Die Präsentation wird geladen. Bitte warten

Die Präsentation wird geladen. Bitte warten

Computergestützte Diagnose von Lungenerkrankungen/ Exploration von CT-Thoraxdaten Tobias Mönch, Matthias Keil, CV 8. Sem.

Ähnliche Präsentationen


Präsentation zum Thema: "Computergestützte Diagnose von Lungenerkrankungen/ Exploration von CT-Thoraxdaten Tobias Mönch, Matthias Keil, CV 8. Sem."—  Präsentation transkript:

1 Computergestützte Diagnose von Lungenerkrankungen/ Exploration von CT-Thoraxdaten Tobias Mönch, Matthias Keil, CV 8. Sem

2 2 Gliederung 1.Einleitung 2.Bildgebung Digitales Roentgen Bildfilterung Subtraktion Computer Tomographie 3.Einfache Visualisierungsmethoden Maximum Intensity Projection Volumerendering 4.Fortgeschrittene Visualisierungsmethoden Oberflächendistanzbilder Anatomische Reformatierung 5.Einteilung der Lunge in Segmente Fissuren Bronchien Blutgefäße & Bronchien

3 3 Einleitung Anatomie der Lunge

4 4 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

5 5 Einleitung –Lokalisation und Prozessdiagnose (Tumore) Röntgen: Überlagerung von Strukturen CT: 3 dimensionale Sicht –Verlaufskontrolle (Behandlung) Auflösung sehr wichtig Berechnung von Volumen

6 6 Einleitung –Präoperative Behandlungsplanung Lokalisation und Nachbarschaft Volumenbestimmung

7 7 Einleitung –Berechnung von Lungenparametern (Segmentabhängig) Globale Berechnung ungenau Mittlere Lungendichte Emphysem Index

8 8 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

9 9 CR- Bildfilterung Bildverbesserung –Unsharp Matching Highpass-Filterung Resultierendes Bild gewichtet auf Original addiert Kleine Strukturen und Kanten werden verstärkt –z.B. Pulmonalarterien Rauschanfällig

10 10 CR- Bildfilterung Kontrastanhebung –Wavelettransformation Multiscale Repräsentation Gradienten verstärken Senkrecht zu Kanten Inverse Transformation Regionen werden mit Kanten verstärkt Rauschunterdrückung

11 11 CR- Subtraktion Verlaufskontrolle –Tumorwachstum / Ansprechen auf Behandlung Besser als Side by Side Vergleiche Registrierung (Überlappung) –Anatomische Landmarken –Geometrische Verformung Volumenänderung im Subtraktionsbild

12 12 Computertomographie (CT) Schichtbildverfahren Fächerförmige Strahlen –In parallele Geometrie umrechnen Projektionen messen 1-D Fouriertransformation –Frequenzraumrepräsentation 2-D Rücktransformation –Ortsraumrepräsentation

13 13 Computertomographie (CT) Spiral CT: –Kontinuierliche Abtastung –Schnelle Aufnahme –Geringe Artefakte –Umrechnung der Messdaten in Ebenenprojektion –Interpolation Hounsfield Einheiten: –H = 1000 ( - w)/( w - a) Artefakte: –Bewegung –Metall –Partialvolumeneffekt

14 14 SARS- Severe Acute Respiratory Syndrome In Röntgenaufnahmen schlecht diagnostizierbar HRCT als Lösung

15 15 Einfache Visualisierungsmethoden Bereits Standardverfahren –In Visualisierungssoftware integriert –Vom Arzt ausgeführt Maximum Intensity Projection Distance MIP Lokalisation und Prozessdiagnose Volume Rendering Präoperative Behandlungsplanung

16 16 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

17 17 Distance MIP Darstellung des Abstands des hellsten Voxels zur Oberfläche des Lungenvolumens in Projektionsrichtung Farbkodiert Nur Voxelintensitäten über bestimmtem Schwellwert

