren (5.1.1)
anstatt einem einzigen.
7.4
Generierung des 16/17-Segmentmodells
Basierend auf den Ergebnissen der Extraktion des Endokards sollen verschiedene, das Herz
charakterisierende Parameter abgeleitet werden. Um diese lokal zuzuordnen, soll eine standardisierte Form der Präsentation verwendet werden, wie sie von der AHA vorgegeben wurde
[CWD+ 02]. Dazu ist es nötig, die entsprechenden Bereiche im Herzen den einzelnen 17 Segmenten zuzuordnen.
Erster Schritt ist die Bestimmung des Schwerpunkts des extrahierten Gebietes. Dazu
wird für jedes Schichtbild der Schwerpunkt des segmentierten Bereiches berechnet und aus
allen Positionen unter der Maßgabe, daß die lange Achse des Ventrikels senkrecht zu den
Kurzachsenschnitten steht die Lage eben dieser Achse interpoliert [WSFD04].
Nächster Schritt der Analyse ist die Einteilung des LV entlang dessen langer Achse in
drei gleich große Abschnitte – basal, mid-cavity und apikal. Dabei wird die Anzahl der
Kurzachsen-Schichten entsprechend gleichmäßig auf die drei Bereiche verteilt. Für den basalen und den mid-cavity Bereich erfolgt anschließend eine Unterteilung in sechs 60◦ große
Winkelabschnitte beginnend bei 60◦ und im mathematisch positiven Sinn verlaufend. Der
117
118
Analyse der linksventrikulären Funktion
Abbildung 7.7: Bestimmung der langen Achse des LV: Entlang kegelförmig verlaufender
Strahlen wird ausgehend vom Startpunkt die Apex-Position gesucht (links). Entlang der
Verbindungsgeraden beider Punkte werden radiale Suchstrahlen ausgesandt, um den Schwerpunkt des Endokards für einen Satz von Radialstrahlen zu finden (Mitte). Die Interpolationsgerade durch die Schwerpunkte defininiert die Lage der langen Achse (rechts). (Es ist
jeweils nur eine Schicht gezeigt, die Suche verläuft aber im 3D-Raum.)
Abbildung 7.8: Ein im Ergebnis der Bestimmung der langen Achse und anschließender
Transformation generierter CT-Datensatz in Kurzachsenschichten wurde mit dem oben für
MRT-Daten beschriebenen Verfahren segmentiert.
7.5. Bestimmung der Endokard- und Epikardgrenzen
Abbildung 7.9: Die Region des Endokards wird vertikal in drei gleich große Bereiche aufgeteilt, die von oben nach unten dem basalen, mid-cavity und dem apikalen Bereich entsprechen (links). Eine weitere Unterteilung der oberen beiden Bereiche in 6 und des unteren
in 4 gleich große Winkelbereiche liefern die Zuordnung des LV zu insgesamt 16 Segmenten (rechts). Das Segment 17 – der Apex – wird bei der hier vorgestellten Analyse nicht
berücksichtigt.
apikale Bereich wird entsprechend in vier 90◦ große Abschnitte beginnend bei 45◦ aufgeteilt (Abb. 7.9). Das Segment mit der Nummer 17 entpricht dem Apex. Dieser wird in
der hier entwickelten Analyse allerdings nicht mit berücksichtigt, da diese vom extrahierten Endokard ausgeht. Die weiter unten besprochene Radialstrahlensuche zur Detektion der
Endokard- und Epikardgrenzen erfaßt dabei nur Schichten, in denen das Endokard markiert
wurde, und umfaßt dadurch nicht das Segment 17.
7.5
Bestimmung der Endokard- und Epikardgrenzen
Die Kenntnis der Lage von Endokard- und Epikardrand ist Voraussetzung für die Analyse
der Bewegung des Herzmuskels. Diese Ränder werden mit einer gewissen Auflösung abgetastet. Das Sampling für die betrachteten 16 Segmente kann vom Anwender in Form einer
horizontalen und vertikalen Auflösung vorgegeben werden. Damit wird für jedes Segment
ein reguläres Gitter in Zylinderkoordinaten (r, φ, z ∗ ) definiert, das die Lage der radialen
Suchstrahlen für die Bestimmung der Endokard- und Epikardgrenzen vorgibt (Abb. 7.10).
Der Endokardrand entspricht im allgemeinen der äußeren Begrenzung des segmentierten
Gebietes. Da die Lage der langen Achse bereits bestimmt wurde, läßt sich mittels einer
von ihr ausgehenden Suche entlang radialer Strahlen die äußere Begrenzung des Endokards
detektieren. Abbruchbedingung der Suche ist dabei einfach das Verlassen des als Endokard
markierten Bereiches (1-0-Übergang).
Allerdings entspricht der markierte Bereich des Endokards im eigentlichen Sinne dem Be-
119
120
Analyse der linksventrikulären Funktion
Abbildung 7.10: Die Auflösung, mit der die Endokard- und Epikardränder detektiert werden,
kann vom Anwender vorgegeben werden. Durch die Angabe der Werte für horizontales und
vertikales Sampling wird ein reguläres Gitter in Zylinderkoordinaten definiert, das die Lage
der verwendeten radialen Suchstrahlen definiert.
reich, der Blut enthält. Dies ist optimal für die Bestimmung volumetrischer Größen bedeutet
aber auch, daß Strukturen wie die Papillarmuskeln (2.1), die sich innerhalb des Endokards
befinden, zu einer Fehldetektion des Endokardrands führen können, da der 1-0-Übergang zu
weit innen gefunden wird (Abb. 7.11).
Da bekannt ist, daß sich die Papillarmuskulatur vornehmlich in den lateralen Segmenten
des basalen und des mid-cavity Bereiches befinden und die Zuordnung der Segmente zu
diesem Zeitpunkt bereits bekannt ist, kann dies für eine Korrektur der durch die Papillarmuskeln verursachten Einstülpungen verwendet werden. Dazu werden für den basalen und
den mid-cavity Bereich zunächst die Strahllängen am Übergang zwischen den Segmenten
inferoseptal und inferior bzw. anterior und anterolateral bestimmt. Sind die entprechenden
Längen in den Segmenten inferior, inferolateral und anterolateral kürzer als ein vorgegebener Toleranzwert ab, so wird auf eben diese Länge korrigiert (Abb. 7.11). Dabei werden
die Endokardgrenzen künstlich nach außen verschoben, zusätzlich wird noch eine Glättung
derselben durchgeführt, und somit nähert sich die Form des Endokardrands stärker einer
Kreisform an.
Von zusätzlichem Interesse für die Bestimmung physikalischer Parameter des Herzens
(7.6.3) ist die Lage der äußeren Begrenzung des Myokards – des Epikardrands. Das in den
Bilddaten dunkel erscheinende Myokard ist in weiten Bereichen von helleren Strukturen
umgeben: im septalen Bereich vom rechten Ventrikel, im lateralen und inferior Bereich vom
Perikard (2.1) und in letzterem zusätzlich von Weichteilgewebe. Das bei der Extraktion
des Endokards erhaltenen Zwischenergebnis der Otsu-Schwellwertbildung (Abb. 7.4) bietet
genau die Trennung des Myokards von den genannten helleren Bereichen. Dementsprechend
wird dieses Zwischenergebnis für die Detektion des Epikardrands verwendet.
Da die Lage der Punkte des Endokardrands entlang der von der langen Achse ausgehenden radialen Strahlen bereits bekannt ist und der Epikardrand weiter außerhalb liegen muß,
wird für jeden gefundenen Punkt des Endokardrands die Suche entlang des entsprechenden
Radialstrahls fortgesetzt, bis ein 0 − 1-Übergang gefunden wurde. Dies detektiert viele der
Punkte des Epikardrands korrekt, es kommt aber auch zu Fehldetektionen, wo das Myokard
nicht von helleren Strukturen begrenzt wird. Andererseits kann es auch möglich sein, daß
die Otsu-Klassifikation einem Pixel innerhalb des Myokards den Wert 1 zugeordnet hat und
7.6. Extraktion dynamischer Parameter
Abbildung 7.11: Die Papillarmuskeln verursachen Einstülpungen in den Außenbereichen
des Endokards, d.h. der eigentliche Endokardrand liegt weiter außen (links). Ausgehend von
den gefundenen Positionen für den Endokardrand am Übergang der Bereiche inferoseptal
und inferior bzw. anterior und anterolateral werden Endokardpositionen, die zu weit innen
liegen künstlich nach außen gezogen (Punkte in orange), um eine korrekte Markierung des
Endokardrands zu gewährleisten (rechts).
der Epikardrand entsprechend zu weit innen liegt.
Für diese Fälle wird auf den gefundenen Randpunkten noch eine Ausreißer-Korrektur
durchgeführt, die mittels eines vom Anwender definierten Toleranzwerts jene Punkte des Epikardrands korrigiert, die außerhalb des Toleranzbereichs um den Medianwert aller Strahllängen der Epikardpositionen liegen (Abb. 7.12). In einem solchen Fall wird dem entsprechenden
Punkt eben dieser Median-Wert zugeordnet. Eine Glättung der Randpunkte schließt die Bestimmung der Epikardgrenze ab.
7.6
Extraktion dynamischer Parameter
Neben der reinen Morphologie, wie sie bereits eine statische Darstellung des Herzens ermöglicht, bieten dynamisch aufgenommene Bilddaten die Möglichkeit, die Schlagbewegungen
des Herzens und hier insbesondere des LV zu untersuchen. Dabei hat sich ein Satz von Standardparametern herauskristalisiert, die im allgemeinen für die Ventrikelanalyse verwendet
werden. Dies sind die Wandbewegung , die Wanddickenzunahme und die regionalen volumetrischen Veränderungen. Neben diesen gibt es noch einige andere Größen [FNV01], die aber
entweder spezielle Bilddaten erfordern (z.B. Tagged MRT für Strain-Analyse) oder nur von
bedingtem klinischen Nutzen sind.
Basierend auf den oben besprochenen Verfahren für die Extraktion des Endokards und die
Detektion von Endokard- und Epikardgrenzen ist eine weitergehende, quantitative Analyse
der Dynamik des linken Ventrikels möglich. Diese ist dabei voll automatisiert und berück-
121
122
Analyse der linksventrikulären Funktion
Abbildung 7.12: Die Suche nach dem Epikardrand wird entlang der für die Detektion des Endokardrands verwendeten radialen Strahlen weiter fortgesetzt. Als Input-Bild kommt hierbei
das als Zwischenschritt der Extraktion des Endokards berechnete Otsu-Schwellwertbild zum
Einsatz (links). Die als Übergang vom dunklen Myokard zu umgebenden helleren Strukturen
gefundenen Positionen entsprechen dabei nicht immer der Epikardgrenze (Mitte). Deshalb
werden solche Positionen in einem nachfolgenden Schritt korrigiert, sofern ihr Abstand von
der langen Achse außerhalb eines vorgegebenen Toleranzbereichs liegt (rechts).
sichtigt die Empfehlungen der AHA [CWD+ 02].
7.6.1
Analyse der Wandbewegung
Die erste wichtige Größe stellt die Bewegung des Endokardrands dar. Diese beschreibt,
wie sich das blutgefüllte Endokard über den Herzzyklus verhält und damit letztlich, ob alle
Bereiche des Ventrikels zur Pumpleistung beitragen. Dazu werden für die zu einem Zeitpunkt
im Herzzyklus gehörenden Punkte des Endokardrands die berechneten Abstände von der
langen Achse verwendet. Aus der Änderung ∆d dieser Größe zwischen zwei Herzphasen
i − 1 und i ergibt sich die relative Verschiebung des dem im Segement k, k = 1, . . . , 16 an
der Position (m, n), m ∈ 0, . . . , M − 1, n ∈ 0, . . . , N − 1 liegenden Strahls zugehörigen
Wandbereichs:
∆dik (m, n) = dik (m, n) − di−1
(7.4)
k (m, n).
Das liefert einen dreidimensionalen Satz von Werten in der Form, daß zu jedem Zeitpunkt im
Herzzyklus auf einem 2D-Gitter verteilte Skalarwerte vorliegen. Aus diesen Werten wird die
akkumulierte Wandbewegung W M über einen kompletten Herzzyklus (zeitliche Integration)
W Mk (m, n) =
X
∆dik (m, n)
(7.5)
∀i
berechnet. Zusätzlich wird noch der für jeden Zeitpunkt über alle Sampling-Punkte jeweils
eines der 16 Segmente gemittelte Abstand deik von der langen Achse
deik =
PN −1 PM −1
n=0
dik (m, n)
M ·N
m=0
(7.6)
7.6. Extraktion dynamischer Parameter
123
bestimmt.
7.6.2
Analyse der Volumenänderung
Um die volumetrischen Eigenschaften des Herzens zu bestimmen, ist es nötig, die Größe
des blutgefüllten Bereichs zu ermitteln, der für die Pumpleistung verantwortlich ist. Dieser
Bereich, das Endokard, wurde im Extraktionsschritt markiert, so daß durch ein einfaches
Auszählen der Voxel und die Multiplikation mit deren Größe das Endokardvolumen zu jedem
Zeitpunkt des Herzzyklus’ berechnet werden kann.
Aus diesen Größen lassen sich zwei wichtige Zeitpunkte innerhalb des Herzzyklus’ identifizieren: der der größten Ausdehnung des Ventrikels – der Enddiastole – und der der stärksten
Kontraktion – der Endsystole. Neben diesen globalen volumetrischen Größen werden außerdem die Volumina aller 16 Segmente zu jedem aufgenommenen Zeitpunkt bestimmmt.
Berechnung der Ejektionsfraktion
Bei Kenntnis der enddiastolischen und der endsystolischen Phase und der zugehörigen Volumina lassen sich wichtige Aussagen über die vom Herz innerhalb eines Zyklus’ in den Körper
gepumpte Blutmenge treffen. Die Größe mit der stärksten klinischen Aussagekraft ist die
Ejektionsfraktion, die ein Maß dafür ist, um welchen Anteil bezogen auf den maximalen
Wert sich das Ventrikelvolumen von Enddiastole zu Endsystole verringert und damit, welche
Blutmenge während eines Herzschlags in den Körperkreislauf gepumpt wird. Die Ejektionsfraktion EF ist definiert als
Vsyst
EF = 1.0 −
Vdiast
× 100%
(7.7)
mit EF als Ejektionsfraktion in Prozent, Vsyst als endsystolischem Volumen und Vdiast als
enddiastolischem Volumen. Neben der globalen EF lassen sich auf diese Weise auch regionale
EF-Werte für jedes der 16 Segmente berechnen.
7.6.3
Analyse der Wanddicke
Die Berechnung der Wanddicke und deren zeitlicher Veränderung erfordert zusätzlich die
Kenntnis über die Position des Epikardrands. Im allgemeinen wird dafür die CenterlineMethode angewendet, die sogenannte Chords, die senkrecht zur Linie des mittleren Abstandes zwischen Endo- und epikard orentiert sind, zur Dickenmessung verwendet [vRvdWS+ 94,
RWJH+ 05]. Dieses Vorgehen ist notwendig, da bei den in der Literatur beschriebenen Verfahren die Detektion von Endokard- und Epikardgrenzen meist unabhängig voneinander verläuft.
Entsprechend ist nach der Bestimmung der Ränder keine Korrelation zwischen beiden vorhanden, die es ermöglichen würde, korrespondierende Positionen zu identifizieren. Somit
wird eine in gleichem Abstand zwischen Endokard- und Epikardrand verlaufende Centerline
generiert, auf der dann äquidistant senkrecht verlaufende Chords platziert werden, entlang
derer die Dickenmessung durchgeführt wird (Abb. 7.13).
Bei der im Rahmen dieser Arbeit entwickelten Methode für die Detektion der Endokardund Epikardränder ist es nicht notwendig, ein solch kompliziertes Verfahren anzuwenden. Da
124
Analyse der linksventrikulären Funktion
Abbildung 7.13: In der Literatur wird für die Berechnung der Wanddicke im allgemeinen die
Centerline-Methode verwendet, die eine virtuelle Mittellinie zwischen den nicht korrelierten
Grenzen von Endokard und Epikard definiert, um dann die Dickenmessung entlang senkrecht
dazu, äquidistant liegender Chords vorzunehmen (links, Quelle: [vRvdWS+ 94]). Bei dem im
Rahmen dieser Arbeit entwickelten Ansatz gestaltet sich die Berechnung der Wanddicke
deutlich einfacher, da auf Grund des verwendeten Radialstrahlenansatzes korrespondierende
Paare von Endokard- und Epikardposition vorliegen, zwischen denen die Abstands- und damit
die Dickenmessung durchgeführt werden kann (rechts).
die berechneten Grenzen von Endokard und Epikard konzentrische, kreisförmige Strukturen
darstellen, die entlang derselben von der langen Achse des Ventrikels ausgehenden radialen Strahlen detektiert wurden, ist die Korrespondenz zwischen Endokard- und zugehöriger
Epikardposition direkt gegeben – sie liegen beide auf dem identischen Radialstrahl. Entsprechend einfach gestaltet sich die Berechnung der Wanddicke als Differenzbildung zwischen
Epikard- und korrespondierender Endokardposition (Abb. 7.13).
Analog zum Fall der Wandbewegung (7.6.1) berechnet sich die Wanddicke M T zum
Zeitpunkt i im Zyklus in Segement k, k = 1, . . . , 16 entlang des an der Position (m, n), m ∈
0, . . . , M − 1, n ∈ 0, . . . , N − 1 liegenden Strahls als
M Tki (m, n) = dik (m, n)
epi
− dik (m, n)
endo
.
(7.8)
Zusätzlich wird noch die für jeden Zeitpunkt über alle Sampling-Punkte jeweils eines der 16
i
g
Segmente gemittelte Wanddicke M
Tk
i
g
M
Tk =
PN −1 PM −1
n=0
M Tki (m, n)
M ·N
m=0
(7.9)
bestimmt.
Physikalisch korrekt wäre eigentlich die Berechnung der Wanddicke in Richtung des
Normalenvektors der Endokardwand, wie es in [HBdR+ 97] beschrieben wird. Gegen die Verwendung dieses Ansatzes spricht aber, daß die mit automatischen Verfahren berechneten
Parameter mit den in diesem Fall als Goldstandard geltenden manuellen Verfahren verglichen werden können müssen. Da im manuellen Fall die Bestimmung der Wanddicke allerdings
7.6. Extraktion dynamischer Parameter
125
innerhalb eines Kurzachsenschnitts durchgeführt wird, ist auch im automatischen Fall diese Vorgehensweise zu verwenden, um eine Vergleichbarkeit der gewonnenen Ergebnisse zu
gewährleisten.
Berechnung der Wanddickenzunahme
In Kenntnis des enddiastolischen und endsystolischen Zeitpunkts im Zyklus (7.6.2) läßt sich
aus den dazugehörigen Wanddicken als wichtiger dynamischer Parameterdie Wanddickenzunahme W T berechnen:
W Tk (m, n) =
!
M Tksyst (m, n)
− 1.0 × 100%
M Tkdiast (m, n)
(7.10)
mit W T als Wanddickenzunahme in Prozent, M T syst als endsystolischer und M T diast als
enddiastolischer Wanddicke. Dieser Wert gibt an, wie stark der Herzmuskel sich ausdehnt,
um das Innere des LV zu kontrahieren.
7.6.4
Asynchronität als neuer Parameter
Aus den Parametern Wandbewegung und Wanddickenzunahme lassen sich, sofern bei dem
untersuchten Patienten auftretend, schwerwiegende Bewegungsstörungen erkennen (2.2), die
durch eine eingeschränkte Beweglichkeit des Herzens gekennzeichnet sind. In diesen Fällen
ist der Absolutbetrag des berechneten Parameters geringer als in der nicht von der Störung
betroffenen Nachbarschaft. Was mit diesen Parametern aber nicht repräsentiert werden kann,
sind Verschiebungen im Bewegungsablauf, die als Asynchronie (2.2) bezeichnet werden.
Um genau solche Störungen detektieren und quantifizieren zu können, wird die Asynchronität als neuer Parameter eingeführt. Diese wird auf zwei verschiedene, aber miteinander korrelierte Weisen berechnet. Einerseits wird die Asynchronität in der Wandbewegung
ermittelt. Hierzu wird bestimmt, inwieweit der Zeitpunkt t [dk (m, n)]max , zu dem ein Wandabschnitt seinen maximalen Abstand dk (m, n)|max
h
i
dk (m, n)|max = max dik (m, n) ∀i
(7.11)
von der langen Achse erreicht, von der Enddiastole abweicht.
