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

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

Einleitung Anatomie der Lunge

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

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

Einleitung Präoperative Behandlungsplanung Lokalisation und Nachbarschaft Volumenbestimmung

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

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

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

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

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

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

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

SARS- Severe Acute Respiratory Syndrome In Röntgenaufnahmen schlecht diagnostizierbar HRCT als Lösung http://www.droid.cuhk.edu.hk/web/atypical_pneumonia/atypical_pneumonia.htm

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

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

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

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

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

Volume Rendering

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

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

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

Anatomische Reformatierung

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

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

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

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

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

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

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

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

Einteilung der Lunge in Segmente über Blutgefäße & Bronchien Finden der Hauptäste durch 3D-Region-Growing Vorverarbeitung 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)

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

Blutgefäße & Bronchien

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

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

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

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

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“ http://www.mevis.de/projects/thorax/segments/segments.html (16.05.04)

Literatur (2) http://www.mevis.de/projects/thorax/radiography/chest.html (16.05.04) http://www.droid.cuhk.edu.hk/web/atypical_pneumonia/atypical_pneumonia.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“