DE102005051746B4 - Verfahren zum Erfassen einer Struktur in einem dreidimensionalen Computertomographie-Bild eines Knies sowie maschinenlesbares Medium - Google Patents
Verfahren zum Erfassen einer Struktur in einem dreidimensionalen Computertomographie-Bild eines Knies sowie maschinenlesbares Medium Download PDFInfo
- Publication number
- DE102005051746B4 DE102005051746B4 DE102005051746A DE102005051746A DE102005051746B4 DE 102005051746 B4 DE102005051746 B4 DE 102005051746B4 DE 102005051746 A DE102005051746 A DE 102005051746A DE 102005051746 A DE102005051746 A DE 102005051746A DE 102005051746 B4 DE102005051746 B4 DE 102005051746B4
- Authority
- DE
- Germany
- Prior art keywords
- outline
- knee
- mask
- intensity
- area
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/149—Segmentation; Edge detection involving deformable models, e.g. active contour models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20161—Level set
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30008—Bone
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
Verfahren
zum Erfassen einer Struktur in einem dreidimensionalen (3D) Computertomographie-("CT"-)
Bild eines Knies, enthaltend:
(a) Schaffen einer Intensitätsvorrangmaske auf der Grundlage eines zweidimensionalen (2D) Schnittes des CT-Bildes;
(b) Empfangen oder Schätzen eines in einem Hoffa-Kissen-Bereich liegenden Keimpunktes in dem 2D-Schnitt;
(c) Erschaffen einer geometrischen Vorrangmaske auf der Grundlage des Keimpunktes;
(d) Kombinieren der Intensitätsvorrangmaske und der geometrischen Maske zur Bildung einer Bereichsmaske; und
(e) Segmentierung von Kniefett durch einen niveaueingestellten Umriss von dem 2D-Schnitt, wobei die Segmentierung durch die Bereichsmaske beschränkt wird.
(a) Schaffen einer Intensitätsvorrangmaske auf der Grundlage eines zweidimensionalen (2D) Schnittes des CT-Bildes;
(b) Empfangen oder Schätzen eines in einem Hoffa-Kissen-Bereich liegenden Keimpunktes in dem 2D-Schnitt;
(c) Erschaffen einer geometrischen Vorrangmaske auf der Grundlage des Keimpunktes;
(d) Kombinieren der Intensitätsvorrangmaske und der geometrischen Maske zur Bildung einer Bereichsmaske; und
(e) Segmentierung von Kniefett durch einen niveaueingestellten Umriss von dem 2D-Schnitt, wobei die Segmentierung durch die Bereichsmaske beschränkt wird.
Description
- Querverweis auf verwandte Anmeldungen
- Diese Anmeldung beansprucht die Priorität der vorläufigen Anmeldung Nr.
60/622,970 - Hintergrund der Erfindung
- 1. Gebiet der Erfindung
- Die vorliegende Erfindung bezieht sich allgemein auf das Gebiet medizinischer Abbildungen und insbesondere auf einen halblokalen aktiven Umriss für eine Blassbereichserfassung in Computertomographie-("CT"-) Bildern des Knies.
- 2. Beschreibung des Standes der Technik
- Die Erfassung spezieller anatomischer Strukturen in medizinischen Bildern ist ein wichtiges Forschungsproblem bei rechnerunterstützten Diagnose-Anwendungen ("CAD"-Anwendungen). Es sei beispielsweise das in
1 gezeigte Segmentierungsproblem betrachtet. Zwei interessierende Bereiche, die sich auf das Infrapatellarfett des Kniegelenks beziehen (auch als Hoffa-Kissen bekannt), sind grob durch Ellipsen gekennzeichnet. Die zwei in1 gezeigten Bilder sind zwei Schnitte aus einer Computertomographie-("CT"-)Folge eines Knies. Die Schnitte 25 und 33 sind aus einer axialen Knie-CT-Folge von 53 Schnitten gezeigt. Gemäß2 werden die zwei interessierenden Bereiche von1 durch einen Klinikarzt von Hand nachgezogen, um die wirklichen Grenzen des Hoffa-Kissens zu zeigen, wie dieser Klinikarzt sie sieht.2 kann beispielsweise dazu verwendet werden, automatisierte Verfahren zur Segmentierung und/oder zur Analyse anatomischer Strukturen in medizinischen Bildern für gültig zu erklären. - Aus dem Artikel „Representative line detection algorithm with fuzzy inference and its application to segmentation of CT knee images" von M. Shibata et al., Proceedings of the 9th International Conference an Neural Information Processing, ICONIP. 2002, Vol. 5, S. 2284–2288, ist ein beispielhaftes Verfahren zur Segmentierung und/oder Analyse anatomischer Strukturen in medizinischen Bildern bekannt. Das dort offenbarte Verfahren kann zur automatischen Segmentierung eines Meniskus aus einem CT-Kniebild verwendet werden. Dabei werden zusätzliche Informationen über das zu segmentierende Objekt, speziell die Lage eines Meniskus, die Intensität von CT-Werten des Meniskus und die halbmondförmige Form des Meniskus in Fuzzy-Logik-Regeln übersetzt, die Probleme bei der Segmentierung, die darauf basieren, dass das interessierende Objekt in der Nachbarschaft von Regionen mit ähnlicher Intensität liegt und ggf. mit solchen Regionen sogar verbunden sind, löst.
