Medical Image Computing and Computer-Assi
Werbung
Gehirnsegmentierung mit der Wasserscheidentransformation Quelle: HK Hahn, HO Peitgen. “The Skull Stripping Problem In MRI Solved By A Single 3D Watershed Transform”, Medical Image Computing and Computer-Assi-sted Intervention (MICCAI'2000), Pittsburgh, Springer, 2000, S. 134-143 Motivation: Gehirnsegmentierung ist ein wichtiger Schritt in der neurologische Bildverarbeitung. Die erfolgreiche Segmentierung ist Ausgangspunkt für Visualisierung und Quantifizierung des Gehirns. Lydia Paasche Medizinische Visualisierung - Seminar Gehirnsegmentierung mit Wasserscheidentransformation 1/30 Gliederung • Grundlagen – Wasserscheidentransformation • Gehirnsegmentierung mit 3D Wasserscheidentransformation • • • • Interaktive Wasserscheidentransformation • • • Ziele Algorithmus/Methode Evaluierung/Ergebnisse Algorithmus/Methode Evaluierung/Anwendungen Aussicht Lydia Paasche Medizinische Visualisierung - Seminar Gehirnsegmentierung mit Wasserscheidentransformation 2/30 Wasserscheidentransformation • • Idee: Zweidimensionales Grauwertbild (Gradientenbild) als topografisches Relief auffassen – Grauwert eines Bildpunktes als Erhebung interpretieren Annahme: Regionen sind durch hohe Gradienten voneinander abgegrenzt Quelle: Th Lehmann, W Oberschelp, E Pelikan und R Repges. Bildverarbeitung für die Medizin, Springer-Verlag, Heidelberg, 1997 Lydia Paasche Medizinische Visualisierung - Seminar Gehirnsegmentierung mit Wasserscheidentransformation 3/30 Wasserscheidentransformation • Strategien : – Rainfalling: Beregnung – Immersion: Absenken in einen See • Hauptprobleme: – Abhängigkeit von der Bildqualität – Übersegmentierung: Segmente sind nicht die gesuchten Bedeutungsträger Lydia Paasche Medizinische Visualisierung - Seminar Gehirnsegmentierung mit Wasserscheidentransformation 4/30 Wasserscheidentransformation Flutung Erweiterung einer existierende Region neue Region Quelle: K Tönnies, “Segmentierung und Klassifizierung”, Vorlesung medizinische Bildanalyse Nr. 7 Lydia Paasche Medizinische Visualisierung - Seminar Gehirnsegmentierung mit Wasserscheidentransformation 5/30 Wasserscheidentransformation Flutung Wasserscheide Quelle: K Tönnies, “Segmentierung und Klassifizierung”, Vorlesung medizinische Bildanalyse Nr. 7 einmal gebildete Wasserscheiden bleiben trotz weiterer Flutung erhalten Lydia Paasche Medizinische Visualisierung - Seminar Gehirnsegmentierung mit Wasserscheidentransformation 6/30 Gehirnsegmentierung 3D Wasserscheidentransformation • Ziel: vollständige Segmentierung des Gehirns – Gehirn = weiße Substanz (WS), graue Substanz (GS), Cerebellum (Kleinhirn), spinal cord (Rückenmark) – Keine Vorverarbeitung der Daten (T1 gewichtete MR Bilder) – robust gegen Rauschen und radio frequency non-uniformity – einfach – bis auf den Zusammenhang der WS, keine weiteren Annahmen über anatomische Strukturen – schnell und leichte Interaktion Lydia Paasche Medizinische Visualisierung - Seminar Gehirnsegmentierung mit Wasserscheidentransformation 7/30 Gehirnsegmentierung 3D Wasserscheidentransformation • Radio Frequency – Magnetfeld nicht homogen – Stärke des Magnetfeldes ist abhängig von der Nähe zur Spule – Feldstärke = Tesla • T1 (Relaxationszeit) gewichtete MR Bilder – – – – MR Bilder – guter Weichgewebekontrast Magnetisierung der Wasserstoffatome aufgrund von Test als am geeignetsten befunden guter Kontrast zwischen WS, GS, sowie CSF Lydia Paasche Medizinische Visualisierung - Seminar Gehirnsegmentierung mit Wasserscheidentransformation 8/30 Warum T1 gewichtete Bilder? Quelle: B Preim, “Bildverarbeitung und Bildanalyse für die Visualisierung (II)”, Vorlesung Visualisierung T1 – Liquor dunkel Lydia Paasche T2 - Liquor hell Medizinische Visualisierung - Seminar Gehirnsegmentierung mit Wasserscheidentransformation 9/30 3D Wasserscheidentransformation Algorithmus • Methode: – Grundlage: Zusammenhang der WS – WS verbindet alle funktionalen Teile des Gehhirns – WS umgeben von dunkleren GS und noch dunklerer CSF – Grauwertbild als Relief – 2 Pkt. sind nicht verbunden, wenn sie durch ein Tal getrennt sind – Einführung eines pre-flooding Wertes Hpf Lydia Paasche Medizinische Visualisierung - Seminar Gehirnsegmentierung mit Wasserscheidentransformation 10/30 3D Wasserscheidentransformation Algorithmus Isolation eines Hügels Quelle: HK Hahn, HO Peitgen. “The Skull Stripping Problem In MRI Solved By A Single 3D Watershed Transform”, Medical Image Computing and Computer-Assi-sted Intervention (MICCAI'2000), Pittsburgh, Springer, 2000, S. 134-143 für Wasserscheidentransformation wird das Bild invertiert Quelle: HK Hahn, HO Peitgen. “The Skull Stripping Problem In MRI Solved By A Single 3D Watershed Transform”, Medical Image Computing and Computer-Assi-sted Intervention (MICCAI'2000), Pittsburgh, Springer, 2000, S. 134-143 Lydia Paasche Medizinische Visualisierung - Seminar Gehirnsegmentierung mit Wasserscheidentransformation 11/30 3D Wasserscheidentransformation Algorithmus • Ablauf – sortieren der Voxel – des invertierten Bildes – in aufsteigender Ordnung – jedes Voxel wird nur einmal bearbeitet mit seinen 6 direkten Nachbarn (3D) – falls einer oder mehrere seiner Nachbarn bereits geflutet, aufgrund niedrigerer oder gleicher Intensität » Voxel-Basin-Merging » Basin-Basin-Merging sonst neues Becken – Sortierung sichert, dass isolierter Voxel lokales Minima ist Lydia Paasche Medizinische Visualisierung - Seminar Gehirnsegmentierung mit Wasserscheidentransformation 12/30 3D Wasserscheidentransformation Algorithmus • Voxel-Basin-Merging – Voxel verschmilzt mit tiefsten Nachbarbecken » Becken mit dem kleinsten Minimum (dunkelsten) • Basin-Basin-Merging – alle Nachbarbecken, deren Tiefe relativ zum aktuellen Voxel gleich hoch oder niedriger als Hpf ist, verschmelzen zu einem Becken Lydia Paasche Medizinische Visualisierung - Seminar Gehirnsegmentierung mit Wasserscheidentransformation 13/30 3D Wasserscheidentransformation Algorithmus • Ergebnisse – mit Hilfe eines geeigneten Hpf repräsentiert ein Becken das vollständige Gehirn – es ist das größte Becken – Anzahl der Becken sinkt monoton mit steigender Größe und Hpf – Robustheit des Alg. – Segmentierungsergebnis ändert sich nicht kontinuierlich mit variierenden Hpf, sondern es existiert ein breiter Bereich an geeigneten Hpf-Werten Lydia Paasche Medizinische Visualisierung - Seminar Gehirnsegmentierung mit Wasserscheidentransformation 14/30 3D Wasserscheidentransformation Algorithmus - Ergebnisse Quelle: HK Hahn, HO Peitgen. “The Skull Stripping Problem In MRI Solved By A Single 3D Watershed Transform”, Medical Image Computing and Computer-Assi-sted Intervention (MICCAI'2000), Pittsburgh, Springer, 2000, S. 134-143 Verhalten des Algorithmus: mit steigenden Hpf, Anzahl der resultierenden Becken und der Größe der Becken (gestrichelte Linie) Lydia Paasche Medizinische Visualisierung - Seminar Gehirnsegmentierung mit Wasserscheidentransformation 15/30 3D Wasserscheidentransformation Evaluierung • Ist diese Methode erfolgreich in der Segmentierung des vollständigen Gehirns? Lydia Paasche Medizinische Visualisierung - Seminar Gehirnsegmentierung mit Wasserscheidentransformation 16/30 3D Wasserscheidentransformation Evaluierung • Evaluierung an Phantom-Daten und klinischen