DE102005036412B4

DE102005036412B4 - Verbesserte GGN-Segmentierung in Lungenaufnahmen für Genauigkeit und Konsistenz

Info

Publication number: DE102005036412B4
Application number: DE102005036412A
Authority: DE
Inventors: Li Zhang; Tiantian Zhang
Original assignee: Siemens Medical Solutions USA Inc
Current assignee: Siemens Medical Solutions USA Inc
Priority date: 2004-08-02
Filing date: 2005-07-29
Publication date: 2009-01-29
Anticipated expiration: 2025-07-30
Also published as: US20060023927A1; US7627173B2; DE102005036412A1

Abstract

Verfahren zur Knotensegmentierung, umfassend:
Auswählen eines Knotens aus einem Bild;
Definieren eines interessierenden Volumens, wobei dieses interessierende Volumen den Knoten enthält;
Entfernen einer Brustwand aus dem interessierenden Volumen; Auswählen eines vorab definierten anfänglichen Intensitätsmodells;
Vorsegmentierung des interessierenden Volumens mit einem Markov Random Feld mit dem ausgewählten vorab definierten anfänglichen Intensitätsmodell;
gekennzeichnet durch die Schritte:
Adaptieren des Intensitätsmodells auf Basis der Vorsegmentierung des interessierenden Volumens; und
Segmentieren des interessierenden Volumens mit einem Markov Random Feld mit dem adaptierten Intensitätsmodell.

Description

HINTERGRUND
Die Erfindung betrifft allgemein die Bildsegmentierung. Insbesondere betreffen Ausführungsformen der Erfindung Verfahren und Systeme zur computergestützten GGN (Ground Glass Nodule)-Segmentierung unter Verwendung der stochastischen Feldanalyse nach Markov (Markov Random . Feld) und Intensitätsmodelladaptation für schnelle, objektive und konsistente Messung für die Lungenkrebsdiagnose.
Lungenkrebs ist nach wie vor eine der führenden krebsbedingten Todesursachen bei amerikanischen Frauen und Männern. An Lungenkrebs sterben mehr Menschen als an Kolon-, Brust- oder Prostatakrebs. Unter der Annahme, dass eine frühzeitige Intervention zu höheren Überlebensraten führt, ist es ein wichtiges Anliegen für die öffentliche Gesundheit, die Überlebensrate zu verbessern und die Mortalität aufgrund von Lungenkrebs durch Nachweis und Intervention in einem früheren und möglicherweise eher heilbaren Stadium zu verringern.
Computertomographie (CT) gilt als genaueste Bilddarstellungsmethode für den frühzeitigen Nachweis und die frühzeitige Diagnose von Lungenkrebs. CT verwendet Spezialgeräte, um mehrere Querschnittsansichten der Organe und Gewebe in der Brust zu erhalten und Bilder zu produzieren, die viel detaillierter sind als eine herkömmliche Röntgenaufnahme. CT-Bilder können verschiedene Arten von Geweben zeigen, einschließlich Lungen, Herz, Knochen, Weichteile, Muskeln und Blutgefäße, und sie können durch einmaliges Anhalten des Atems mit 1 bis 3 mm axialer Kollimation aufgenommen werden. CT-Bilder werden heute mit der Helix-C-Methode aufgenommen, bei der Bilder der Brust aus vielen Winkeln erfasst werden, und die mithilfe eines Computers die Bilder bearbeitet, um axiale, koronale oder sagittale Querschnittsaufnahmen oder „Schichtaufnahmen" des interessierenden Gebiets zu erhalten. Jedes Bild kann dann ausgedruckt oder auf dem Computerbildschirm untersucht werden. CT bietet hohe Auflösung und schnelle Akquisitionszeiten und hat es möglich gemacht, kleine Lungenknötchen in diesen dünnen Aufnahmen nachzuweisen, die Lungenkarzinome in einem früheren und möglicherweise auch heilbareren Stadium darstellen.
Nachteil ist die Untersuchung von Hunderten von Bildern. Hunderte von CT-Bildern, die pro Untersuchung aufgenommen werden, müssen von einem Radiologen ausgewertet werden. Untersuchungen im herkömmlichen Sinn, bei denen jedes Bild im axialen Modus betrachtet wird, sind schwierig zu interpretieren und führen zu einer hohen Fehlerrate beim Nachweis kleiner Knötchen. Dies führt zu der Gefahr, dass kleine Knötchen übersehen werden, so dass auch ein Karzinom übersehen werden kann.
Computeranalyse kann dem Radiologien bei der Behandlung von Lungenkrebs helfen. Für den Nachweis von kleinen Lungenknötchen ist die Größe eine primäre Metrik für die Schätzung der Wachstumsrate. Da Krebs ein wachsender Tumor ist, ist dies die direkteste Methode für den Hinweis auf kanzeröse Knötchen. Eine zweite ist Form. Die Bestimmung der Wachstumsraten erfordert Zeit und wiederholte Messungen. Durch Beobachtung von Größe, Form und Aussehen des Knötchens kann bestimmt werden, ob ein Knötchen bösartig oder gutartig ist.
GGNs (Ground Glass Nodules) sind häufig mit einem bösartigen Tumor assoziiert und die quantitative Messung von GGN ist bei der Krebsdiagnose von großer Bedeutung. GGNs erscheinen in CT- und MRT-Aufnahmen der Lungen als teilweise Opazitäten und umfassen zwei Arten, die reinen und die Sub- oder Mischformen.
GGNs haben sich besonders bei der Lungenkrebsdiagnose als problematisch erwiesen, denn obwohl sie häufig bösartig sind, weisen sie charakteristischerweise extrem langsame Wachstumsraten auf. Dieses Problem wird noch weiter verstärkt durch die kleine Größe vieler dieser Läsionen, die heute nach Einführung der Multi-Slice-CT-Scanner, die zusammenhängende 1 bis 1,25 mm große Bildabschnitte des gesamten Thorax mit hoher Auflösung bei einmaligem Anhalten des Atems erfassen können, routinemäßig nachgewiesen werden.