- Es ist für einen Klinikarzt im Allgemeinen wünschenswert, die physio-mechanischen Eigenschaften des Kniefetts bei Beugung und Steckung des Knies zu verstehen. Durch Umreißen des Zielbereichs kann der Klinikarzt die Gestalt oder Oberfläche des Kniefetts erhalten, und die Beuge-/Streckeigenschaften des Kniefetts können analysiert werden. Der Klinikarzt kann auch eine quantitative Messung des Umfangs der Gestaltsänderung im Fett des gestreckten Knies und im Fett des gebeugten Knies erleichtern. Das Verständnis der Kniefunktion und die Pathologie können durch das Studium der Gestalt und der Verformung aus dem herausgearbeiteten Hoffa-Kissen in den medizinischen Bildern des gebeugten und gestreckten Knies verbessert werden.
- Auch unter Verwendung von Zwangsbedingungen oder Vorgaben an das Problem versagen bekannte allgemeine aktive Umrissverfahren bei einer automatischen Segmentierung von Kniefett. Der Grund dafür liegt einerseits im Vorhandensein vieler örtlicher Extrema in Knie-CT-Bildern und schwacher Bildgradienten an den Grenzen des Kniefettbereiches. Hinzu kommt ein schwacher Übergang zwischen Intensitäten der homogenen Bereiche innerhalb und außerhalb des Kniefetts.
- Damit stellt sich das Problem, ein Verfahren, sowie ein entsprechendes maschinenlesbares Medium, zum Erfassen einer Struktur in einem dreidimensionalen Computertomographie-Bild bereitzustellen, das auch unter diesen nachteiligen Verhältnissen zuverlässig arbeitet.
- Diese Aufgabe wird durch das Verfahren gemäß Anspruch 1 und das maschinenlesbare Medium gemäß Anspruch 12 gelöst.
- Übersicht über die Erfindung
- In einem Aspekt der vorliegenden Erfindung wird ein Verfahren zum Erfassen einer Struktur in einem dreidimensionalen (3D) Computertomographie-("CT"-)Kniebild mit den Merkmalen des Anspruchs 1 angegeben.
- In einem weiteren Aspekt der vorliegenden Erfindung wird ein maschinenlesbares Medium, auf dem Befehle zur Ausführung durch einen Prozessor zur Ausführung eines Verfahrens zum Erfassen einer Struktur in einem dreidimensionalen (3D) Computertomographie-("CT"-)Kniebild gespeichert sind gemäß den Merkmalen des Anspruchs 12 angegeben.
- Kurzbeschreibung der Zeichnungen
- Die Erfindung wird durch Bezugnahme auf die folgende Beschreibung, die im Zusammenhang mit den begleitenden Zeichnungen gegeben wird, in der gleiche Bezugszeichen gleiche Elemente kennzeichnen, verständlich. In diesen zeigt:
-
1 zwei Schnitte einer Knie-CT-Folge; -
2 die zwei Schnitte von1 mit durch einen Klinikarzt von Hand nachgezogenen Geltungsumrissen; -
3 Histogramme der zwei Schnitte von1 , unterteilt in vier Bereiche, gemäß einer beispielhaften Ausführungsform der vorliegenden Erfindung; -
4 die zwei Schnitte von1 in vier Bereiche unterteilt unter Verwendung von in den Histogrammen von3 ermittelten Intensitätsgrenzen gemäß einer beispielhaften Ausführungsform der vorliegenden Erfindung; -
5 die zwei Schnitte von1 nach Initialisierung eines Keims für jeden Schnitt gemäß einer beispielhaften Ausführungsform der vorliegenden Erfindung; -
6 die zwei Schnitte von5 nach Erhalt von Masken um den Keim gemäß einer beispielhaften Ausführungsform der vorliegenden Erfindung; -
7 die zwei Schnitte von6 in einem Zwischenschritt der Ausbreitung des aktiven Umrisses gemäß einer beispielhaften Ausführungsform der vorliegenden Erfindung; -
8 die zwei Schnitte von7 nach Ausbreitung des aktiven Umrisses bei der Segmentierung durch den Klinikarzt gemäß einer beispielhaften Ausführungsform der vorliegenden Erfindung; und -
9 ein Flussdiagramm, das eine beispielhafte Ausführungsform der vorliegenden Erfindung zeigt. - Detaillierte Beschreibung bevorzugter Ausführungsformen
- Illustrative Ausführungsformen der Erfindung werden unten beschrieben. Im Interesse der Klarheit werden in dieser Beschreibung nicht alle Merkmale einer wirklichen Ausführungsform beschrieben. Es ist selbstverständlich anzumerken, dass bei der Entwicklung einer jeden solchen wirklichen Ausführungsform zahlreiche ausführungsspezifische Entscheidungen getroffen werden müssen, um die speziellen Ziele des Entwicklers zu erreichen, wie beispielsweise die Verträglichkeit mit systembezogenen und geschäftsbezogenen Vorgaben, die von einer Anwendung zur anderen variieren können. Man erkennt ferner, dass solche Entwicklungsanstrengungen komplex und zeitaufwendig sein können, aber dennoch für den Fachmann, der aus dieser Beschreibung seinen Vorteil zieht, eine Routinemaßnahme sein kann.
- Während die Erfindung für zahlreiche Modifikationen und alternative Ausführungsformen geeignet ist, sind spezielle Ausführungsformen derselben beispielhaft in den Zeichnungen dargestellt worden und werden hier im Detail beschrieben. Es versteht sich jedoch, dass die hier gegebene Beschreibung spezieller Ausführungsformen nicht dazu gedacht ist, die Erfindung auf die offenbarten speziellen Ausführungsformen einzuschränken, im Gegenteil, alle Modifikationen, Äquivalente und Alternativen, die in den Geist und den Umfang der Erfindung fallen, wie durch die beigefügten Ansprüche definiert, sollen eingeschlossen sein.