Ak (m, n)|W M :=
tdiast [dk (m, n)] − t [dk (m, n)]max
× 100 %
tcycle
(7.12)
definiert dann die auf die Wandbewegung bezogene Asynchronität im Segment k an der
Position (m, n). Der Zeitpunkt der Enddiastole ist tdiast [dk (m, n)], und tcycle ist die Länge
eines Herzzyklus’.
Andererseits läßt sich die Asynchronität der Wanddickenzunahme berechnen. Diese gibt
an, wie stark der Zeitpunkt, zu dem die maximale Wanddicke erreicht wird, vom Zeitpunkt
der Endsystole tsyst [dk (m, n)] abweicht. Sie ist dann in analoger Weise definiert als
Ak (m, n)|W T :=
tsyst [M Tk (m, n)] − t [M Tk (m, n)]max
× 100 %
tcycle
(7.13)
126
Analyse der linksventrikulären Funktion
Abbildung 7.14: Grundlage für die Berechnung der Asynchronität bilden die anhand der
globalen Volumenänderung definierten Zeitpunkte der Endsystole und Enddiastole. Der neu
eingeführte Parameter läßt sich einerseits auf die Wandbewegung beziehen, wobei die Abweichung des Zeitpunkts, zu dem ein Wandabschnitt seinen maximalen Abstand von der
langen Achse erreicht, von der Enddiastole betrachtet wird (links). Andererseits kann sie
mit der Wanddickenzunahme in Verbindung gebracht werden, wo sie als die Abweichung des
Zeitpunkts, zu dem die maximale Wanddicke erreicht wird, von der Endsystole gegeben ist
(rechts).
mit t [M Tk (m, n)]max als dem Zeitpunkt, zu dem die maximale Wanddicke
h
i
M Tk (m, n)|max = max M Tki (m, n) ∀i
(7.14)
erreicht wird (Abb. 7.14).
Eine alternative Definition für beide Werte ist möglich, indem man ihre Minima betrachtet. In diesem Fall ist dann die Asynchronität der Wandbewegung auf die Endsystole
7.7. Visualisierung der Analyseergebnisse
Abbildung 7.15: Die Positionen, an denen die verschiedenen Parameter berechnet werden, sind im Bull’s-Eye-Display auf einem Polargitter angeordnet, die Segmentnummern
sind eingeblendet (links). Den den Gitterpunkten zugeordneten Skalarwerten werden Farben
zugewiesen (unten, Tab. 7.1), um Bereiche mit auffälligen Parametern einfach erfassen zu
können. Zusätzlich wird der Mittelwert pro Segment angegeben (rechts).
bezogen, wohingegen die Asynchronität der Wanddickenzunahme mit der Enddiastole in
Zusammenhang gebracht wird.
7.7
7.7.1
Visualisierung der Analyseergebnisse
AHA-konforme Darstellung
Um die verschiedenen, aus den dynamischen Bilddaten extrahierten Parameter darzustellen,
bedarf es einer kompakten Form der Visualisierung, aus der sich neben der quantitativen
Größe auch deren Lokalisation ableiten läßt. Dazu eignet sich das von der AHA empfohlene
Bull’s-Eye-Display [CWD+ 02], das die 16/17 Segmente des LV in einer definierten Form
auf einem Polargitter anordnet [WDTS05]. Die für jedes Segment k an der Position (m, n)
berechneten Werte sind dabei den Gitterpunkten zugeordnet und werden farblich kodiert
dargestellt (Abb. 7.15).
Die Definition der Farbskala erfolgt basierend auf in der Literatur angegebenen Normalwerten [BFD+ 99, NvF02, Kös03, HSM+ 04]. Dabei wird jeweils ein Farbverlauf von rot über
grün zu blau verwendet (Abb. 7.15). Die auf diese Farbskala gemappten Wertebereiche für
die einzelnen Parameter sind in Tabelle 7.1 angegeben.
Zusätzlich werden die gemittelten Werte pro Segment in einem x-y-Plot dargestellt.
127
128
Analyse der linksventrikulären Funktion
Parameter
Akkum. Wandbewegung
Async. Wandbewegung
Wanddickenzunahme
Async. Wanddicke
Ejektionsfraktion
minimum
15 mm
−30 %
10 %
−30 %
52 %
normal
25 mm
0%
60 %
0%
67 %
maximum
35 mm
30 %
110 %
30 %
82 %
Tabelle 7.1: Bei der Darstellung der berechneten Parameter in einem Bull’s-Eye-Display wird
den Gitterpunkten eine von rot (minimum) über grün (normal) nach blau (maximum) verlaufende Farbskala entsprechend den in der Tabelle angegebenen Werten zugeordnet (Abb.
7.15).
Dies sind im einzelnen der gemittelte Abstand des Endokardrands, die gemittelte Wanddicke
und das regionale Volumen. Diese Diagramme enthalten farbkodiert die Graphen aller 16
Segmente, die sich einzeln ein- und ausblenden lassen (siehe die Beispiele am Ende dieses
Abschnitts).
7.7.2
3D-Darstellung der Parameterwerte
Eine den AHA-Vorgaben [CWD+ 02] entsprechende Visualisierung der Funktionsparameter
in einem Bull’s-Eye-Display ermöglicht eine klare und für den mit den anatomischen Gegebenheiten des LV vertrauten Untersucher einfache Identifizierung des Schlagverhaltens des
Herzens in den einzelnen Segmenten. Eine solche Darstellung kann aber noch in zweierlei
Hinsicht verbessert werden.
Einerseits fehlt der Darstellung der Parameter in einem Polar-Plot jegliche Aussagekraft
über die Morphologie des Ventrikels. Dies kann dadurch kompensiert werden, daß die Parameter direkt auf das Ventrikel projiziert werden. Damit läßt sich beispielsweise eine geringe
Wandbewegung mit der Position eines Aneurysmas in Verbindung bringen (Abb. 7.16).
Der zweite Punkt baut auf dieser Darstellung auf. Ursprünglich liegen Cine-Daten als 4DDaten vor. Da zu jedem Zeitpunkt des Herzzyklus’ die Herzwand extrahiert wurde, bietet es
sich an, die Parameter nicht nur zu einem einzelnen Zeitpunkt auf das Ventrikel zu projizieren, sondern das für alle Phasen zu tun. Entsprechend läßt sich dann das Herz animieren, und
es kann die qualitative, morphologische Änderung mit quantitativen Funktionsparametern
verglichen werden.
Die Generierung der gewünschten Darstellung gestaltet sich dabei recht einfach. Im Rahmen der LV-Analyse wurde bereits der Endokardrand extrahiert (7.5). Es bietet sich an, auf
den Endokardrand und nicht den des Epikards zu projizieren, da sich der Endokardrand deutlich stärker bewegt (2.1.1) und der Parameter Wandbewegung direkt mit der Begrenzung des
Endokards korreliert ist. Da bei der Bestimmung der Randpunkte des Endokards zudem verschiedene Interpolationen und Korrekturen durchgeführt wurden, kann davon ausgegangen
werden, daß auch eine visuell ansprechende Darstellung erreicht werden kann.
Die berechneten Positionen werden im Vorfeld der Visualisierung zu einem Triangle Strip 2
2
Ein Triangle Strip besteht aus in einer Reihe verbundener Dreiecke mit gemeinsamen Vertizes und
7.7. Visualisierung der Analyseergebnisse
Abbildung 7.16: Darstellung des Parameters Wandbewegung gemappt auf die Oberfläche
des Endokards. Es manifestiert sich in der gezeigten Sequenz sehr deutlich die Korrelation
zwischen der sich offensichtlich kaum bewegenden apikalen Region und der damit verbundenen geringen Werte (rot) für den berechneten Parameter Wandbewegung. (Zudem findet
in der zweiten Hälfte des Zyklus’ kaum noch irgendeine Bewegung statt.)
[SML02] verbunden. Innerhalb der Bereiche basal, mid-cavity und apikal ist die Generierung
des Strips problemlos. Einzig der Übergang zwischen mid-cavity und apikal erfordert eine zusätzliche Bestimmung des dem zu verbindenden apikalen Punkts nächsten mid-cavity
Punkts, da hier der Übergang zwischen 6 zu 4 Segmenten pro vertikalem Abschnitt stattfindet (7.4).
7.7.3
Beispiele
Die oben präsentierten Analyseverfahren wurden mit einer Reihe verschiedener Datensätze,
aus verschiedenen Kliniken kommend und mit verschiedenen Geräten aufgenommen, getestet. Für alle Datensätze lag die klinische Diagnose vor, so daß es möglich war, die Korrektheit
der Analyseergebnisse zu überprüfen. Im folgenden werden einige Beispiele von Datensätzen
von Patienten mit gesundem und erkranktem Herzen präsentiert (Abb. 7.17, 7.18, 7.19).
ermöglicht ein schnelles Rendering auf moderner Graphik-Harware bei gleichzeitiger effizienter Speicherauslastung.
129
130
Analyse der linksventrikulären Funktion
Abbildung 7.17: Ergebnis der LV-Analyse für einen Patienten ohne klinischen Befund. Die Bull’s-Eye-Displays zeigen eine weitestgehend homogene Farbverteilung im überwiegend grünen Bereich (oben). Die den zeitlichen Verlauf des Wandabstands (unten, ganz
links), der Wanddicke (unten, zweites Bild von links), des globalen Ventrikelvolumens (unten, zweites Bild von rechts) und der regionalen Volumina (unten, ganz rechts) darstellenden x-y-Plots zeigen einen in weiten Teilen parallelen Verlauf mit übereinstimmenden
Minima und Maxima.
7.7. Visualisierung der Analyseergebnisse
Abbildung 7.18: Ergebnis der LV-Analyse für einen Patienten mit diagnostizierten Wandbewegungsstörungen: Mid-cavity – anterolaterale und inferale Hypokinesie, inferolaterale Akinesie, Basal – inferale Hypokinesie, laterale Akinesie. Die auffällige Abflachung
im zweiten Teil des Herzzyklus der x-y-Plots ist deutlich. Die Bull’s-Eye-Displays der etablierten Parameter Wandbewegung, Wanddickenzunahme und Ejektionsfraktion zeigen in den als krankhaft diagnostizierten Segmenten kaum Auffälligkeiten bis auf den
basalen lateralen Bereich bei der Wanddickenzunahme (gelber Pfeil). Erst bei der Darstellung der als neuer Parameter eingeführten
Asynchronität zeigt sich in Übereinstimmung mit der Diagnose ein nachlaufendes Bewegungsmuster der lateralen und inferalen Bereiche im basalen Abschnitt (gelbe Pfeile) und ein Vorauslaufen des inferalen und inferolateralen Bereichs im mid-cavity Abschnitt
(orange Pfeile). Offen bleibt die Frage, ob die auffällige basale anteroseptale Region (türkise Pfeile) krankhaft verändert ist.
131
132
Analyse der linksventrikulären Funktion
Abbildung 7.19: Ergebnis der LV-Analyse für einen Patienten mit diagnostiziertem Herzinfarkt im basalen/mid-cavity inferolateralen
Bereich (Pfeile). Von den herkömmlich berechneten Parametern zeigen vor allem Wandbewegung und Ejektionsfraktion verringerte
Werte im betreffenden Segment. Die auf Grundlage der neu eingeführten Meßgröße Asynchronität generierten Bull’s-Eye-Displays
zeigen sehr markant das abnormale Verhalten des Ventrikels in diesem Bereich. Im x-y-Plot der endokardialen Wandabstände läßt
sich zudem eine Abflachung der Kurve in der Systole feststellen (Pfeil).
7.8. Visualisierung von Narbenbereichen
7.8
Visualisierung von Narbenbereichen
Neben der Analyse der Funktionsparamter des LV steht bei Infarktpatienten auch die Frage
im Vordergrund, inwieweit Narbenlokalisation und -größe mit der Region und dem Ausmaß einer Bewegungsstörung verbunden sind. Bisher werden in der klinischen Praxis dabei
2D-Schichtaufnahmen der Cine-MRT manuell mit in Late-Enhancement-Technik (3.2.3) aufgenommenen 2D-Bildern verglichen. Dies erfordert die Selektion des passenden Zeitpunkts
aus dem Satz von Cine-MRT-Daten und desweiteren ein mentales Mapping der Narbe auf
die Cine-Daten und die daraus extrahierten Parameter.
Im Rahmen dieser Arbeit wurde ein neues Verfahren entwickelt, daß eine automatische Überlagerung der Narbe mit den aus den Cine-Daten extrahierten Parametern und
deren interaktive Visualisierung ermöglicht [WWN+ 07]. Dazu wird die im vorangegangenen
Abschnitt vorgestellte Form der 3D-Darstellung der Parameterwerte verwendet, in die die
LE-Daten lagerichtig eingeblendet werden.
7.8.1
Registrierung von Cine- und LE-Daten
Um die Bildinformation von Cine-MRT und LE-MRT fusioniert darstellen zu können, bedarf
es einer Registrierung beider Datensätze (4.1.4). Dazu ist zunächst derjenige 3D-Datensatz
aus den Cine-Daten auszuwählen, der dem Zeitpunkt, zu dem die LE-Aufnahme entstanden
ist, entspricht. Nach Aussage unserer klinischen Partner 3 werden LE-Daten immer zu einem Zeitpunkt im Herzzyklus aufgenommen, der in etwa 80 % des Abstands zwischen zwei
aufeinanderfolgenden Enddiastolen entspricht. Da zum Zeitpunkt, wo die fusionierte Darstellung der beiden Daten stattfinden soll, die Zeitpunkte von Endsystole und Enddiastole
bereits bestimmt wurden, kann diese zeitliche Auswahl automatisch erfolgen. Im Falle, daß
die angenommene Position der LE-Aufnahme im Herzzyklus nicht korrekt ist, kann diese
auch von Hand korrigiert werden. Unter der Annahme, daß der zu den LE-Daten korrespondierende 3D-Datensatz aus den Cine-Daten ausgewählt werden kann, kann sich bei der
Registrierung auf den rigiden Fall beschränkt werden, da davon ausgegangen werden kann,
daß die Ventrikelformen in beiden Datensätzen nahezu identisch sind.
Ein weiterer vorbereitender Schritt der Registrierung ist das Resampling der LE-Daten,
um eine identische Voxelgröße für beide Datensätze vorliegen zu haben. Desweiteren wird
vom Anwender gefordert, daß ein Punkt in die ungefähre Mitte des Endokards des LEDatenatzes gesetzt wird. Dies ist nicht unbedingt nötig, um eine zufriedenstellende Überlagerung zu erreichen, beschleunigt aber den Registrierungsprozeß, da dadurch im allgemeinen
weniger Iterationen bis zum Erreichen eines Optimums nötig sind.
Auf Basis dieser initialen Schritte kann die Registrierung der beiden 3D-Datensätze starten. Im vorliegenden Fall wurde eine Korrelations-Metrik verwendet.
7.8.2
Myokardfunktion und Narbenlokalisation
Die Registrierung liefert dann eine aus drei Rotationswinkeln und einer Translation bestehende Transformation, die definiert, wie der LE-Datensatz gedreht und verschoben werden
3
Dr. Henning Steen, Kardio-MRT, Uniklinik Heidelberg
133
134
Analyse der linksventrikulären Funktion
Abbildung 7.20: Eine einfache, fusionierte Darstellung des Endokardmeshs mit funktionellen Parametern und des entsprechenden LE-Datensatzes ermöglicht nicht unbedingt die
Erkennbarkeit des Zusammenhangs zwischen Narbenlokalisation und eingeschränkter Myokardfunktion, da der LE-Datensatz die Sicht auf das Mesh behindert und andererseits die
Narbe selbst nur schwer erkennbar ist (links). Erst nach einer automatischen Maskierung der
Bereiche außerhalb des Myokards ist das Mesh sichtbar, und es kann die Narbe in Relation
dazu wahrgenommen werden. Im gezeigten Fall läßt sich deutlich die Korrelation zwischen
der Position der Narbe und der Verringerung des hier dargestellten Parameters Wandbewegung erkennen (rechts).
muß, um eine optimale Deckung mit dem Cine-Datensatz zu erreichen. Für die Visualisierung wird allerdings nicht der Cine-Datensatz selbst verwendet, sondern es wird stattdessen
in einer gemeinsamen Ansicht das aus der Position der Endokardränder generierte 3D-Mesh
(7.7.2) mit dem LE-Datensatz eingeblendet (Abb. 7.20).
Dabei zeigt sich, daß der LE-Datensatz die Sicht auf das Parameter-Mesh verdeckt und
die Narbe auch nur sehr schwer in den Daten sichtbar ist. Deshalb wird in einem zusätzlichen
Schritt der LE-Datensatz maskiert, indem die Bereiche außerhalb des Myokards ausgeblendet
werden. Dazu können auf den registrierten LE-Datensatz einfach die in den Cine-Daten
detektierten Endokard- und Epikardgrenzen übertragen werden, weshalb diese Maskierung
automatisch erfolgen kann. Im Ergebnis ist die Narbe und ihre Relation zum Endokard mit
entprechend projizierten funktionalen Parametern sichtbar (Abb. 7.20).
Entsprechend läßt sich nun einfach untersuchen, inwieweit die Lokalisation der Narbe
mit der Region der Bewegungseinschränkung verbunden ist. Desweiteren kann der Frage
nachgegangen werden, wie groß diese Region im Vergleich zur Narbe ist, also, inwiefern die
Narbe auch umliegendes gesundes Gewebe in Mitleidenschaft gezogen hat.
7.9
Quantifizierung von Infarktnarben
Neben der qualitativen Analyse einer Infarktnarbe, wie sie mit der oben beschriebenen kombinierten Darstellung von LE-Aufnahme und funktionellen Parametern möglich ist, ist der
Kardiologe auch an quantitativen Aussagen über die Größe der Narbe in Relation zum Myo-
7.9. Quantifizierung von Infarktnarben
Abbildung 7.21: Die einzelnen zu durchlaufenden Schritte für die Extraktion der Narbe aus
den LE-Daten und ihre anschließende Quantifizierung.
kard interessiert. Dabei spielen zwei Werte die Hauptrolle. Das Verhältnis der Volumina von
Infarktnarbe und Myokard ist eine globale Größe und ein Indikator, inwiefern das Herz sich
über einen Zeitraum mehrerer Monate vom Infarkt erholen und die damit verbundenen Auswirkungen kompensieren kann. Die in den Kurzachsenschichten gemessene Transmuralität
(2.2) gibt an, wie weit die Narbe vom Endokardrand in Richtung Epikardrand reicht, d.h.
wieviel Prozent des Myokard an der betrachteten Stelle von der Narbe überdeckt sind. Dies
ist also eine lokale Größe.
Im vorangegangen Abschnitt (7.8.1) wurde bereits beschrieben, wie mittels einer Registrierung eines der Cine-Datensätze mit dem LE-Datensatz die Übertragung der aus den
Cine-Daten extrahierten Endokard- und Epikardgrenzen auf den LE-Datensatz möglich ist.
Eine anschließende Maskierung des LE-Datensatzes schränkt diesen dann auf den Bereich
des Myokards ein. Basierend auf dieser Vorverarbeitung kann dann eine automatisierte Extraktion des Narbenbereichs aus den Bilddaten und eine anschließende Narbenquantifizerung
erfolgen [WNW07] (Abb. 7.21).
7.9.1
Extraktion der Narbe
Bei der Extraktion der Infarktnarbe aus den (maskierten) LE-Datensätzen liegt wieder der
Fall vor, daß die in den Bilddaten am hellsten erscheinende Struktur segmentiert werden
soll. Die absoluten Grauwerte der Narbe und ihrer direkten Umgebung sind aber auf Grund
des zugrundliegenden Aufnahmeverfahrens von Datensatz zu Datensatz verschieden. Um
dennoch diese Bereiche mittels eines einfachen Schwellwertverfahrens zu extrahieren, eignet
sich das bereits vorgestellte und mehrmals zur Anwendung gekommene Verfahren von Otsu
[Ots79] (5.1.1).
Da der LE-Datensatz vor der Anwendung des Otsu-Verfahrens bereits maskiert wurde,
ist eine Einteilung der Grauwerte in zwei Klassen nicht ausreichend. Grund ist, daß bei der
Festlegung nur eines Schwellwerts die ausmaskierten Bereiche mit dem Grauwert 0 die eine
135
136
Analyse der linksventrikulären Funktion
Klasse und die restlichen Grauwerte im Bild die zweite Klasse darstellen würden. Deshalb wird
hier wieder das Verfahren für mehr als zwei Grauwertklassen angewendet. Tests mit den zur
Verfügung stehenden LE-MRT-Datensätzen haben dabei ergeben, daß die Einteilung in vier
Grauwertklassen zu einem zufriedenstellenden Ergebnis führt. Die hellste Klasse repräsentiert
dabei immer die Narbe, und die anderen Klassen markieren nicht zur Narbe gehörende
Bereiche.