Im Lauf der Jahre wurden schon eine Reihe von computergestützten Methoden und Systemen für den automatischen Nachweis von kleinen Knötchen in CT-Brustaufnahmen entwickelt, die auf Dichte und Modellen basieren. Angesichts der Tatsache, dass Lungenknötchen relativ höhere Dichten aufweisen als Lungenparenchym, arbeiten auf Dichte basierende Nachweismethoden mit Techniken wie dem multiplen Schwellwertverfahren, dem Bereichswachstumsverfahren, dem lokal adaptiven Schwellwertverfahren in Kombination mit dem Bereichswachstumsverfahren und Fuzzy-Clustering zur Identifizierung von Knötchenkandidaten in der Lunge. Falsch positive Ergebnisse können dann durch Anwendung der a priori Kenntnisse über kleine Lungenknoten aus den nachgewiesenen Knötchenkandidaten reduziert werden.
Für die Nachweismethoden auf Modellbasis wird die relativ kompakte Gestalt eines kleinen Lungenknotens berücksichtigt, wenn die Modelle zur Identifizierung von Knötchen in der Lunge erstellt werden. Techniken wie N-Quoit-Filter, Template-Matching, objektbasierte Deformation und das generische Modell auf Anatomiebasis wurden zur Identifizierung von kugelförmigen kleinen Knötchen in der Lunge vorgeschlagen. Weitere Versuche umfassen den automatischen Nachweis von Lungenknötchen durch Analyse der gekrümmten Oberflächenmorphologie und Verbesserung des Knötchennachweises durch Subtraktion bronchovaskulärer Strukturen von den Lungenbildern. Aufgrund der relativ kleinen Größe der existierenden CT-Lungenknoten-Datenbanken und der verschiedenen CT-Bilderfassungsprotokolle ist ein Vergleich der Nachweisleistung der entwickelten Algorithmen nur schwer möglich.
Mit computergestützten Diagnosetechniken wird das Knötchen aus den CT-Bildern extrahiert. Die Schwierigkeit besteht darin zu bestimmen, welche Voxel oder welche Teile von welchen Voxel zu einem Knötchen gehören. Wenn eine genaue Darstellung erhalten wurde, ist die Messung von Größen- und Formparametern einfacher.
Zur Durchführung einer Wachstumsratenmessung wird eine Segmentierung durchgeführt. Zweidimensionale Methoden beobachten eine einzelne Schichtaufnahme und berechnen den Bereich eines Knötchens, das in dieser Schichtaufnahme enthalten ist. Dreidimensionale Methoden beobachten das gesamte Volumen.
Die Bildsegmentierung identifiziert homogene Bereiche in einem Bild. Die Homogenität kann auf einer oder mehreren Eigenschaften beruhen, wie z. B. Struktur, Farbe, Verteilung der Dichten der Bildelemente, Bewegungsfeld usw. Das Ergebnis der Segmentierung ist entweder ein Bild von Markern zur Identifizierung jedes homogenen Bereichs oder mehrere Konturen, die die Grenzen des Bereichs beschreiben.
Bildsegmentierung kann an 2-dimensionalen Bildern, Sequenzen von 2-D-Bildern, 3-dimensionalen volumetrischen Bildern oder Sequenzen davon durchgeführt werden. Ein Teil der Segmentierungsforschung hat sich auf 2-D-Bilder konzentriert. Wenn die Daten auf 3-D-Rastern definiert sind, wie sie aus einer Reihe von Querschnitts-CT oder MRT-Aufnahmen erhalten werden, kann jede Bildscheibe individuell segmentiert werden.
Es gibt verschiedene Techniken zur Bildsegmentierung. Die meisten Methoden haben sich von 2-D zu 3-D weiterentwickelt. Modellierung auf Basis eines stochastischen Felds wird weithin verwendet, weil sie für die Analyse und Synthetisierung von Bildern geeignet ist. Das Ergebnis der Struktursegmentierung kann nur schwer automatisch ausgewertet werden und in der Regel ist dafür ein Beobachter erforderlich, der die Qualität der Segmentierung beurteilt.
Aus dem Artikel „Modeling of Inhomogeneous Markov Random Fields with Applications to Cloud Screening", Technical Report UCI-ICS 98–21, August 1998, University of California by I. Cadez and P. Smyth ist in iterativer Markov Random Field-Segmentierungsalgorithmus beschrieben, bei dem mit einem gegenwärtigen Intensitätsmodell eine Markov Random Field Segmentierung durchgeführt wird, bei der der Markov Random Field Parameter jeweils zwischen zwei ICM-Schritten einer Markov Random Field Segmentation durchgeführt wird.
Obwohl die Segmentierung von festen Knötchen klinisch zur quantitativen Bestimmung der Volumenverdopplungszeiten eingesetzt werden kann, müssen zuverlässige Methoden für die Segmentierung von GGNs erst noch eingeführt werden. Konsistente Segmentierung von GGNs hat sich als problematisch erwiesen, was am häufigsten an unklaren Grenzen und Schwankungen zwischen Beobachtern liegt. Gewünscht wird eine computergestützte Methode zur Durchführung schneller, reproduzierbarer quantitativer Messungen dieser Läsionen.
ZUSAMMENFASSUNG
Obwohl es verschiedene Bildsegmentierungsmethoden und -systeme gibt, die bei der Krebsdiagnose hilfreich sind, sind diese Systeme nicht vollkommen befriedigend. Die Erfinder haben entdeckt, dass es wünschenswert wäre Methoden und Systeme für die Segmentierung von Knötchen mit minimaler manueller Interaktion zu haben. Diese Aufgabe wird gelöst durch ein Verfahren zur Knotensegmentierung mit den Merkmalen des Anspruchs 1 und ein System zur Knotensegmentierung mit den Merkmalen des Anspruchs 9.
Die Erfindung umfasst Methoden und Systeme für GGN-Segmentierung unter Verwendung adaptiver Intensitätsmodelle in Verbindung mit Modellierung auf Basis des stochastischen Felds nach Markov (Markov Random Feld (MRF)). Das adaptive Intensitätsmodell überwindet die Probleme im Zusammenhang mit Niederkontrast-GGN-Bildscheiben. In der MRF-Segmentierung enthaltene Gefäße werden durch Formanalyse auf Basis von Entfernungskarten der Segmentierung entfernt.
