Computergestützte Diagnose von Lungenerkrankungen/ Exploration

Werbung
Computergestützte Diagnose
von Lungenerkrankungen/
Exploration von CT-Thoraxdaten
Tobias Mönch,
Matthias Keil,
CV 8. Sem
Gliederung
1.
2.
Einleitung
Bildgebung


3.
Computer Tomographie
Maximum Intensity Projection
Volumerendering
Oberflächendistanzbilder
Anatomische Reformatierung
Einteilung der Lunge in Segmente



2
Bildfilterung
Subtraktion
Fortgeschrittene Visualisierungsmethoden


5.
•
•
Einfache Visualisierungsmethoden


4.
Digitales Roentgen
Fissuren
Bronchien
Blutgefäße & Bronchien
Einleitung
Anatomie der Lunge
3
Einleitung
Digitale Bildgebung der Lunge:
– Erkennung pulmonaler Erkrankungen (Veränderungen)
• Globale Berechnung der Stärke der Erkrankung
• Einteilung in Segmente
• Periphere und Homogene Veränderungen
• Struktur und Funktion
4
Einleitung
– Lokalisation und Prozessdiagnose (Tumore)
• Röntgen: Überlagerung von Strukturen
• CT: 3 dimensionale Sicht
– Verlaufskontrolle (Behandlung)
• Auflösung sehr wichtig
• Berechnung von Volumen
5
Einleitung
– Präoperative Behandlungsplanung
• Lokalisation und Nachbarschaft
• Volumenbestimmung
6
Einleitung
– Berechnung von Lungenparametern (Segmentabhängig)
• Globale Berechnung ungenau
• Mittlere Lungendichte
• Emphysem Index
7
Digitales Röntgen (CR)
• Elektronische Photoplatte / Speicherfolie
–
–
–
–
Seit 1981 (Fuji)
Hohe Empfindlichkeit (1/10 der Dosis)
Bis 10 Aufnahmen je Sekunde
Hohe Auflösung
• 10 Linienpaare / mm
– Digitale Verarbeitung
8
CR- Bildfilterung
• Bildverbesserung
– Unsharp Matching
• Highpass-Filterung
• Resultierendes Bild gewichtet auf Original addiert
• Kleine Strukturen und Kanten werden verstärkt
– z.B. Pulmonalarterien
• Rauschanfällig
9
CR- Bildfilterung
• Kontrastanhebung
– Wavelettransformation
•
•
•
•
•
Multiscale Repräsentation
Gradienten verstärken
Senkrecht zu Kanten
Inverse Transformation
Regionen werden mit Kanten verstärkt
• Rauschunterdrückung
10
CR- Subtraktion
• Verlaufskontrolle
– Tumorwachstum / Ansprechen auf Behandlung
• Besser als „Side by Side“ Vergleiche
• Registrierung (Überlappung)
– Anatomische Landmarken
– Geometrische Verformung
• Volumenänderung im Subtraktionsbild
11
Computertomographie (CT)
• Schichtbildverfahren
• Fächerförmige Strahlen
– In parallele Geometrie umrechnen
• Projektionen messen
• 1-D Fouriertransformation
– Frequenzraumrepräsentation
• 2-D Rücktransformation
– Ortsraumrepräsentation
http://www.iap.uni-bonn.de/P2K/tomography/auto_rib_cage.html
12
Computertomographie (CT)
• Spiral CT:
–
–
–
–
–
Kontinuierliche Abtastung
Schnelle Aufnahme
Geringe Artefakte
Umrechnung der Messdaten in Ebenenprojektion
Interpolation
• Hounsfield Einheiten:
– H = 1000 (m - mw)/(mw - ma)
• Artefakte:
– Bewegung
– Metall
– Partialvolumeneffekt
13
SARSSevere Acute Respiratory
Syndrome
• In Röntgenaufnahmen schlecht diagnostizierbar
• HRCT als Lösung
http://www.droid.cuhk.edu.hk/web/atypical_pneumonia/atypical_pneumonia.htm
14
Einfache
Visualisierungsmethoden
• Bereits Standardverfahren
– In Visualisierungssoftware integriert
– Vom Arzt ausgeführt
• Maximum Intensity Projection
• Distance MIP
 Lokalisation und Prozessdiagnose
• Volume Rendering
 Präoperative Behandlungsplanung
15
Maximum Intensity Projection
• Lunge vorsegmentieren
– Schwellwertverfahren
– Keine hellen Strukturen außerhalb der Lunge