- Es versteht sich, dass die hier beschriebenen Systeme und Verfahren in zahlreichen Ausführungsformen von Hardware, Software, Firmware, Spezialprozessoren oder einer Kombination davon realisiert werden können. Insbesondere wird wenigstens ein Teil der vorliegenden Erfindung vorzugsweise als eine Anwendung realisiert, die Programmbefehle umfasst, die greifbar an einer oder mehreren Programmspeichervorrichtungen (z.B. Festplatte, magnetische Floppy-Disk, RAM, ROM, CD-ROM usw.) ausgebildet sind und durch jede Vorrichtung oder Maschine ausführbar sind, die eine geeignete Architektur aufweist, wie beispielsweise ein digitaler Allzweckrechner mit einem Prozessor, einem Speicher und Eingabe/Ausgabe-Schnittstellen. Es versteht sich ferner, dass weil einige der systembildenden Komponenten und Prozessschritte, die in den begleitenden Zeichnungen dar gestellt sind, vorzugsweise in Software ausgeführt sind, die Verbindungen zwischen Systemmodulen (oder der logische Ablauf von Verfahrensschritten) in Abhängigkeit von der Art und Weise differieren können, in der die vorliegende Erfindung programmiert ist. Mit der hier gegebenen Lehre ist der gewöhnliche Fachmann in der Lage, diese und ähnliche Ausführungsformen der vorliegenden Erfindung zu realisieren.
- Wir bieten ein neues Verfahren zur Erfassung einer speziellen Zielstruktur an, die als ein sehr blasser Bereich in Computertomographie-("CT"-)Bildern des Knies erscheint. Wir verwenden einen aktiven Umriss mit räumlichen und Intensitätsvorrängen. Obgleich nicht so eingeschränkt, wird die erfasste Zielstruktur in zweidimensionalen ("2D") Bildern dargestellt. Die erfasste Zielstruktur kann auch in dreidimensionalen ("3D") Bildern dargestellt werden, wie der Fachmann in Betracht zieht. Beispielsweise können 2D-Umrisse, die von jedem Schnitt eines 3D-CT-Volumens veranschlagt werden, zur Bildung einer 3D-Oberfläche gestapelt werden.
- Der allgemeine Zweck der Bildsegmentierung ist die Unterteilung eines Bildes in nicht-überlappende Bereiche auf der Grundlage gewisser Attribute, wie Intensität und Textur. Ein übliches Verfahren der Bildsegmentierung ist das allgemeine aktive Umrissverfahren. Bei dem allgemeinen aktiven Umrissverfahren wird die Grenze eines Objekts, das einen gewissen Bereichscharakter innerhalb der Grenze zeigt und gewöhnlich einen großen Bildgradientenwert an der Grenze hat, durch eine sich entwickelnde Kurve erfasst. Wir verwenden ein allgemeines aktives Umrissverfahren unter Verwendung von Niveausätzen für die Segmentierung von Kniefett (d.h. Hoffa-Kissen) in Knie-CT-Bildern. Bei der aktiven Umrissausbreitung ist es die Geschwindigkeit des Umrisses, die den Umriss in Richtung der Lösung treibt. Beispielsweise würde eine konstante Geschwindigkeit den Umriss gerade schrumpfen oder ausdehnen. Für die Segmentierung wird dann eine veränderliche Geschwindigkeit, die von den Bildbeschreibern abhängt, im aktiven Umrissrahmenwerk verwendet. Gewöhnlich werden Aktualisierungsgleichungen für die Ausbreitung des Umrisses abgeleitet, und diese Gleichungen können mehrere Geschwindigkeitsterme einschließen.
- Zwei geeignete Techniken für die Bildbeschreibung in aktiven Umrissen umfassen eine Beschreibung auf Randbasis und eine Beschreibung auf Bereichsbasis. Die Geschwindigkeitsterme auf Randbasis in einer aktiven Umriss-Aktualisierungsgleichung hängen von den hohen Bildgradienten an der Objektgrenze ab und sind dazu bestimmt, die Ausbreitung des Umrisses zu verlangsamen, wenn hohe Bildgradienten vorliegen. Das aktive Umrissmodell auf Randbasis (d.h. das geometrische Modell) ist in S. Kichenassamy, P. Olver, A. Kumar, A. Tannenbaum und A. Yezzi, "Gradient Flows and Geometric Active Contour Models" in Int. Conf. Computer Vision, 1995, Seiten 810–815 beschrieben. Die Techniken auf Bereichsbasis hängen von einem Bereichsbeschreiber innerhalb und außerhalb der Objektgrenze ab. Der einfachste aktive Umriss auf der Grundlage von Beschreibern auf Bereichsbasis macht eine homogene Bereichsannahme innerhalb und außerhalb des Umrisses und verwendet einen Geschwindigkeitsterm auf Bereichsbasis, der Bildintensitäten mit einem stückweise konstanten Intensitätsmodell vergleicht, wo die konstanten Intensitäten innerhalb und außerhalb des Umrisses maximal voneinander getrennt sind. Das originale aktive Umrissverfahren auf Bereichsbasis unter Verwendung des Niveausätze-Verfahrens ist in dem Aufsatz von T. F. Chan und L.A. Vese "An active contour model without edges" in Int. Conf. Scale-Space Theory in Computer Vision, 1999, Seiten 141–151 beschrieben.