Ein Aspekt der Erfindung liefert Methoden für die Knötchensegmentierung. Methoden nach diesem Aspekt der Erfindung beginnen vorzugsweise mit der Auswahl eines Knötchens aus einem Bild, Definition eines interessierenden Volumens, wobei das interessierende Volumen das Knötchen enthält, Entfernen einer Brustwand aus dem interessierenden Volumen, Wahl eines vorab definierten anfänglichen Intensitätsmodells, das das interessierende Volumen mit einem Markov Random Feld segmentiert, wobei das gewählte vorab definierte anfängliche Intensitätsmodell das Intensitätsmodell basierend auf der Vorsegmentierung des interessierenden Volumens adaptiert, und Segmentieren des interessierenden Volumens mit einem Markov Random Feld mit dem adaptierten Intensitätsmodell.
Ein weiterer Aspekt der Methode ist die Wahl des vorab definierten Intensitätsmodells auf Basis der Durchführung einer Intensitätsprofilanpassung des interessierenden Volumens mit zwei Koordinaten.
Ein weiterer Aspekt der Methode umfasst die Durchführung einer Formanalyse zur Entfernung von Blutgefäßen, die an oder in der Nähe des interessierenden Volumens anhängen, nach der Vorsegmentierung und Segmentierung des interessierenden Volumens.
Ein weiterer Aspekt der Erfindung liefert Methoden zur Segmentierung eines Knötchens, das in einer Vielzahl von Bildern in einer nummerierten Reihe vorhanden ist. Methoden nach diesem Aspekt der Erfindung beginnen vorzugsweise mit der Auswahl eines Knötchens aus einem Bild aus der Reihe von Bildern, wobei das gewählte Bild ein zentrales Bild in der nummerierten Reihe repräsentiert, Definition eines interessierenden Volumens, wobei das interessierende Volumen das Knötchen enthält, Entfernen einer Brustwand aus dem interessierenden Volumen, Wahl eines vorab definierten anfänglichen Intensitätsmodells, wobei die Bearbeitung die Vorsegmentierung des interessierenden Volumens mit einem Markov Random Feld mit dem gewählten vorab definierten anfänglichen Intensitätsmodell umfasst, Adaptieren des Intensitätsmodells auf Basis der Vorsegmentierung des interessierenden Volumens, Segmentieren des interessierenden Volumens mit einem Markov Random Feld mit dem adaptierten Intensitätsmodell und Aktualisieren des Intensitätsmodells auf Basis benachbarter Scheibensegmentierung, sequentielle Wiederholung der Bearbeitung für jedes weitere Bild mit zunehmender Vergrößerung in der nummerierten Reihe von dem Zentralbild, und sequentielle Wiederholung der Bearbeitung für jedes weitere Bild mit abnehmender Vergrößerung in der nummerierten Reihe von dem Zentralbild.
Weitere Gegenstände und Vorteile der Methoden und System sind für den Fachmann nach Lesen der detaillierten Beschreibung der bevorzugten Ausführungsform ersichtlich.
KURZE BESCHREIBUNG DER ZEICHNUNGEN
1 ist ein Blockdiagramm eines beispielhaften Computers.
2a und 2b sind Blockdiagramme einer beispielhaften Methode gemäß einer Ausführungsform der Erfindung.
3 ist ein beispielhafter Rahmen der individuellen Module der Erfindung.
4 ist ein anfängliches Intensitätsschätzmodell gemäß einer beispielhaften Ausführungsform der Erfindung.
5a–5d zeigen Intensitätsverteilungsschwankung zwischen mehreren GGN-Bildscheiben.
6a–6b zeigen Intensitätsverteilungsschwankung an zwei Bildscheiben in der gleichen Reihe für dasselbe GGN.
7a zeigt ein Bild mit einem ausgewählten GGN mit einem auf der Außenseite am GGN anhaftenden Blutgefäß.
7b zeigt das GGN aus 7a segmentiert. Das anhaftende Blutgefäß wurde fälschlicherweise in die GGN-Segmentierung eingeschlossen.
7c zeigt das GGN aus 7a in binärer Form für die Entfernungstransformation.
7d zeigt eine resultierende Entfernungskarte der GGN-Segmentierung aus 7c gemäß einer beispielhaften Ausführungsform der Erfindung.
8a zeigt ein Bild mit einem ausgewählten GGN mit einem inneren Blutgefäß.
8b zeigt das GGN aus 8a segmentiert.
8c zeigt das GGN aus 8a in binärer Form für die Entfernungstransformation.
8d zeigt eine resultierende Entfernungskarte der GGN-Segmentierung aus 8c gemäß einer beispielhaften Ausführungsform der Erfindung.
9 zeigt vor und nach GGN-Segmentierung von fünf verschiedenen Original-CT-Bildscheiben jeweils mit einem ausgewählten GGN gemäß einer beispielhaften Ausführungsform der Erfindung.
10 zeigt vor und nach GGN-Segmentierung eine CT-Bilds mit einem ausgewählten GGN mit anhängendem Gefäß gemäß einer beispielhaften Ausführungsform der Erfindung.
DETAILLIERTE BESCHREIBUNG DER BEVORZUGTEN AUSFÜHRUNGSFORMEN
Ausführungsformen der Erfindung werden mit Bezug auf die beiliegenden Zeichnungen beschrieben, in denen gleiche Ziffern stets gleiche Elemente bedeuten. Bevor die erfindungsgemäßen Ausführungsformen detailliert erläutert werden, ist zu verstehen, dass die Erfindung nicht auf ihre Anwendung auf die Details der in der folgenden Beschreibung oder in den Figuren gezeigten Beispiele beschränkt ist. Die Erfindung kann auch andere Ausführungsformen haben und in einer Vielzahl verschiedener Anwendungen und auf verschiedene Arten praktiziert oder durchgeführt werden. Ferner ist zu verstehen, dass die hierin verwendeten Phrasen und Begriffe der Beschreibung dienen und nicht einschränkend sein sollen. Die Verwendung von „einschließlich", „umfassend" oder „aufweisend" und ihre Abwandlungen sollen die hiernach aufgeführten Punkte und ihre Äquivalente sowie weitere Punkte beinhalten. Die Begriffe „montiert", „verbunden" und „gekoppelt" sind breit gefasst und beinhalten die direkte und indirekte Montage, Verbindung und Kopplung. Ferner sind "verbunden" und „gekoppelt" nicht auf physikalische oder mechanische Verbindungen oder Kupplungen beschränkt.