• z.B. Rippenknochen, Mediastinale Strukturen
• Projektion des 3D Datensatzes
– Nur hellste Voxel dargestellt
• In Echtzeit möglich
– Interaktive Rotation
16
Distance MIP
• Darstellung des Abstands des hellsten Voxels zur
Oberfläche des Lungenvolumens in
Projektionsrichtung
• Farbkodiert
• Nur Voxelintensitäten über
bestimmtem Schwellwert
17
Volume Rendering
• Direkte Darstellung des 3D-Datensatzes
• Ohne Graphik Primitive
• Ablauf:
– Datenverbesserung
– Voxelshading (Phong)
 parallel 
– Berechnung der Durchsichtigkeit (Klassifikation)
• Anhand der Grauwerte und der Gradienten
– Raycasting und undurchsichtiger Hintergrund
 Pixelwert
18
Volume Rendering
• Echtzeitfähig
• Slab Technik:
– Datensatz durch Clip-Ebenen einschränken
19
Volume Rendering
20
Fortgeschrittene
Visualisierungsmethoden
• Vorgestellt von MeVis
• Befundung von
– Rundherden (im Inneren der Lunge)
– Pleuraständigen Tumoren (linsenförmig, rund)
• Erscheinen als Verdickung des Rippenfells
• Projektionsansichten der segmentierten Lunge
– Region Growing und Wasserscheiden
• Oberflächendistanzbilder
• Anatomische Reformatierung
21
Oberflächendistanzbilder
• Veränderungen der segmentierten Lungenoberfläche
• Projektion des Abstandes Distanzbild
• GradientenfilterungVeränderungen verstärkt
22
Anatomische Reformatierung
• Verschieben der Zeilen des Datensatzes
• Oberfläche der Lunge in einer Schicht
• Voxel darunter werden entsprechend mit verschoben
• Bei Tumoren ist Oberfläche nicht gleichmäßig
• Unnatürliche Verschiebung der inneren Strukturen
23
Anatomische Reformatierung
24
Einteilung der Lunge in Segmente
über Fissuren
• Fissuren:
– Trennung zwischen Lungenlappen
– Ca. 1 mm dicke Bindegewebsstrukturen
– Unvollständig oder gar nicht sichtbar
25
Fissuren
• Erstellen der Lungenmaske
– Segmentierung der Luftwege
– Trennung der Lungenteile
• Gefäßsegmentierung
– Region Growing mit
automatischem Startpunkt
26
Fissuren
• Distanztransformation
– Entfernung jedes Voxels zum nächsten Blutgefäß
• Berücksichtigen von Fissuren
– Gewichtete Addition von Distanzbild und Original
– Anpassung an hoch- und niedrigaufgelöste Daten
27
Fissuren
• Lungenlappensegmentierung durch interaktive
Wasserscheidentransformation
– Finden von 3D-Bereichen, die durch lokale Maxima getrennt
werden
– Hierarchische, markerbasierte WST
– Schnelle Anzeige der Segmentierungsergebnisse nach
jedem Marker
28
Fissuren
• Fazit:
– Robustes Verfahren
– Geringer Interaktionsaufwand
– Volumen stimmt zu >99% überein
29
Einteilung der Lunge in Segmente
über den Bronchialbaum
• Segmentierung des Lungenparenchyms durch
Region Growing
• Sigma-Filter
– Rauschen unterdrücken
– Kanten erhalten
• Verfolgung des Bronchialbaumes
30
Bronchialbaum
• Skelettierung der Struktur
• Interpretation als Graph
– Knoten = Verzweigungspunkte
– Kanten = Mittelachsen der Gefäße zwischen den
Verzweigungen
31
Bronchialbaum
• Segment  alle Voxel, die näher am entsprechenden
Teilbaum liegen
• Genauigkeit >70 %
• Ursprünglich zur Segmentierung der Leber gedacht
32
Einteilung der Lunge in Segmente
über Blutgefäße & Bronchien
• Finden der Hauptäste durch 3D-Region-Growing
• Vorverarbeitung
–
–
–
–
–
33
Vergrößern der Schichten (2x)
13x13 Mexican Hat Filter
Luftwege  dunkel
Blutgefäße  hell
Kantenerhaltendes Region
Growing
Blutgefäße & Bronchien
• Nutzung von anatomischem Wissen
