Bioimaging Vorlesung und Übung im Sommersemester 2011 Volker Schmid und Julia Kärcher Kapitel 3: Medizinische Bildgebung Röntgen/CT – Vorteile 1. Röntgen, Angiographie 2. Computer-Tomographie, Rekonstruktion 3. Magnetresonanz-Tomographie, Prinzip a) Funktionale MRT, GLM, MELODIC b) Segmentierung c) Diffusion Tensor Imaging d) MRT mit Kontrastmittel, DCE-MRI, LoMIS, myocardiale PerfusionsBildgebung 4. Nuklearmedizinische Bildgebung Trotz neuer moderner Untersuchungen (Bsp. CT, MRT) immer nopch Standard in der Radiologie Konventionelle Röntgen-Aufnahmen liefern z.B. bei der Untersuchung der Lungen und der Knochen in der Regel ausreichende Informationen Vorteile: geringe Strahlenexposition kurze Dauer der Untersuchung günstig a) SPECT, PET b) Registrierung Seite 2 Röntgen/CT – Geschichte I Seite 5 Röntgenstrahlen Physikalische Prinzip seit 1895 bekannt, entdeckt durch Wilhelm Conrad Röntgen (1845-1923), 1901 Erster Nobelpreis für Physik Marie Curie (1867-1934) trug wesentlich zur Untersuchung der Radioaktivität bei und erhielt dafür den Nobelpreis (1903) Im ersten Weltkrieg entwickelt sie u.a. eine mobile Röntgenstation Elektromagnetische Strahlen mit kleinerer Wellenlänge als das Licht Werden im Körper absorbiert Schattenbild Dreidimensionaler Körper wird zweidimensional abgebildet Überlagerung von hintereinander liegenden Einzelstrukturen Seite 3 Seite 6 Beispiel: Röntgenaufnahme des Thorax Digitale Subtraktionsangiographie DSA: Bilderzeugung erfolgt durch Subtraktion eines Maskenbildes von Füllungsbild Maskenbild: Aufnahme vor Kontrastmittelinjektion Kontrastmittelinjektion Aufnahme einer Reihe von Füllungsbildern Nach Subtraktion des Maskenbildes von Füllungsbilder erhält man reine Gefäßbilder Seite 7 Ordnungszahlen und Dichte Seite 10 Computertomographie Klassisches Röntgen: Dreidimensionaler Körper wird zweidimensional abgebildet Überlagerung von hintereinander liegenden Einzelstrukturen CT: Schnittbilddarstellung innere Organe können überlagerungsfrei dargestellt werden Seite 11 Seite 8 Angiographie CT – Geschichte Darstellung von Blutgefäßen mittels Röntgenstrahlen Hierzu wird ein Kontrastmittel (Stoff, der für Röntgenstrahlen kaum durchlässig ist) in das Blutgefäß injiziert Auf Röntgenbild zeichnet sich der mit Kontrastmittel gefüllte Gefäßinnenraum ab Seite 9 Cormack 1964: rotierende Röntgenröhre zur Bildaufnahme Hounsfield 1968: Experimentalscanner EMI1972: erster CT-Scanner Seite 12 CT – Beispiel Lungenaufnahme Radontransformation J. Radon (1917) „Über die Bestimmung von Funktionen durch ihre Integralwerte längs gewisser Mannigfaltigkeiten“ Seite 16 Seite 13 CT – Funktionsweise I Projektion (Radontransformation) Röntgen-Schichtaufnahmeverfahren Transversalschnittbilder (Abbildung von Körperschichten, die in der Regel senkrecht zur Körperachse orientiert sind) 2D Darstellung Darstellung der unterschiedlichen Schwächungskoeffizienten des Gewebes Aufnahme von Projektionen aus vielen unterschiedlichen Winkeln „Berechnung“ des