Perspektiven in der Medizinischen Bildverarbeitung Rückblick
Werbung
Institut für Medizinische Informatik Perspektiven in der Medizinischen Bildverarbeitung Medizinische Bildverarbeitung für die computergestützte Diagnostik, Therapie und medizinische Ausbildung Heinz Handels Institut für Medizinische Informatik Universitätsklinikum Hamburg-Eppendorf Institut für Medizinische Informatik Rückblick November 1895: Entdeckung der Röntgenstrahlung Prof. Dr. Heinz Handels 1 Institut für Medizinische Informatik Beginn der 3D-Bildgebung Godfrey Newbold Hounsfield ( 1919-2004) Erfindung der Computertomografie (CT) 1971: Erste CT-Untersuchung eines Menschen 1979: Nobelpreis für Medizin Paul Christian Lauterbur (1929-2007) Erfindung der Magnetresonanztomografie (MRT) 1973: Erste Publikation zur MRT 2003: Nobelpreis für Medizin Institut für Medizinische Informatik 3D-Bildverarbeitung Dreidimensionale CT-Bildfolge Prof. Dr. Heinz Handels 3D-Bildvolumen 2 Institut für Medizinische Informatik Virtuelle anatomische 3D-Körpermodelle Schädel Lunge Institut für Medizinische Informatik 4D-Bildverarbeitung räumlich-zeitlicher Bildfolgen Beispiel: 4D-MR-Bilddaten des schlagenden Herzens Schicht i-1 Prof. Dr. Heinz Handels Schicht i Schicht i+1 3 Institut für Medizinische Informatik Institut für Medizinische Informatik 4D-Bildverarbeitung: Analyse räumlich-zeitlicher Bildfolgen Relan J., Säring D., Groth M., Müllerleile K., Handels H., 3D Segmentation of the Left Ventricle combining Long- and Shortaxis Views, Bildverarbeitung für die Medizin 2008, BVM 2008, Informatik aktuell, Springer Verlag, Berlin, 2008 (accepted) 3D-Bewegung des Endokards des linken Ventrikels Prof. Dr. Heinz Handels 4 Institut für Medizinische Informatik 4D-Bildverarbeitung: Analyse räumlich-zeitlicher Bildfolgen Säring D., Ehrhardt J., Stork A., Bansmann M.P., Lund G.K., Handels H., Computer-Assisted Analysis of 4D Cardiac MR Image Sequences after Myocardial Infarction, Methods of Information in Medicine, 4, 377-383, 2006 Institut für Medizinische Informatik Trends und Perspektiven: Anwendersicht • Radiologie – Von der individuellen Bildinterpretation zur objektivierten, quantitativen computergestützten Analyse und Bewertung medizinischer Bilder und Bildfolgen Bildgestützte computerassistierte Diagnostik • Chirurgie – Entwicklung zur software-, navigations- und roboterassistierten Chirurgie » Schlüsseltechnologie: Medizinische Bildverarbeitung Prof. Dr. Heinz Handels 5 Institut für Medizinische Informatik Trends und Perspektiven I • Methodische Weiterentwicklungen in den Gebieten » » » » » » • Segmentierung Registrierung Quantitative Bilddatenanalyse Visualisierung und Virtual Reality Modellierung und Simulation Mustererkennung Optimierung, Anpassung und Weiterentwicklung von Bildverarbeitungsmethoden und Generierung von BVSystemen für spezifische medizinische Fragestellungen – Ziele » » » » » Weitgehende Automatisierung Hohe Genauigkeit und Reproduzierbarkeit Robustheit Effiziente Implementierung für die Verarbeitung extrem umfangreicher Datenmengen Evaluation von Bildverarbeitungsmethoden und –systemen Institut für Medizinische Informatik Trends und Perspektiven II • Entwicklung von Modellen für die Bildanalyse und VirtualReality-Systeme – Modellentwicklung für die automatisierte Bildsegmentierung und –analyse (z.B. Formmodelle) – Modelle für die Simulation und Prädiktion von Organbewegungen und physiologischen Prozessen » Beispiele: Modellierung des schlagenden Herzen oder der atmungsbewegten Lungen » Computational Physiology - Modelle für bildgestützte Virtual-Reality-Systeme - • Anwendung: Operationsplanung, chirurgisches Training, med. Ausbildung Modelle für die Simulation von Weichteildeformationen, Tumorwachstum etc. Methodisch integrierte