– Luftwege und kleinere Blutgefäße verlaufen parallel
– Erst Blutgefäße finden, dann in der Umgebung nach
Luftwegen suchen
• Vergeben von Vertrauenslevels
– Blutgefäße (0.5 und 1.0)
– Luftwege (0.4, 0.6, 0.8 und 1.0)
34
Blutgefäße & Bronchien
• Einstufung der…
– Blutgefäße nach…
• Größe
• Grauwert (auch relativ zur Umgebung)
– Luftwege nach…
• Grauwert
• Nachbarschaft zu Blutgefäßen, deren Größe und
Vertrauenslevel
• Vorhandensein einer Gefäßwand
• Relativer Grauwert zu umgebenden Regionen
35
Blutgefäße & Bronchien
36
Blutgefäße & Bronchien
• Aufbau des Bronchialbaums
– A-Baum = Primärbaum
– B-Baum = A-Baum und alle größeren
gefundenen Luftwege
– C-Baum = alle Luftwege aus den CT-Schichten
• Nachbearbeitung des Baumes
– Skelettierung
– Füllen von Löchern
– Löschen von geometrisch unmöglichen
Formen
37
Blutgefäße & Bronchien
• Weiterer Ansatz  Fuzzy-Logic:
– Repräsentation durch Sprachausdrücke
• HELLIGKEIT ist NIEDRIG
• ADJAZENZ ist HOCH
• VORHANDENSEIN_VON_WÄNDEN ist HOCH
Vorhandensein von Wänden
Helligkeit
38
Niedrig
Mittel
Hoch
Dunkel
Mittel
Hoch
Sehr
Hoch
Mittel
Niedrig
Mittel
Hoch
Hell
Sehr
Niedrig
Niedrig
Mittel
Blutgefäße & Bronchien
• Wahrscheinlichkeitsermittlung über Fuzzy-Logic
• Ergebnis: Einstufung von 0 bis 3
• C-Baum besteht aus den mit 2-3 bewerteten
Luftwegen
39
Blutgefäße & Bronchien
• Fazit:
– Getestet an Datensätzen von Hunde-Lungen
– Gute bis sehr gute Übereinstimmungen
40
Literatur (1)
•
•
•
•
•
•
41
•
S. Krass, D. Selle, D. Boehm, H.-H. Jend, A. Kriete, W. Rau, H.-O.
Peitgen, „A method for the determination of bronchopulmonary
segments based on HRCT data“
M. Sonka, G. Sundaramoorthy, E. A. Hoffman, „Knowledge-Based
Segmentation of Intrathoracic Airways from Multidimensional High
Resolution CT Images“
M. Sonka, W. Park, E. A. Hoffman, „Rule-Based Detection of
Intrathoracic Airway Trees“
W. Park, E. A. Hoffman, M. Sonka, „Fuzzy Logic Approach to
Extraction of Intrathoracic Airway Trees from Three-Dimensional
CT Images“
J.-M. Kuhnigk, H. K. Hahn, M. Hindennach, V. Dicken, S. Krass, H.-O.
Peitgen, „Lung lobe segmentation by anatomy-guided 3D
watershed transform“
J.-M. Kuhnigk, H. K. Hahn, M. Hindennach, V. Dicken, S. Kraß, H.-O.
Peitgen, „3D-Lungenlappen-Segmentierung durch Kombination
von Region Growing, Distanz- und WasserscheidenTransformation“
http://www.mevis.de/projects/thorax/segments/segments.html
(16.05.04)
Literatur (2)
•
•
•
•
•
•
•
•
42
http://www.mevis.de/projects/thorax/radiography/chest.html (16.05.04)
http://www.droid.cuhk.edu.hk/web/atypical_pneumonia/atypical_pneum
onia.htm (16.05.04)
http://www.iap.uni-bonn.de/P2K/tomography (16.05.04)
http://dpi.radiology.uiowa.edu/spie/sonka/lung.html (16.05.04)
J. Lu, D. M. Healy Jr. and J. B. Weaver, „Contrast Enhancement of
Medical Images Using Multiscale Edge Representation“, SPIE vol.
2242 Wavelet Applications, pp. 711-719, 1994
A. Polesel, G. Ramponi and V.J. Mathews, „Adaptive Unsharp
Masking for Contrast Enhancement“, Proc. Fourth IEEE Intern. Conf.
on Image Processing, ICIP-97, S.Barbara, CA, Oct.26-29, 1997
Marc Levoy, „Display of Surfaces from Volume Data“, IEEE
Computer Graphics and Applications,
Vol. 8, No. 3, May, 1988, pp. 29-37
S. Krass, D. Selle, A. Bödicker, W. Spindler, H. Seyffarth, H.-H. Jend,
„Computergestützte Radiologie des Thorax“
Herunterladen