- Obgleich wir ein allgemeines aktives Umrissverfahren unter Verwendung von Zwängen oder Vorgaben am Problem verwenden, versagen solche Verfahren unweigerlich wegen des Vorhandenseins vieler örtlicher Extrema in den Knie-CT-Bildern. Wegen der schwachen Bildgradienten an der Grenze des Hoffa-Kissens ist das Modell auf Randbasis nicht brauchbar. Auch wegen eines schwachen Übergangs zwischen den Intensitäten der homogenen Bereiche innerhalb und außerhalb des Hoffa-Kissens ist auch ein allgemeines Modell auf Bereichsbasis nicht nützlich.
- Wir schlagen vor, zwei unterschiedliche Vorgabeinformationen am Problem auszuwerten. Wir verwenden zwei unterschiedliche Vorschriften bei der Lösung des Problems: eine Intensitätsvorschrift und eine Raumvorschrift.
- Intensitätsanalyse
- Wir verwenden ein aktives Umrissmodell auf Bereichsbasis, weil es in den Knie-CT-Bilddaten nicht genügend starke Gradienten gibt, um ein aktives Umrissmodell auf Randbasis verwenden zu können. Selbst in einem aktiven Umrissmodell auf Bereichsbasis möchten wir jedoch die Menge an Information begrenzen, die der Umriss verwendet, indem eine Vorranganalyse an der Intensitätsverteilung des Bildes ausgeführt wird. Dieses gründet sich auf unsere neue Beobachtung, dass die erhaltenen Knie-CT-Bilder grundsätzlich eine 4-Moden-Verteilung haben. Wir prüften diese Beobachtung auf Richtigkeit durch Berechnung der Histogramme der 2D-CT-Schnitte.
- In
3 zeigen wir die Intensitätshistogramme der Schnitte25 und33 aus einer typischen Knie-CT-Folge. Weiterhin sind auch die ermittelten Spitzen gezeigt, die das Histogramm in vier unterschiedliche Bereiche teilen. In4 entsprechen diese unterteilten Bereiche "schwarz" (Bereich = 0), "dunkelgraue" Materie, d.h. Fett (Bereich = 1), "hellgraue" Materie, d.h. Muskel und Gewebe (Bereich = 2), und "weiße" Materie, d.h. Knochenbereiche (Bereich = 3) in diesem CT-Bild. - Die aktiven Umrisse auf Bereichsbasis breiten sich durch Oberwachung von Statistiken innerhalb und außerhalb des Umrisses aus. Um das Problem zu vereinfachen und um die Last örtlicher Minima zu erleichtern, bilden wir eine Maske auf der Grundlage der obigen Unterteilung des Bildintensitätsraums. Der aktive Umriss ignoriert vollständig den Raum von schwarzen Intensitä ten. Außerdem, an Stelle einer insgesamt statistischen Lösung sucht der aktive Umriss in einem Band um sich selbst mit einem speziellen Radius und verwendet dadurch eine halb-örtliche Bildstatistik.
- Raumvorrang
- Um die Segmentierung zu beginnen wird ein Keim auf einem CT-Schnittbild entweder durch Benutzereingabe oder automatisch erhalten, wie in
5 gezeigt. Wenn eine Benutzereingabe für den anfänglichen Keimpunkt nicht verfügbar ist, wird eine automatische Keimbildung wie folgt ermöglicht. Knie-CT-Datenabtastungen zeigen ein Erscheinungsbild, in dem das weiche Gewebe, Muskeln und die Knieknochen eine allgemein räumliche Anordnung haben. Das Hoffa-Kissen befindet sich in dem Zwischenraum zwischen den Knieknochen (die Trennung weißer Intensität) in Richtung auf die Vorderseite der Patientenanatomie. Unter Verwendung unserer Intensitätsvorrangmaske werden die Knochenbereiche (Bereich = 3) bereits aus dem Bild erfasst. In gleicher Weise wird auch der nichtschwarze Vordergrundbereich des Bildes (Pixel mit dem Bereichswert > 0) bereits umrissen, der all solche Pixelstellen einschließt, die Pixel schwarzer Intensität in unserer Intensitätsvorrangsmaske ausschließen. Der relative Ort des Schwerpunkts des Knochenbereichs gegenüber dem Schwerpunkt des nicht-schwarzen Vordergrundbereichs gibt die Hauptachsenrichtung der Vorderseite des Patienten an, in der auch das Hoffa-Kissen liegt. Sobald die Hauptachsrichtung von hinten nach vorn des Knies erhalten ist, wird der Keim längs dieser Achse von hinten nach vorn gesucht, d.h. von den Knieknochenbereichen in Richtung auf das vordere Ende. Der Hoffa-Kissen-Bereich besteht aus Fettgewebe, daher fällt in CT-Bildern seine Intensität in den dunkelgrauen Teilbereich der Intensitätsvorrangmaske, die wir geschaffen haben. Um den Suchraum einzuengen, schaffen wir einen neuen Satz dunkelgrauer Intensitätsanhäufungen mit all jenen Punkten, deren Ort in der Vorderseite des Knochenbereichsschwerpunktes liegt. Wir fügen diese Information zur Intensitätsvorrangmaske hinzu, indem wir jene Punktorte auf "Bereich = 5" setzen. Wir bezeichnen diesen Bereich als den Bereich "eingeengter dunkelgrauer Intensität". Daher wird ein automatischer Keim abgeschätzt, indem man längs der Hauptachsrichtung nach vorn schreitet und denjenigen Punkt auf dieser Achse findet, dessen Intensitätswert in den dunkelgrauen Intensitätsteilbereich fällt und auch dem Schwerpunkt des Bereiches "eingeengter dunkelgrauer Intensität" (Bereich = 5) am nächsten ist. - Der Keim führt zu einem sehr natürlichen Raumvorrang im Problem, weil vom Fettbereich des Knies erwartet wird, dass er nur einen gewissen begrenzten Teil des Bildes bedeckt. Der hinzugefügte Keim löst eine Umrissinitialisierung mit kleinem Radius aus. Der Schwerpunkt des hinzugefügten Keims oder des Umrisses wirkt als Schwerpunkt zum Einengen einer kreisförmigen oder elliptischen Maske, die wiederum als ein Raumvorrang am Problem wirkt. Der Durchmesser der kreisförmigen Maske wird wie folgt begrenzt. Aus den Keimkoordinaten ziehen wir Linien in Richtung auf die Grenzen des schwarzen Hintergrundbereiches, und wir markieren die Punkte, wo die schwarzen Bereiche erstmals angetroffen werden. Die Hälfte dieser Länge (d.h. der Länge zwischen den zwei markierten Punkten) würde ein größter Radius r des Kreises sein. Wir wählen einen Parameter e, um einen vernünftig bemessenen Kreisradius r–e zu finden.