Erfindungsgemäße Ausführungsformen liefern Methoden, System und ein computerverwendbares Medium zur Speicherung von computerlesbaren Anweisungen für eine Bildsegmentierungsanwendung, die es Ärzten ermöglicht, aus einer Vielzahl von Patientenakten mit Bildern Dateien für die Diagnose von kanzerösen Knötchen in der Lunge auszuwählen. Die Funktionalität der Anwendung gestattet es dem Arzt, eine Vielzahl von einzelnen Patientendateien zum Betrachten frisch erhaltener Lungenbilder zur erfindungsgemäßen Bearbeitung und zum Vergleich der Ergebnisse mit archivierten bearbeiteten Lungenbildern zu speichern und auf sie zuzugreifen, um eine Krebsdiagnose stellen zu können. Die Erfindung kann Meldungen liefern, wenn der Zustand eines Patienten Aufmerksamkeit benötigt oder, was noch wichtiger ist, wenn mangelnde Aufmerksamkeit zu einer falschen Diagnose führen würde.
Die Erfindung ist ein modularer Rahmen und wird angewendet als Software als Anwendungsprogramm, das in einer Programmspeichervorrichtung greifbar verkörpert ist. Der Zugang zur Anwendung erfolgt über eine grafische Benutzeroberfläche (GUI). Der Anwendungscode für die Ausführung kann eine Vielzahl verschiedener Arten von computerlesbaren Medien sein, die dem Fachmann bekannt sind. Der Benutzer betritt den Rahmen durch Zugriff auf die GUI über einen Computer.
Scanning-Vorrichtungen, wie hochauflösende CT-Bilddarstellung, MRT-Darstellung, Positronenemissionstomographie (PET) und andere erzeugen und geben digitale Bilddateien mit hoher Auflösung aus, die in der Erfindung verwendet werden. CT- und MRT-Aufnahmen können Unterschiede in Gewebeeigenschaften von Patienten eines Teils in mehreren Tausend auflösen. Beispielsweise sind die Pixel eines CT-Bilds proportional zur Elektronendichte des Gewebes und werden üblicherweise in Hounsfield-Einheiten ausgedrückt, die grob den numerischen Bereich –1000 bis +1000 abdecken und typisch als 16-Bit-Integer gespeichert werden. Zwei Standarddateiformate der Industrie, die 16-Bit-Daten unterstützen, sind DICOM und TIFF.
Eine Ausführungsform eines Computers 21, die die Anweisungen einer erfindungsgemäßen Ausführungsform ausführt, ist in 1 gezeigt. Eine repräsentative Hardware-Umgebung mit einer typischen Hardwarekonfiguration eines Computers ist gezeigt. Der Computer 21 enthält eine CPU 23, Speicher 25, einen Leser 27 zum Lesen von computerausführbaren Anweisungen auf computerlesbaren Medien, einen gemeinsamen Kommunikationsbus 29, eine Kommunikationssuite 31 mit externen Ports 33, eine Netzwerkprotokollsuite 35 mit externen Ports 37 und eine GUI 39.
Der Kommunikationsbus 29 gestattet die bidirektionale Kommunikation zwischen den Komponenten des Computers 21. Die Kommunikationssuite 31 und die externen Ports 33 gestatten die bidirektionale Kommunikation zwischen dem Computer 21 oder den Computern 21 und externen kompatiblen Geräten, wie z. B. Laptops und dergleichen unter Verwendung von Kommunikationsprotokollen wie IEEE 1394 (FireWire oder LINK), IEEE 802.3 (Ethernet), RS (Recommended Standard) 232, 422, 423, USB (Universal Serial Bus) und anderen.
Die Netzwerkprotokollsuite 35 und die externen Ports 37 ermöglichen die physikalische Netzwerkverbindung und die Aufzeichnung von Protokollen bei der Kommunikation über ein Netzwerk. Protokolle wie TCP/IP (Transmission Control Protocol/Internet Protocol) Suite, IPX/SPX (Internetwork Packet eXchange/Sequential Packet eXchange), SNA (Systems Network Architecture) und anderen. Die TCP/IP Suite enthält IP (Internet Protocol), TCP (Transmission Control Protocol), ARP (Address Resolution Protocol), and HTTP (Hypertext Transfer Protocol). Jedes Protokoll innerhalb einer Netzwerkprotokollsuite hat eine spezifische Funktion zur Unterstützung der Kommunikation zwischen Computern, die an ein Netzwerk angeschlossen sind. Die GUI 39 enthält eine grafische Anzeige wie CRT, eine Anzeige mit fixen Pixel oder andere 41, eine Tastatur oder ein Touchscreen 43 und ein Zeigergerät 45 wie eine Maus, Trackball, optischer Pen oder andere für eine leicht anzuwendende Benutzerschnittfläche der Erfindung.
Der Computer 21 kann ein Handgerät sein, wie z. B. Ein Internet-Gerät, PDA (Personal Digital Assistant), Blackberry Gerät oder ein herkömmlicher Computer, wie z. B. ein PC, Macintosh oder eine Arbeitsstation auf UNIX-Basis mit dem entsprechenden BS (Betriebssystem), das mit einem Computer über Kommunikationsmedien mit Leitung (geführt) oder drahtlos (ungeführt) kommunizieren kann. Die CPU 23 führt kompatible Anweisungen oder im Speicher 25 gespeicherte Software aus. Der Fachmann versteht, dass die Erfindung auch auf anderen als den erwähnten Plattformen und Betriebssystemen praktiziert werden kann.