Bildes aus den Daten der unterschiedlichen Projektionen Tomographie Seite 14 CT – Funktionsweise II Seite 17 Rekonstruktion I gesucht: inverse Radontransformation g(p, ) einfache Rückprojektion: Seite 15 f(x,y) Seite 18 Rekonstruktion II Fourier-Rekonstruktion Messung mit einem Strahl j liefert Integral über Werte fi auf dem Strahl Gewichtung mit Flächenanteil wij Viele wij sind gleich null Lineare Gleichung p j =f'w j Bilde von allen Projektionen p (s) die 1DFouriertransformierte P (w) Trage die zu Werte von P (w) auf dem zu gehörenden Radialstrahl in F(u,v) ein f(x,y) ist dann die inversere 2D-Fouriertransformierte von F(u,v) mit j=1,...,M (Anzahl Messpunkte), f mit Dimension N (Anzahl Pixel) Seite 22 Seite 19 Iterative Rekonstruktion f (k ) =f ( k 1) ( f (k Gefilterte Rückprojektion 1) 'w k ) pk ( wk wk ) Hierbei wird vor der Rücktransformation im Fourierraum gefiltert wk Rekonstruktionsalgorithmus • Iteriere über alle Messwerte pk • • Beginne wieder mit k=1 Iteriere bis zur Konvergenz Seite 23 Seite 20 Ungefilterte gegen gefilterte Rückprojektion I Fourier-Scheiben-Theorem Sei eine Funktion f(x,y) gegeben und F(u,v) deren 2DFouriertransformierte f ( x , y) 2D FT F (u , v ) sei weiter p (s) eine Projektion von f(x,y) und P (w) deren 1DFouriertransformierte p ( s ) 1D FT P (w) dann beschreibt P (w) die Werte von F(u,v) auf einem Radialstrahl zum Winkel . Seite 21 Seite 24 Ungefilterte gegen gefilterte Rückprojektion II MRT – Prinzip I Es wird ein aeusseres Magnetfeld B0 angelegt (Magnetische) Atome richten sich im Magnetfeld aus Durch einen hochfrequenten Impuls (Pulssequenz) wird eine Auslenkung von bis zu 90o erreicht Seite 25 Rauschen bei CT Seite 28 MRT – T1-Zeit Rauschen der Messwerte geht in den Rekonstruktionsalgorithmus ein indirektes Rauschen der Bildpunkte Messen entspricht Zählen der Quanten im Detektor Poisson-Verteilung Für die Projektion gilt p (s )=ln also in etwa p ( s )= p ( s )± Longitudinale Relaxation (Spin-Gitter-Wechselwirkung) N0 N ( s) 1 N ( s) Seite 26 Magnetresonanztomographie (MRI) Geschichte Seite 29 MRT – T2/T2*-Zeit 1946 Prinzip der Kernmagnetischen Resonanz von Bloch und Purcell – 1952 Nobelpreis 1970 erste MRT (Gehirn, Messzeit 8 Std) 1973 Weiterentwicklung durch Lauterbur und Mansfield – 2003 Nobelpreis Ab 1984 kommerzielle Anwendungen Transversale Relaxation (Spin-Spin-Wechselwirkung) Beobachtete T2*-Zeit kuerzer wegen Inhomogenitaeten des B0-Felds Seite 27 Seite 30 Relaxation T2-gewichtetes Bild T1- und T2-Relaxation sind voneinander unabhaengig, laufen parallel ab Zeit nach der 63% des Signals zerfallen sind T2 ~ 100-300 ms T1 ~ 0.5-5s Protonendichte: Anzahl anregbarer Spins (maximales Signal) Seite 34 Seite 31 Protonendichte-gewichtetes Bild Einstellungen: TR/TE Seite 32 T1-gewichtetes Bild Seite 35 Signal Signal besteht aus zwei Teilen Frequenz (Herkunft des Signals in X-Richtung) Phasenaufteilung innerhalb jeder Frequenz (Herkunft des Signals in Y-Richtung) Seite 33 Seite 36 Fehler Artefakte: Bewegung Signal an sich hat normalverteilten Fehler Es läßt sich zeigen: Fehler der T1-Zeit ist Rice-verteilt Seite 37 MRT: Einstellungen Seite 40 Artefakte: Metall Pulssequenzen TR: Repetitionszeit: Zeit, die zwischen zwei aufeinander folgenden Anregungen der selben Schicht vergeht TE: Echozeit: Zeitspanne von der Anregung bis zur Messung des MR-Signals Gradienten: Auslenkung des Spins (bis zu 90o) Seite 38 Pulssequenzen Seite 41 Funktionale MRT (fMRI) Stoffwechselvorgänge sichtbar machen Dadurch Rückschlüsse auf Aktivität Anwendung insbesondere im Gehirn Blood-Oxygen-Level-Dependent-(BOLD-)Effekt Sauerstoffreiches und sauerstoffarmes Blut haben unterschiedliche magnetische Eigenschaften Verbrauch von Sauerstoff führt zu Signaländerung Seite 39 Seite 42 fMRI Posterior Probability Maps (PPM) Pre-Scan (Prüfung der korrekten Lage) 3D-MRI-Scan – räumlich hohe Auflösung, Anatomie fMRI-Scan – schnell, räumlich geringe Auflösung, Zeitreihe Bayesianische Variante der SPM Berücksichtige räumliche Struktur (GMRF) bereits im Regressionsmodell Vorteil: umgeht multiples Test-Problem; erlaubt komplexere Modellierung, zum Beispiel hemodynamischer Response Fragestellung: Welche Gehirnregionen werden bei welcher Aktivität beansprucht Seite 46 Seite 43 fMRI – Generelles Lineares Modell MELODIC Y[TxN] = X[TxK] B[KxN] + E[TxN] T: Scans=Zeitpunkte, N: Voxel, K: Kovariablen „Multivariate Exploratory Linear Optimized Decomposition into Independent Components” für fMRI Grundidee: Zerlegung des fMRI-Signals in unabhängige Komponenten Voll automatisiert Für Mehr-Patienten- und Multi-Session-Studien anwendbar Seite 47 Seite 44 Statistical Parameter Maps (SPM) GLM - MELODIC In jedem Pixel wird getestet, ob ein Effekt vorliegt F-test (global) t-Test (einzelner Effekt) -> multiples Testproblem Übergang von t-Statistik auf Z-Statistik (Approximation) Identifiziere Regionen mit Z>u (Threshold) Berechne Wahrscheinlichkeit P(Z,n), dass das Auftreten der Werte zufällig ist Berücksichtige dabei räumliche Struktur (GaussZufallsfeld) Seite 45 Seite 48 Daten-Analyse Probabilistisches ICA Induktiver Ansatz: Wie gut passt mein Modell zu den Daten? Problem Daten Model Analyse Ergebnis Model Ergebnis Y = XB + E Linearkombination latenter Signale unter weißem Rauschen (normalverteilt) Anzahl der Komponenten? Explorativer Ansatz Problem Daten Analyse Seite 52 Seite 49 Komponenten bei fMRI Probabilistisches ICA Zentraler Grenzwertsatz: Mischung mehrerer zufälliger Komponenten führt zu Normalverteilung Umgekehrt: Ist die Mischung von N+1 nicht „normalverteilter“ als die Mischung von N Komponenten, so ist die N+1. Komponente nicht zufällig Seite 50 Seite 53 Seite 51 Seite 54 PCA - ICA Multi-Session/Multi-Subject studies Seite 55 Seite 58 Segmentierung Seite 56 Segmentierung Cerebrospinalflüssigkeit (CSF) graue Masse weiße Masse Läsionen (LES) statistisch: Klassizierung aller (2 Millionen) Voxel in eine der vier Klassen unter Verwendung der mehrdimensionalen Intensitäten