Daten • Phantom Studien – Simulated Brain Database/Montréal Neurological Institut, McGill University – 90 T1- gewichtete Datensätze – alle erfolgreich, auch bei extremer Schichtdicke (9mm), Rauschen und RF- non uniformity Lydia Paasche Medizinische Visualisierung - Seminar Gehirnsegmentierung mit Wasserscheidentransformation 17/30 3D Wasserscheidentransformation Evaluierung • Phantom Studien Quelle: HK Hahn, HO Peitgen. “The Skull Stripping Problem In MRI Solved By A Single 3D Watershed Transform”, Medical Image Computing and Computer-Assi-sted Intervention (MICCAI'2000), Pittsburgh, Springer, 2000, S. 134-143 Lydia Paasche Medizinische Visualisierung - Seminar Gehirnsegmentierung mit Wasserscheidentransformation 18/30 3D Wasserscheidentransformation Evaluierung • Klinische Studien – 43 Bilder von Freiwilligen und Patienten – unterschiedliche Parameter (Schichtdicke, Schnittrichtung) – 43 erfolgreich, in 2 Segmentierungen Hpf unerwartet hoch Quelle: HK Hahn, HO Peitgen. “The Skull Stripping Problem In MRI Solved By A Single 3D Watershed Transform”, Medical Image Computing and Computer-Assi-sted Intervention (MICCAI'2000), Pittsburgh, Springer, 2000, S. 134-143 Lydia Paasche Medizinische Visualisierung - Seminar Gehirnsegmentierung mit Wasserscheidentransformation 19/30 3D Wasserscheidentransformation Ergebnisse • 3D Wasserscheidentransformation war in allen getesteten Datenmengen erfolgreich • der Hpf kann innerhalb eines bestimmten Bereiches variieren ohne das sich die Ausgabe der Segmentierung ändert – Beweis für die Robustheit der Methode • 96% von Experten als erfolgreich bewertet Lydia Paasche Medizinische Visualisierung - Seminar Gehirnsegmentierung mit Wasserscheidentransformation 20/30 Interaktive Wasserscheidentransformation (IWT) • • • IWT basiert auf dem Immersionsszenario und einer hierarchischen Organisation der Becken in einer Baumstruktur jedes lokale Minimum ist als atomares Becken auf der untersten hierarchischen Ebene repräsentiert erst nach der WT werden Marker und globale Parameter (pre-flooding Wert) genutzt, um das Segmentierungsergebnis zu kontrollieren Quelle: HK Hahn, HO Peitgen. “IWT- Interactive Watershed Transform: A hierarchical method for efficient and automated segmentation of multidimensional grayscale images”,Proc. Medical Imaging, SPIE 5032, San Diego, Feb 2003, in press. Lydia Paasche Medizinische Visualisierung - Seminar Gehirnsegmentierung mit Wasserscheidentransformation 21/30 Interaktive Wasserscheidentransformation • WT – in 3 Schritten • • 1. Bildinterpretation – Grauwert- oder Gradientenbild 2. Sortierung – nach Intensität zur Beschleunigung und Erleichterung des Flutungsschrittes 3. Flutung – jedes Bildelement nur einmal bearbeitet mit Berücksichtigung des zugrundeliegenden Gitters Nachbarschaftskriterium • Lydia Paasche Medizinische Visualisierung - Seminar Gehirnsegmentierung mit Wasserscheidentransformation 22/30 IWT Algorithmus Quelle: HK Hahn, HO Peitgen. “IWT- Interactive Watershed Transform: A hierarchical method for efficient and automated segmentation of multidimensional grayscale images”, Proc. Medical Imaging, SPIE 5032, San Diego, Feb 2003, in press. Lydia Paasche Medizinische Visualisierung - Seminar Gehirnsegmentierung mit Wasserscheidentransformation 23/30 IWT Algorithmus • Output des Algorithmus – Tabelle der Staubecken (atomic basin table) – Tabelle der möglichen merging events (merging table) Lydia Paasche Quelle: HK Hahn, HO Peitgen. “IWT- Interactive Watershed Transform: A hierarchical method for efficient and automated segmentation of multidimensional grayscale images”,Proc. Medical Imaging, SPIE 