Der Computer 21 enthält eine geeignete bildgebende Anwendung, die digitale Bilddaten eines erfassten Bilddatensets bearbeiten kann, um 2-D- und/oder 3-D-Aufnahmen zu erzeugen und auf der Anzeige 41 anzuzeigen. Das Bildgebungssystem kann eine Anwendung sein, die 2D/3D-Generierung und Visualisierung von medizinischen Bilddaten ermöglicht und auf dem Computer ausführt. Das Bildgebungssystem ermöglicht es dem Benutzer, durch eine Vielzahl von 2-D-Bildscheiben oder ein 3-D-Bild zu navigieren.
In 2a und 2b ist ein Fließdiagramm einer Methode zur Knötchensegmentierung gemäß einer Ausführungsform der Erfindung. In 3 ist ein entsprechendes Segmentierungsgerüst der verschiedenen Module der Erfindung gezeigt, wie es vom Computer 21 ausgeführt wird. Der erfindungsgemäße Rahmen gestattet die effektive Integration von Datenbankinformationen und zeigt den Datenfluss durch ein Set von miteinander gekoppelten erfindungsgemäßen Modulen. Die Module enthalten eine Bilddatei-Schnittstelle 300, einen Normalisator 305, einen Antrieb 310 für das interessierende Volumen (Vol), einen Intensitätsadaptationsantrieb 315, einen Segmentierungsantrieb 320, einen Datenspeicher 325 und einen Benachrichtigungsantrieb 330.
2-D-Bilddaten aus der CT-, MRT- oder PET-Aufnahme der Lunge eines Patienten werden importiert, geladen oder von einem anderen Computer oder einen Netzwerkserver auf den Computer 21, in dem die Erfindung liegt, heruntergeladen. Die Bilder werden bei Bedarf unter Verwendung des Normalisators 305 in ein kompatibles Software/Hardware-Format für das Gerüst konvertiert. Das Segmentierungsgerüst empfängt und bearbeitet die digitalen medizinischen Bilddaten des Patienten, die in Form von rohen Bilddaten oder 2 rekonstruierten Daten, wie z. B. eine Vielzahl von axialen Bildscheiben vorliegen können. Die Erfindung betrifft segmentierte bearbeitete Bilder, die vom Segmentierungsantrieb 320 oder Datenspeicher 325 zum Bildgebungssystem zur Erzeugung von 2-D- oder 3-D-Aufnahmen zur Untersuchung von Farb- oder Intensitätsabweichungen von Organen oder anatomischen Strukturen ausgegeben werden können. Nach Abschluss der erfindungsgemäßen Methode können die 2-D-Bilder dann in 3-D-Aufnahmen wie in 9 und 10 gezeigt übersetzt werden.
Erfindungsgemäße Methoden und Systeme für die GGN-Segmentierung können als Erweiterungen oder Alternativen zu herkömmlichen Segmentierungsmethoden zur Bearbeitung von medizinischen Bilddaten verwendet werden. Es versteht sich, dass beispielhafte Methoden und Systeme wie hierin beschrieben problemlos mit medizinischen Bildern und computergestützten Diagnosesystemen (CAD) oder Anwendungen, die für einen breiten Bereich von Bildgebungsmodalitäten geeignet sind, wie z. B. CT, MRT, PET usw., und für die Diagnose und Beurteilung von verschiedenen abnormalen Strukturen oder Läsionen mit ähnlichem Erscheinen von GGNs in CT-Bildern problemlos umgesetzt werden können. Obwohl hierin beispielhafte Ausführungsformen mit Bezug auf bestimmte Bildgebungsmodalitäten oder bestimmte anatomische Merkmale beschrieben werden können, ist nichts so auszulegen, als ob es den Umfang der Erfindung einschränken würde.
Nach Eingabe von Daten von einer Bildgebungsvorrichtung zum Computer 21 unter Verwendung der GUI 39 wählt ein Benutzer eine Patientendatei und eine Bilddatei (Schritt 200). Der Benutzer navigiert durch die Bilddateidaten, um eine Bildscheibe, die einem verdächtigen GGN am besten entspricht, manuell zu identifizieren und auszuwählen. Beispielsweise kann ein verdächtiger GGN ca. 3 bis 15 Bildscheiben in assoziierten Bildseriengruppen überspannen. Das Knötchen wird gewählt (Schritt 205) und definiert eine zentrale Bildscheibe. Die Auswahl kann manuell von der GUI 39 durch einen Arzt, wie z. B. einen Radiologen oder durch Verwendung einer computergestützten GGN-Nachweistechnik durchgeführt werden.
Nach Auswahl eines GGN wird ein VOI vom VOI Antrieb 210 gewählt (Schritt 210). Die Größe und/oder Form des VOI wird automatisch definiert, um den ausgewählten GGN einzuschließen und zu umschließen. Beispiele der VOI Auswahl sind in 9 und 10 als CT-Originalbilder gezeigt, angezeigt durch den Bereich in einem quadratischen Kästchen mit einem verdächtigen GGN.
Die Vorbearbeitung des VOI erfolgt zur Entfernung einer Brustwand. Der Teil des VOI, der zur Brustwand gehört, wird aus dem VOI ausgeschlossen (Schritt 215), um das Fehlerrisiko bei der Segmentierung zu beseitigen. Dies geschieht durch Durchführung einer Bereichswachstumstechnik zur Entfernung von Elementen, die keine Knoten sind, in dem VOI, das zu einer Brustwand gehört.
Zur Überwindung von Knötchenbildern mit geringem Kontrast, wird erfindungsgemäß eine MRF-Optimierung aus ersten Schätzungen der GGNs durchgeführt, die empirisch von 2-D- und 3-D-Bildern entnommen wurden, um den besten Ausgangszustand für das iterative MRF-Optimierungsverfahren zu liefern und die Intensitätsverteilung zu modulieren, wenn die Intensitätswahrscheinlichkeit der MRF berechnet wird. Die vordefinierten ersten Intensitätsschätzungen werden im Datenspeicher 325 gespeichert, um vom Intensitätsadaptationsantrieb 315 abgerufen zu werden.
