Seminar: Computergestütze Chirurgie

Präsentation zum Thema: "Seminar: Computergestütze Chirurgie"—  Präsentation transkript:

1 Seminar: Computergestütze Chirurgie
Automatisiertes Verfahren zur Ventrikulogrammbegrenzung cand. el. XYZ

2 Gliederung Motivation / Problematik Vorverarbeitung der Bilder
Basisklassenzuweisung Automatische Klassifikation Fehlerkorrektur Ergebnisse / Ausblick

3 Motivation Diagnose von Herzerkrankungen über Bestimmung von
Myokardbewegungen Schlagvolumen (SV) Auswurffraktion (SV/enddiastolisches Volumen) Änderung des Ventrikelumfanges Herzzeitvolumen Mittel zur Analyse: Ventrikulographie Zeitliche Folge von Röntgenaufnahmen (ca. 30 Bilder pro Zyklus) Kontrastmittel über intravasalen Katheter Projektion des endokardialen Volumens des linken Ventrikel (LV)

4 Ventrikulographie

5 Problematik Unterschiede zwischen Herzen
Form Position Unterschiede zwischen Herzen Größe Orientierung Frequenz Krankheiten Inhomogene Kontrastmittelmischung in der Herzspitze Schlechtere Erkennbarkeit der Grenzen in diesem Bereich Durchmischung in Diastole besser als in Systole

6 Grauwertnormalisierung Vergleichbare Datensätze
Vorverarbeitung Opening und Closing Herzratenanpassung Grauwertnormalisierung Vergleichbare Datensätze

7 Vorverarbeitung Morphologische Operatoren Opening Closing
Dilatation: Rangordnungsfilter mit größtem Wert Erosion: Rangordnungsfilter mit kleinstem Wert Opening Erst Erosion, dann Dilatation Glättet Konturen, bricht „Landzungen“, eliminiert kleine „Inseln“ Closing Erst Dilatation, dann Erosion Glättet Konturen, füllt enge „Brüche“, eliminiert kleine „Löcher“

8 Morphologische Glättung
Strukturelement : Original Opening Closing

9 Herzratenanpassung / Normalisierung
Variable Anzahl von Bildern in feste Anzahl überführen 40% eines Herzzyklus in Systole, 60% in Diastole Durchschnittlich 30 Bilder bei Testpersonen Endsystolisches Bild muß bekannt sein Interpolation von FD Bildern in 18 Bilder Interpolation von FS Bildern in 12 Bilder Normalisierung von Intensitäten Graustufen zwischen 0 und 255 Alle Datensätze sind miteinander vergleichbar !

10 Basisklassenzuweisung
Arzt zeichnet Ventrikelfläche ein Stapeln der Bilder Definition der Ortssequenzen Basisklassenzuweisung

11 Vereinfachende Annahmen
Endsystolisches Bild vorher bekannt getrennte Behandlung von Systole und Diastole Berücksichtigung der Herzbewegung kontrahiert hauptsächlich in Systole, ein Übergang von innerhalb nach außerhalb des LV (1->0) expandiert hauptsächlich in Diastole, ein Übergang von außerhalb nach innerhalb des LV (0->1) Minimiert Klassenanzahl Genaue Zuordnung in eine einzige Klasse

12 Basisklassenzuweisung
Ideale Zuweisung durch einen Arzt innerhalb LV wird zu 1 gesetzt, außerhalb zu 0 Stapelung der Bilder eines Patienten 3D-Raum mit Zuordnung (f,x,y), f=1,...,FS Für jeden Ort (x,y) Sequenz von Binärwerten Theoretisch 2FS mögliche Kombinationen Mit gemachten Annahmen aber nur FS+1 Bedeutung des Klassennamens c Bei Systole ist Ort (f,x,y) im LV bis Bild f=c-1, danach außerhalb vom LV In Diastole genau entgegengesetzt

13 Automatische Klassifikation
Grauwertvektor Bedingte Klassenwahrscheinlichkeit Bayes´scher Ansatz Klassifikation Rohbegrenzung

14 Klassifikation Für die Klassifikation wird benötigt:
Großen Basisklassendatensatz aus manuell klassifizierten Gebieten Ventrikulogramme vieler Patienten während eines Herzzyklus Abschätzung der a priori Wahrscheinlichkeit für jede Klasse Jedem Ort (x,y) einer Studie ist ein Grauwert zugeordnet Patient i Bildnummer f g(i,f,x,y) Koordinaten x und y Merkmalsvektoren (MV) Besteht aus den Grauwerten <g(i,1,x,y),...,g(i,F,x,y)> Population wird als gaußverteilt angenommen

15 Klassifikation Bedingte Klassenwahrscheinlichkeit
mit den Mittelwertvektoren und den Kovarianzmatrizen des Trainingsdatensatzes

16 Bayes´scher Ansatz Gewinnmaximierung Nach Bayes gilt
FS Graustufenbilder in Systole,Gi, i=1,..., FS Klassifikation des Ortes (x,y) mit dem Merkmalsvektor in die Klasse c {1,2,..., FS, FS +1} durch die Bildung von mit dem Bewertungsfaktor e(c,c´) und der a posteriori Wahrscheinlichkeit Nach Bayes gilt a priori Wahrscheinlichkeit der Klasse a priori Wahrscheinlichkeit der MV

17 Klassifikation Überführung der Gewinnmaximierung wegen konstanten
Termen und der Monotonie der Exponentialfunktion in Analogie zum Maximum Likelihood Kriterium Ergebnis: Rohklassifizierte Begrenzung Das größte zusammenhängende Gebiet wird ausgewählt Der Rand wird durch ein Polygonzug markiert

18 Fehlerkorrektur Motivation Sampling Kalibrierung Ergebnis

19 Systematische Fehler Enddiastole Endsystole

20 Anatomie des linken Ventrikel
Anatomische Landmarken Klappenebene vordere Wand hintere Wand Katheter Herzspitze

21 minimierbar durch Eingabe von drei Punkten
Fehlerkorrektur Systematische Fehler an der Hinteren Herzwand Herzspitze Methode der Kalibrierung Systematische Fehler von Position, Orientierung und Form Abschätzung aus Datensatz bestehend aus Basisklassen-begrenzungen und Rohbegrenzungen Sampling Polygonzug (PZ) der Begrenzung mit 100 unregelmäßig verteilten Eckpunkten (EP) wird vereinfacht und interpoliert in PZ mit geringerer Anzahl von regelmäßig verteilten EP minimierbar durch Eingabe von drei Punkten

22 Fehlerkorrektur Kalibrierte Koordinaten
x- und y-Koordinaten Basispolygonzug x- und y-Koordinaten Rohpolygonzug x- und y-Koordinaten der Landmarken Gesucht: unbekannte Koeffizientenmatrix A Minimum von ||R-QA||2 durch Methode der kleinsten Fehlerquadrate führt zu Kalibrierte Eckpunkte der Polygonzüge durch Matrix QA gegeben Mittlerer Fehler zwischen kalibrierter Begrenzung und Basisklassenbegrenzung liegt bei 2,4 mm

23 Ergebnis Ohne Kalibrierung Mit Kalibrierung Enddiastole Endsystole

24 Ausblick und Diskussion
Verringerung des mittleren Fehlers auf unter 2 mm Schlagvolumina über statistische Verfahren abschätzen Diskussion Können die anatomische Landmarken schon bei dem Klassifikations-schritt eingebracht werden? Gibt es andere Ansätze mit weniger Aufwand? Besteht die Möglichkeit die Datenmenge durch Auswahl von weniger Bildern pro Zyklus zu verringern?