Bildverarbeitungsverfahren – Regionen- und kantenbasierte Segmentierung – Integrierte Registrierung und Segmentierung – Visualisierung und Bildanalyse („Visual Computing“) Prof. Dr. Heinz Handels 6 Institut für Medizinische Informatik Trends und Perspektiven III • 4D-Bildverarbeitung räumlich-zeitlicher Bildfolgen – – – Extrem umfangreiche Bilddaten (häufig tausende Bilder pro Untersuchung) Analyse, quantitativen Auswertung und Visualisierung diagnostisch oder therapeutisch relevanter Informationen Neue Qualität der extrahierten Bildinformationen » » » » » Beschreibung des dynamischen Verhaltens von Organen, Tumoren etc. Funktionelle Informationen (z.B. zur Herzfunktion, Lokalisation von Hirnfunktionen) Molekulare Informationen (PET, molekulare MRT) Quantitative Parameter zur Beschreibung des Strömungsverhaltens des Blutes Beschreibung von Formveränderungen bei Verlaufskontrollstudien • Kombinierte Auswertung und Analyse – verschiedener Bilddaten eines Patienten » – Kombinierte Segmentierung, Analyse und Visualisierung verschiedener Bildfolgen (CT, PET, fMRT, DTI, MRA, ...) von Bilddaten und Biosignalen » Beispiele · · · FMRT und EEG 4D-Lungen-CT und Spirometer 4D-Herz-MRT und EKG • und vieles mehr!!!! Institut für Medizinische Informatik Computer-Assisted Diagnostics Example: Visual Computing of Arteriovenous Malformations Combining 3D and 4D MR Image Sequences Selected Publication Säring D., Fiehler J., Forkert N., Piening M., Handels H., Visualization and Analysis of Cerebral Arteriovenous Malformation Combining 3D and 4D MR Image Sequences, International Journal of Computer Assisted Radiology and Surgery, 2 (Suppl 1), 75-79, 2007 Prof. Dr. Heinz Handels 7 Institut für Medizinische Informatik Spatial Image Data • TOF-MRA (time-of-flight) – 3D high resolution after appliance of contrast medium » 3T MR scanner (Siemens) » Matrix: 384 x 512 * » Size: 0.47 x 0.47 * (* = typical values) » Slice thickness: 0.5 mm » 156 slices » Anatomical information – Improved blood to background contrast 3D TOF-MRA with improved blood to background contrast Institut für Medizinische Informatik Spatio-temporal Image Data • TREAT (time-resolved echo-shared MR-angiography) – Time resolved MRA » 3T MR (Siemens) » Matrix: 96 x 128* » Size: 1.875 x 1.875* (* = typical values) » Slice thickness: 5 mm » 16 slices at 100 frames (0.5 s) (≈ 1600 images are acquired) » Contrast agents Haemodynamic information intensity t = 0s Prof. Dr. Heinz Handels t = 12.5s t = 25s time 8 Institut für Medizinische Informatik Results: 3D Visualization of Blood Inflow early late TBI Institut für Medizinische Informatik Results: 3D Visualization of Blood Inflow • Interactive navigation in 3D space – Rotation, Translation, Zooming – Object clipping early Prof. Dr. Heinz Handels late 9 Institut für Medizinische Informatik Results: Blood Inflow in Clipped Vessels Institut für Medizinische Informatik Results: Visualization of Different Vessel Types Feeder AVM Draining Veins „En Paasage“ Prof. Dr. Heinz Handels Forkert N., Säring D., Illies T., Fiehler J., Handels H., Automatische Lokalisation und hämodynamische Charakterisierung von Gefäßstrukturen bei arteriovenösen Malformationen, Bildverarbeitung für die Medizin 2008, BVM 2008, Informatik aktuell, Springer Verlag, Berlin, 2008 (angenommen) 10 Institut für Medizinische Informatik Computer Assisted Radiation Therapy Example: Analysis and Modeling of Breathing Motion based on 4D CT Data Handels H., Werner R., Frenzel T., Säring D., Lu W., Low D., Ehrhardt J., 4D Medical Image Computing and Visualization of Lung Tumor Mobility in Spatio-temporal CT Image Data, International Journal of Medical Informatics, 76S, 433-439, 2007 Institut für Medizinische Informatik Prof. Dr. Heinz Handels 11 