Statistical Models for Segmentation from MR Localizer Images (PDF)

In dieser Dissertation werden Methoden zur Segmentierung anatomischer Strukturen in Planungsbildern
der Magnetresonanztomographie (MRT), sogenannten Localizer-Bildern, vorgestellt.
Localizer sind schnelle MR-Scanprotokolle zur Untersuchungsplanung. Segmentierungen
anatomischer Strukturen aus diesen Bildern können für Anwendungen zur vollautomatischen
Untersuchungsplanung, z.B. Organlokalisierungen, Schichtpositionierungen, Sequenzanpassungen,
etc. verwendet werden. Da Localizer-Bilder nicht hinsichtlich Bildqualität
sondern hinsichtlich Messzeit und Abdeckung optimiert sind, sind modellbasierte statistische
Verfahren für die Segmentierung vorteilhaft.
Zwei Methoden werden vorgestellt: Die erste ist eine Methode zur Rekonstruktion von Leberform,
-position und -orientierung aus einer Serie von wenigen 2D-Planungsschichtbildern
mit großem Schichtabstand. Dazu wird ein Active Shape Model aus manuellen Lebersegmentierungen
von 3D Trainingsbildern erstellt, das die durchschnittliche Leberform und die Hauptkomponenten
seiner Varianz beschreibt. Korrespondierende Landmarkenpunkte auf der Oberfl
äche werden durch Remeshing mit Hilfe konformer Abbildungen in der sphärischen Domäne
initialisiert und verfeinert durch Optimierung eines Korrespondenzmaßes, welches auf Minimum
Description Length (MDL) basiert und die Kompaktheit des generierten statistischen
Modells beschreibt. Die Segmentierung der Leber aus den gestapelten 2D-Schichtbildern erfolgt
durch durch die Berechnung derjenigen Modellinstanz des Active Shape Models, welche
bestmöglich die Bilddaten beschreibt. Man erreicht dies durch iterative Berechnung optimaler
Verschiebungen der Landmarken. Die optimalen Verschiebungen beruhen auf Grauwertprofilen
in den Bildern und einer normalisierten lokalen Statistik der Grauwertverteilungen in den
Trainingsbildern. Die Instanz des Active Shape Models, die die gefundenen Verschiebungen
der Landmarken am besten repräsentiert, wird durch eine Projektion auf den Linearraum des
Active Shape Models gefunden. Daraus erhält man eine gültige Modellinstanz, die die Verschiebungen
der Landmarken bestmöglich beschreibt.
Die Ergebnisse der Segmentierung aus generierten Localizer-Bildern werden mit den manuellen
Segmentierungen mittels 4 Fehlermetriken verglichen. Die Ergebnisse zeigen, dass die
Methode gegenüber Lebersegmentierungen mittels Active Shape Models aus 3D Daten konkurrenzf
ähig ist, wenn auch mit geringerer Präzision aufgrund der geringeren Bildqualität.
Die zweite Methode, die in dieser Dissertation vorgestellt wird, ist ein automatisches, anatomisches
Labeling oder eine Multiorgansegmentierung anatomischer Strukuturen in FastView-
Bildern. FastView ist ein modernes MR-Protokoll, welches 3D Localizer-Bilder produziert, indem
2D-Schichten während kontinuierlichem Vorschub des Patiententisches gemessen werden.
Die Segmentierung basiert auf einem statistischen Atlas des menschlichen Körpers, der aus einer
Gruppe repräsentativer FastView Datensätze gewonnen wird. Der Atlas enthält einerseits
ein statistisches Deformationsmodell, das verwendet werden kann, um unbekannte Datensätze
auf die durchschnittliche Körperform des Atlas zu verformen. Zusätzlich enthält der Atlas ein
statistisches Modell der Grauwertverteilungen, das verwendet werden kann, um gültige Atlasbilder
zu erzeugen. Beide statistischen Modelle können verwendet werden, um einen unbekannten
Datensatz auf den Atlas zu registrieren, indem die Modellinstanzen des Deformationsfeldes
und des Atlas berechnet werden, welche die Ähnlichkeit zwischen dem Atlas und dem,
durch das Deformationsfeld verformten, unbekannten Bilddatensatz maximiert. Das Labeling
des unbekannten Datensatzes erhält man dann aus der Propagierung der anatomischen Labels
des Atlas auf den registrierten Datensatz. Da der Registrierungsprozeß die Optimierung einer
Multiparameter-Zielfunktion mit vielen Freiheitsgraden und die Berechnung ihrer Ableitungen
erfordert, und da jede Auswertung der Kostenfunktion eine 3D-Verformung der Eingabe
erfordert, müssen Strategien zur Verbesserung der Laufzeit in Betracht gezogen werden. Dazu
wurden das statistische Deformationsmodell und das statistische Grauwertmodell komplett auf
die GPU (Graphics Processing Unit) portiert, was die Berechnung der kompletten deformierbaren
Registrierungen mit Grafikhardwarebeschleunigung erlaubt. Die Hardwarebeschleunigung
umfaßt somit die gesamte Berechnungskette der Registrierungen inklusive der Erzeugung der
Instanzen des Deformationsfeldes und der Grauwertverteilungen, welche die Auswertung der
linearen Modelle durch Matrixmultiplikationen und Vektoradditionen erfordert. Die Laufzeiten
des Registrierungsprozesses sind etwa 10-30s, was der Größenordnung der Dauer der Bildakquisition
selbst entspricht. Diese Laufzeiten erlauben auch einen praktischen Einsatz in der
klinischen Routine.
Die Validierung der atlas-basierten Segmentierungen erfolgt durch manuelles Setzen korrespondierender
Landmarken an definierbaren Punkten in den Eingabebildern und im Atlas. Die
Abweichungen der Landmarken im Atlas von den registrierten Landmarken im Bilddatensatz
werden als Fehlerkriterium für die Güte der Methode verwendet und mit der Reproduzierbarkeit
der manuellen Markierung von Landmarken verglichen.