Seite 57 Räumliche Priori für Klassifikation Priori für Klassenzugehörigkeit x aus Pottsmodel (1 K ( x )= ( x (v ),x ( s )) ) v~s Alternativen: Berücksichtige Abhängigkeiten, z.B. Läsionen nur „neben“ weißer Masse Atlas-Informationen: Prior-Information über Segmentierung eines „Standard-Gehirns“ benutzen DTI-Fiber tracking Diffusion erfolgt entlang der Nervenfasern im Gehirn (Als Priori-Information nützen) Ist in jedem Voxel der Tensor bekannt, so kann man die Nervenfasern verfolgen Probabilistisches Tracking: Falls Verteilung auf Tensor bekannt, beginne an einem Punkt und berechne Wahrscheinlichkeitsverteilung für Endpunkt Seite 70 Diffusions Tensor Imaging (DTI) Diffusionsgewichtete Bildgebung: längere Scans, Information über Diffusion der Wassermoleküle Im Gehirn: DTI Diffusionstensorfeld (pro Voxel) ( D1 ( s ) D 4 ( s ) D5 ( s ) D( s )= D 4 (s ) D 2 ( s ) D 6 (s ) D5 ( s ) D6 ( s ) D3 ( s ) ) Isotropische 3D-Brownsche Bewegung der Wassermoleküle Seite 68 Stejskal-Tanner-Gleichung Seite 71 MR-Angiographie Zusammenhang zwischen Signal und Diffusionstensor ist gegeben durch Blutgefässe werden sichtbar gemacht Paramagnetisches Kontrastmittel S i ( s )=S 0 ( s )exp ( bg i ' D( s ) g i ) mit g Gradient, b Stärke des Magnetfelds Aufnahme mit mehreren Gradienten (bis zu 60) Schätzung der Werte im Diffusionstensor Seite 69 Seite 72 Kontrast-verstärkte MRI Daten DCE-MRI DCE-MRI, myocardial first-pass Perfusion, DSC-MRI... Zeitreihe von Scans nach Verabreichung eines magnetischen Kontrastmittels Seite 73 Compartment Modell Fragestellungen • • • • Krebsgewebe bildet verstärkt Gefässe aus und verstärkt dadurch den Blutzufluss zum Tumor (Angiogenese) Ort und Größenmessung des Tumors Diagnostik: Kinetik hängt von der Art des Tumors ab Krebsmedikamente zielen auf die Angiogenese, Vergleich vorher – nacher kep C t (t )=C p (t ) K trans exp ( k ep t ) Beispiel: DCE-MRI Kompartiment-Modelle II System von Differentialgleichungen Läßt sich unter Nebenbedingung C(0)=0 auflösen C t (t )=C p (t ) K trans exp ( k ep t ) Erweiterung durch weitere Kompartimente Summe von Exponentialfunktionen Vaskuläres Kompartiment Modell ist vereinfacht, zum Beispiel Annahme, dass sich das Kontrastmittel im Kompartiment gleichmäßig verteilt Seite 75 Seite 78 Nichtlineare Regression Longitudinale Studien 2 a i ( exp ( mi t ) exp( k ep t ) ) i=1 k ep mi C t (t )=DK trans + • t • Kleinst-Quadrat-Schätzer (Levenberg-Marquardt): Startwerte ? Konvergenz ? Bayes-Ansatz: = log(Ktrans) ~ N(0,1) = log(kep) ~ N(0,1) 2 • • Für Medikamententests ist man am Vergleich von DCEMRI-Bildern vor und nach der Behandlung interessiert Bei Anti-Angiogenese-Medikamenten sollte Ktrans während der Behandlung sinken In der Regel wird dazu bei jedem Patienten bei jedem Scan eine Region Of Interest ausgewählt und der gemittelte Ktrans-Wert verglichen, zum Beispiel mit WaldTest Oft nur geringe Patientenzahlen ~ IG(1,10-5) LoMIS: Longitudinal Medical Imaging Studies Parameterschätzung „Entfaltung“, zum Beispiel im Fourierraum (instabil) Nichtlineare Regression: Sei zum Beispiel (nach Tofts&Kermode) 1. 