Wie im Falle der Extraktion des Endokards (7.2) hat der Anwender hier auch wieder
die Möglichkeit, den automatisch gefundenen Schwellwert mittels eines Balancereglers, falls
nötig, zu korrigieren. Das Ergebnis der Anwendung des Schwellwerts besteht dann in einer
Binarisierung des bereits maskierten LE-Datensatzes. Die darin enthaltenen weißen Strukturen stellen größtenteils die Narbe/n dar.
Allerdings kann es bei der Übertragung der Grenzen von Endokard und Epikard passieren,
daß beispielsweise auch im Vergleich mit der Narbe ähnlich helle Bereiche des Endokards im
Binärbild ungleich 0 sind und fälschlicherweise zur Narbe hinzugerechnet werden. In einem
letzten Schritt kann dann der Anwender noch diese Stellen als nicht zum Narbenbereich
gehörend klassifizieren, indem diese Bereiche per Mausklick aus den Ergebnisbildern entfernt werden. Dieses Ausblenden beruht auf einer einfachen Zusammenhangsanalyse, die als
binäres Region Growing ausgehend von der durch den Anwender vorgegebenen Klick-Position
implementiert ist.
7.9.2
Bestimmung von Narbengröße und Transmuralität
Im Ergebnis der Narbensegmentierung liegt eine Anzahl von Voxeln vor, denen der Wert
1 zugewiesen wurde, der Rest der Daten hat den Grauwert 0. Zusätzlich ist für jedes der
Schichtbilder eine kreisringförmige Struktur vorhanden, deren innerer Rand durch die Grenze
des Endokards und deren äußerer Rand durch die des Epikards gegeben ist.
Um die Narbengröße zu bestimmen, genügt ein einfaches Auszählen der Voxel und die
Multiplikation derer Anzahl mit der Voxelgröße. Dies liefert das absolute Volumen der Narbe.
Um es in Verhältnis zum Myokardvolumen zu setzen, ist selbiges zu bestimmen. Dazu werden
die Voxel jeder Schicht durchlaufen, und es wird überprüft, ob sich der entsprechende Voxel
innerhalb des Kreisrings befindet. Diese Anzahl der Myokard-Voxel (inklusive der zur Narbe
gehörenden) multipliziert mit der Voxelgröße ergibt dann das gesuchte Myokardvolumen.
Eine einfache Verhältnisbildung liefert ein Maß für die Größe der Narbe VScar in Verhältnis zu der des Myokards VM yo
SP =
VScar
× 100 %.
VM yo
(7.15)
Für die auf den Cine-Daten berechneten Positionen für Endokard- und Epikardrand ist
bekannt, welche Positionen jeweils miteinander korrespondierende Paare bilden, zwischen
denen die Wanddicke berechnet wurde (7.6.3). Da diese auf die LE-Daten übertragen wurden, kann auf selbigen eine Bestimmung der Narbendicke in der Weise erfolgen, daß die
Voxel auf der Verbindungslinie zwischen zwei korrespondierenden Endokard- und Epikardpositionen durchlaufen werden. Aus dem Abstand zwischen dem am nächsten zur zugehörigen
7.9. Quantifizierung von Infarktnarben
137
Abbildung 7.22: Die bei der Berechnung der Wanddicke verwendeten Paare von Endokardund Epikardpositionen definieren eine Linie, entlang derer der LE-Datensatz auf das Vorhandensein von Voxeln mit dem Wert 1 und damit auf die Existenz einer Narbe gerüft wird. Der
Abstand zwischen der dem Endokard am nächsten und der dem Epikard am nächsten liegenden Narbenposition definiert die Dicke der Narbe, deren Verhältnis zur Wanddicke dann
die Transmuralität.
Endokardposition liegenden Voxel4 mit dem Wert 1 und demjenigen, der der entsprechenden
Epikardposition am nächsten liegt, kann die Dicke ST der Narbe berechnet werden (Abb.
7.22). Diese ist immer kleiner oder gleich der Wanddicke M T des Myokards. Eine entsprechende Verhältnisbildung der beiden Dicken liefert dann die Transmuralität T Mk (m, n) an
der Position (m, n) im Segment k
T Mk (m, n) =
7.9.3
STk (m, n)
× 100 %.
M Tk (m, n)
(7.16)
Visualisierung und Interaktionsmöglichkeiten
Wie im Falle der Wanddickenberechnung repräsentieren die Werte für die Transmuralität
wieder auf einem identischen Polargitter angeordnete Skalarwerte. Folglich ist es naheliegend, diese wieder mit Hilfe eines Bull’s-Eye-Displays zu visualisieren (Abb. 7.23). Dies hat
zudem den Vorteil, daß hier dem Kardiologen eine ihm bereits aus der Analyse der Myokardfunktion vertraute Darstellung geliefert wird. Dies ist deutlich intuitiver als andere Formen
der Visualisierung der Narbengröße, wie beispielsweise in [SES+ 06]. Der Grad der Transmuralität wird im Bull’s-Eye-Display wieder farbkodiert dargestellt. Dabei wird eine Farbskala
von grün nach rot verwendet und entsprechend den in [SKL+ 04] angegebenen Werten für
die Größe der Transmuralität angepaßt.
4
Auch wenn die Narbe sich immer vom Endokardrand beginnend ausbreitet, muß sie nicht auf ihrem
gesamten peripheren Ausbreitungsbereich Kontakt mit dem Endokard haben.
138
Analyse der linksventrikulären Funktion
Abbildung 7.23: Die auf einem Polargitter angeordneten Werte für die Transmuralität werden analog zur Präsentation der Analyseergebnisse der Myokardfunktion in einem Bull’s-EyeDisplay dargestellt. Der angegebenen Zahlenwerte repräsentieren die auf das Volumen des
Myokards bezogene Größe SP der Narbe pro Segment (links). Die Zuordnung der Farben
basiert auf aus der Literatur [SKL+ 04] entnommenen Werten (rechts).
Neben dem Bull’s-Eye-Display werden der LE-Datensatz bzw. die extrahierte Narbe auf
verschiedene Arten visualisiert, um dem Anwender die Möglichkeit zu geben, die Güte der
Narbenquantifizierung zu bewerten. Die bereits angesprochene Möglichkeit der Definition einer Position innerhalb der Narbe, um Fehlsegmentierungen zu korrigieren, liefert eine einfache
Darstellung des LE-Datensatzes als Stapel von Kurzachsenaufnahmen, durch den geblättert
werden kann.
Um die Größe der segmentierten Narbe in Relation zur Region mit erhöhter Signalintensität zu evaluieren, wird eine über eine einfache 2D-Schichtbilddarstellung hinausgehende
Form der Visualisierung geboten. Die einzelnen LE-Schichtbilder werden dazu mit Hilfe eines Plane-Widgets 5 in einer 3D-Ansicht gerendert. Diese enthält zusätzlich das die äußere
Kontur der Narbe repräsentierende Mesh. Durch Verschieben und Drehen des Plane-Widgets
und Regelung der Transparenz des Meshs läßt sich interaktiv die extrahierte Narbe mit den
LE-Daten vergleichen (Abb. 7.24).
Eine weitere wichtige Information, um einzuschätzen wie korrekt die Narbenextraktion
ausgeführt wurde, ist die Position der aus den Cine-Daten auf den LE-Datensatz übertragenen Endokard- und Epikardränder. Dazu wird werden die LE-Daten wieder mittels des
Plane-Widgets dargestellt, aber anstelle des Narbenmeshs wird hier das das Myokard begrenzende Mesh eingeblendet. Bei diesem kann auch wieder die Transparenz geregelt werden,
5
das vtkImagePlaneWidget aus VTK
7.9. Quantifizierung von Infarktnarben
Abbildung 7.24: Die extrahierte Narbe wird als Mesh zusammen mit den LE-Daten in
einer 3D-Ansicht dargestellt. Verschieben und Drehen des für die Anzeige der LE-Daten
verwendeten Plane-Widgets ermöglicht eine Bewertung der Güte der Narbenextraktion.
um die Lage der übertragenen Myokardgrenzen zu verifizieren (Abb. 7.25).
Da die Transmuralität wie die anderen LV-Parameter auch in einem Bull’s-Eye-Display
dargestellt wird, liegt es nahe, diese auch gemappt auf das zugehörige Endokardmesh darzustellen (7.7.2). Auch diese Art der Visualisierung ist in die Narbenquantifizierung integriert
und ermöglicht eine Untersuchung der Fragestellung, ob der Rand des Endokards im Bereich
der Infarktnarbe morphologische Auffälligkeiten zeigt (Abb. 7.26).
139
140
Analyse der linksventrikulären Funktion
Abbildung 7.25: Die das Myokard begrenzenden Ränder von Endokard und Epikard definieren ein Mesh, das zusammen mit den LE-Daten in einer 3D-Ansicht dargestellt wird.
Verschieben und Drehen des für die Anzeige der LE-Daten verwendeten Plane-Widgets
ermöglicht eine Bewertung der Korrektheit der aus den Cine-Daten übertragenen Myokardgrenzen.
Abbildung 7.26: Darstellung der Transmuralität gemappt auf das Endokard. Die Lage und
Ausbreitung der Narbe in Relation zur Morphologie des Endokards kann auf diese Weise
untersucht werden.
Kapitel 8
Analyse der rechtsventrikulären
Funktion
Das Ziel muß man früher kennen als die Bahn.
Jean Paul
er Mensch besitzt einen doppelt geschlossenen Blutkreislauf (2.1). Dementsprechend
gibt es für jeden der beiden Teile einen eigenen Antrieb. Der größere der beiden,
der Körperkreislauf wird durch das im letzten Abschnitt besprochene linke Ventrikel (LV) angetrieben. Dahingegen stellt das rechte Ventrikel (RV) das Pumporgan für den
Lungenkreislauf dar.
Die Analyse der Ventrikeldynamik konzentriert sich bisher auf das LV, das häufiger von
Erkrankungen betroffen ist, und deren Auswirkungen sehr schwerwiegend für die Patienten
sind. Das RV entzieht sich bisher einer solchen Analyse, obwohl die Datenbasis durch die
aufgenommenen Daten für die LV-Analyse bereits vorhanden ist.
Im Rahmen dieser Arbeit wurden Methoden entwickelt, um die für die Analyse des LV verwendeten Prinzipien erstmals auch auf das RV zu übertragen. Die dafür notwendige Extraktion des RV aus MRT-Aufnahmen verwendet dabei Zwischenergebnisse der LV-Segmentierung
und schließt sich in einem erweiterten Workflow derselben an. Aus der zeitlichen Veränderung
der segmentierten Bereiche des RV werden dessen Volumenänderung und Wandbewegung
berechnet und ähnlich zur LV-Analyse in einer kompakten Weise präsentiert.
D
8.1
Einführung
Das RV und dessen Analyse hat bei weitem nicht den gleichen Stellenwert in der medizinischen Diagnostik im Vergleich zum LV. Grund dafür ist, daß die Auswirkungen bei einer
Erkrankung des LV deutlich gravierender sind als bei einer alleinigen Erkrankung des RV.
Zudem treten in einigen Fällen Erkrankungen beider Kavitäten auf, und dann dominiert die
Schädigung des LV.
Wird das RV in die kardiologische Analyse mit einbezogen, so betrifft das vor allem
die Analyse und unter Umständen notwendige Korrektur der elektromechanischen Anregung
141
142
Analyse der rechtsventrikulären Funktion
(2.1.1). So wird z.B. das Plazieren und Einstellen der Elektroden eines Herzschrittmachers
mittels Ultraschall (U/S) durchgeführt, wo einerseits die Elektroden sichtbar sind und gleichzeitig das (veränderte) Schlagverhalten direkt beobachtet werden kann. So existieren dann
auch kommerzielle U/S-Anwendungen1 , die eine einfache volumetrische Analyse des RV, die
sich auf die Berechnung globaler Größen beschränkt, ermöglichen. Andere Ansätze zielen
auf eine globale Segmentierung und Modellierung des Herzens [vL05, FPS05], um basierend
darauf elektrophysiologische Verhaltensweisen zu simulieren [SDA06].
Im folgenden wird eine Methode vorgestellt, der ähnlich wie bei der LV-Analyse (7.6)
eine detaillierte Untersuchung des RV ermöglicht und analog dazu physikalische Größen aus
den verwendeten dynamischen Bilddaten ableitet. Diese Analyse basiert auf den für die LVAnalyse verwendeten Cine-MRT-Aufnahmen, läßt sich aber ebenso auf andere dynamische
Bildmodalitäten wie Kardio-CT oder U/S übertragen. Wieder wird zunächst das blutgefüllte
Endokard extrahiert und anschließend dessen regionale Volumenänderung und die Bewegung
des Endokardrands untersucht. Die Präsentation der Analyseergebnisse erfolgt in einem den
anatomischen Gegebenheiten des RV angepaßten Bull’s-Eye-Display.
8.2
Segmentierung des rechten Ventrikels
Für die angestrebte Analyse von regionaler Volumenänderung und Wandbewegung ist die
Extraktion des blutgefüllten Bereichs des RV ausreichend. Um einen einheitlichen Workflow
zu erhalten, soll der Segmentierungsteil auf die LV-Segmentierung aufsetzen und Teile der
dort definierten bzw. berechneten Parameter verwenden. Wie im Fall des LV wird die Extraktion wieder schwellwertbasiert durchgeführt, allerdings mit einem Verfarhren, das zusätzlich
Level-Sets integriert. Der Ablauf der RV-Segmentierung und deren Integration in den bereits
bestehenden Teil für das LV ist in Abb. 8.1 gezeigt.
8.2.1
Verbindung mit der LV-Segmentierung
Ein Ziel bei der Entwicklung der Segmentierung des RV war die Integration in das bereits
bestehende Verfahren für die Extraktion des LV (7.2). Dabei sind vor allem zwei der im
Verlauf der LV-Segmentierung berechneten Parameter von Interesse. Dies ist zu einem die
geometrische Ausrichtung der Bilddaten vor der eigentlichen Segmentierung. Dabei werden
die Schichtbilder so gedreht, daß sich das RV rechts vom LV befindet und sich der obere Teil
des Ventrikels dem Bereich anterior und der untere dem Bereich inferior zuordnen läßt. Für
eine grobe Definition der Position des RV wird für die vom Anwender zu definierenden zwei
initialen Punkte eine Modifikation eingeführt dergestalt, daß der eine der beiden Punkte nicht
im Myokard des LV plaziert sondern etwas weiter auf der gedachten Geraden in Richtung RV
verschoben wird (Abb. 8.2). Dies verändert den Ablauf der LV-Segmentierung nicht, liefert
aber eine wichtige Zusatzinformation für den eigentlichen Segmentierungsschritt für das RV
(8.2.3). Dieser wird dann auf die identisch transformierten Bilddaten angewendet.
Der andere aus der LV-Segmentierung zu übernehmende Parameter ist die Information
über die Lage der Mitralklappen. Ähnlich wie das LV besitzt auch das RV ein Atrium und
1
z.B. 4D RV-Function von Tomtec
8.2. Segmentierung des rechten Ventrikels
Abbildung 8.1: Die Extraktion des RV (orange) schließt sich an die des LV an und nutzt
teilweise dort verwendete bzw. berechnete Parameter (blau).
Abbildung 8.2: Für die Integration der Extraktion des RV in den bestehenden Workflow
für die LV-Segmentierung wird gefordert, daß der eine der die geometrische Ausrichtung
der Bilddaten definierenden Punkte weiter vom Zentrum des LV entfernt innerhalb des RV
plaziert wird (links). Im Ergebnis der Ausrichtung befindet sich dann der Bereich anterior
des RV oberhalb des Bereichs inferior (rechts).
143
144
Analyse der rechtsventrikulären Funktion
Abbildung 8.3: Das rechte Ventrikel ist ähnlich hell wie das linke. Allerdings ist das Myokard
in diesem Bereich deutlich dünner, weshalb es nicht immer eine exakte Trennung zwischen
Endokard und Perikard beim RV gibt (Pfeil).
einen Ausflußtrakt (2.1). Hier muß also ebenfalls eine Begrenzung des RV nach oben hin
vorgenommen werden. Die Übernahme der Mitralklappenebene stellt dabei einen Kompromiss dar, der bei alleiniger Fokusierung auf die Anatomie des RV keine exakte Begrenzung
liefert. Eine für das RV in Richtung auf das rechte Atrium angepaßte Begrenzung müsste
eigentlich schräg zu den aufgenommenen Kurzachsenschichten erfolgen (Abb. 2.2). Für die
hier betrachtete kombinierte Analyse von LV und RV bietet die gewählte Begrenzung anhand
der Mitralklappen des LV aber eine praktikable und gut reproduzierbare Definition.
8.2.2
Deformierbare Konturen und Level-Sets
Grundlage der Segmentierung des LV war ein einfaches Schwellwertverfahren in Verbindung
mit einer Zusammenhangsanalyse. Das RV ist ähnlich hell in den MRT-Aufnahmen, da es
ebenso Blut enthält und die Signalintensität vergleichbar hoch ist. Allerdings ist das RV
nicht so deutlich von der Umgebung abgegrenzt, da vor allem der Herzmuskel in diesem
Bereich signifikant dünner als beim LV ist (Abb. 8.3).
Aus diesem Grund wurde für die Extraktion des RV ein anderes Verfahren gewählt, das
ähnlich auf der Grauwertinformation des Bildes aufsetzt und zusammenhängende Voxel als
segmentiertes Gebiet markiert. Hauptproblem bei einer grauwertbasierten Zusammenhangsanalyse ist das Herauslaufen aus der eigentlich zu segmentierenden Struktur über kleine Verbindungen mit der Umgebung. Eine alternative Herangehensweise ist die Verwendung von
Snakes (4.1.3), die im 2D-Fall deformierbare Kurven repräsentieren, die sich an Bildmerkmale wie Kanten anpassen. Durch die Festlegung der zulässigen Krümmung einer solchen
Kontur kann dafür gesorgt werden, daß sehr feine Strukturen, die zu einer Fehlsegmentierung
führen können, übergangen werden.
8.2. Segmentierung des rechten Ventrikels
145
Eine Erweiterung dieses Ansatzes sind Level-Sets, wo Konturen implizit durch eine Skalarfunktion
φ : Ux,y,z 7→ R, U ⊂ R3
(8.1)
beschrieben werden. Eine solche Kontur, die in ein Volumen U eingebettet ist, läßt sich dann
als Isofläche S von φ für einen beliebigen Wert k ausdrücken:
S = { x| φ(x) = k)} .
(8.2)
Die zu k = 0 gehörende Kontur ist das sogenannte Zero-Level-Set, dessen Deformation
mit der Evolution der Level-Set-Funktion φ verknüpft ist. Diese wird durch eine zeitliche
Veränderung von φ = φ(x, t) repräsentiert, die mit Hilfe einer partiellen Differentialgleichung
ausgedrückt werden kann.
∂φ
= −αA(x) · ∇φ − βP (x) |∇φ| + γZ(x)κ |∇φ|
∂t
(8.3)
enthält drei Terme: 1. den Advektionsterm, der die Anziehung des Level-Sets durch Objektgrenzen beschreibt, 2. den Propagationsterm, der die Ausbreitung der Kontur bestimmt, und
3. den Krümmungsterm, der die Glattheit der Kontur repräsentiert.
Die für die Segmentierung des RV verwendete Level-Set-Methode stellt eine Erweiterung
der schwellwertbasierten Zusammenhangsanalyse dar. Die Schwellwerte sind dabei als unterer
Wert L und oberer Wert U gegeben. Dabei nimmt der Ausbreitungsterm aus Gleichung 8.3
explizit die folgende Form an:
P (x) =
(
g(x) − L wenn g(x) < (U − L)/2 + L
U − g(x) sonst
(8.4)
Die Kontur breitet sich damit für Grauwerte oberhalb von L und unterhalb von U aus,
bzw. zieht sich für Grauwerte außerhalb dieses Bereichs zusammen (Abb. 8.4). Durch den
zusätzlichen Krümmungsterm kann verhindert werden, daß es zu einem Hinauslaufen der
Segmentierung aus dem RV kommt. Damit ist diese Level-Set-Methode einem einfachen
Region Growing überlegen und kann sehr gut für die Extraktion des RV verwendet werden.
Die in Gleichung 8.3 angegebene allgemeine Form von ∂φ/∂t vereinfacht sich für die hier
verwendete Methode dahingehend, daß der Advektionsterm nicht ausgewertet wird. Somit
wird die Deformation der Kontur ausschließlich von der Grauwertinformation im Bild und
dem zu setzenden Krümmungsparameter kontrolliert.