- Ein solcher Raumvorrang ist wichtig, weil der Fettbereich des Knies sehr ähnliche Intensitätseigenschaften hat, wie die dunkelgraue Materie, die nahe den Grenzen der nichtschwarzen Bereiche des CT-Bildes erscheint. Das kann in den bereits unterteilten Bildern durch die Histogrammanalyse in
4 beobachtet werden. - In
6 ist unsere abgeschätzte Maske als ein weißer kreisförmiger Bereich gezeigt, und der aktive Umriss kann sich nur auf diesem endgültigen kreisförmigen Bereich ausdehnen. Die Verwendung dieser Maske in der Entwicklung unseres aktiven Umrisses verhindert die Undichtheitsprobleme, wie sie unvermeid lich ansonsten zu vermeiden wären. Wir nennen diese resultierende aktive Umrissmethodik "halb-lokal", weil die von uns verwendete Bildinformation weder global noch vollständig lokal ist. - In
7 zeigen wir einen Zwischenschritt bei der Ausweitung des aktiven Umrisses. Wenn der aktive Umriss sich den Maskengrenzen nähert, kommt der aktive Umriss zu einem Halt und wird sich nicht weiter ausweiten. - Beispielhafte Ergebnisse
- Wir zeigen typische Ergebnisse der aktiven Umrisssegmentierung in Konvergenz in
8 im Vergleich zu den manuell segmentierten Validierungsdaten, die von Klinikärzten geliefert werden. Der aktive Umriss ist in schwarzer Farbe dargestellt, während der vom Klinikarzt von Hand gezogenen Umriss in weiß gezeigt ist. - Man kann beobachten, dass der aktive Umriss den interessierenden Kniefettbereich zwar vernünftig in Abhängigkeit von halblokalen Intensitätscharakteristika segmentiert, die Ergebnisse aber nicht in perfekter Übereinstimmung mit den manuellen Umrissergebnissen sind, die von den Klinikärzten erzielt werden. Es sei jedoch angemerkt, dass Klinikärzte selbst beim Betrachten und visuellen Umreißen solcher Bereiche noch immer lernen, und dass ihre handgezogenen Umrisse nicht die absolute Bewertungswahrheit sind. Diese Tatsache verleitete uns zu dem Schluss, dass es möglich sein müsse, die hier beschriebene Segmentierungslösung zu verwenden, die Verarbeitung von 3D-Volumina zu beschleunigen und Klinikärzten dabei zu helfen, die Gestaltscharakteristika des Hoffa-Kissens wirksamer und robuster zu umreißen und später zu analysieren. Unsere automatische Segmentierung des Hoffa-Kissens erleichtert auch eine Deformationsanalyse durch eine Abschätzung eines nicht-steifen Verformungsfeldes zwischen der Hoffa-Kissen-Oberfläche im ge beugten Volumen und der Hoffa-Kissen-Oberfläche im gestreckten Volumen.