2. 3. Hierarchisches Bayes-Modell: Ebene: Datenbeobachtung Ebene: Kinetik Ebene: Mixed Effekt-Modell 2 C p (t )= D a i exp ( mi t ) i=1analytisch auflösen und man Dann läßt sich die Faltung hat ein nicht-lineares Regressionsproblem Konvergenzprobleme, Startwertprobleme... Alternativ: Benutze Priori-Information über Parameter in Bayes-Regression (+räumliche Info) log ( K trans )= is z+ x s + i + i x s + is : Baseline,globale Kovariableneffekte : Behandlungseffekt : (zufälliger) Patienteneffekt : (zufällige) Behandlungs-/Patienten-Interaktion : (zufälliger) Voxeleffekt Seite 80 Longitudinale Studien • • • • Für Medikamententests ist man am Vergleich von DCEMRI-Bildern vor und nach der Behandlung interessiert Bei Anti-Angiogenese-Medikamenten sollte Ktrans während der Behandlung sinken In der Regel wird dazu bei jedem Patienten bei jedem Scan eine Region Of Interest ausgewählt und der gemittelte Ktrans-Wert verglichen, zum Beispiel mit WaldTest Oft nur geringe Patientenzahlen T LoMIS LoMIS Resultate Räumliche Myocardialbildgebung • • • • Bildgebende Verfahren zur Analyse der Perfusion und damit des Blutflusses im Gewebe Detektion der Stenosis Natürliche Bypässe und abgestorbenes Gewebe Erfolg von Operation Seite 88 LoMIS Resultate Daten – Myocard. Perf. Film einfügen LoMIS Resultate Daten Myocardial Perfusion Modellfreie Analyse C t (t )=C p (t ) Räumlich-Zeitliche Glättung Voxelweise Modellierung schlägt fehl wegen niedrigem SNR Idee: Verwende räumliche Information um Schätzung zu stabilisieren zusätzliche räumliche Restriktion: GMRF f (t ) C t =Af =AB =D ~NN P ( 0, ( Q Seite 91 Penalty Splines I+I R) 1 ) Seite 94 Simulation study 1 Responsefunktion f = B Prinzip der Penalty-Splines: Große Anzahl von SplineBasisfunktionen (p = dim ), Glättung durch Penalisierung ( ) Wähle Glättungsparameter über i i 1 Kreuzvalidierung (LKurve) Bayesianische P-Splines: Schätze gleichzeitig mit Adaptive Glättung: = ( 1,..., p-rw) Seite 92 Segmentierung Seite 95 Simulation study 2 Maximum Blood Flow Seite 93 Seite 96 Simulation study 3 Nuklearmedizin Im Gegensatz zu CT Aufnahmen von selbst strahlenden Objekten Dem Patienten wird ein radioaktiv stahlendes Mittel verabreicht Bildgebung des Metabolismus, nicht der Strukturen im Koerper Oft kombiniert mit CT Seite 97 In vivo study Seite 100 Szintigraphie Anreicherung von radioaktiven Stoffen im Koerper Aufnahme mit stehender Kamera Zum Beispiel Lokalisation von Entzuendungen Szintigraphie-Aufnahme der Schilddruese Seite 101 Seite 98 Single-Photonen-Emissions-CT (SPECT) Patienten wird ein Radionuklid als “Tracer” verabreicht Abgegebene Strahlen wird mit Detektoren aus verschiedenen Winkeln aufgefangen Schichtaufnahmen 3D Seite 99 Seite 102 SPECT – Beispiel Seite 103 Positronen-Emissions-Tomographie (PET) Schwach radioaktive Substanzen, Isotope von ueblichen, natuerlich vorkommenden Atomen (Radiopharmakon) Abbildung