Im Vergleich zu Snakes erlauben Level-Sets eine einfache Modellierung auch komplexer
Strukturen, und mit Snakes schwierig zu behandelnde Änderungen der Topologie wie das
Splitting oder die Verbindung von Konturen werden implizit erledigt. Weitere Informationen
dazu finden sich in der Literatur [Set99, Yoo04].
8.2.3
Ablauf der Segmentierung
Die verwendete Implementierung der obigen Level-Set-Methode2 erfordert als zweites InputVolumen neben dem zu segmentierenden Datensatz die Definition einer initialen Kontur,
2
itkThresholdSegmentationLevelSetImageFilter aus dem Toolkit ITK
146
Analyse der rechtsventrikulären Funktion
Abbildung 8.4: Der dargestellte Verlauf von P (x) in Abhängigkeit des Grauwerts und des
oberen und unteren Schwellwerts macht deutlich, daß sich die Kontur in Regionen, deren
Grauwert innerhalb der Schwellwerte liegen, ausbreitet (positives Vorzeichen) und in den
anderen zusammenzieht (negatives Vorzeichen).
die dann weiter deformiert wird. Diese Initialisierung kann bei der verwendeten Methode
sehr grob geschehen und erfolgt deshalb über die Definition dreier Kugeln, die anhand der
vom Anwender definierten ersten Position im Volumen angeordnet werden (Abb. 8.5). Die
Notwendigkeit der Definition dieser Kugeln ist dann auch der Grund dafür, weshalb der erste
Seed-Punkt innerhalb des RV liegen soll (8.2.1). Aus der Position und dem Durchmesser der
Kugeln wird anschließend ein initiales Level-Set berechnet, das dann im folgenden deformiert
wird.
Als weitere Parameter wird die Festlegung von oberem und unterem Schwellwert gefordert. In Anlehnung an den Fall der LV-Segmentierung wird für das automatische Auffinden
der optimalen Schwellwerte wieder das Otsu-Verfahren (5.1.1) eingesetzt. Um eine möglichst
gute Unterscheidung des RV von seiner Umgebung zu erhalten, wird hier für das Verfahren
eine Anzahl von 3 Schwellwerten vorgegeben. Der größte Schwellwert stellt dann die untere
Grenze L für den Propagationsterm P (x) aus Gleichung 8.4 dar.
Das Level-Set-Verfahren bricht nach einer vorgegebene Zahl von Iterationen ab. Im deren
Ergebnis liegt ein Level-Set vor, dessen Isofläche mit k = 0 das RV begrenzt und dessen
Außen- und Innenbereich jeweils positive bzw. negative Werte aufweisen. Daraus wird abschließend ein Binärbild generiert, in dem das RV mit dem Wert 1 markiert ist (Abb. 8.6).
8.3. Ableitung von Bewegungsparametern
Abbildung 8.5: Das verwendete Level-Set-Verfahren erfordert die Festlegung einer initialen
Kontur. Dies geschieht über drei Kugeln, deren Positionen anhand des vom Anwender definierten ersten Seed-Punkts bestimmt werden (links). Deren Größe definiert dann die Lage
des initialen Zero-Level-Sets (rechts).
8.3
Ableitung von Bewegungsparametern
Die mit dem oben beschriebenen Verfahren durchgeführte Extraktion des blutgefüllten Bereichs des RV ermöglicht nun eine Analyse dessen dynamischen Verhaltens. Diese soll wieder
jeweils für einzelne Regionen durchgeführt werden. Die dabei berechneten Parameter sind
die regionalen Volumina und die Wandbewegung.
8.3.1
Einteilung des RV in drei Segmente
Im Gegensatz zum LV gibt es für das RV noch keine Standardisierung bezüglich der Einteilung des Ventrikels in verschiedene Segmente und deren Darstellung. Um eine gewisse
Vergleichbarkeit mit den wenigen existierenden Ansätzen zu ermöglichen und auf Empfehlung unseres klinischen Partners3 wird das RV in Anlehnung an ein Auswertetool für
kardiologische U/S-Aufnahmen4 in drei Regionen aufgeteilt.
Die untere Hälfte (in Bezug auf die Anzahl der das RV enthaltenden Schichtbilder)
wird der apikalen Region zugeordnet, die nicht weiter unterteilt wird. Der darüberliegende
basale Bereich wird entlang einer horizontalen Gerade in die Bereiche anterior und inferior
aufgespaltet. Für die Definition der Lage dieser Gerade wurde im Rahmen dieser Arbeit
folgender Ansatz verwendet:
1. Der Schwerpunkt der untersten apikalen Schicht nap definiert den Punkt Pap .
2. Der Schwerpunkt der obersten basalen Schicht nbas definiert den Punkt Pbas .
3
4
Dr. Dirk Loßnitzer, Kardio-MRT, Uniklinik Heidelberg
4D RV-Function von Tomtec
147
148
Analyse der rechtsventrikulären Funktion
Abbildung 8.6: Im Ergebnis der verwendeten Level-Set-Methode und anschließender Binarisierung sind die dem RV zuzuordnenden Bereiche markiert. Es sind eine axiale und die
3D-Ansicht jeweils für Diastole (oben) und Systole (unten) gezeigt.
8.3. Ableitung von Bewegungsparametern
149
Abbildung 8.7: Das RV wird in drei Bereiche eingeteilt: apikal (pink), basal inferior (türkis)
und basal anterior (gelb) (links). Die Trennung des basalen Bereiches erfolgt entlang der
Verbindungsgeraden zwischen den Schwerpunkten der untersten apikalen und der obersten
basalen Schicht (rechts).
3. Der Durchstoßpunkt Pant/inf der durch diese beiden Punkte verlaufenden Gerade
durch das jeweilige Schichtbild definiert die vertikale Position der horizontal verlaufenden, den anterior vom inferior Bereich trennenden Geraden (Abb. 8.7).
y
eines Schichtbilds i in der basalen Region, an
Somit ergibt sich die Zeilenposition Pant/inf
dem die Trennung in die Bereiche anterior und inferior stattfindet, zu
y
(i) =
Pant/inf
8.3.2
i − nap
y
y
y
− Pap
) + Pap
.
· (Pbas
nbas − nap
(8.5)
Bestimmung regionaler Volumina
Für die so eingeteilten Regionen des RV lassen sich in analoger Weise zum LV die regionalen
Volumina und das globale RV-Volumen durch Auszählen der Voxel und Multiplikation mit
der Voxelgröße bestimmen. Damit ist es dann über die Bestimmung von Maximum und
Minimum des globalen Volumens wiederum möglich, für das RV die beiden der Enddiastole
und Endsystole zuzuordnenden Herzphasen zu bestimmen. Dies erfolgt unabhängig vom LV,
da gerade Asynchronitäten von LV und RV eine wichtige Rolle in der Diagnostik spielen und
auf diese Weise detektiert werden können. Analog zu Gleichung 7.7 lassen sich dann die
globale und regionale Ejektionsfraktion berechnen.
8.3.3
Bestimmung der Wandbewegung
Die Ableitung von Größen, die die Bewegung der Wand des RV beschreiben, macht es
notwendig, selbige zu detektieren. Wie im Fall des LV kommt hierfür wieder eine Suche
150
Analyse der rechtsventrikulären Funktion
Abbildung 8.8: Der Bezugspunkt für die Berechnung des Wandabstands wird anhand der
mittels Gleichung 8.5 berechneten Geraden und des in der betreffenden Bildzeile am nächsten
zum Septum liegenden Punkts festgelegt. Ausgehend davon werden in jedem Schichtbild
radiale Strahlen in den linken Halbraum ausgesendet, um den Rand des RV zu detektieren.
entlang radialer Strahlen zum Einsatz, die das Ziel hat, die äußere Begrenzung des als RV
markierten Bereichs in den Bilddaten zu finden. Dabei stellt sich zuallererst die Frage, an
welche Position in den Bilddaten der Bezugspunkt für die Radialstrahlen zu setzen ist.
Der Grund, diesen Punkt beim LV auf dessen lange Achse zu setzen, besteht darin,
daß sich das LV bei seiner Kontraktion auf die lange Achse hin zubewegt. Die Kontraktion
des RV erfolgt aber gänzlich anders. Diese ist mehr eine Quetschung auf das Septum zu.
Dementsprechend wurde im Rahmen dieser Arbeit als Bezugspunkt ein Punkt am septalen
Rand des Ventrikels gewählt. Dieser wird über die Lage der das Ventrikel in anterior und
inferior teilenden Gerade definiert. Der Bezugspunkt in jeder Schicht ergibt sich dann als
derjenige entlang der Grenzlinie zwischen anterior und inferior, der am nächsten dem Septum
liegt (Abb. 8.8).
Die Form des RV in Kurzachsenaufnahmen entspricht einem mehr oder weniger deformierten Halbkreis (bis auf den oberen basalen Bereich). Aus diesem Grund und der Positionierung des Bezugspunkts an den septalen Rand wird die Suche entlang radialer Strahlen
nur für den linken Halbraum des Bezugspunkts durchgeführt. Das detektiert nicht den kompletten Verlauf des RV-Rands aber liefert die Information über die Position der Wand an
den Stellen, für die auch eine Analyse derer Bewegung stattfinden soll (Abb. 8.8).
Die Verteilung der Radialstrahlen ist äquiangular entsprechend der vom Anwender vorgegebenen Auflösung. Dazu werden allerdings keine neuen Werte vom Anwender gefordert,
sondern es werden auf Basis der für das LV definierten Auflösung die Werte für das RV
gesetzt. Da das RV statt drei nur aus zwei vertikalen Segmenten besteht und die basale Region in zwei Bereiche anstatt drei für einen Winkelbereich von π unterteilt ist, wird für beide
Auflösungen einfach das 1.5-fache des jeweiligen für das LV definierten Werts verwendet.
8.3. Ableitung von Bewegungsparametern
Abbildung 8.9: Das für die Darstellung der Ergebnisse der RV-Analyse verwendete Polargitter ist ein modifiziertes, auf die linke Hälfte beschränktes, deformiertes Bull’s-Eye-Display
mit nur drei Segmenten. Diese repäsentieren die beiden basalen und den apikalen Bereich.
Den Gitterpunkten zugeordnete Skalarwerte werden anhand Tabelle 8.1 und der in Abb. 7.15
dargestellten Skala in Farben umgesetzt.
Aufgrund der speziellen Form des RV im oberen basalen Bereich, wo sich das Ventrikel in
manchen Schichten als zwei separierte Gebiete darstellt, erfolgt die Suche nicht ausgehend
vom Bezugspunkt sondern vom Bildrand aus auf den Bezugspunkt zu. Die detektierten
Positionen des Übergangs von Umgebung zu RV definieren dann die Wandpositionen, und
es wird deren Abstand vom Bezugspunkt berechnet. Analog zu den Gleichungen 7.4, 7.5 und
7.6 für das LV lassen sich dann die die Wandbewegung beschreibenden Parameter berechnen.
8.3.4
Visualisierung der Parameter
Die Darstellung des zeitlichen Verlaufs der Mittelwerte der Segmente erfolgt wie im Fall
des LV mit Hilfe von x-y-Plots. Für die Anzeige der auf einem Polargitter berechneten
Parameter akkumulierte Wandbewegung und regionale EF kann kein zur Analyse des LV
identisches Bull’s-Eye-Display (7.7.1) zum Einsatz kommen, da die räumliche Verteilung der
Werte bezüglich des Bezugspunkts eine andere ist. Da letztlich nur der linke Halbraum des
Bezugspunkts bei der RV-Analyse untersucht wurde und wieder radiale Strahlen verwendet
wurden, ist ein Polargitter, das auf eben den linken Halbraum beschränkt ist, eine passende
Darstellungsform. Um dessen Aussehen noch mehr dem des RV in den Kurzachsenaufnahmen
anzupassen wird zusätzlich die y-Achse mit dem Faktor 1.5 skaliert, wodurch sich die Form
des Polargitters von einem Halbkreis zu einer halben Ellipse verändert (Abb. 8.9).
Den Gitterpunkten werden wieder die darzustellenden Skalarwerte zugeordnet, und anhand von in der Literatur gegebenen Referenzwerten [RBPR99, KLHP05, KNV06] schließlich
Farben. Das Polargitter besteht entsprechend den segmentierten Regionen des RV aus drei
151
152
Analyse der rechtsventrikulären Funktion
Parameter
Akkum. Wandbewegung
Ejektionsfraktion
minimum
15 mm
45 %
normal
25 mm
60 %
maximum
35 mm
75 %
Tabelle 8.1: Bei der Darstellung der berechneten Parameter im modifizierten Bull’s-EyeDisplay wird den Gitterpunkten eine von rot (minimum) über grün (normal) nach blau
(maximum) verlaufende Farbskala entsprechend den in der Tabelle angegebenen Werten
zugeordnet (Abb. 8.9).
Segmenten, deren Zuordnung aus Abb. 8.9 und 8.2 ersichtlich wird.
Die Darstellung der RV-Parameter (Abb. 8.10) in Anlehnung an die LV-Analyse sorgt
nicht nur für ein einfaches Verständnis, sondern ermöglicht auch einen einfachen Vergleich
der Dynamik beider Kavitäten. So ist es beispielsweise möglich, den zeitlichen Verlauf der
Volumenänderung in beiden Ventrikeln direkt zu untersuchen oder bei Patienten mit einer
linksventrikulären Dysfunktion das Schlagverhalten des RV in Relation zu setzen (Abb. 8.11),
um eventuelle Sekundärveränderungen zu identifizieren.
8.3. Ableitung von Bewegungsparametern
Abbildung 8.10: Ergebnisse der RV-Analyse für einen gesunden Patienten. Die Form der Zeitkurven entspricht in etwa dem, was
man auch aus der LV-Analyse kennt.
153
154
Analyse der rechtsventrikulären Funktion
Abbildung 8.11: Ergebnisse der RV-Analyse für einen Patienten mit einem Infarkt im basalen Bereich des Septums. Auffällig ist
das stark ausgeprägte Minimum der Volumenkurven und der sehr flache Verlauf der Wandbewegungskurven.
Teil III
Diskussion und Zusammenfassung
155
Kapitel 9
Diskussion
Nicht alles Wünschenswerte ist erreichbar,
nicht alles Erkennenswerte erkennbar.
Johann Wolfgang von Goethe
m Rahmen dieser Arbeit wurden verschiedene Verfahren für eine automatisierte Analyse
der Koronararterien und von rechtem und linkem Ventrikel vorgestellt. Der Schwerpunkt
bei der Entwicklung dieser verbesserten bzw. neuen Ansätze lag auf deren klinischer Anwendbarkeit. Dies stellt besondere Anforderungen an die Algorithmen. Neben der möglichst
exakten Reproduktion der anatomischen Verhältnisse bei der Extraktion der zu untersuchenden Strukturen ist vor allem ein geringer Input vom Anwender bei einer schnellen Ausführung
der Algorithmen gefordert.
Vergegenwärtigt man sich, daß die sowohl räumliche als auch zeitliche Auflösung der
aufgenommenen medizinischen Bilddaten stetig steigt, die Zeit für die Begutachtung dieser
Daten aber mehr oder weniger gleichbleibt, so wird deutlich, daß eine Automatisierung der
Analyse unabdingbar ist. Eine komplette Autonomie solcher Algorithmen kann aber auch
nicht das beabsichtigte Ziel sein. Der untersuchende Arzt will und darf nicht von der – vor
allem auch visuellen – Analyse der Bilddaten ausgeschlossen werden. Letztlich liegt die finale
Diagnoseentscheidung bei ihm, und hier wird er sich auch in Zukunft nicht vollständig auf
Softwaresysteme, die an seiner statt solche Entscheidungen treffen, verlassen.
Der Fokus der vorliegenden Arbeit lag deshalb darauf, durch eine Kombination von automatisierten Analyseverfahren in Verbindung mit adäquaten Methoden für die Visualisierung
der entsprechenden Ergebnisse, eine neue Qualität der computergestützten Bildanalyse für
den Bereich der Kardiologie zu erreichen. Bilddaten von CT und MRT sollen möglichst
automatisiert analysiert werden, dabei sollen die Verfahren einerseits exakte Ergebnisse liefern, andererseits wird gefordert, diese in einer für den klinischen Alltag akzeptablen Zeit
(= wenige Minuten) vorliegen zu haben. Die Unterstützung des Kardiologen und Radiologen soll dann in der Weise erfolgen, daß er durch die Präsentation der Analyseergebnisse
auf als problematisch erkannte Bereiche hingewiesen wird, um diese genauer zu inspizieren.
Gleichzeitig sollen physikalische Parameter aus den Bilddaten abgeleitet werden, die eine
zusätzliche quantitative Information für die Stellung der Diagnose darstellen.
I
157
158
Diskussion
Diese Ziele konnten durch die Entwicklung neuer und verbesserter Verfahren für die
Extraktion anatomischer Strukturen, eine darauf aufbauende automatische Analyse der betrachteten Körperregionen und schließlich die Einführung neuer, intuitiver Visualisierungsmethoden erreicht werden. Die wesentlichen Fortschritte dieser Arbeit sind:
1. die Entwicklung zweier neuer trackingbasierter Algorithmen für die Segmentierung von
Koronararterien in kontrastverstärkten CT-Daten,
2. die Einführung neuer Visualisierungsmethoden für die Präsentation der Ergebnisse der
Koronaranalyse,
3. die Schaffung direkter Vergleichsmöglichkeiten zwischen CT-Angiographie und konventioneller Angiographie,
4. die Kombination bestehender Segmentierungstechniken mit anatomischer Kenntnis für
eine automatisierte Extraktion von linkem und rechtem Ventrikel,
5. die Etablierung von umfassenden Analyseverfahren für die Dynamik des linken Ventrikels,
6. die erstmalige Anwendung dieser Ansätze auf die Dynamik des rechten Ventrikels,
7. die Einführung eines das asynchrone Verhalten von Bereichen des Ventrikels beschreibenden neuen Parameters in die LV-Analyse und
8. die Erweiterung der Diagnostik von Infarktbereichen um eine automatische Narbenquantifizierung und neue Visualisierungsmethoden.
9.1
Analyse von Koronararterien
Die Analyses der Herzkranzgefäße erfordert die Kenntnis über Lage und Verlauf von Gefäßrand und -mittellinie. Ansätze, die diese Daten liefern können, sind trackingbasierte Segmentierungsverfahren. Die beiden im Rahmen dieser Arbeit entwickelten Methoden sind genau
dieser Klasse zuzuordnen. Ausgehend von einer abgeschätzten Position der Mittellinie wird
in orthogonaler Richtung dazu der Rand detektiert. Die initial zu platzierenden Punkte der
Mittellinie werden dabei unterschiedlich generiert.
Beim Corkscrew-Algorithmus [WF04] wird mit einem neuen Ansatz – einer helixförmigen
Pfadsuche – zunächst eine erste Abschätzung der Mittellinie berechnet, die dann in Kombination mit der Randdetektion iterativ korrigiert wird. Durch deren automatische Berechnung
auf Basis von vom Anwender spezifiziertem Start-, Richtungs- und Endpunkt ist dieses Verfahren dem Imaginary Cathether [VBM+ 96], das die manuelle Definition von mehreren, das
gesamte zu segmentierende Gefäß überdeckenden Punkten erfordert, überlegen. Da zudem
die initiale Pfadsuche parallel zu den Koordinatenachsen erfolgt, ist selbige schnell, da kein
Resampling der Daten notwendig ist.
Der FPC-Algorithmus ist eine Erweiterung des initial von Verdonck et al. [VBM+ 95]
vorgeschlagenen und von Wink et al. [WNV00] aufgegriffenen Tracking-Ansatzes. Das hier
9.1. Analyse von Koronararterien
vorgestellte Verfahren sorgt für ein korrektes Handling variierender Durchmesser und Gefäßkrümmungen durch eine iterative Adaptierung des verwendeten Suchkegels. Ein Verlassen
des Gefäßes während der Pfadsuche kann damit abgefangen werden. Zudem ist die Anzahl
der zu justierenden Parameter deutlich geringer als bei Wink et al., so daß mit dem FPCAlgorithmus ein höherer Grad der Automatisierung erreicht werden kann.
Eine mögliche Weiterentwicklung der vorgestellten Segmentierungsmethoden wäre eine Kombination der beiden. So ließen sich beispielsweise die einfache Vorverarbeitung und
Randdetektion des FPC-Algorithmus, die einfach strukturierte Pfadsuche beim CorkscrewAlgorithmus und die Verwendung des adaptiven Suchkegels miteinander verschmelzen. Dies
würde den ursprünglichen Corkscrew-Algorithmus um die Fähigkeit erweitern, auch über
Unterbrechungen hinweg, den Gefäßverlauf zu verfolgen und zu einem positiven Segmentierungsergebnis zu führen.