Institut für Medizinische Informatik Modeling Respiratory Motion • Goal: 4D model that describes the temporal change in position and shape during respiration • Analysis and quantification of the individual tumor and organ motion • Analysis of inter-patient variations of tumor and organ motion • Non-linear registration forrmotion r rfield r estimation described by nonlinear transformations ϕi ( x ) = x + ui ( x ) ϕ1 L ϕ0 I0 I1 ϕn−2 ϕ n −1 I n −2 I n −1 Ehrhardt J., Werner R., Frenzel T., Lu W., Low D., Handels H., Analysis of Free Breathing Motion Using Artifact Reduced 4D CT Image Data, In: Pluim P.W., Reinhardt J.M. (eds.), Image Processing, SPIE Medical Imaging 2007, San Diego, Vol. 6512, 1N1-1N11, 2007 Institut für Medizinische Informatik Visualization of Maximal Displacements Distanzen zwischen den Lungenoberflächen bei maximaler Ein- und Ausatmung Prof. Dr. Heinz Handels 12 Institut für Medizinische Informatik Analysis of Respiratory Dynamics • Using motion model for tracking organ motion – Useful for identifying regions of large motion – Interpatient variations in motion patterns » Motion pattern is similar between patients Tumor position » Amplitudes differ between the patients » Tumor influences breathing motion Handels H., Werner R., Frenzel T., Säring D., Lu W., Low D., Ehrhardt J., 4D Medical Image Computing and Visualization of Lung Tumor Mobility in Spatio-temporal CT Image Data, International Journal of Medical Informatics, 76S, 433-439, 2007 Institut für Medizinische Informatik Image based Biophysical Simulation of Dynamic Processes Prof. Dr. Heinz Handels 13 Institut für Medizinische Informatik Image Based Patient Individual Simulation Patient Image Data Segmentation + 3D Model Generation Patient Individual Anatomical Model Biophysical Modeling of the Dynamic Processes Simulation of Dynamic Processes in Patient Specific Virtual Bodies Institut für Medizinische Informatik Example: Biophysical Simulation of the Breathing Process using Finite Elements Methods • Starting point of modeling: process of lung ventilation • Lung ventilation as a boundary value problem of elasticity theory • Modeling with Finite Element Methods (FEM) Root of the lung Visceral pleura = Lung surface Tumor ? negative pressure to force lung expansion Pleural cavity Parital pleura = inner wall of the thoracic cavity plus diaphragm Prof. Dr. Heinz Handels 14 Institut für Medizinische Informatik Simulation Results Modeling process: Expansion of the initial lung geometry Color coded: distance of surface points with respect to their initial positions (in mm) Werner R., Ehrhardt J., Handels H., Modeling Respiratory Lung Motion – A Biophysical Approach using Finite-Element Methods, SPIE Medical Imaging 2008, San Diego, 2008 Institut für Medizinische Informatik Virtual Reality Simulators for Computer based Training of Surgical Procedures Prof. Dr. Heinz Handels 15 Institut für Medizinische Informatik Medical Education Example: Virtual Reality Simulator for Lumbar Punctures Selected Publications: Färber M., Hoeborn E., Dalek D., Hummel F., Gerloff C., Bohn C.-A., Handels H., Training and Evaluation of Lumbar Punctures in a VR-Environment using 6DOF Haptic Device, Medicine Meets Virtual Reality Medical Education Conference 16, MMVR 2008, Long Beach, USA, 2008 Färber M., Heller J., Handels H., Simulation and Training of Lumbar Punctures Using Haptic Volume Rendering and a 6DOF Haptic Device, In: Cleary K.R., Miga M.I. (eds.), Visualization, Image-Guided Procedures, and Display, SPIE Medical Imaging 2006, San Diego, SPIE Vol. 6509, 0F1-0F8, 2007 Institut für Medizinische Informatik Virtual Reality Training System • Visualization component – Coupled 3D and 2D visualizations – – Virtual body Virtual needle – – 3D interactions