Um niedrigen Kontrast im Bild weiter zu überwinden, wird die GGN-Segmentierung an zentralen GGN-Scheiben initialisiert, wo die GGN-Peripherie sich am besten unterscheiden lässt, so dass robustere erste Schätzungen erhalten werden als mit benachbarten nicht-zentralen Scheiben. Ein Benutzer untersucht eine Reihe von Knötchen-Bildscheiben zum Nachweis von GGN und identifiziert eine Bildscheibe als zentrale Scheibe für die Segmentierungszwecke. In diesem Zusammenhang bedeutet „zentral" nicht das mittlere Bild in einer Seriengruppe von GGN-Bildern, sondern lediglich eine beste Darstellung. Beispielsweise kann ein zentrales Bild in einer Bildseriengruppe mit fünf Bildscheiben jedes der fünf Bildscheiben sein. Da GGNs auf zentralen Scheiben ellipsenförmig aussehen können, werden Intensitätsprojektionsprofile der großen und kleinen Achsen eines Ellipsenmodells von dem Intensitätsadaptationsantrieb 315 berechnet, indem er nach Bildintensitätspeaks aus Intensitätsgefällen (die GGN darstellen) wie in 4 gezeigt sucht (Schritt 220). Der Intensitätsadaptationsantrieb 315 berechnet die mittlere und Standardabweichung der Intensitätsschätzungen des Ellipsenmodells, wodurch ein Anfangswert für μ und σ für die Intensitätsmodelle erhalten wird (Schritt 225).
Bayesische Methoden arbeiten mit Wahrscheinlichkeitsrechnungen zur Quantifizierung der Plausibilität einer Hypothese. Im Fall der Bildsegmentierung betrifft diese Hypothese die Existenz eines bestimmten versteckten Felds, d. h. Markierungsfeldrealisierung, zusammen mit Daten. A priori Kenntnisse, die zur Verbesserung der Ergebnisse genutzt werden können, werden zur Regularisierung der Inferenz des versteckten Felds verwendet, angesichts der Daten. Formale Optimierungstechniken werden dann verwendet, zum an einer a posteriori Inferenz zu arbeiten.
Der Bayesische Lehrsatz besagt P(L|F) α P(F|L) P(L), (1) wo die a posteriori Wahrscheinlichkeit P(L|F) des markierten Felds angesichts der Daten proportional zum Produkt der Intensitätsmodellwahrscheinlichkeit P(F|L) und der a priori Wahrscheinlichkeit der Realisierungen P(L) ist. P(L) wird unter Verwendung lokaler Informationen über das erwartete Segmentierungsergebnisse wie z. B. Form und Ziele zur Förderung der räumlichen Konnektivität definiert.
Bayes' Statistik ist eine Theorie der Schätzung und Entscheidungsfällung. Wenn also die vorherige Verteilung und die Wahrscheinlichkeitsfunktion eines Musters bekannt sind, kann aus diesen Wissensquellen am besten die Bayesische Markierung geschätzt werden. Die maximale a posteriori (MAP) Lösung als Sonderfall im Bayesischen Gerüst wird gesucht.
MRF-Segmentierung wird gegeben durch MAP und die a posteriori Wahrscheinlichkeit. P(L|F) kann aus der konditionalen Intensitätswahrscheinlichkeit P(F|L) und der a priori Wahrscheinlichkeit P(L) unter Anwendung des Bayesischen Lehrsatzes (1) erhalten werden, wobei die konditionale Intensitätswahrscheinlichkeit aus dem unten erhaltenen Intensitätsmodell berechnet wird.
Die MAP-Schätzung maximiert die a posteriori Wahrscheinlichkeit P(L|F), die ausgedrückt werden kann als Produkt der a priori Wahrscheinlichkeit P(L) und der konditionalen Wahrscheinlichkeit P(F|L). Die a priori Wahrscheinlichkeit P(L) ist typischerweise durch die Nachbarschaftsinteraktionen gekennzeichnet, die durch MRF modifiziert werden können. Die konditionale Wahrscheinlichkeit P(F|L) stellt die Beobachtungen der Bildverteilungen dar.
Ein Weg zur Einarbeitung von räumlichen Korrelationen in einen Segmentierungsprozess ist die Verwendung von MRF als a priori Modelle. MRF ist ein stochastisches Verfahren, das die lokalen Eigenschaften eines Bildes angibt und mit den gegebenen Daten kombiniert wird, um das wahre Bild zu rekonstruieren. Das MRF für vorherige Kontextinformationen ist ein aussagekräftiges Verfahren zur Modellierung räumlicher Kontinuität und anderer Szenenmerkmale, und die Modellierung dieses Typs kann wertvolle Informationen für das Segmentierungsverfahren liefern.
MRF markiert ein Voxel durch Berücksichtigung der Markierung in seiner benachbarten Umgebung. MRFs sind Energiefunktionen, die nur die Interaktionen in der nächsten Nachbarschaft erfassen.
Die Bayesische Schätzung erfolgt dann über eine gemeinsame Optimierung, so dass die Schätzung nicht nur der Bildintensitätsbeobachtung entspricht, sondern auch den a priori Kenntnissen der gewünschten Nachbarschaftsinteraktion. Die Intensitätsverteilung schwankt nicht nur für unterschiedliche GGNs wie in 5 gezeigt, sondern auch für unterschiedliche Bildscheiben derselben GGN-Bildseriengruppe wie in 6. gezeigt. Das Intensitätsmodell muss für jede Bildscheibe in der Bildseriengruppe für denselben GGN angepasst werden.
Für a priori Wahrscheinlichkeitsfunktionen können MRFs verwendet werden. Beispiele sind die robuste unüberwachte Segmentierung von geräuschvollen nichtstrukturellen Bildern und die unüberwachte Segmentierung von texturierten Bildern. Mit MAF soll P(L|F) maximiert werden, angesichts des Modells und der a priori. Das Bayesische Verfahren bietet einen allgemeinen Rahmen, der für die 2-D- oder 3-D-Bilddatenmodellierung verwendet werden kann und sehr komplexe Modelle aufnehmen kann.