Eine Beschränkung der vorgestellten Verfahren ist das nicht vorhandene Handling von
Bifurkationen. Dies stellt aber keine klinisch relevante Einschränkung dar, da es einerseits
klinisch völlig ausreichend ist, wenn die Analyse auf eine einzelne Koronararterie fokusiert
wird und anschließend mit der Untersuchung der nächsten begonnen wird. Eine komplette Segmentierung des Koronarbaums wie in [HBF+ 05] ist für die auf der Gefäßextraktion
aufbauende Analyse nicht notwendig. Um dennoch die Segmentierung eines bestimmten
Gefäßabschnitts sicherzustellen, sollte im distalen Bereich begonnen und die Arterie in Richtung Aorta verfolgt werden.
Im Bereich der automatisierten Koronaranalyse hat sich in den letzten Jahren viel getan. In der vorliegenden Arbeit vorgestellte Analyseverfahren und -möglichkeiten [WKF06]
sind teilweise schon in kommerziellen Softwaretools integriert. Dies betrifft vor allem die
Stenosen- und Plaqueanalyse [HMR06]. Hauptunterschied zu jenen Verfahren ist die in dieser Arbeit vorgestellte echte Dreidimensionalität der Analyse, die eben nicht nur auf zwei
orthogonalen MPR-Ansichten durchgeführt wird [DSL+ 04]. Die Detektion von Stenosen erfolgt mit den hier vorgestellten Verfahren vollautomatisch entlang des gesamten Gefäßes.
Die Definition eines Referenzlevels für den Gefäßdurchmesser [vL05] ist nicht notwendig, da
der berechnete relative Durchmesser in natürlicher Weise die Durchmesserverkleinerung in
den distalen Abschnitten der Gefäße berücksichtigt.
Die über einen einfachen x-y-Plot hinausgehende Visualisierung des Durchmesserverlaufs in der 3D-Ansicht der Daten ist eine intuitive Methode, um den gemessenen Parameter und seine Lokalisation miteinander in Verbindung zu bringen. Speziell die farbkodierte
3D-Visualisierung des relativen Durchmessers ermöglicht die direkte Erkennung stenotischer
Bereiche, bietet aber mehr Information als eine alleinige Indikation von Stenosen und Aneurysmen [KNK96].
Zur Generierung von MPR-Ansichten wird in der vorliegenden Arbeit ein virtueller, das
Gefäß mittig enthaltender Zylinder verwendet. Dieser repräsentiert eine Abbildung des die
Koronararterie enthaltenden Teilvolumens vom R3 in den R3 . Ein starker Informationsverlust
wie bei der Beschränkung auf nur zwei orthogonale MPR-Ansichten wird somit vermieden.
Desweiteren kann durch diese Transformation praktisch jede beliebige Ansicht dargestellt
werden und ermöglicht somit eine visuelle Inspizierung des Gefäßes on the fly. Dies stellt
neben dem diagnostischen Nutzen aufgrund der eingeführten, auf den Hounsfield-Werten
des Gewebes basierten Farbkodierung der identischen Ansichten auch eine neue Zusatzin-
159
160
Diskussion
formation für die Planung von als TECAB-Grafting ausgeführten Bypass-Operationen dar
[Wes05b].
Die klinische Anwendbarkeit der Analyseverfahren für die Koronararterien war der Hauptfokus bei deren Entwicklung. Diese wurde in einer klinischen Studie an einer Vielzahl routinemäßig aufgenommener Bilddaten nachgewiesen [KWG+ 06]. Da die automatisierte Analyse
zur manuellen Methode vergleichbar genau ist, die Ergebnisse aber in einer deutlich kürzeren
Zeit erhalten werden und zudem unabhängig vom Untersucher sind, stellen die vorgestellten
neuen Verfahren einen echten Fortschritt für den kardiologischen Bereich der Radiologie dar.
Im Vergleich mit dem Gold-Standard, der Koronarangiographie, schneiden die neuen Methoden ebenfalls sehr gut ab. Für den Vergleich der auf den beiden Modalitäten gewonnenen
Resultate ist die vorgestellte Generierung von DRR-Ansichten aus 3D-CT-Daten von Nutzen
[JLW08]. Neben der damit möglichen gleichartigen Visualisierung zu Anschauungszwecken
ist auch eine darauf basierende Bildregistrierung denkbar. Darauf aufbauend könnten Parameter aus der CTA-Analyse direkt in die Angiographie-Aufnahmen eingeblendet werden. Das
wäre dann ein weiterer Schritt auf dem Weg, das etablierte, invasive durch ein schonenderes,
nicht-invasives Untersuchungsverfahren zu ersetzten.
Schließlich hat das vorgestellte neue Verfahren zur Extraktion des Herzens aus CTThorax-Aufnahmen [JLW08] seine Wichtigkeit und seinen Nutzen in vielen der in dieser
Arbeit gezeigten Abbildungen bewiesen. Eine optimierte Visualisierung der Kardio-CT-Daten
auf Knopfdruck ist bequem und schnell und ermöglicht eine Fokusierung auf die Strukturen
von Interesse, die in diesem Fall die Koronararterien darstellten.
9.2
LV- und RV-Analyse
Die Analyse der beiden Ventrikel setzt die Extraktion dieser aus den Bilddaten voraus. Dabei
hängen die Analyseergebnisse ganz direkt von der Güte der Segmentierung ab. In der vorliegenden Arbeit wurde versucht, dieses Segmentierungsproblem durch eine Kombination von
Low-Level-Techniken wie Schwellwertverfahren mit der anatomischen Kenntnis über die zu
extrahierenden Strukturen zu lösen. Dies stellt einen Kompromiss zwischen einer möglichst
exakten Segmentierung und einer in einer akzeptablen Zeit durchführbaren Methode dar. Der
Grund dafür, daß sich dieses Zeitproblem so massiv darstellt, liegt darin begründet, daß für
die Untersuchung der Dynamik der Ventrikel Zeitserien analysiert werden müssen. Bei den
hier untersuchten Cine-MRT-Datensätzen bedeutet dies den Bedarf an etwa der 25-fachen
Zeit, wie es die Segmentierung eines Einzelvolumens erfordert. Damit kommen sehr genaue
Verfahren wie AAMs [PHT+ 05, BBM+ 06] oder Shape Models [FRSN02, FRDS06, GV07]
für die hier verfolgte klinische Anwendung nicht in Frage.
Ein weiteres Ausschlußkriterium für einige der möglichen Segmentierungsansätze war die
Forderung nach möglichst geringem, initialem Input von Seiten des Anwenders. Verfahren,
die das manuelle Setzen vieler Punkte [ZBG+ 02] oder das Einzeichnen von ganzen Konturen
in mehreren Schichtbildern erfordern [SB03, CLC+ 05], sind deshalb ebensowenig anwendbar.
Vielversprechend erscheinen Ansätze, die vollautomatisch, ohne jeden User-Input ablaufen.
Allerdings findet sich in den entsprechenden Publikationen keine Angabe über die für die
Segmentierung benötigte Zeit [JDFL01, LGW06], oder es ist die unpraktikabel lange Dauer
9.2. LV- und RV-Analyse
der Segmentierungsalgorithmen [FPS05] bekannt1 .
Die im Rahmen dieser Arbeit verwendete Segmentierung kommt mit der Definition von
zwei Punkten aus, um die komplette Zeitserie innerhalb von 1 bis 2 min zu segmentieren.
Dies ist vor allem den verwendeten Schwellwertverfahren zu verdanken, die in Verbindung mit
Filtern, die anatomische Kenntnisse über die zu extrahierenden Ventrikel integrieren, zu einer
schnellen und robusten Segmentierung führen. Wo es wie im Falle des RV notwendig war,
über diesen einfachen Schwellwertansatz hinaus anspruchsvollere Verfahren zu verwenden,
erfolgte dies bei gleichzeitiger Beibehaltung eines möglichst einfachen Workflows. Dieser
beinhaltet in der vorliegenden Form die Segmentierung von LV und RV, an die sich dann die
spezifischen Analyseverfahren anschließen.
Mögliche Verbesserungen der Segmentierung bei gleichzeitiger Konservierung der Einfachheit der Ansätze sind
• die Verwendung der beiden orthogonalen Schnitte für eine Optimierung der Randdetektion von Endokard und Epikard,
• die Verwendung der Segmentierungsinformation aus anderen Zeitphasen für eine verbesserte Ausreißererkennung und -korrektur und
• eine Kombination der anatomischen Kenntnisse über die beiden Ventrikel, um speziell
den Bereich des LVOT besser zu berücksichtigen.
Die basierend auf den Segmentierungsverfahren ablaufende Analyse der Dynamik des
LV ist in ihrer Vollständigkeit und Detailliertheit einmalig, es finden sich keine vergleichbar
umfassenden Methoden in der Literatur. Die bisher existierenden Verfahren beschränken
sich auf den zeitlichen Verlauf der Volumenänderung oder betrachten nur Endsystole und
Enddiastole und die zwischen diesen beiden Zeitpunkten stattfindenden Bewegungsänderungen. Da sich im Rahmen dieser Arbeit auf die Einhaltung der von der AHA vorgeschlagenen
Standards [CWD+ 02] konzentriert wurde [WSFD04, Wes05a, WN06], ist eine Vergleichbarkeit der extrahierten Parameter mit anderen Verfahren [KHB+ 06, HBK+ 07] möglich.
Allerdings ist hier einschränkend zu sagen, daß vor allem kommerzielle Anbieter gern ihr
eigenes Süppchen kochen und sich eben nicht an genau diese Standards halten [BJK03].
Die Erweiterung der AHA-konformen Darstellung der Analyseergebnisse auf deren 3DVisualisierung lehnt sich an Publikationen von Eusemann et al. [ERBR01] an. In der vorliegenden Arbeit werden aber im Gegensatz zu dessen Ansätzen die etablierten dynamischen
Parameter Wandbewegung (WM), Wanddickenzunahme (WT) und Ejektionsfraktion (EF)
auf die Ventrikeloberfläche gemappt. Damit ist diese Erweiterung einfach verständlich und
paßt sich in die bestehende Analysemethodik ein. Die im Rahmen dieser Arbeit eingeführte Erweiterung in Bezug auf diese Darstellungsform betrifft die Integration einer zweiten
Bildgebung in die Analyse. Diese kombinierte Darstellung von Narbengewebe und Bewegungsparametern ist neuartig und ermöglicht damit erstmals eine direkte Korrelation von
Narbenlokalisation und veränderter Ventrikeldynamik [WWN+ 07].
Neben der visuellen Integration der Narbendaten wurde auch ein automatisches Verfahren für die Narbenquantifizierung vorgestellt [WNW07]. Die dabei verwendeten Methoden
1
Diskussion mit K. D. Fritscher am Rande der FIMH 2005
161
162
Diskussion
sind ähnlich zu aktuellen Arbeiten anderer Gruppen [SES+ 06], stellen aber die extrahierte
Information in einer deutlich intuitiveren Art und Weise dar. Da hier zudem auch wieder auf
Konformität zu den AHA-Vorgaben geachtet wurde, ist die Darstellung der Transmuralität
für den Kardiologen sofort erfassbar. Eine Möglichkeit für die Verbesserung der Narbenextraktion ist die Optimierung der Übertragung der Endokard- und Epikardgrenzen aus den
Cine-Daten. Hier sollte eine schichtweise, nicht-rigide Registrierung Vorteile bringen.
Als neuer Deskriptor für das dynamische Verhalten des linken Ventrikels wurde die Asynchronität eingeführt. Dies erweitert die Reihe der möglichen Parameter [FNV01], die aus
dynamischen Herzbilddaten extrahiert werden können. Der Nutzen dieser neuen Größe zeigt
sich deutlich bei den exemplarisch dargestellten Analyseergebnissen (7.7.3). Die farbkodierte
Darstellung der Asynchronität ermöglicht die sofortige Identifizierung von Bereichen des LV
mit abnormalen Bewegungsmustern. Pathologien, deren Lokalisation aus klinischen Diagnoseinformationen bekannt war, werden von dem neuen Parameter deutlicher repräsentiert als
von den etablierten Größen WM, WT und EF. Weitere klinische Studien werden zeigen, wie
sich die Aussagekraft der neu eingeführten Asynchronität bei einer größeren Patientenpopulation und weiteren Pathologien darstellt. Dabei kann davon ausgegangen werden, daß
das Verständnis auf Seiten des Kardiologen in diesem Fall größer ist als für eher technischmathematische Parameter wie PCA-Moden [ZTW+ 07].
Im Rahmen dieser Arbeit wurden zudem erstmals die Methoden der detaillierten Analyse der Ventrikeldynamik vom LV auf das RV übertragen. Dies geschah exemplarisch für
WM und EF. Die Visualisierung lehnt sich dabei an den Fall des LV an, und es wurde
ein in der Form und Aufteilung der Segmente modifiziertes Bull’s-Eye-Display für das RV
eingeführt. Der klinische Nutzen dieser Form der RV-Analyse ist noch nicht bekannt. Hier
müssen weitere Untersuchungen folgen. Was allerdings festgehalten werden kann, ist, daß
das präsentierte automatische Verfahren die aus der Literatur bekannten Werte für die EF
bei den untersuchten Datensätzen korrekt reproduziert hat. Auch zeigen die Zeitkurven für
die Wandabstände und Volumina über den Herzzyklus einen aus der LV-Analyse bekannten
Verlauf.
Der Nutzen dieser neuen RV-Analyse wird sich vor allem in Kombination mit der LVAnalyse zeigen. Eine klinische Evaluation dieser Ansätze steht direkt bevor. Hier stehen
Fragen nach der Korrelation der Bewegung der beiden Ventrikel auf der Tagesordnung.
Deren praktische Anwendung betrifft vor allem die Resynchronisationstherapie [AH03], wo
Verschiebungen der Bewegungsmuster von LV und RV durch den Einsatz von Herzschrittmachern korrigiert werden. Hierfür stellt die angesprochene Kombination der Ventrikelanalysen
einen diagnostischen Nutzen als auch einen für die Therapieplanung dar.
Kapitel 10
Ausblick
In der Wissenschaft gleichen wir alle nur den
Kindern, die am Rande des Wissens hie und da
einen Kiesel aufheben, während sich der weite
Ozean des Unbekannten vor unseren Augen
erstreckt.
Isaac Newton
ie Automatisierung der Analyse ist ein notwendiges Unterfangen, um der wachsenden Menge von medizinischen Bilddaten Herr zu werden. Eine robuste, schnelle und
zuverlässige Segmentierung bestimmter anatomischer Strukturen ist dafür der erste
Schritt. Die Extraktion sinnvoller und klinisch relevanter Parameter der zweite. Schließlich
müssen diese Ergebnisse dann allein oder gemeinsam mit den aufgenommenen Bilddaten in
einer kompakten und verständlichen Weise dem Untersucher präsentiert werden.
Algorithmen für die Extraktion von Organen werden ständig optimiert, neue werden
entwickelt. Ein Ende dieser Tendenz ist nicht absehbar. Verbesserte Bildaufnahmetechniken
werden die Untersuchung neuer Fragestellungen ermöglichen, Erkenntnisse aus Mathematik
und Physik werden zu neuen Ansätzen für die Bildverarbeitung führen. Eines ist dabei aber
in Bezug auf die Segmentierung ganz gewiss:
D
. . . no one algorithm can robustly segment a variety of relevant structures in
”
medical images over a range of datasets.“
Duncan und Ayache, [DA00]
Zukünftige Analyseverfahren werden die Informationen aus mehreren Bildmodalitäten
miteinander kombinieren. Dies wird eine neue Qualität für die Diagnose und Therapieplanung
bedeuten. Ein solcher Ansatz für die Verknüpfung von dynamischen Bewegungsparametern
des Herzens mit morphologischen Informationen über die Lokalisation von Infarktnarben
wurde in dieser Arbeit präsentiert [WWN+ 07, WNW07]. Andere aktuelle Arbeiten auf dem
Gebiet der Kardiologie [KHB+ 06, HBK+ 07] gehen in die gleiche Richtung. Dieser Trend wird
sich noch verstärken, die Untersuchung kardiologischer Fragestellungen stellt hier zusammen
mit der Onkologie eine Vorreiterrolle dar.
163
164
Ausblick
Ein mehr an Bildmodalitäten und berechneten Parametern stellt aber auch ein mehr an
zu übermittelnder und darzustellender Information dar. Hier werden neue Visualisierungsmethoden entstehen, die dazu beitragen werden, dieses Problem zu lösen. Speziell für den
Bereich der Kardiologie sind Visualisierungsmethoden für die Darstellung des dynamischen
Verhaltens denkbar und wünschenswert. Hier wird der Fortschritt auf dem Gebiet der Graphikhardware die instantane Generierung noch realistischerer, echtzeitfähiger Animationen
ermöglichen – bei gleichzeitiger Beibehaltung der für eine sinnvolle Nutzung dieser Darstellungen notwendigen Interaktivität.
Die Computergraphik im allgemeinen und die medizinische Bildverarbeitung im speziellen
bieten Möglichkeiten, um grundlegende wissenschaftlich-technische Erkenntnisse direkt auf
ganz spezifische Probleme des alltäglichen Lebens anzuwenden. Die somit mögliche Hilfe für
einen Mediziner beim Treffen einer unter Umständen lebenswichtigen Diagnoseentscheidung
stellt dabei für mich den entscheidenden Anreiz für die Beschäftigung mit medizinischer
Physik und Bildverarbeitung dar, womit sich der Bogen zur Motivation für diese Arbeit
schließt.
Die Sorge um den Menschen selbst und sein Schicksal muß stets das
”
Hauptanliegen aller fachwissenschaftlichen Bestrebungen bilden . . .
Das sollte man mitten unter seinen Diagrammen und Gleichungen nie
vergessen.“
Albert Einstein
165
166
Abkürzungsverzeichnis
Abkürzungsverzeichnis
AAM
AHA
CT
CTA
DRR
EBCT
EDV
EKG
ESV
FPC
HU
IVUS
ITK
KHK
LAD
LCA
LE
LUT
LV
LVOT
MDCT
MIP
MPR
MRI
MRT
MSCT
MV
PET
PCA
QCA
RCA
RCX
RIVA
ROI
RV
RVOT
:
:
:
:
:
:
:
:
:
:
:
:
:
:
:
:
:
:
:
:
:
:
:
:
:
:
:
:
:
:
:
:
:
:
:
:
Active Appearance Model
American Heart Association
Computertomographie
CT-Angiographie
Digitally reconstructed radiograph
Electron beam CT
Enddiastolisches Volumen
Elektrokardiogramm
Endsystolisches Volumen
Forward-pointing cone
Hounsfield unit
Intra-vascular ultrasound
Image Registration and Segmentation Toolkit
Koronare Herzkrankheit
Left anterior descending
Left coronary artery
Late enhancement
Look-up table
Linkes Ventrikel
Left ventricular outflow tract
Multidetector-row CT
Maximum intensity projection
Multi planar reformation
Magnetic resonance imaging
Magnetresonanztomographie
Multi-slice CT
Mitral valves
Positron emission tomography
Principle component analysis
Quantitative coronary analysis
Right coronary artery
Ramus circumflexus
Ramus interventricularis anterior
Region-of-Interest
Rechtes Ventrikel
Right ventricular outflow tract
Abkürzungsverzeichnis
SA
SAD
SPECT
SSD
TECAB
U/S
VRF
VRT
VTK
:
:
:
:
:
:
:
:
:
Short axis
Sum of Absolute Differences
Single photon emission CT
Sum of Squared Differences
Totally endoscopic coronary artery bypass
Ultraschall
Vessel region focused
Volume rendering technique
Visualization Toolkit
167
Literaturverzeichnis
[AH03]
W. T. Abraham and David L. Hayes. Cardiac Resynchronization Therapy for
Heart Failure. AHA Circulation, 108(21):2596–2603, 2003.
[AIR04]
K. E. Augustine, D. R. Holmes III, and R. A. Robb. ITK and ANALYZE:
a synergistic integration. In Jr.; Eds Robert L. Galloway, editor, Medical
Imaging Symposium 2004, volume 5367 of Proc. of SPIE, pages 6–15, 2004.
[AJH+ 90]
A. S. Agatston, W. R. Janowitz, F. J. Hildner, N. R. Zusmer, M. Viamonte,
and R. Detrano. Quantification of Coronary Artery Calcium Using Ultrafast
Computed Tomography. J Am Coll Cardiol, 15(4):827–832, March 1990.
[AMK05]
L. Axel, A. Montillo, and D. Kim. Tagged magnetic resonance imaging of
the heart: a survey. Medical Image Analysis, 9:376–393, 2005.