Stereo View (optional) • Haptic component – – Haptic device for needle steering Haptic feedback – Specific force rendering algorithms to simulate the needle insertion in a realistic way Prof. Dr. Heinz Handels 16 Institut für Medizinische Informatik VR Simulator of Lumbar Puncture Institut für Medizinische Informatik Medizinische Bildverarbeitung in der MI in Deutschland Programmkomitee der Tagung „Bildverarbeitung für die Medizin 2008“ • Til Aach; RWTH Aachen • Hans-Peter Meinzer; DKFZ Heidelberg • Johannes Bernarding, Universität Magdeburg • Heinrich Müller, Universität Dortmund • Jürgen Braun, Charité - Universitätsmedizin Berlin • Nassir Navab, TU München • Heinrich Niemann, Universität Erlangen • Dietrich Paulus, Universität Koblenz-Landau • Thorsten M. Buzug, Universität zu Lübeck • Hartmut Dickhaus, Universität Heidelberg/Fachhochschule Heilbronn • • • • Heinz-Otto Peitgen, Universität Bremen Georg Duda, Charité - Universitätsmedizin Berlin • Siegfried Pöppl, Universität zu Lübeck Jan Ehrhardt, Universitätsklinikum HamburgEppendorf • Bernhard Preim, Universität Magdeburg • Karl Rohr, Universität Heidelberg Karl-Hans Englmeier, GSF Forschungszentrum München • Georgios Sakas, Fraunhofer Institut Darmstadt • Dietmar Saupe, Universität Konstanz • Bernd Fischer, Universität zu Lübeck • Heinz Handels, Universitätsklinikum HamburgEppendorf • • Rainer Schubert, UMIT Innsbruck • Thomas Tolxdorff, Charité Universitätsmedizin Berlin Peter Hastreiter, Universität Erlangen • Joachim Hornegger, Universität Erlangen • Alexander Horsch, TU München • Frithjof Kruggel; University of California, Irvine • Thomas Deserno, RWTH Aachen • Hans-Gerd Lipinski, Fachhochschule Dortmund Prof. Dr. Heinz Handels • Axel Wismüller, University of Rochester, New York • Herbert Witte, Universität Jena • Thomas Wittenberg, Fraunhofer Institut Erlangen • Ivo Wolf, DKFZ Heidelberg 17 Institut für Medizinische Informatik Medizinische Bildverarbeitung in der MI in Deutschland • • • • Til Aach; RWTH Aachen • Müller, Universität Dortmund ist• anHeinrich zumindest 9 Standorten der Jürgen Braun, Charité - Informatik Universitätsmedizin • Nassir Navab, TU München ein zentrales Medizinischen verankert und bildet in Deutschland Berlin • Heinrich Niemann, Universität Erlangen Forschungsgebiet MI. Thorsten M. Buzug, Universitätder zu Lübeck • Hartmut Dickhaus, Universität Heidelberg/Fachhochschule Heilbronn • Georg Duda, Charité - Universitätsmedizin Berlin 2. • Heinz-Otto Peitgen, Universität Bremen • Siegfried Pöppl, Universität zu Lübeck Die MI trägt in Deutschland wesentlich und sichtbar zur wissenschaftlichen Bernhard Preim, Universität Magdeburg Bildverarbeitung bei. Karl Rohr, Universität Heidelberg • Jan Ehrhardt, Universitätsklinikum HamburgWeiterentwicklung der Medizinischen• Eppendorf • Karl-Hans Englmeier, GSF Forschungszentrum München • Dietrich Paulus, Universität Koblenz-Landau • • • Hans-Peter Meinzer; DKFZ Heidelberg Bernarding; Universität Magdeburg 1.Johannes Die Medizinische Bildverarbeitung Bernd Fischer, Universität zu Lübeck Heinz Handels, Universitätsklinikum HamburgEppendorf • Peter Hastreiter, Universität Erlangen • Joachim Hornegger, Universität Erlangen • Alexander Horsch, TU München • Frithjof Kruggel; University of California, Irvine • Thomas Deserno, RWTH Aachen • Hans-Gerd Lipinski, Fachhochschule Dortmund • Georgios Sakas, Fraunhofer Institut Darmstadt • Dietmar Saupe, Universität Konstanz • Rainer Schubert, UMIT Innsbruck • Thomas Tolxdorff, Charité Universitätsmedizin Berlin • Axel Wismüller, University of Rochester, New York • Herbert Witte, Universität Jena • Thomas Wittenberg, Fraunhofer Institut Erlangen • Ivo Wolf, DKFZ Heidelberg Institut für Medizinische Informatik Prof. Dr. Heinz Handels 18