Das VOI wird durch den Segmentierungsantrieb 320 vorsegmentiert (Schritt 230). Bei der Erfindung können auch andere Segmentierungstechniken als MRF von einem Fachmann mit Kenntnissen auf diesem Gebiet verwendet werden. Vorsegmentierung erfolgt, um einen ersten Segmentierungszustand für einen iterierten Zustandsmodus (ICM) wie unten besprochen zu erhalten.
Nach der Vorsegmentierung des VOI wird das VOI erneut mit MRF segmentiert (Schritt 240–245). Ein MRF, das eine nichtlineare Interaktion zwischen ähnlichen und unterschiedlichen Merkmalen spezifiziert, wird beispielsweise verwendet, um räumliche und zeitliche Informationen durch Einführung von generischen Kenntnissen über zu schätzende Attribute zu kombinieren und zu organisieren. Durch Anwendung eine MRF (Schritt 230) gibt das MRF eine a priori Wahrscheinlichkeit durch Anwendung von räumlichen Zwängen von benachbarten Voxel im VOI. Eine Markierung kann dann jedem Voxel im VOI durch Berücksichtigung der Intensität und räumlichen Zwänge benachbarter Voxel zugewiesen werden. GGNs können eine Markierungsart erhalten, während Nicht-GGNs oder Hintergrundinformationen, beispielsweise Lungenparenchym, Blutgefäße, Brustwandteile usw. eine andere Markierungsart erhalten, so dass das mit MRF segmentierte VOI direkt angezeigt werden kann und einen GGN-Bereich von einem Hintergrund wie in 9 und 10 zu sehen repräsentiert, wo ein GGN von einer gezackten Linie in der Mitte eines Bilds eingeschlossen wird.
Aus den Übungsdaten, wo die Grenzen der GGNs manuell vordefiniert wurden, erhält man unter Verwendung der Gaussschen Anpassung an die Histogramme von GGNs und ihren Hintergründen einen Satz von Intensitätsmodellen für jeden GGN und seinen umliegenden Hintergrund. Mi{N(μg(i), σ2g (i)), N(μb(i), σ2b (i))}i = 1, 2,.... (2)wobei N(μg(i), μ2g (i)) (3)und N(μb(i), μ2b (i)) (4) die Gausschen Intensitätsmodelle für den iten GGN bzw. seinen umgebenden Hintergrund sind. μ ~_g zeigt den mittleren Intensitätswert der ersten Schätzung des segmentierten GGN, und dann kann das anfängliche Intensitätsmodell M ^{N(μ ^g, σ ^2g ), N(μ ^b, σ ^2b )} (5)wie folgt gewählt werden: M ^{N(μ ^g, σ ^2g ), N(μ ^b, σ ^2b )} = arg min 〈|μ ~g – μ(i)||Mi{N(μg(i), σ2g (i)),N(μb(i), σ2b (i))}, i = 1.2,..〉 (6)
Da die Intensitätsverteilung für verschiedene GGN schwankt, kann es sein, dass das anfängliche Modell aus den Übungsdatenmodellen nicht zu der Intensitätsverteilung der segmentierten GGN passt. Um dieses Problem zu vermeiden, wird ein 95%-Konfidenzintervall auf den Mittelwert μ ~_g der ersten Intensitätsschätzung berechnet. Wenn der Mittelwert μ_g(i) des Übungsmodells nicht im 95%-Konfidenzintervall liegt, werden μ ~_g, μ ^_g, σ ^_g, μ ^_g, und σ ^_g im anfänglichen Modell auf den Mittelwert und die Standardabweichung der ersten Schätzung des GGN und seines Hintergrund für den VOI durch den Intensitätsadaptationsantrieb 315 gesetzt.
Unter Verwendung von M ^{N(μ ^g, σ ^2g ), N(μ ^b, σ ^2b )} (7) zur Berechnung der konditionalen Intensitätswahrscheinlichkeit P(F|L) im MRF erreichen wir die Vorsegmentierung des GGN (Schritt 230). μ_g, σ_g, μ_b und σ_b bezeichnen Mittelwert und Standardabweichung der Vorsegmentierung des GGN und seines umgebenden Hintergrunds für den VOI, und die Intensitätsmodelle werden dann aktualisiert zu M{N(μg, σ2g ), N(μb, σ2b )} (8)
das im MRF verwendet wird, um die endgültige Segmentierung zu erhalten (Schritt 245). Für andere nicht-zentrale Scheiben (Scheiben ohne anfängliche Schätzungen) werden Mittelwert und Standardabweichung des GGN und seines umgebenden Hintergrunds an der benachbarten Scheibe berechnet, um das anfängliche Modell zu setzen. M ^{N(μ ^g, σ ^2g ), N(μ ^b, σ ^2b )} (9)
Für die Vorsegmentierung an der aktuellen Scheibe wird dann die endgültige Segmentierung mit dem um das Vorsegmentierungsergebnis aktualisierten Intensitätsmodell durchgeführt (Schritt 255). Das Intensitätsmodell wird lokal für jeden GGN adaptiert und liefert daher eine genauere konditionale Intensitätswahrscheinlichkeit für die MRF-Optimierung.
Dieses Verfahren wird wiederholt, bis alle benachbarten GGN-Scheiben in der Bildgruppenserie segmentiert sind (Schritt 260) wie in 2b gezeigt. Wenn beispielsweise eine Bildseriengruppe für einen verdächtigen Knoten 6 Bildscheiben umfasst und Scheibe 4 in der Serie als zentrale Scheibe gewählt wurde, würde das Verfahren zuerst Scheibe 4 bearbeiten (Schritte 205–260), und dann entweder mit steigender Reihenvergrößerung oder mit fallender Reihenvergrößerung (beliebige Richtung) mit der Bearbeitung der Nachbarn der zentralen Scheibe, Scheibe 3 oder Scheibe 5 fortfahren. Wenn Scheibe 5 gewählt wurde, würde die Segmentierung Scheibe 5 bearbeiten (Schritte 230–260), gefolgt von Scheibe 6 (Schritte 230–260). Die Erfindung würde dann Scheibe 3 bearbeiten (Schritte 230–260), gefolgt von Scheibe 2 (Schritte 230–260) und schließlich Scheibe 1 (Schritte 230–260).