[BAB+ 06]
M. J. Budoff, S. Achenbach, R. S. Blumenthal, J. J. Carr, J. G. Goldin,
P. Greenland A. D. Guerci, J. A. C. Lima, D. J. Rader, G. D. Rubin L. J.
Shaw, and S. E. Wiegers. Assessment of Coronary Artery Disease by Cardiac Computed Tomography. Circulation 114:1761–1791, American Heart
Association, Inc., 2006. http://www.circulationaha.org.
[BBM+ 06]
T. Böhler, T. Boskamp, H. Müller, A. Hennemuth, and H.-O. Peitgen. Evaluation of Active Appearance Models for Cardiac MRI. In H. Handels et al.
editor, Bildverarbeitung für die Medizin, Informatik aktuell, pages 171–175.
Springer, 2006.
[BCS+ 03]
R. Battani, C. Corsi, A. Sarti, C. Lamberti, T. Piva, and R. Fattori. Estimation
of right ventricular volume without geometrical assumptions utilizing cardiac
magnetic resonance data. In Proc. of IEEE Conf. Computers in Cardiology,
pages 81–84, 2003.
[BFD+ 99]
P. Balzer, A. Furber, S. Delépine, F. Rouleau, F. Lethimonnier, O. Morel,
A. Tadei, P. Jallet, P. Geslin, and J. J. le Jeune. Regional Assessment of
Wall Curvature and Wall Stress in Left Ventricle With Magnetic Resonance
Imaging. Am J Physiol, 277:901–910, 1999.
[BG90]
K. Bethge and G. Gruber. Physik der Atome und Moleküle. Eine Einführung.
Wiley-VCH Verlag GmbH, Weinheim, 1st edition, 1990.
169
170
Literaturverzeichnis
[BJK03]
M. Breeuwer, P. Johnson, and M. Kouwenhoven. Analysis of volumetric
cardiac CT and MR image data. medica mundi, 47:41–53, 2003. Philips
Medizin Systeme.
[BK04]
C.R. Becker and A. Knez. Past, Present, and Future Perspective of Cardiac
Computed Tomography. J Mag Res Im, 19:676–685, 2004.
[BKJ+ 99]
C. R. Becker, A. Knez, T. F. Jakobs, S. Aydemir, A. Becker, U. J. Schoepf,
R. Bruening, R. Haberl, and M. F. Reiser. Detection and Quantification
of Coronary Artery Calcification with Electron-Beam and Conventional CT.
European Radiology, 9:620–624, 1999.
[BMF+ 03]
D. Bartz, D. Mayer, J. Fischer, S. Ley, A. del Rio, S. Thust, C. P. Heussel,
H. U. Kauczor, and W. Straßer. Hybrid Segmentation and Exploration of
the Human Lungs. In Vis 2003, Proc. of IEEE Visualization, pages 177–184,
2003.
[Bro92]
L. G. Brown. A survey of image registration techniques. ACM Computing
Surveys, 24(4):325–376, 1992.
[BSMM93]
I. N. Bronstein, K. A. Semendjajew, G. Musiol, and H. Mühlig. Taschenbuch
der Mathematik. Verlag Harri Deutsch, Thun, Frankfurt am Main, 1st edition,
1993.
[Bun04]
Bundesministerium für Bildung und Forschung (BMBF). Herz in Gefahr?,
2004.
[BZI+ 05]
M. Berg, Z. Zhang, A. Ikonen, H. Manninen, and R. Vanninen. Carotid stenosis assessment with CT angiography using advanced vessel analysis software.
In H. U. Lemke, editor, Computer Assisted Radiology and Surgery, Proc. of
the 19th CARS 2005, pages 322–327. Elsevier, 2005.
[Car06]
C. Carrington.
Dual Source CT Bildgebung – eine neue Aera in
der Computertomographie.
Medical Solutions, pages 10–25, 2006.
http://www.siemens.com/medical.
[CCR+ 98]
T. Q. Callister, B. Cooil, S. P. Raya, N. J. Lippolis, D. J. Russo, and P. Raggi. Coronary Artery Disease: Improved Reproducibility of Calcium Scoring
with an Electron-Beam CT Volumetric Method. Radiology, 208(3):807–814,
September 1998.
[CLB03]
E. Castillo, MD, J. A. C. Lima, MD, and D. A. Bluemke, MD, PhD. Regional
Myocardial Function: Advances in MR Imaging and Analysis. Radiographics,
23(Special Issue):127–140, 2003.
[CLC+ 05]
C. Corsi, C. Lamberti, O. Catalano, P. MacEneaney, D. Bardo, R. M. Lang,
E. G. Caiani, and V. Mor-Avi. Improved Quantification of Left Ventricular
Volumes and Mass Based on Endocardial and Epicardial Surface Detection
Literaturverzeichnis
From Cardiac MR Images Using Level Set Models. J Cardiovasc Magn Reson,
7(3):595–602, 2005.
[CMT+ 05]
N. Charnley, A. Morgan, E. Thomas, S. Wilson, S. Bacon, D. Wilson, and
D. Bottomley. The use of CT-MR image registration to define target volumes
in pelvic radiotherapy in the presence of bilateral hip replacements. Br J
Radiol, 78(931):634–636, 2005.
[Cou03]
F. Coutin. Herzuntersuchung mit dem Aquilion 16 cfx – Grundsätze und klinische Vorteile der segmentierten Rekonstruktion. TOSHIBA Visions, (8):18–
23, 2003.
[CRG+ 07]
C. A. Cois, K. Rockot, J. Galeotti, R. Tamburo, D. Gottlieb, J. Mayer, A. Powell, M. Sacks, and G. Stetten. Automated segmentation of the right heart
using an optimized shells and spheres algorithm. In Proc. of International
Symposium on Biomedical Imaging, 2007.
[CT01]
T. F. Cootes and C. J. Taylor. Statistical models of appearance for medical
image analysis and computer vision. In M. Sonka et al. editor, Medical
Imaging Symposium 2001, volume 4322 of Proc. of SPIE, pages 238–248,
2001.
[CWD+ 02]
M. D. Cerqueira, N. J. Weissman, V. Dilsizian, A. K. Jacobs, S. Kaul, W. K.
Laskey, D. J. Pennell, J. A. Rumberger, T. Ryan, and M. S. Verani. Standardized Myocardial Segmentation and Nomenclature for Tomographic Imaging
of the Heart. Circulation 105:539–542, American Heart Association, Inc.,
2002. http://www.circulationaha.org.
[DA00]
J. S. Duncan and N. Ayache. Medical image analysis: progress over two
decades and the challenges ahead. IEEE Trans. PAMI, 22(1):85–106, 2000.
[DAA+ 02]
S. Dogan, T. Aybek, E. Andreßen, C. Byhahn, S. Mierdl, K. Westphal, G. Matheis, A. Moritz, and G. Wimmer-Greinecker. Totally Endoscopic Coronary
Artery Bypass Grafting on Cardiopulmonary Bypass with Robotically Enhanced Telemanipulation: Report of forty-five Cases. J Thorac Cardiovasc Surg,
123(6):1125–1131, June 2002.
[DSBS06]
J. Dietl, S. Schäfer, K. Baumer, and E. Sauer. Stellenwert der nicht invasiven
CT-Koronarangiographie für die Kardiologie. TOSHIBA Visions, (13):20–26,
2006.
[DSL+ 04]
M. Dewey, D. Schnapauff, M. Laule, A. Lembcke, A. C. Borges, W. Rutsch,
B. Hamm, and P. Rogalla. Multislice CT Coronary Angiography: Evaluation
of an Automatic Vessel Detection Tool. Fortschr Röntgenstr, 176:478–483,
2004.
171
172
Literaturverzeichnis
[DTWF05]
C. Dold, K. Tingelhoff, S. Wesarg, and E. A. Firle. LV-Segmentation and
Rotation Analysis Based on MRI Data. In U. Boenick et al., editor, Proc. of
the Jointly Held Congresses ICMP and BMT. Schiele & Schön, 2005.
[Ebe01]
M. Ebert. Non-ideal projection-data in x-ray computed tomography. Dissertation, Fakultät für Mathematik und Informatik, Universität Mannheim,
2001.
[EMRR01]
C. D. Eusemann, S. Mohlenkamp, E. L. Ritman, and R. A. Robb. 3D Quantitative Visualization of Altered LV Wall Thickening Dynamics Caused by Coronary Microembolization. In Medical Imaging 2001, volume 4321 of Proc.
of SPIE, pages 100–107, 2001.
[ERBR01]
C. D. Eusemann, E. L. Ritman, M. E. Bellemann, and R. A. Robb. Parametric
display of myocardial function. Computerized Medical Imaging and Graphics,
25(6):483–493, 2001.
[FF05]
G. Feuchtner and G. Friedrich.
Applikationen und Limitationen der
Mehrschicht-Computertomographie in der kardialen Bildgebung: Erfahrungen aus der klinischen Praxis. J Kardiol, (12):1–3, 2005.
[FGFF00]
A. Fischer, D. E. Gutstein, Z. A. Fayad, and V. Fuster. Predicting plaque
rupture: enhancing diagnosis and clinical decision-masking in coronary artery
disease. Vascular Medicine, 5:163–172, 2000.
[Fir07]
E. A. Firle. Automatische multimodale nicht-elastische Registrierung und
Visualisierung medizinischer 2D, 3D und 4D Datensätze. PhD thesis, Technische Universität Darmstadt, 2007. submitted.
[Fli99]
T. Fließbach. Mechanik – Lehrbuch zur Theoretischen Physik 1. Spektrum
Akademischer Verlag, Heidelberg, 3rd edition, 1999. ISBN 3-8274-0546-7.
[FND+ 06]
J. P. Finn, K. Nael, V. Deshpande, O. Ratib, and G. Laub. Cardiac MR
Imaging: State of the Technology. Radiology, (241):338–354, 2006.
[FNV01]
A. F. Frangi, W. J. Niessen, and M. A. Viergever. Three-Dimensional Modeling for Functional Analysis of Cardiac Images: A Review. IEEE Trans Med
Imaging, 20(1):2–25, January 2001.
[FNVV98]
A. F. Frangi, W. J. Niessen, K. L. Vincken, and . A. Viergever. Multiscale
vessel enhancement filtering. In Proc. of MICCAI 1998, volume 1496 of
LNCS, pages 130–137. Springer, 1998.
[FPS05]
K. D. Fritscher, R. Pilgram, and R. Schubert. Automatic Cardiac 4D Segmentation Using Level Sets. In A.F. Frangi, editor, Functional Imaging and
Modelling of the Heart, volume 3504 of LNCS, pages 113–122. Springer,
2005.
Literaturverzeichnis
[FRDS06]
D. Fritz, D. Rinck, R. Dillmann, and M. Scheuering. Segmentation of the left
and right cardiac ventricle using a combined bi-temporal statistical model. In
K. R. Cleary and Jr. R. L. Galloway, editors, Medical Imaging 2006, volume
6141 of Proc. of SPIE, pages 605–614, 2006.
[Fri03]
G. Friedrich. KHK-Diagnostik mit CT. J Kardiol, (10):56–59, 2003.
[FRSN02]
A. F. Frangi, D. Rueckert, J. A. Schnabel, and W. J. Niessen. Automatic
Construction of Multiple-Object Three-Dimensional Statistical Shape Models: Application to Cardiac Modeling. IEEE Transactions on Medical Imaging, 21(9):1151–1166, 2002.
[FUM00]
A. X. Falcão, J. K. Udupa, and F. K. Miyazawa. An ultra-fast user-steered
image segmentation paradigm: Live-wire-on-the-fly. IEEE Trans. on Medical
Imaging, 19(1):55–62, 2000.
[FW01]
P. Felkel and R. Wegenkittl. Vessel tracking in peripheral cta datasets –
an overview. In T. L. Kunii, editor, Proc. of SCCG’2001, pages 269–278.
Comenius University, Bratislava, Slovakia, 2001.
[GGB+ 02]
B. L. Gerber, J. Garot, D. A. Bluemke, K. C. Wu, and J. A.C. Lima. Accuracy
of Contrast-Enhanced Magnetic Resonance Imaging in Predicting Improvement of Regional Myocardial Function in Patients After Acute Myocardial
Infarction. Circulation AHA, (106):1083–1089, 2002.
[GKK99]
S. Großkopf, J.-J. Kim, and M.-H. Kim. Segmentation of Dynamic Cardiac
Images. In M.-H. Kim et al. editor, Advanced Medical Image Processing.,
Proc. of Germany-Korea Joint Conference, 1999.
[GKK+ 02]
T. C. Gerber, R. S. Kuzo, N. Karstaedt, G. E. Lane, R. L. Morin, P. F.
Sheedy, R. E. Safford, J. L. Blackshear, and J. H. Pietan. Current Results
and New Developments of Coronary Angiography With Use of ContrastEnhanced Computed Tomography of the Heart. Mayo Clin Proc, 77:55–71,
January 2002.
[Gra18]
H. Gray. Anatomy of the human body. Lea & Febiger, 1918.
[Gro01a]
S. Großkopf. Evaluating Deformable Models for Segmentation of Cardiac
Images. In M.-H. Kim et al. editor, Advanced Medical Image Processing.,
Proc. of Korea-Germany Joint Conference, 2001.
[Gro01b]
S. Großkopf. Realitätsnahe Modellierung und Visualisierung dynamischer
medizinischer Bilddaten mittels aktiver Konturen, aktiver Regionen und deformierbarer Modelle. Dissertation, TU Darmstadt, Fachbereich Informatik,
2001.
173
174
Literaturverzeichnis
[GV07]
A. Ghoreyshi and R. Vidal. Epicardial Segmentation in Dynamic Cardiac MR
Sequences Using Priors on Shape, Intensity, and Dynamics, in a Level Set
Framework. In Proc. of International Symposium on Biomedical Imaging,
2007.
[Han00]
H. Handels. Medizinische Bildverarbeitung. B. G. Teubner, Stuttgart, Leipzig,
1st edition, 2000. ISBN 3-5190-294-72.
[HBdR+ 97]
E. R. Holman, V. G. M. Buller, A. de Roos, R. J. van der Geest, L. H. B.
Baur, A. van der Laarse, A. V. G. Bruschke, J. H. C. Reiber, and E. E. van der
Wall. Detection and quantification of dysfunctional myocardium by magnetic
resonance imaging: A new three-dimensional method for quantitative wallthickening analysis. Circulation 95:924–931, American Heart Association,
Inc., 1997. http://www.circulationaha.org.
[HBF+ 05]
A. Hennemuth, T. Boskamp, D. Fritz, C. Kühnel, S. Bock, D. Rinck,
M. Scheuering, and H.-O. Peitgen. One-click Coronary Tree Segmentation in CT Angiographic Images. In H.U. Lemke, editor, Computer Assisted
Radiology and Surgery, Proc. of the 19th CARS 2005, pages 317–321. Elsevier, 2005.
[HBK+ 07]
A. Hennemuth, S. Behrens, C. Kühnel, S. Oeltze, O. Konrad, and H.-O.
Peitgen. Novel methods for parameter-based analysis of myocardial tissue in
MR images. In A. Manduca and X. P. Hu, editors, Medical Imaging 2007,
volume 6511 of Proc. of SPIE, 2007.
[HBL+ 05]
G. Hautvast, M. Breeuwer, S. Lobregt, A. Vilanova, and F. A. Gerritsen.
Automatic cardiac contour propagation in short axis cardiac cine MR images.
In H. U. Lemke, editor, Computer Assisted Radiology and Surgery, Proc. of
the 19th CARS 2005, pages 351–356. Elsevier, 2005.
[HCM05]
A. Histace and C. Cavaro-Ménard. Analysis of Tagged Cardiac MRI Sequences. In A. F. Frangi, editor, Functional Imaging and Modelling of the
Heart, volume 3504 of LNCS, pages 404–413. Springer, 2005.
[HFCP06]
U. Hoffmann, M. Ferencik, R. C. Cury, and A. J. Pena. Coronary CT Angiography. The Journal of Nuclear Medicine, 47(5):797–806, 2006.
[HG95]
A. Hildebrand and S. Großkopf. 3D Reconstruction of Coronary Arteries from
X-Ray Projections. In H. U. Lemke, editor, Computer Assisted Radiology,
Proc. of the CAR 1995. Springer, 1995.
[HGK01]
H. Hong, S. Großkopf, and M.-H. Kim. Ventricular Shape Visualization Using
Selective Volume Rendering of Cardiac Datasets. Computers in Biology and
Medicine, 31:481–498, 2001.
Literaturverzeichnis
[HL83]
W. S. Hinshaw and A. H. Lent. An introduction to NMR imaging: From
the Bloch equation to the imaging equation. In Proceedings of the IEEE,
volume 71, pages 338– 350, 1983.
[HMA00]
I. Haber, D. N. Metaxas, and L. Axel. Three-dimensional motion reconstruction and analysis of the right ventricle using tagged MRI. Medical Image
Analysis, 4(4):335–355, 2000.
[HMR06]
P. A. Hein, J. Mews, and P. Rogalla. Stellenwert der nicht invasiven CTKoronarangiographie für die Kardiologie. TOSHIBA Visions, (13):38–42,
2006.
[Hou92]
G. N. Hounsfield. Nobel Lecture, December 8, 1979. In J. Lindsten, editor,
Nobel Lectures, Physiology or Medicine 1971-1980, pages 568–586. World
Scientific Publishing Co., Singapore, 1992.
[HS85]
R. M. Haralick and L. G. Shapiro. Survey: Image Segmentation Techniques.
Computer Vision, Graphics, and Image Processing, 29:100–132, 1985.
[HSBO]
L.-G. Haw, S. Schroeder, C. Becker, and B. Ohnesorge. Koronar-CTA & konventionelle Angiographie – Vergleich der Standardprojektionen. SOMATOM
SESSIONS – Case reports from HEARTView CT Special Issue III, Siemens.
[HSM+ 04]
K. Hergan, A. Schuster, M. Mair, R. Burger, and M. Töpker. Normalwerte
der Herzdurchmesser in der Cine-MRT. Fortschr Röntgenstr, 176:1599–1606,
2004.
[HSS+ 04]
M. H. K. Hoffmann, H. Shi, F. T. Schnid, H. Gelman, H.-J. Brambs, and A. J.
Aschoff. Pictorial Essay. Noninvasive Coronary Imaging with MDCT in Comparison to Invasive Conventional Coronary Angiography: A Fast-Developing
Technology. Am J Roentgenol, (182):601–608, 2004.
[HSW02]
S. S. Halliburton, A. E. Stillman, and R. D. White. Noninvasive quantification
of coronary artery calcification: methods and prognostic value. Cleveland
Clinic Journal of Medicine, 69(3):6–11, 2002.
[HW92]
K.-E. Hellwig and B. Wegner. Mathematik und Theoretische Physik. Walter
de Gruyter, Berlin, New York, 1992. Band I.
[ISNC05]
L. Ibanez, W. Schroeder, L. Ng, and J. Cates, editors. The ITK Software
Guide 2.4. Kitware, Inc., 2005. ISBN 1-930934-15-7.
[Jäh05]
B. Jähne. Digitale Bildverarbeitung. Springer, Berlin, 6th edition, 2005.
[JDFL01]
M.-P. Jolly, N. Duta, and G. Funka-Lea. Segmentation of the Left Ventricle
in Cardiac MR Images. In 8th International Conference on Computer Vision,
volume 1 of Proc. of IEEE, pages 501–508, 2001.
175
176
Literaturverzeichnis
[JLW08]
M. Jähne, C. Lacalli, and S. Wesarg. Novel Techniques for Automatically
Enhanced Visualization of Coronary Arteries in MSCT Data and for Drawing
Direct Comparisons to Conventional Angiography. In Proc. of VISAPP, 2008.
accepted for publication.
[JWR+ 05]
R. M. Judd, A. Wagner, W. G. Rehwald, T. Albert, and R. J. Kim. Technology Insight: Assessment of Myocardial Viability by Delayed-Enhancement
Magnetic Resonance Imaging. Nat Clin Pract Cardiovasc Med, 2(3):150–158,
March 2005.
[KCH+ 01]
A. F. Kopp, C. D. Claussen, M. Heuschmid, A. Kuettner, and S. Schroeder.
New Developments in Cardiac Imaging: The Role of MDCT. J Clin Basic
Cardiol, 4(4):253–260, 2001.
[KCW+ 05]
A. Kolipaka, G. P. Chatzimavroudis, R. D. White, T. P. O’Donnell, and R. M.
Setser. Segmentation of non-viable myocardium in delayed enhancement
magnetic resonance images. Int J Cardiovasc Imag, 21(2-3):303–311, April
2005.
[KHB+ 06]
C. Kühnel, A. Hennemuth, T. Boskamp, S. Oeltze, S. Bock, S. Krass,
B. Preim, and H.-O. Peitgen. New Software Assistants for Cardiovascular
Diagnosis. In C. Hochberger and R. Liskowsky, editors, Informatik 2006.