- Es wird nun auf
9 Bezug genommen. In ihr ist ein Flussdiagramm gezeigt, das eine beispielhafte Ausführungsform der vorliegenden Erfindung darstellt. Nach dem Laden (bei905 ) von 3D-CT-Kniedaten mit N 2D-Schnitten werden die folgenden fünf Schritte für jeden der N Schnitte ausgeführt. Die 3D-CT-Kniedaten enthalten sowohl Abtastungen im gestreckten Zustand als auch Abtastungen im gebeugten Zustand. In einem ersten Schritt wird eine Intensitätsvorrangmaske geschaffen (bei910 ). In einer Ausführungsform wird eine Wahrscheinlichkeitsverteilung der Intensität in dem gegebenen Schnitt abgeschätzt. Beispielsweise wird ein Histogramm berechnet. Extremwerte des Histogramms werden erfasst, beschnitten und in vier Intensitätskennzeichen unterteilt. Um die Intensitätsvorrangmaske zu schaffen, werden vier Bereiche mit den vier Intensitätskennzeichen geschaffen: (a) Bereich = 0 für schwarzen Hintergrund; (b) Bereich = 1 für dunkelgraue Materie (Fett); (c) Bereich = 2 für hellgraue Materie (Muskel und Gewebe); und (d) Bereich = 3 für weiße Materie (Knochen). - In einem zweiten Schritt wird (bei
915 ) ein Keimpunkt empfangen. Der Keimpunkt kann automatisch bestimmt werden oder von Benutzereingabe empfangen werden. Wenn der Keim nicht vom Benutzer eingegeben wird, dann wird ein Schätzwert des Keimortes für eine vollautomatische Keimbildung berechnet. Zunächst wird die Hauptachsrichtung längs des axialen Knie-CT-Bildes, die von hinten nach vorn läuft, gefunden, indem die Differenz zwischen dem Positionsvektor des Schwerpunktes des Knochenbereiches (Bereiches = 3) und dem Positionsvektor des Schwerpunktes des nicht-schwarzen Vordergrundbereichs (Bereich > 0) genommen wird. Dann wird der eingeengte dunkelgraue Intensitätsbereich (Bereich = 5) unter Verwendung dieser Richtung als Führungslinie gebildet, und er enthält Orte solcher Pixel dunkelgrauer Intensität, die in der Vorderseite der Anatomie in Bezug auf den Knochenbereichsschwerpunkt liegen. Schließlich wird der Keim als der Punkt auf der Hauptachse gefunden, dessen Intensität in der Trennlinie dunkelgrauer Intensität liegt und auch im Schwerpunkt des eingeengten dunkelgrauen Bereichs (Bereich = 5) am nächsten liegt. Nachdem der Keim empfangen ist, wird ein Umriss mit einem kleinen Radius um den Keimpunkt initialisiert. - In einem dritten Schritt wird eine geometrische Vorrangmaske geschaffen (bei
920 ). Wir schätzten eine kreisförmige, geometrische Maske (d.h. eine geometrische Vorrangmaske) wie folgt ab. Pixel von dem Keimpunkt ausgehend in Richtung auf die Hintergrundgrenze werden raster-abgetastet. Zwei Punkte werden erfasst, wo die Abtastung den Hintergrund trifft, unter Verwendung der zuvor berechneten Bereichsmaske. Der Durchmesser der kreisförmigen geometrischen Maske wird aus der Breite des erfassten Segments zwischen den zwei Punkten berechnet. Die kreisförmige geometrische Maske wird (bei925 ) in die Intensitätsvorrangmaske als (e) Bereich = 4 für die geometrische Einengung eingebaut. Die resultierende Kombination der kreisförmigen geometrischen Maske und der Intensitätsvorrangsmaske ist eine Bereichsmaske. - In einem vierten Schritt wird ein 2D-Niveau-eingestellter Umriss segmentiert (bei
930 ), der durch die Bereichsmaske eingeengt ist. Die Segmentierung kann in einer Vielzahl unterschiedlicher Arten ausgeführt werden, wie der Fachmann in Betracht ziehen kann, indem die in den Schritten910 bis920 geschaffene Bereichsmaske verwendet wird. In einer Ausführungsform wird unter der Annahme eines stückweise konstanten Bereichsmodells für den Hoffa-Kissen-Bereich ein Niveaueinstellumriss ausgeweitet. Der Niveaueinstellumriss wird mit der Bereichsmaske eingeengt. Die Ausweitung fährt bis zur Konvergenz fort. - In einem fünften Schritt wird ein endgültiger Segmentierungsumriss (d.h. das Ergebnis von Schritt
925 ) für den gegebenen 2D-Schnitt aufbewahrt. In einer alternativen Ausführungsform werden Binärbereichskennzeichen (d.h. 1 für das Hoffa-Kissen, 0 ansonsten) für die gegebene CT-Scheibe aufbewahrt. - Wie zuvor erwähnt, werden die Schritte
910 und930 für jeden der N Schnitte gegebener CT-Kniedaten im gebeugten Volumen und CT-Kniedaten im gestreckten Volumen wiederholt. Sowohl für die gebeugte Knie-CT-Abtastung als auch die gestreckte Knie-CT-Abtastung kann das Ergebnis (bei940 ) als ein Stapel 2D-Umrisse oder als eine 3D-Fläche ausgegeben werden. Beispielsweise kann entweder die gekennzeichnete Distanzfunktionsdarstellung der Segmentierung über die gesamten CT-Kniedaten oder die Fläche, die der Nullniveau-Satz der gekennzeichneten Distanzfunktion ist, als endgültige Segmentierung ausgegeben werden. Eine Triangulation der endgültigen Fläche kann ebenfalls ausgeführt werden, um ein 3D-Polygonalnetz für das Hoffa-Kissen auszugeben. Jede dieser Ausgaben wird für die weitere Analyse und für Messungen der physio-mechanischen Eigenschaften des Hoffa-Kissens bei Streckung und Beugung des Knies verwendet. Eine auszuführende beispielhafte Analyse ist die Berechnung des Umfangs der Deformation des Hoffa-Kissens von Kniebeugung zu Kniestreckung. Die Deformationsanalyse des Hoffa-Kissens im gebeugten Knievolumen und im gestreckten Knievolumen kann durch Abschätzung eines nichtstarren Verschiebefeldes zwischen den zwei Hoffa-Kissen-Oberflächen, die aus diesen Volumina extrahiert werden, ausgeführt werden. Der Deformationsumfang des Hoffa-Kissens von Beugung zu Streckung kann unter Verwendung des Verschiebefeldes berechnet werden. - Die oben beschriebenen speziellen Ausführungsformen sind lediglich illustrativ, da die Erfindung auf unterschiedliche, jedoch äquivalente Weisen modifiziert und praktiziert werden kann, die für den Fachmann auf der Hand liegen, der die hier gegebenen Lehren ausnutzt. Weiterhin sollen die Details der Konstruktion oder des Designs, die hier gezeigt sind, nicht einschränkend verstanden werden, soweit nicht in den folgenden Ansprüchen beschrieben. Es ist daher klar, dass die oben beschriebenen speziellen Ausführungsformen geändert oder modifi ziert werden können und dass solche Varianten als in den Umfang und Geist der Erfindung fallend angesehen werden. Dementsprechend ist der nachgesuchte Schutz jener, wie er in den folgenden Ansprüchen beschrieben ist.