Die GGN-Segmentierung kann fälschlicherweise anhängende Gefäße einschließen, wenn in der Nähe gelegene Blutgefäße wie in 7a und 7b gezeigt anwesend sind. Obwohl die anhängenden Gefäße, die in der GGN-Segmentierung eingeschlossen sind, leicht durch Schwellwertbildung und Bereichswachstumsverfahren identifiziert und segmentiert werden können, können sie nicht direkt aus der GGN-Segmentierung extrahiert werden, weil in einigen Fällen darunter liegende Gefäße im GGN sind und in die GGN-Segmentierung wie in 8a und 8b gezeigt eingeschlossen werden sollten.
Aus dem Obengesagten können wir sehen, dass die anhängenden Gefäße aus den GGN-Segmentierungen ausgeschlossen werden sollten, während innenliegende Gefäße beibehalten werden sollten. Entfernungskarten werden durch den Segmentierungsantrieb 320 berechnet und verwendet, um anhängende Gefäße von Gefäßen in einem Knoten zu unterscheiden. Durch Anlegen von Entfernungstransformen an die binäre Darstellung einer GGN-Segmentierung wie in 7c und 8c gezeigt, erhalten wird die Entfernungskarte
wie in 7d und 8d gezeigt. G stellt die GGN-Segmentierung dar und V_i,i = 1,2,... ein identifiziertes und segmentiertes Gefäß in der GGN-Segmentierung, d. h. V_i ⊂ G,i = 1,2,... Das am GGN anhängende Gefäß, das mit VS_attach bezeichnet wird, kann von den Gefäßen im GGN, bezeichnet als VS_inside, wie folgt unterschieden werden:
Nach der Segmentierung des VOI kann im segmentierten VOI das Gefäß entfernt werden. An oder in der Nähe des GGN anhängende Blutgefäße werden vom segmentierten VOI entfernt, indem die oben beschriebene Beurteilung der Entfernungskarte durchgeführt wird. Diese Funktion ist in 10 gezeigt, wo Blutgefäße, die an GGN anhingen, entfernt wurden. Nach jedem MRF-Vorgang (Schritte 230 und 245) werden Gefäße entfernt (Schritte 235 und 250). Das Verfahren wird fortgesetzt, bis alle benachbarten Bildscheiben segmentiert sind.
Die in 9 und 10 gezeigten Testergebnisse zeigen, dass GGN mit unterschiedlichen Intensitätsverteilungen unter Verwendung eines adaptiven Intensitätsmodells gemäß den Lehren der Erfindung korrekt identifiziert werden können. Anhängende Gefäße können korrekt durch Formanalyse auf Basis von Entfernungskarten entfernt werden.
Das GGN wird einem Benutzer beispielsweise durch den Computer 21 und die Anzeige 39 (Schritt 265) angezeigt. Beispiele erfindungsgemäß segmentierter GGN sind in 9 und 10 als umrissene Teile in der Mitte der Bilder gezeigt. Ein bearbeiteter (segmentierter) GGN kann in der Patientenakte im Datenspeicher 325 für weitere Untersuchung und Diagnose gespeichert werden. Die Erfindung kann über den Benachrichtigungsantrieb 330 konfiguriert werden, um frisch bearbeitete GGN-Dateien mit zuvor bearbeiteten und gespeicherten GGN-Dateien für denselben Patienten zu vergleichen und Warnungen für grobe Hinweise auf Wachstum auszugeben.

Claims

Verfahren zur Knotensegmentierung, umfassend: Auswählen eines Knotens aus einem Bild; Definieren eines interessierenden Volumens, wobei dieses interessierende Volumen den Knoten enthält; Entfernen einer Brustwand aus dem interessierenden Volumen; Auswählen eines vorab definierten anfänglichen Intensitätsmodells; Vorsegmentierung des interessierenden Volumens mit einem Markov Random Feld mit dem ausgewählten vorab definierten anfänglichen Intensitätsmodell; gekennzeichnet durch die Schritte: Adaptieren des Intensitätsmodells auf Basis der Vorsegmentierung des interessierenden Volumens; und Segmentieren des interessierenden Volumens mit einem Markov Random Feld mit dem adaptierten Intensitätsmodell.
Verfahren nach Anspruch 1, worin die Auswahl des Knotens manuell erfolgt.
Verfahren nach Anspruch 1, worin die Auswahl des Knotens automatisch erfolgt.
Verfahren nach Anspruch 1, worin die Auswahl des vorab definierten Intensitätsmodells auf Basis der Durchführung einer Intensitätsprofilanpassung des interessierenden Volumens mit zwei Koordinaten erfolgt.
Verfahren nach Anspruch 1, worin die Brustwand mit einem Bereichswachstumsverfahren entfernt wird.
Verfahren nach Anspruch 1, ferner umfassend die Entfernung von anhängenden Gefäßen von dem interessierenden Volumen nach der Vorsegmentierung und der Segmentierung.
Verfahren nach Anspruch 6, ferner umfassend die Durchführung einer Formanalyse zur Entfernung von Blutgefäßen, die an oder in der Nähe des interessierenden Volumens anhängen, nach der Vorsegmentierung und Segmentierung des interessierenden Volumens.
Verfahren nach Anspruch 1, ferner umfassend die Anzeige des segmentierten interessierenden Volumens.
System zur Knotensegmentierung zur Durchführung eines Verfahrens nach einem der Ansprüche 1–8.
Verfahren nach einem der Ansprüche 1 bis 8, wobei das ausgewählte Bild ein zentrales Bild einer nummerierten Serie definiert; und wobei das Verfahren als weitere Schritte aufweist: Aktualisieren des Intensitätsmodells auf Basis der Segmentierung benachbarter Scheiben; sequentielles Wiederholen der Bearbeitung für jedes verbleibende Bild mit zunehmender Vergrößerung in der nummerierten Serie von dem zentralen Bild; und sequentielles Wiederholen der Bearbeitung für jedes verbleibende Bild mit annehmender Vergrößerung in der nummerierten Serie von dem zentralen Bild.