Informatik für Menschen. Band 1, volume P-93 of GI-Lecture Notes in Informatics, pages 491–498, 2006.
[KI85]
J. Kittler and J. Illingworth. On threshold selection using clustering criteria.
IEEE Trans. Sys. Man Cyb., SMC-15:652–654, 1985.
[KLHP05]
A. Kjær, A.-M. Lebech, B. Hesse, and C. L. Petersen. Right-sided cardiac
function in healthy volunteers measured by first-pass radionuclide ventriculography and gated blood-pool SPECT: comparison with cine MRI. Clinical
Physiology and Functional Imaging, 25(6):344–349, 2005.
[KNK95]
Y. Kawata, N. Niki, and T. Kumazaki. An Approach for Detecting Blood
Vessel Diseases from Cone-Beam CT Image. In International Conference on
Image Processing, volume 2 of Proc. of IEEE, pages 500–503, October 1995.
[KNK96]
Y. Kawata, N. Niki, and T. Kumazaki. Measurement of blood vessel characteristics for disease detectionbased on cone-beam CT images. IEEE Transactions on Nuclear Science, 43(6):3348–3354, 1996.
[KNV06]
S. Kovalova, J. Necas, and J. Vespalec. What is a “normal” right ventricle?
Eur J Echocardiography, 7:293–297, 2006.
[Kop97]
H. Kopp. Bildverarbeitung Interaktiv. B. G. Teubner, Stuttgart, 1st edition,
1997.
Literaturverzeichnis
[Kös03]
R. Köster. Kleines ABC beim klinischen Einsatz der MSCT für Herzuntersuchungen. TOSHIBA Visions, (8):6–11, 2003.
[KQ03]
C. Kirbas and F. K. H. Quek. Vessel Extraction Techniques and Algorithms:
A Survey. In Bioinformatics and Bioengineering 2003, Proc. of the Third
IEEE Symposium on, pages 238–245, March 2003.
[KQ04]
C. Kirbas and F. K. H. Quek. A review of vessel extraction techniques and
algorithms. ACM Comput. Surv., 36(2):81–121, 2004.
[KS99]
A. C. Kak and M. Slaney. Principles of Computerized Tomography. IEEE
Press, 1999. electronic copy.
[KSR+ 06]
M. König, W. Spindler, J. Rexilius, J. Jomier, F. Link, and H.-O. Peitgen.
Embedding VTK and ITK into a visual programming and rapid prototyping
platform. In K. R. Cleary and Jr. R. L. Galloway, editors, Medical Imaging
2006, volume 6141 of Proc. of SPIE, pages 796–806, 2006.
[KWF+ 01]
A. Kanitsar, R. Wegenkittl, P. Felkel, D. Fleischmann, D. Sandner, and
E. Gröller. Computed Tomography Angiography: A Case Study of Peripheral
Vessel Investigation. In VIS 2001, Proc. of IEEE Visualization, pages 477–
480, 2001.
[KWG+ 06]
M. F. Khan, S. Wesarg, J. Gurung, S. Dogan, A. Maataoui, B. Brehmer,
C. Herzog, H. Ackermann, B. Aßmus, and T. J. Vogl. Facilitating coronary
artery evaluation in MDCT using a 3D automatic vessel segmentation tool.
European Radiology, 16(8):1789–1795, 2006.
[KWT87]
M. Kass, A. Witkin, and D. Terzopoulos. Snakes: Active Contour Models.
Int J Comp Vision, 1:321–331, 1987.
[Lav04]
G. A. Lavi. Mapping the coronary arteries on a sphere in CT angiography.
In Jr. Robert L. Galloway, editor, Medical Imaging Symposium 2004, volume
5370 of Proc. of SPIE, pages 285–293, 2004.
[LCd+ 99]
D. Loulmet, A. Carpentier, N. d’Attellis, A. Berrebi, C. Cardon, O. Ponzio,
B. Aupecle, and J. Y. Relland. Endoscopic Coronary Artery Bypass Grafting
with the Aid of Robotic Assisted Instruments. J Thorac Cardiovasc Surg,
118(1):4–10, July 1999.
[LCW+ 05]
N. Liu, S. Crozier, S. Wilson, F. Liu, B. Appleton, A. Trakic, Q. Wei,
W. Strugnell, R. Slaughter, and R. Riley. Right Ventricle Extraction by Low
level and Model-based algorithm. In Proc. of IEEE-EMBS 2005, pages 1607–
1610, 2005.
[LGW06]
M. Lynch, O. Ghita, and P. F. Whelan. Automatic segmentation of the left
ventricle cavity and myocardium in MRI data. Computers in Biology and
Medicine, 36:389–407, 2006.
177
178
Literaturverzeichnis
[LLL+ 04]
C. Lorenz, J. Lessick, G. Lavi, T. Bülow, and S. Renisch. Fast Automatic
Delineation of Cardiac Volumes of Interest in MSCT Images. In Jr.; Eds
Robert L. Galloway, editor, Medical Imaging Symposium 2004, volume 5370
of Proc. of SPIE, pages 456–466, 2004.
[LOPR97]
T. Lehmann, W. Oberschelp, E. Pelikan, and R. Repges. Bildverarbeitung
für die Medizin. Springer, Berlin, 1st edition, 1997. ISBN 3-5406-145-83.
[Lv05]
C. Lorenz and J. von Berg. Fast Automated Object Detection by Recursive
Casting of Search Rays. In H. U. Lemke et al., editor, Computer Assisted
Radiology and Surgery, volume 1281 of International Congress Series, pages
230–235. Elsevier, 2005.
[MBL+ 02]
S. C. Mitchell, J. G. Bosch, B. P. F. Lelieveldt, R. J. van der Geest, J. H. C.
Reiber, and M. Sonka. 3-D Active Appearance Models: Segmentation of
Cardiac MR and Ultrasound Images. IEEE Trans Med Imaging, 21(9):1167–
1178, September 2002.
[MDA01]
J. Montagnat, H. Delingette, and N. Ayache. A review of deformable surfaces:
topology, geometry and deformation. Image and Vision Computing, 19:1023–
1040, 2001.
[MFW+ 03]
R. Maier, G. Fürnau, M. Wonisch, F. M. Fruhwald, W. Klein, and N. Watzinger. Kardiale Magnetresonanztomographie – Anatomie und Planung. J
Kardiol, (10):3–7, 2003.
[MM04]
J. Mackay and G. Mensah, editors. The Atlas of Heart Disease and Stroke.
World Health Organization, 2004. ISBN 92-4-156276-5.
[MMA02]
A. Montillo, D. Metaxas, and L. Axel. Automated Segmentation of the Left
and Right Ventricles in 4D Cardiac SPAMM Images. In Proc. of MICCAI
2002, volume 2488 of LNCS, pages 620–633. Springer, 2002.
[Mor95]
H. Morneburg, editor. Bildgebende Systeme für die medizinische Diagnostik.
Publicis-MCD, 3rd edition, 1995.
[MT95]
T. McInerney and D. Terzopoulos. A dynamic finite element surface model
for segmentation and tracking in multidimensional medical images with application to cardiac 4D image analysis. Computerized Medical Imaging and
Graphics, 19:69–83, 1995. Special Issue on Cardiopulmonary Imaging.
[MT96]
T. McInerney and D. Terzopoulos. Deformable models in medical images
analysis: a survey. Medical Image Analysis, 1:91–108, 1996.
[MV98]
J. Maintz and M. Viergever. A survey of medical image registration. Medical
Image Analysis, 2(1):1–36, 1998.
Literaturverzeichnis
[MY01]
S. Masood and G.-Z. Yang.
Macroscopic Structure and Physiology of the Normal and Diseased Heart.
Technical Report 9, Imperial College London, Dept. of Computing, 2001.
http://www.doc.ic.ac.uk/research/technicalreports/2001/.
[Nat86]
F. Natterer. The Mathematics of Computerized Tomography. John Wiley &
Sons, New York, 1986.
[NCL+ 02]
K. Nieman, F. Cademartiri, P. A. Lemos, R. Raaijmakers, P. M. T.
Pattynama, and P. J. de Feyter. Reliable Noninvasive Coronary Angiography With Fast Submillimeter Multislice Spiral Computed Tomography. Circulation 106:2051-2054, American Heart Association, Inc., 2002.
http://www.circulationaha.org.
[NvF02]
E. Nagel, A. C. van Rossum, and E. Fleck, editors. Kardiovaskuläre Magnetresonanztomographie: Methodenverständnis und praktische Anwendung.
Steinkopff Verlag Darmstadt, 2002.
[OF00]
B. Ohnesorge and T. Flohr. Non-Invasive Cardiac Imaging with Fast MultiSlice Cardio CT. electromedica, 68:1–10, 2000. Spec. issue Cardiology,
Siemens AG.
[Ots79]
N. Otsu. A threshold selection method for gray level histograms. IEEE Trans.
Sys. Man Cyb., 9:62–66, March 1979.
[PB07]
B. Preim and D. Bartz. Visualization in Medicine. Theory, Algorithms, and
Applications. Morgan Kaufmann Series in Computer Graphics. Morgan Kaufmann, 1st edition, 2007.
[PBW01]
K. P. Pruessmann, P. Boesiger, and M. Weiger. SENSE: Empfindlichkeitskodierte MRT. medica mundi, 1:10–16, 2001. Philips Medizin Systeme.
[PFCF03]
H. K. Pannu, MD, T. G. Flohr, PhD, F. M. Corl, MS, and E. K. Fishman,
MD. Current Concepts in Multi-Detector Row CT Evaluation of the Coronary
Arteries: Principles, Techniques, and Anatomy. Radiographics, 23:111–125,
2003.
[PFZ+ 05]
R. Pilgram, K. D. Fritscher, R.-H. Zwick, M. F. Schocke, T. Trieb, O. Pachinger, and R. Schubert. Shape analysis of healthy and diseased cardiac
ventricles using PCA. In H. U. Lemke, editor, Computer Assisted Radiology
and Surgery, Proc. of the 19th CARS 2005, pages 357–362. Elsevier, 2005.
[PHT+ 05]
B. Pfeifer, F. Hanser, T. Trieb, C. Hintermüller, M. Seger, G. Fischer, R. Modre, and B. Tilg. Combining Active Appearance Models and Morphological
Operators using a Pipeline for Automatic Myocardium Extraction. In A. F.
Frangi, editor, Functional Imaging and Modelling of the Heart, volume 3504
of LNCS, pages 44–53. Springer, 2005.
179
180
Literaturverzeichnis
[PKvD+ 04]
T. Papavassiliu, H.P. Kühl, W. van Dockum, M.B.M. Hofman, O. Bondarenko, A.M. Beek, and A.C. van Rossum. Accuracy of One- and TwoDimensional Algorithms with Optimal Image Plane Position for the Estimation of Left Ventricular Mass: A Comparative Study Using Magnetic Resonance Imaging. Journal of Cardiovascular Magnetic Resonance, 6(4):845–
854, 2004.
[PP93]
N. R. Pal and S. K. Pal. A Review on Image Segmentation Techniques.
Pattern Recognition, 26:1277–1294, 1993.
[PP07]
S. Phumeechanya and C. Pluempitiwiriyawej. Left Ventricular Segmentation
Using Double Region-Based Snakes. In Proc. of International Symposium on
Biomedical Imaging, 2007.
[PPN+ 04]
C. Prest, R. Phillips, N. Nikitin, C. M. Langton, and J. G. Cleland. Automated left ventricular cardiac MRI segmentation, quantification and visualization using a radial-ray approach. In H.U. Lemke, editor, Computer Assisted
Radiology and Surgery, volume ICS 1268 of Proc. of the 18th CARS 2004,
pages 1120–1125. Elsevier, 2004.
[PRR02]
N. Paragios, M. Rousson, and V. Ramesh. Knowledge-based Registration &
Segmentation of the Left Ventricle: A Level Set Approach. In Proc. of WACV
2002, pages 37–42, 2002.
[QK01]
F. K. H. Quek and C. Kirbas. Vessel Extraction in Medical Images by
Wave-Propagation and Traceback. IEEE Transactions on Medical Imaging,
20(2):117–131, 2001.
[Rad17]
J. Radon. Über die Bestimmung von Funktionen durch ihre Integralwerte
längs gewisser Mannigfaltigkeiten. Berichte der Sächsischen Akademie der
Wissenschaften – Math.-phys. Klasse, 69:262–277, 1917.
[Rao02]
A. V. Rao. Lycopene, Tomatoes, and the Prevention of Coronary Heart
Disease. Exp Biol Med, 227:908–913, 2002.
[RBP+ 03]
D. Ropers, U. Baum, K. Pohle, K. Anders, S. Ulzheimer, B. Ohnesorge,
C. Schlundt, W. Bautz, W. G. Daniel, and S. Achenbach. Detection of Coronary Artery Stenoses With Thin-Slice Multi-Detector Row Spiral Computed
Tomography and Multiplanar Reconstruction. Circulation 107:664-666, American Heart Association, Inc., 2003. http://www.circulationaha.org.
[RBPR99]
M. B. Rominger, G. F. Bachmann, W. Pabst, and W. S. Rau. Right ventricular volumes and ejection fraction with fast cine MR imaging in breath-hold
technique: applicability, normal values from 52 volunteers, and evaluation of
325 adult cardiac patients. J Magn Reson Imaging, 10(6):908–918, 1999.
[RBR+ 05]
P. Rogalla, J. Blobel, A. Riemer, J. Mews, and A. Lembcke. Komplexe
Herzdiagnostik mit einem Spiralscan. TOSHIBA Visions, (12):22–29, 2005.
Literaturverzeichnis
[RD00]
J. Robbins and G. W. Dorn. Listening for hoof beats in heart beats. Nature
Medicine, 6:968–970, 2000.
[Rod03]
J. Rodenwaldt. Magnetresonanztomographie, Mehrschicht-Spiral-CT und
Elektronenstrahl-CT zur morphologischen und funktionellen Diagnostik der
koronaren Herzkrankheit – Methodische Entwicklungen, experimentelle Ergebnisse und Perspektiven. Habilitationsschrift, Medizinische Fakultät Charité der Humboldt-Universität zu Berlin, 2003.
[roe03]
Verordnung über den Schutz vor Schäden durch Röntgenstrahlung. BGBl.
2003, Teil I, Nr. 17, S. 604, 2003. (Röntgenverordnung - RöV).
[RWJH+ 05]
C. Rickers, N. M. Wilke, M. Jerosch-Herold, S. A. Casey, P. Panse, N. Panse,
J. Weil, A. G. Zenovich, and B. J. Maron. Utility of Cardiac Magnetic Resonance Imaging in the Diagnosis of Hypertrophic Cardiomyopathy. Circulation,
112(6):855–861, 2005. http://www.circulationaha.org.
[SAF+ 04]
J. B. Selvanayagam, A.Kardos, J. M. Francis, F. Wiesmann, S. E. Petersen,
D. P. Taggart, and S. Neubauer. Value of Delayed-Enhancement Cardiovascular Magnetic Resonance Imaging in Predicting Myocardial Viability After
Surgical Revascularization. Circulation – Cardiovascular Surgery 110, American Heart Association, Inc., 2004. http://www.circulationaha.org.
[SB03]
L. J. Spreeuwers and M. Breeuwer. Detection of left ventricular epi-and
endocardial borders using coupled active contours. In H. U. Lemke, editor,
Computer Assisted Radiology and Surgery, Proc. of the 17th CARS 2003,
pages 1147–1152. Elsevier, 2003.
[SB05]
L. J. Spreeuwers and M. Breeuwer. Model-based segmentation of short-axis
MR cardiac images. In H. U. Lemke, editor, Computer Assisted Radiology
and Surgery, Proc. of the 19th CARS 2005, pages 39–43. Elsevier, 2005.
[SCL+ 04]
M. Straka, M. Cervenanský, A. La Cruz, A. Köchl, M. Srámek, E. Gröller,
and D. Fleischmann. The VesselGlyph: Focus & Context Visualization in
CT-Angiography. In VIS 2004, Proc. of IEEE Visualization, pages 385–392,
2004.
[SDA06]
M. Sermesant, H. Delingette, and N. Ayache. An electromechanical model
of the heart for image analysis and simulation. IEEE Transactions on Medical
Imaging, 25(5):612–625, 2006.
[SDM+ 05]
J. M. Schussler, W. D. Dockery, T. R. Moore, K. B. Johnson, R. L. Rosenthal,
and R. C. Stoler. Computed Tomographic Coronary Angiography: Experience
at Baylor University Medical Center/Baylor Jack and Jane Hamilton Heart
and Vascular Hospital. Proc Bayl Univ Med Cent, 18(3):228–233, July 2005.
181
182
Literaturverzeichnis
[SES+ 06]
D. Säring, J. Ehrhardt, A. Stork, P. M. Bansmann, G. Lund, and H. Handels.
Analysis of the Left Ventricle after Myocardial Infarction combining 4D CineMR and 3D DE-MR Image Sequences. In Bildverarbeitung für die Medizin,
Informatik aktuell, pages 56–60, 2006.
[Set99]
J. A. Sethian. Level Set Methods and Fast Marching Methods. Cambridge
University Press, 1999. ISBN 0-5216-455-73.
[SHE+ 02]
E. Sorantin, C. Halmai, B. Erdöhely, K. Palágyi, L.G. Nyúl, K. Ollé, B. Geiger,
F. Lindbichler, G. Friedrich, and K. Kiesler. Spiral-CT-Based Assessment of
Tracheal Stenoses Using 3-D-Skeletonization. IEEE Transactions on Medical
Imaging, 21(3):263–273, March 2002.
[SKC+ 06]
R. M. Setser, J. K. Kim, Y. C. Chung, K. Chen, A. E. Stillman, R. Loeffler, O. P. Simonetti, J. A. Weaver, M. L. Lieber, and R. D. White. Cine
Delayed-Enhancement MR Imaging of the Heart: Initial Experience. Radiology, 239(3):856–862, 2006.
[SKL+ 04]
J. D. Schuijf, T. A. M Kaandorp, H. J. Lamb, R. J. van der Geest, E. P.
Viergever, E. E. van der Wall, A. de Roos, and J. J. Bax. Quantification of
Myocardial Infarct Size and Transmurality by Contrast-enhanced Magnetic
Resonance Imaging in Men. Am J Cardiol, 94(3):284–288, August 2004.
[SML02]
W. Schroeder, K. Martin, and B. Lorensen. The Visualization Toolkit – An
Object-Oriented Approach to 3D Graphics. Kitware, Inc., 3rd edition, 2002.
[SN02]
P. Schoenhagen and S. Nissen. Understanding coronary artery disease: tomographic imaging with intravascular ultrasound. Heart, 88(1):91–96, 2002.
[SPL+ 06]
N. Sang, W. Peng, H. Li, Z. Zhang, and T. Zhang. 3D reconstruction of
the coronary tree from two x-ray angiographic views. In J. M. Reinhardt and
J. P. W. Pluim, editors, Medical Imaging 2006: Image Processing, volume
6144 of Proc. of SPIE, pages 1591–1598, 2006.
[spl07]
Science Photo Library, 2007. http://www.sciencephoto.com.
[TBB+ 04]
E. Traversi, G. Bertoli, G. Barazzoni, M. Baldi, and R. Tramarin. Non-Invasive
coronary angiography with multislice computed tomography. Technology, methods, preliminary experience and prospects. Ital Heart J, 5:89–98, February
2004.
[Tuy83]
H. Tuy. An Inversion Formula for Cone-Beam Reconstruction. SIAM J
Applied Mathematics, 43(3):546–552, June 1983.
[VBM+ 95]
B. Verdonck, I. Bloch, H. Maı̂tre, D. Vandermeulen, P. Suetens, and G. Marchal. Blood Vessel Segmentation and Visualization in 3D MR and Spiral CT
Angiography. In H. U. Lemke, editor, Computer Assisted Radiology, Proc. of
the CAR 1995, pages 177–182. Springer, 1995.
Literaturverzeichnis
[VBM+ 96]
B. Verdonck, I. Bloch, H. Maı̂tre, D. Vandermeulen, P. Suetens, and G. Marchal. Accurate segmentation of blood vessels from 3D medical images. In
Proc. of Int. Conf. on Image Processing, volume 3, pages 311–314, 1996.
[vL05]
J. von Berg and C. Lorenz. Multi-Surface Cardiac Modelling, Segmentation,
and Tracking. In A. F. Frangi, editor, Functional Imaging and Modelling of
the Heart, volume 3504 of LNCS, pages 1–11. Springer, 2005.
[vRvdWS+ 94] F. P. van Rugge, E. E. van der Wall, S. J. Spanjersberg, A. de Roos, N. A.
Matheijssen, A. H. Zwinderman, P. R. van Dijkman, J. H. Reiber, and A. V.