chemischer/physiologiescher Vorgaenge (funktionale Bildgebung) Markierung von Zucker (FDG-PET) Markierung von Medikamenten Seite 106 Probleme Einzelereignisse Koinzidenz Streustrahlung Seite 107 Seite 104 Prinzip von PET Rekonstruktion ähnlich zu CT Seite 105 Seite 108 Sinogram MRI-PET Seite 109 Beispiele: FDG Seite 112 Probleme Rekonstruktion Noise: Zähldaten (+Rekonstruktion) Image fusion (PET-CT, PET-MRI) Kinetische Modellierung Seite 113 Seite 110 Wofür Registrierung? Beispiel: PET-CT Seite 111 Seite 114 Merkmalsbasierte vs Flächenbasierte Registrierung Wofür Registrierung? Merkmalsextraktion: Aus den zu registrierenden Bildern werden Merkmale (z.B. Ecken, Kanten, Konturen usw.) manuell oder automatisch extrahiert. Flächenbasierte Registrierung: Jeder Pixel wird als „Merkmal“ aufgefasst. Gesamtes Bild wird transformiert Seite 115 Wofür Registrierung? Seite 118 Warping Seite 116 Typen von Registrierung Seite 119 Warping Multimodale Registrierung: Kombination mehrerer verschiedener Aufnahmen (z.B. PET-CT, Mikroskopie) Templates/Atlas: Angleichung des Objekts an Idealmodell (z.B. Gehirn) Viewpoint-Registrierung: Aufnahme aus verschiedenen Richtungen (vergleiche CT!) Temporale Registrierung: Ausgleich der Bewegung eines Objekts über die Zeit Seite 117 Seite 120 Arten von Transformationen II Interpolation Da das transformierte Bild in der Regel nicht mehr dem Pixelgitter des ursprünglichen Bildes entspricht, muss auf das ursprüngliche Gitter interpoliert werden Bilinear/Trilinear/Polynomisch Nächster Nachbar Sinc Affin: lineare Transformationen (6 Parameter), Kollinearität und Verhältnisse bleiben erhalten Scherung/Transvektion u = a0 + a1 x + a2 y v = b0 + b1 x + b2 y Seite 121 Seite 124 Arten von Transformationen III Bilinear (8 Parameter) u = a0 + a1 x + a2 y + a3 xy v = b0 + b1 x + b2 y + b3 xy Perspektivisch: Kollinearität bleibt erhalten (8 Parameter) u = aij x i y j Polynomial i j ∑ v = ∑b x y ij Seite 125 Arten von Transformationen I Bilineare Transformation Euklidische Transformationen (Procrustes): Translation: Verschiebung entlang der Achsen (2 Parameter) Skalierung: Änderung der Größe (1 Parameter) Rotation (1 Parameter) u = cx cos θ + cy sin θ + a v = −cx sin θ + cy cos θ + b „Rigid registration“ Seite 123 Seite 126 Polynomial perspektivisch Kostenfunktionen Kreuzkorrelation Gemeinsame Information I ( X , Y )= p( x , y )log ( p( x , y) p x ( x) p y ( y) ) Fourier-Methoden Kleinst-Quadrat Seite 127 Arten von Transformationen IV Elastische Transformation (lokale Verzerrung und Spannung 1 E w +w +w dxdy 2 ( xx xx yy yy xy xy ) u=a 0 +a 1 x+a 2 y+ c i f (r i ) Thin-Plate-Splines v =b0 +b1 x+b 2 y+ ci f ( ri ) f ( r i )=r 2i log r 2i , r i = ( x x i )2 ( y y i )2 Seite 128 Registrierung als Modellierung Modellierung über penalisierte Likelihood oder BayesAnsatz P (Y , f , )=l(Y ,f) D( f ) : Referenzbild l: Loglikelihood f: Transformationsfunktion D: Maß für Verzerrung : Gewicht für Verzerrung Seite 129 Seite 130