5032, San Diego, Feb 2003, in press. Medizinische Visualisierung - Seminar Gehirnsegmentierung mit Wasserscheidentransformation 24/30 IWT Algorithmus Rekonstruktion von Bildelementen • • Marker und pre-flooding Wert werden jetzt vom Nutzer gesetzt hierarchischer Baum wird von der niedrigsten Ebene aus traversiert Quelle: HK Hahn, HO Peitgen. “IWT- Interactive Watershed Transform: A hierarchical method for efficient and automated segmentation of multidimensional grayscale images”,Proc. Medical Imaging, SPIE 5032, San Diego, Feb 2003, in press. Lydia Paasche Medizinische Visualisierung - Seminar Gehirnsegmentierung mit Wasserscheidentransformation 25/30 IWT Algorithmus Anwendungen • Eine der Hauptanwendungen der IWT ist die Volumendarstellung von neuroanatomischen Strukturen, vor allem die Quantifizierung der Gehirnverkümmerung Quelle: HK Hahn, HO Peitgen. “IWT- Interactive Watershed Transform: A hierarchical method for efficient and automated segmentation of multidimensional grayscale images”,Proc. Medical Imaging, SPIE 5032, San Diego, Feb 2003, in press. Lydia Paasche Medizinische Visualisierung - Seminar Gehirnsegmentierung mit Wasserscheidentransformation 26/30 IWT Algorithmus Anwendungen • CT Bilder – Segmentierung benachbarter Knochen – Pro Knochen ein Marker Quelle: HK Hahn, HO Peitgen. “IWT- Interactive Watershed Transform: A hierarchical method for efficient and automated segmentation of multidimensional grayscale images”,Proc. Medical Imaging, SPIE 5032, San Diego, Feb 2003, in press. Lydia Paasche Medizinische Visualisierung - Seminar Gehirnsegmentierung mit Wasserscheidentransformation 27/30 IWT Zusammenfassung • IWT – verhindert Übersegmentierung (Hauptproblem der WT) – hierarchische Organisation der einzelnen Becken vermeidet teure Mehrfachberechnungen – keine Vorprozesse sind notwendig – wichtigster Vorteil ist die Interaktivität – alle Parameter können in Echtzeit geändert werden, um das Ergebnis zu verfeinern – es müssen keine Annahmen über die Form, der zu segmentierenden Objekte gemacht werden – Kennzeichen der Robustheit Lydia Paasche Medizinische Visualisierung - Seminar Gehirnsegmentierung mit Wasserscheidentransformation 28/30 IWT Aussicht • IWT schafft die Grundlage für robuste, vielseitig einsatzfähigen und leicht zu benutzenden Segmentierungsalgorithmen • Interaktivität erlaubt gültige Segmentierung selbst auf Bildern mit schlechter Qualität • die Kombination von Verfahren, z.B. Histogrammanalyse auf dem Ergebnis der IWT, ist oft vorteilhaft Lydia Paasche Medizinische Visualisierung - Seminar Gehirnsegmentierung mit Wasserscheidentransformation 29/30 Literatur HK Hahn, HO Peitgen. “The Skull Stripping Problem In MRI Solved By A Single 3D Watershed Transform”, Medical Image Computing and Computer-Assi-sted Intervention (MICCAI'2000), Pittsburgh, Springer, 2000, S. 134-143 HK Hahn, HO Peitgen. “IWT- Interactive Watershed Transform: A hierarchical method for efficient and automated segmentation of multidimensional grayscale images”, Proc. Medical Imaging, SPIE 5032, San Diego, Feb 2003, in press. Th Lehmann, W Oberschelp, E Pelikan und R Repges. Bildverarbeitung für die Medizin, Springer-Verlag, Heidelberg, 1997 B Preim, “Bildverarbeitung und Bildanalyse für die Visualisierung (II)”, Vorlesung Visualisierung A Schubert, HK Hahn, HO Peitgen. “Robuste vollautomatische Gehirnsegmentierung basierend auf einer 3D-Wasserscheidentransformation, MeVis K Tönnies, “Segmentierung und Klassifizierung”, Vorlesung medizinische Bildanalyse Nr. 7 Lydia Paasche Medizinische Visualisierung - Seminar Gehirnsegmentierung mit Wasserscheidentransformation 30/30