Bruschke. Magnetic resonance imaging during dobutamine stress for detection and localization of coronary artery disease. Quantitative wall motion
analysis using a modification of the centerline method. Circulation AHA,
90(1):127–138, 1994.
[VW97]
P. A. Viola and W. M. Wells. Alignment by Maximization of Mutual Information. International Journal of Computer Vision, 24(2):137–154, 1997.
[WDTS05]
S. Wesarg, C. Dold, T. Tadge, and M. Seitel. Analyse des linken Ventrikels
nach AHA-Richtlinien unter Verwendung von VTK. In H.-P. Meinzer, editor,
Bildverarbeitung für die Medizin, Informatik aktuell, pages 16–20. Springer,
2005.
[Wes01]
S. Wesarg. Short-scan algorithms for fan-beam and cone-beam computed
tomography. Diplomarbeit, University of Heidelberg - Faculty of Physics and
Astronomy, 2001.
[Wes03]
B. Westerman. The Role of CT in the Assessment of Cardiac Function.
Cardiac function analysis, Toshiba America Medical Systems, Inc., 2003.
http://www.medical.toshiba.com.
[Wes05a]
S. Wesarg. AHA conform analysis of myocardial function using and extending
the toolkits ITK and VTK. In H. U. Lemke, editor, Computer Assisted
Radiology and Surgery, Proc. of the 19th CARS 2005, pages 44–49. Elsevier,
2005.
[Wes05b]
S. Wesarg. Supporting the TECAB Grafting through CT Based Analysis of
Coronary Arteries. In A.F. Frangi, editor, Functional Imaging and Modelling
of the Heart, volume 3504 of LNCS, pages 133–142. Springer, 2005.
[WF04]
S. Wesarg and E. A. Firle. Segmentation of Vessels: The Corkscrew Algorithm. In Jr. Robert L. Galloway, editor, Medical Imaging Symposium 2004,
volume 5370 of Proc. of SPIE, pages 1609–1620, 2004.
[Wie03]
H. Wiedemann. Synchrotron Radiation. Springer, Berlin Heidelberg, 2003.
183
184
Literaturverzeichnis
[WKF06]
S. Wesarg, M. F. Khan, and E. A. Firle. Localizing Calcifications in Cardiac
CT Data Sets Using a New Vessel Segmentation Approach. Journal of Digital
Imaging, 19(3):249–257, 2006.
[WN06]
S. Wesarg and S. Nowak. An Automated 4D Approach for Left Ventricular
Assessment in Clinical Cine MR Images. In C. Hochberger and R. Liskowsky,
editors, Informatik 2006. Informatik für Menschen. Band 1, volume P-93 of
GI-Lecture Notes in Informatics, pages 483–490, 2006.
[WNV00]
O. Wink, W. J. Niessen, and M. A. Viergever. Fast Delineation and Visualization of Vessels in 3D Angiographic Images. IEEE Trans. Med. Imaging,
19(4):337–346, 2000.
[WNW07]
D. Wald, S. Nowak, and S. Wesarg. Quantifizierung und Visualisierung von
Narbenbereichen des Myokards. In A. Horsch, editor, Bildverarbeitung für
die Medizin, Informatik aktuell, pages 323–327. Springer, 2007.
[WSFD04]
S. Wesarg, M. Seitel, E. A. Firle, and C. Dold. AHA conform visualization
of conventionally acquired cardiac CT data using the toolkits itk and vtk. In
H. U. Lemke, editor, Computer Assisted Radiology and Surgery, volume ICS
1268 of Proc. of the 18th CARS 2004, pages 1096–1101. Elsevier, 2004.
[Wün03]
B. Wünsche. The Visualization and Measurement of Left Ventricular Deformation. In Proceedings of the First Asia Pacific Bioinformatics Conference,
volume 19, pages 119–128. Australian Computer Society, Inc., 2003.
[WVA+ 96]
W.M. Wells, P.A. Viola, H. Atsumi, S. Nakajima, and R. Kikinis. Multi-Modal
Volume Registration by Maximization of Mutual Information. Medical Image
Analysis, 1(1):35–51, 1996.
[WVW+ 04]
I. Wolf, M. Vetter, I. Wegner, M. Nolden, T. Bottger, M. Hastenteufel,
M. Schobinger, T. Kunert, and H. P. Meinzer. The medical imaging interaction toolkit (MITK): a toolkit facilitating the creation of interactive software
by extending VTK and ITK. In Jr.; Eds Robert L. Galloway, editor, Medical
Imaging Symposium 2004, volume 5367 of Proc. of SPIE, pages 16–27, 2004.
[WWN+ 07]
S. Wesarg, D. Wald, S. Nowak, E. Giannitsis, H. A. Katus, and H. Steen.
Automated Quantification of Scar Tissue and its Correlation with Regions of
Stunned Myocardium. In N. N., editor, Abstract book of the 10th SCMR
annual meeting. N. N., 2007. in press.
[WY03]
B. Wünsche and A. A. Young. New techniques for visualizing and evaluating
left ventricular performance. In H. U. Lemke, editor, Computer Assisted
Radiology and Surgery, Proc. of the 17th CARS 2003, pages 1173–1178.
Elsevier, 2003.
Literaturverzeichnis
[YCS00]
P. J. Yim, P. L. Choyke, and R. M. Summers. Gray-scale skeletonization
of small vessels in magnetic resonance angiography. IEEE Transactions on
Medical Imaging, 19(6):568–576, 2000.
[YLL04]
Z. Ye, Z. Lin, and C.-C. Lu. A Fast 3D Region Growing Approach for CT
Angiography Applications. In Jr. Robert L. Galloway, editor, Medical Imaging
Symposium 2004, volume 5370 of Proc. of SPIE, pages 1650–1657, 2004.
[Yoo04]
T. S. Yoo, editor. Insight Into Images. A K Peters, Ltd., 1st edition, 2004.
ISBN 1-56881-217-5.
[ZBG+ 02]
L. Zhukov, Z. Bao, I. Guskov, J. Wood, and D. Breen. Dynamic deformable
models for 3d MRI heart segmentation. In Proceedings of SPIE Medical
Imaging, volume 4684, pages 1398–1405, 2002.
[ZF03]
B. Zitova and J. Flusser. Image registration methods: A survey. Image and
Vision Computing, 21(11):977–1000, 2003.
[ZTW+ 07]
H. Zhang, M. T. Thomas, N. E. Walker, A. H. Stolpen, A. Wahle, T. D.
Scholz, and M. Sonka. Four-dimensional functional analysis of left and right
ventricles using MR images and active appearance models. In A. Manduca
and X. P. Hu, editors, Medical Imaging 2007, volume 6511 of Proc. of SPIE,
2007.
[ZY96]
S. C. Zhu and A. L. Yuille. Region competition: unifying snakes, region
growing, and Bayes/MDL for multiband image segmentation. IEEE Trans.
on PAMI, 18:884–900, 1996.
185
Eigene Veröffentlichungen
[DTWF05] C. Dold, K. Tingelhoff, S. Wesarg, and E. A. Firle. LV-Segmentation and
Rotation Analysis Based on MRI Data. In U. Boenick et al., editor, Proc. of
the Jointly Held Congresses ICMP and BMT. Schiele & Schön, 2005.
[JLW08]
M. Jähne, C. Lacalli, and S. Wesarg. Novel Techniques for Automatically
Enhanced Visualization of Coronary Arteries in MSCT Data and for Drawing
Direct Comparisons to Conventional Angiography. In Proc. of VISAPP, 2008.
accepted for publication.
[KWG+ 06] M. F. Khan, S. Wesarg, J. Gurung, S. Dogan, A. Maataoui, B. Brehmer, C. Herzog, H. Ackermann, B. Aßmus, and T. J. Vogl. Facilitating coronary artery
evaluation in MDCT using a 3D automatic vessel segmentation tool. European
Radiology, 16(8):1789–1795, 2006.
[WDTS05] S. Wesarg, C. Dold, T. Tadge, and M. Seitel. Analyse des linken Ventrikels
nach AHA-Richtlinien unter Verwendung von VTK. In H.-P. Meinzer, editor,
Bildverarbeitung für die Medizin, Informatik aktuell, pages 16–20. Springer,
2005.
[Wes05a]
S. Wesarg. AHA conform analysis of myocardial function using and extending
the toolkits ITK and VTK. In H. U. Lemke, editor, Computer Assisted Radiology
and Surgery, Proc. of the 19th CARS 2005, pages 44–49. Elsevier, 2005.
[Wes05b]
S. Wesarg. Supporting the TECAB Grafting through CT Based Analysis of
Coronary Arteries. In A.F. Frangi, editor, Functional Imaging and Modelling of
the Heart, volume 3504 of LNCS, pages 133–142. Springer, 2005.
[WF04]
S. Wesarg and E. A. Firle. Segmentation of Vessels: The Corkscrew Algorithm.
In Jr. Robert L. Galloway, editor, Medical Imaging Symposium 2004, volume
5370 of Proc. of SPIE, pages 1609–1620, 2004.
[WKF06]
S. Wesarg, M. F. Khan, and E. A. Firle. Localizing Calcifications in Cardiac
CT Data Sets Using a New Vessel Segmentation Approach. Journal of Digital
Imaging, 19(3):249–257, 2006.
[WN06]
S. Wesarg and S. Nowak. An Automated 4D Approach for Left Ventricular
Assessment in Clinical Cine MR Images. In C. Hochberger and R. Liskowsky,
187
188
Eigene Veröffentlichungen
editors, Informatik 2006. Informatik für Menschen. Band 1, volume P-93 of
GI-Lecture Notes in Informatics, pages 483–490, 2006.
[WNW07]
D. Wald, S. Nowak, and S. Wesarg. Quantifizierung und Visualisierung von
Narbenbereichen des Myokards. In A. Horsch, editor, Bildverarbeitung für die
Medizin, Informatik aktuell, pages 323–327. Springer, 2007.
[WSFD04] S. Wesarg, M. Seitel, E. A. Firle, and C. Dold. AHA conform visualization of
conventionally acquired cardiac CT data using the toolkits itk and vtk. In H. U.
Lemke, editor, Computer Assisted Radiology and Surgery, volume ICS 1268 of
Proc. of the 18th CARS 2004, pages 1096–1101. Elsevier, 2004.
[WWN+ 07] S. Wesarg, D. Wald, S. Nowak, E. Giannitsis, H. A. Katus, and H. Steen.
Automated Quantification of Scar Tissue and its Correlation with Regions of
Stunned Myocardium. In N. N., editor, Abstract book of the 10th SCMR annual
meeting. N. N., 2007. in press.
Index
daVinci-System, 18
3D-Rekonstruktion, 68
Chords, 123
Cine-Datensatz, 135
Cine-MRT-Aufnahme, 142
Computertomographie, 20, 21
Corkscrew-Algorithmus, 80, 158
Cropping, 60
CT, 21, 77, 166
CT-Angiographie, 78
CTA, 30, 101, 166
AAM, 44, 160, 166
Abschwächung, 20
Absorptionskoeffizient, 20, 21, 69, 95
Achse, lange, 119, 122
Active Appearance Model, 44
AHA, 107, 166
Akinesie, 15
Analyse, 77
Angiographie, 20
Aorta, 64, 88
Apex, 9, 12, 89, 119
Asynchronie, 16, 125
Asynchronität, 125, 149
Atrium, linkes, 8
Atrium, rechtes, 8
Ausrichtung, geometrische, 142
Automatisierung, 79
Detektor, 69
Detektor-Koordinatensystem, 70
Detektorelement, 69
Diaphragma, 65
Diastole, 10, 15
Dichte, 20
Dilatation, 73
DRR, 68, 166
Dual-source, 34
Dyskinesie, 16
B-Spline-Interpolation, 85
Bereich, basaler, 112, 147
Bereich, distaler, 88
Bereich, ischämischer, 108
Bifurkation, 79
Bilddaten, dynamische, 107
Binarisierung, 42
Bloch-Gleichungen, 25
Bull’s-Eye-Display, 127, 137, 151
Bypass, 17, 77, 78, 99
Bypass-Grafting, 17
EBCT, 30, 31, 51, 166
EDV, 166
Ejektionsfraktion, 123
EKG, 11, 166
EKG-Zyklus, 32
Enddiastole, 123, 125, 149
Endokard, 9
Endokardvolumen, 123
Endsystole, 123, 125, 149
Epikard, 9
Erosion, 72
ESV, 166
Centerline-Methode, 123
189
190
Index
Eulerwinkel, 69
Extraktion, 107
ITK, 166
IVUS, 66, 166
Faltung, 42
Farbskala, 137
Farbverlauf, 127
Fettgewebe, 21
Filter, linearer, 41
FPC, 90, 166
FPC-Algorithmus, 158
Körperkreislauf, 8
Katheter, 29
Kavität, 9, 71, 107, 112
Kegelstrahlgeometrie, 69
Kernspin, 25
Kernspintomographie, 25
KHK, 12, 51, 78, 166
Knochen, 21
Koagulation, 78
Konfokale Mikroskopie, 20
Kontraktion, 150
Kontrastmittel, 29, 32, 61, 71, 78, 100
Kontur, 43, 48, 144
Kontur, aktive, 49
Konture, adaptive, 43
Koordinaten, homogene, 70
Koordinatentransformation, 98
Koronarangiographie, 78, 100
Koronararterie, 48, 66
Koronararterie, rechte, 89
Koronararterien, 9, 31, 77, 78
Kostenfunktion, 84
Krümmung, 144
Krebstherapie, 28
Kurzachsenaufnahme, 110, 111, 138
Gefäßbaum, 68, 72
Gefäßmittellinie, 47, 101
Goldstandard, 68
Gradientenfeld, 25
Grauwertklasse, 63, 112, 136
Hard Plaque, 12, 82, 104
Hard Plaques, 32, 94, 95
Herzbewegung, 77
Herzinfarkt, 12, 14, 77, 108
Herzkranzgefäß, 78
Herzkranzgefäße, 66
Herzmuskel, 73, 77, 108
Herzphase, 149
Herzschrittmacher, 142
Herzzyklus, 109, 128
Hesse-Matrix, 92
Hibernation, 14
Histogramm, 61
Histogrammausgleich, 89
Hounsfield-Einheit, 24, 100
Hounsfield-Skala, 24, 28
Hounsfield-Wert, 71
HU, 24, 100, 166
Hypokinesie, 15
Infarkt, nicht-transmural, 14
Infarkt, transmural, 14
Infarktnarbe, 134
Inter-Observer-Variabilität, 116
Interklassenvarianz, 62
Intraklassenvarianz, 62
Ischämie, 12, 15
Isotop, 25
Label, 63
LAD, 9, 166
Lagrange-Mechanik, 49
Lambert-Beer-Absorptionsgesetz, 20
Laplace-Filter, 89
Late Enhancement Imaging, 36, 54
LCA, 9, 166
LCX, 9
LE, 36, 51, 166
LE-Datensatz, 135
Level-Set, 49, 145
Level-Set-Funktion, 145
Linienintegral, 20, 22
Look-up Table, 100
Lungenkreislauf, 7, 141
Index
LUT, 100, 166
LV, 141, 166
LVOT, 112, 166
Magnetresonanztomographie, 20, 25
Maske, 101
Maske, binäre, 65
Maskierung, 71, 135
MDCT, 51, 166
Median-Filter, 89
Mesh, 68, 138
minimal-invasiv, 18
MIP, 97, 101, 166
Mitralklappe, 8, 112, 142
Modell, deformierbares, 44, 48
Modell, geometrisches, 50
Modell, statistisches, 44
MPR, 52, 97, 101, 166
MRI, 166
MRT, 25, 110, 166
MSCT, 30, 51, 66
Muskelgewebe, 21
Mutual Information, 45
MV, 166
Myokard, 9, 12, 120, 135
Myokardfunktion, 108, 110
Myokardvolumen, 136
Nachbarschaftsfilter, 72
Narbengewebe, 51, 54
Nekrose, 14
Objekt-Koordinatensystems, 69
OpenGL, 46
Opening, 82
Operation, morphologische, 72
Otsu-Verfahren, 61, 112, 135, 146
Papillarmuskel, 9
Papillarmuskeln, 120
Papillarmuskulatur, 112
Parameter, funktionale, 107
Parameter, geometrische, 69
Parameter, globale, 107
PCA, 54, 166
191
Perikard, 9, 120
PET, 20, 166
Pfadsuche, 79
Pixel, 40
Plane-Widget, 138
Plaque, 51
Port, 18
Projektionsbild, 71
Projektionsgeometrie, 69
Projektionsmatrix, 69
Punktoperator, 41
QCA, 103, 166
Röntgen, 20, 21, 69
Röntgen-Transformation, 21, 69
Radon-Transformation, 21
Ray Casting, 70
RCA, 10, 89, 166
RCX, 166
Region Growing, 43, 48, 136, 145
Registrierung, 28, 45
Rekonstruktion, 22
RIVA, 166
ROI, 166
RV, 141, 166
RVOT, 166
SA, 167
SAD, 45, 167
Schlüssellochchirurgie, 18
Schwellwert, 61, 71, 146
Schwellwertverfahren, 41, 50, 61, 72
Segmentierung, 77, 110, 142
SENSE, 36
Septum, 9, 111, 150
Shape Models, 160
Signal-zu-Rausch-Verhältnis, 35
Signalintensität, 144
Snakes, 44, 144
Soft Plaque, 12
Soft Plaques, 32, 93, 95
SPECT, 20, 167
Spin, 25
SSD, 45, 167
192
Index
Stenose, 12, 51, 52, 66
Stent, 16
Sternum, 7, 64
Strahlen, radiale, 49, 64, 102, 150
Stunning, 14
Systole, 10, 15
Tagged Imaging, 53, 108
TECAB, 167
TECAB-Grafting, 18, 79, 96, 99, 103, 160
Telemanipulationssystem, 78, 99
Thorax-CT, 60
Transformation, 41, 69
Transmuralität, 54, 135
Transparenz, 138
Triangle Strip, 128
Trikuspidalklappe, 8
U/S, 167
Ultraschall, 20
Variabilität, Inter-Observer-, 109
Variabilität, Intra-Observer-, 109
Ventrikel, 107
Ventrikel, linkes, 8, 49, 107, 141
Ventrikel, rechtes, 7, 8, 50, 89, 120, 141
Verfahren, invasives, 66
Verfahren, nicht-invasives, 66
Verkalkung, 66, 77, 79
Visualisierung, 101
Volumenänderung, regionale, 142
Voxel, 41
VRF, 167
VRF-Rendering, 101
VRT, 101, 167
VTK, 72, 138, 167
Wahrscheinlichkeit, 61
Wandbewegung, 107, 121, 142
Wandbewegung, akkumulierte, 122
Wandbewegungsstörung, 54, 108
Wanddicke, 123, 136
Wanddickenzunahme, 107, 121, 125
Zentralprojektion, 21
Zero-Level-Set, 49, 145
Zivilisationskrankheit, 12
Zusammenhangsanalyse, 43, 47
Zyklus, kompletter, 107
Zylinder, gekrümmter, 101
Zylinder, virtueller, 98
Lebenslauf
Dipl.-Phys. Stefan Wesarg
Allgemeines
Geboren
Familienstand
23.04.1973
in Leipzig
verheiratet
1991
Sept. 1991 –
Aug. 1993
Okt. 1993 –
Aug. 1996
Sept. 1996 –
Aug. 1997
in Berlin, EOS Albert Einstein
bei der Deutschen Bank in Berlin
zum Bankkaufmann
an der TU Berlin, Vordiplom in Physik
Ausbildung
Abitur
Berufsausbildung
Studium
Okt. 1997 –
Dez. 1999
Jan. 2000 –
Feb. 2001
Zivildienst
an der Ecole Nationale Supérieure de Physique
de Marseille, Frankreich, im Rahmen des
ERASMUS-Programms
an der Universität Heidelberg, Spezialisierung
in Medizinischer Physik
Diplomarbeit am DKFZ Heidelberg: Short-scan
algorithms for fan-beam and cone-beam computed
tomography, Diplom in Physik
Mrz. 1995 –
Apr. 1996
in Berlin, Fahrbarer Mittagstisch
bei der Volkssolidarität
Seit Mrz. 2001
in der Abteilung Cognitive Computing &
Medical Imaging
Senior Scientist
Berufl. Werdegang
Fraunhofer IGD
Seit Apr. 2006
Auszeichnungen
Eurographics
2005
Journal of Digital
Imaging
2007
Medical Prize, 2nd für MEDARPA - An Augmented
Reality System for Minimally Invasive Interventions
Best Paper 2006, 2nd für Localizing Calcifications
in Cardiac CT Data Sets Using a New Vessel
Segmentation Approach
193