18 18 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

19 19 Volume Rendering Echtzeitfähig Slab Technik: –Datensatz durch Clip-Ebenen einschränken

20 20 Volume Rendering

21 21 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

22 22 Oberflächendistanzbilder Veränderungen der segmentierten Lungenoberfläche Projektion des Abstandes Distanzbild Gradientenfilterung Veränderungen verstärkt

23 23 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

24 24 Anatomische Reformatierung

25 25 Einteilung der Lunge in Segmente über Fissuren Fissuren: –Trennung zwischen Lungenlappen –Ca. 1 mm dicke Bindegewebsstrukturen –Unvollständig oder gar nicht sichtbar

26 26 Fissuren Erstellen der Lungenmaske –Segmentierung der Luftwege –Trennung der Lungenteile Gefäßsegmentierung –Region Growing mit automatischem Startpunkt

27 27 Fissuren Distanztransformation –Entfernung jedes Voxels zum nächsten Blutgefäß Berücksichtigen von Fissuren –Gewichtete Addition von Distanzbild und Original –Anpassung an hoch- und niedrigaufgelöste Daten

28 28 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

29 29 Fissuren Fazit: –Robustes Verfahren –Geringer Interaktionsaufwand –Volumen stimmt zu >99% überein

30 30 Einteilung der Lunge in Segmente über den Bronchialbaum Segmentierung des Lungenparenchyms durch Region Growing Sigma-Filter –Rauschen unterdrücken –Kanten erhalten Verfolgung des Bronchialbaumes

31 31 Bronchialbaum Skelettierung der Struktur Interpretation als Graph –Knoten = Verzweigungspunkte –Kanten = Mittelachsen der Gefäße zwischen den Verzweigungen

32 32 Bronchialbaum Segment alle Voxel, die näher am entsprechenden Teilbaum liegen Genauigkeit >70 % Ursprünglich zur Segmentierung der Leber gedacht

33 33 Finden der Hauptäste durch 3D-Region-Growing Vorverarbeitung –Vergrößern der Schichten (2x) –13x13 Mexican Hat Filter –Luftwege dunkel –Blutgefäße hell –Kantenerhaltendes Region Growing Einteilung der Lunge in Segmente über Blutgefäße & Bronchien

34 34 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) Blutgefäße & Bronchien

35 35 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

36 36 Blutgefäße & Bronchien

37 37 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

38 38 Blutgefäße & Bronchien Weiterer Ansatz Fuzzy-Logic: –Repräsentation durch Sprachausdrücke HELLIGKEIT ist NIEDRIG ADJAZENZ ist HOCH VORHANDENSEIN_VON_WÄNDEN ist HOCH Vorhandensein von Wänden Helligkeit NiedrigMittelHoch Dunkel MittelHoch Sehr Hoch Mittel NiedrigMittelHoch Hell Sehr Niedrig NiedrigMittel

39 39 Blutgefäße & Bronchien Wahrscheinlichkeitsermittlung über Fuzzy-Logic Ergebnis: Einstufung von 0 bis 3 C-Baum besteht aus den mit 2-3 bewerteten Luftwegen

40 40 Blutgefäße & Bronchien Fazit: –Getestet an Datensätzen von Hunde-Lungen –Gute bis sehr gute Übereinstimmungen

41 41 Literatur (1) 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 Wasserscheiden- Transformation ( )

42 42 Literatur (2) ( ) onia.htm ( ) ( ) ( ) J. Lu, D. M. Healy Jr. and J. B. Weaver, Contrast Enhancement of Medical Images Using Multiscale Edge Representation, SPIE vol Wavelet Applications, pp , 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 S. Krass, D. Selle, A. Bödicker, W. Spindler, H. Seyffarth, H.-H. Jend,Computergestützte Radiologie des Thorax


Herunterladen ppt "Computergestützte Diagnose von Lungenerkrankungen/ Exploration von CT-Thoraxdaten Tobias Mönch, Matthias Keil, CV 8. Sem."

Ähnliche Präsentationen


Google-Anzeigen