Claims (12)
- Verfahren zum Erfassen einer Struktur in einem dreidimensionalen (3D) Computertomographie-("CT"-) Bild eines Knies, enthaltend: (a) Schaffen einer Intensitätsvorrangmaske auf der Grundlage eines zweidimensionalen (2D) Schnittes des CT-Bildes; (b) Empfangen oder Schätzen eines in einem Hoffa-Kissen-Bereich liegenden Keimpunktes in dem 2D-Schnitt; (c) Erschaffen einer geometrischen Vorrangmaske auf der Grundlage des Keimpunktes; (d) Kombinieren der Intensitätsvorrangmaske und der geometrischen Maske zur Bildung einer Bereichsmaske; und (e) Segmentierung von Kniefett durch einen niveaueingestellten Umriss von dem 2D-Schnitt, wobei die Segmentierung durch die Bereichsmaske beschränkt wird.
- Verfahren nach Anspruch 1, weiterhin enthaltend: (f) Wiederholen der Schritte (a)–(e) für jeden Schnitt im 3D-CT-Bild des Knies.
- Verfahren nach Anspruch 2, weiterhin enthaltend: Ausgeben der Ergebnisse von Schritt (f) als 2D-Stapel.
- Verfahren nach Anspruch 2, weiterhin enthaltend: Ausgeben der Ergebnisse von Schritt (f) als 3D-Fläche.
- Verfahren nach Anspruch 1, bei dem der Schritt (a) der Schaffung einer Intensitätsvorrangmaske umfasst: Abschätzen einer Wahrscheinlichkeitsverteilung einer Intensität des 2D-Schnittes; Erfassen von vier Extrema in der Wahrscheinlichkeitsverteilung; und Kennzeichnen der vier Extrema.
- Verfahren nach Anspruch 5, bei dem der Schritt der Abschätzung einer Wahrscheinlichkeitsverteilung umfasst: Berechnen eines Histogramms der Intensität des 2D-Schnitts.
- Verfahren nach Anspruch 5, bei dem der Schritt der Kennzeichnung der vier Extrema umfasst: Kennzeichnen eines ersten Extrems für einen schwarzen Hintergrund; Kennzeichnen eines zweiten Extrems für dunkelgraue Materie; Kennzeichnen eines dritten Extrems für hellgraue Materie; und Kennzeichnen eines vierten Extrems für weiße Materie.
- Verfahren nach Anspruch 1, bei dem der Schritt (c) der Erschaffung einer geometrischen Vorrangmaske umfasst: Rasterabtastung von Pixeln vom Keimpunkt ausgehend in Richtung auf jede Hintergrundgrenze; Erfassung von zwei der abgetasteten Pixel, die den Hintergrund treffen, auf der Grundlage der Intensitätsvorrangmaske als Punkte; Bestimmung eines Durchmessers der geometrischen Vorrangmaske aus einer Breite des erfassten Segments zwischen den zwei Punkten; und Erschaffung der geometrischen Vorrangmaske mit dem Durchmesser.
- Verfahren nach Anspruch 1, bei dem der Schritt (e) der Segmentierung durch einen niveau-eingestellten Umriss aus dem 2D-Schnitt umfasst: Bilden eines Anfangs-2D-Umrisses um den Keimpunkt, wobei der Anfangs-2D-Umriss einen kleinen Radius hat und der Umriss durch eine niveau-eingestellte Funktion dargestellt wird; Ausbreiten des niveau-eingestellten Umrisses auf der Grundlage des Anfangs-2D-Umrisses, wobei der niveau-eingestellte Umriss mit einer Geschwindigkeit auf Bereichsbasis ausgebreitet wird, die annimmt, dass das Hoffa-Kissen ein stückweise konstanter Bereich ist; und Beschränken der Ausbreitung des niveau-eingestellten Umrisses durch die Bereichsmaske; wobei der Schritt des Ausbreitens bis zur Konvergenz abläuft.
- Verfahren nach Anspruch 1, bei dem der Schritt (b) des Empfangens oder Schätzens eines Keimpunktes in dem 2D-Schnitt umfasst: Empfangen des Keimpunktes von einer Benutzerschnittstelle zum Auswählen des Keimpunktes.
- Verfahren nach Anspruch 1, bei dem der Schritt (b) des Empfangens oder Schätzens eines Keimpunktes in dem 2D-Schnitt umfasst: automatisches Schätzen des Keimpunktes unter Verwendung der erschaffenen Intensitätsvorrangmaske und relativer Positionen der Knochenbereiche bezüglich Fettbereichen in dem Bereich des CT-Bildes des Knies, der vor dem Knochenbereichschwerpunkt angeordnet ist.
- Maschinenlesbares Medium mit darauf gespeicherten Anweisungen zur Ausführung durch einen Prozessor zur Durchführung eines Verfahrens nach einem der vorstehenden Ansprüche.
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US62297004P | 2004-10-28 | 2004-10-28 | |
US60/622,970 | 2004-10-28 | ||
US11/258,422 | 2005-10-25 | ||
US11/258,422 US7620226B2 (en) | 2004-10-28 | 2005-10-25 | Semi-local active contour for a faint region detection in knee CT images |
Publications (2)
Publication Number | Publication Date |
---|---|
DE102005051746A1 DE102005051746A1 (de) | 2006-06-14 |
DE102005051746B4 true DE102005051746B4 (de) | 2008-01-10 |
Family
ID=36261944
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102005051746A Expired - Fee Related DE102005051746B4 (de) | 2004-10-28 | 2005-10-27 | Verfahren zum Erfassen einer Struktur in einem dreidimensionalen Computertomographie-Bild eines Knies sowie maschinenlesbares Medium |
Country Status (2)
Country | Link |
---|---|
US (1) | US7620226B2 (de) |
DE (1) | DE102005051746B4 (de) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8073252B2 (en) * | 2006-06-09 | 2011-12-06 | Siemens Corporation | Sparse volume segmentation for 3D scans |
US7876937B2 (en) * | 2006-09-15 | 2011-01-25 | Carestream Health, Inc. | Localization of nodules in a radiographic image |
US20080144935A1 (en) * | 2006-11-30 | 2008-06-19 | Chav Ramnada | Method for segmentation of digital images |
US8023734B2 (en) * | 2007-10-10 | 2011-09-20 | Siemens Aktiengesellschaft | 3D general lesion segmentation in CT |
US8805035B2 (en) | 2010-05-03 | 2014-08-12 | Mim Software, Inc. | Systems and methods for contouring a set of medical images |
US8781186B2 (en) | 2010-05-04 | 2014-07-15 | Pathfinder Therapeutics, Inc. | System and method for abdominal surface matching using pseudo-features |
SE535920C2 (sv) * | 2011-02-10 | 2013-02-19 | Hans Frimmel | Bildbehandlingsmetod baserad på level-set-funktion |
CN103841894B (zh) * | 2011-04-18 | 2017-06-27 | 开创治疗股份有限公司 | 器官与解剖结构的图像分割 |
WO2014016894A1 (ja) * | 2012-07-23 | 2014-01-30 | 富士通株式会社 | 形状データ生成方法及び装置 |
WO2014152919A1 (en) * | 2013-03-14 | 2014-09-25 | Arizona Board Of Regents, A Body Corporate Of The State Of Arizona For And On Behalf Of Arizona State University | Kernel sparse models for automated tumor segmentation |
CN105279507B (zh) * | 2015-09-29 | 2018-07-17 | 山东建筑大学 | 一种提取刻划字符轮廓的方法 |
CN114992813B (zh) * | 2022-06-17 | 2023-05-12 | 珠海格力电器股份有限公司 | 物质泄漏的检测方法、装置、空调设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004114063A2 (en) * | 2003-06-13 | 2004-12-29 | Georgia Tech Research Corporation | Data reconstruction using directional interpolation techniques |
-
2005
- 2005-10-25 US US11/258,422 patent/US7620226B2/en not_active Expired - Fee Related
- 2005-10-27 DE DE102005051746A patent/DE102005051746B4/de not_active Expired - Fee Related
Non-Patent Citations (6)
Title |
---|
CHAN,T., VESE,L.: An Active Contour Model without Edges. In: Int. Conf. Scale-Space Theory in Com- puter Vision. 1999, S.141-151 |
CHAN,T., VESE,L.: An Active Contour Model without Edges. In: Int. Conf. Scale-Space Theory in Computer Vision. 1999, S.141-151 * |
KICHENASSAMY,S. u.a.: Gradient Flows and Geometric Active Contour Model. In: Int. Conf. Computer Vi- sion. 1995, S.810-815 |
KICHENASSAMY,S. u.a.: Gradient Flows and Geometric Active Contour Model. In: Int. Conf. Computer Vision. 1995, S.810-815 * |
SHIBATA,M. u.a.: Representative line detaction al- gorithm with fuzzy inference and its application to segmentation of CT knee images. In: Proceedings of the 9th International Conference on Neural In- formation Processing, ICONIP. 2002, Vol.5, S.2284-2288 |
SHIBATA,M. u.a.: Representative line detaction algorithm with fuzzy inference and its application to segmentation of CT knee images. In: Proceedings of the 9th International Conference on Neural Information Processing, ICONIP. 2002, Vol.5, S.2284-2288 * |
Also Published As
Publication number | Publication date |
---|---|
DE102005051746A1 (de) | 2006-06-14 |
US7620226B2 (en) | 2009-11-17 |
US20060093197A1 (en) | 2006-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102005051746B4 (de) | Verfahren zum Erfassen einer Struktur in einem dreidimensionalen Computertomographie-Bild eines Knies sowie maschinenlesbares Medium | |
DE102008046859B4 (de) | 3D Segmentierung von allgemeiner Läsion in CT | |
DE112004000381B4 (de) | Verfahren zur Bereitstellung einer automatischen 3D-Läsionssegmentierung und von Läsionsmessungen | |
DE69805209T2 (de) | System und methode zur automatischen wegplanung | |
DE69801562T2 (de) | Selbst segmentierung/konturgewinnungsverfahren zur verwendung bei planung einer bestrahlungstherapiebehandlung | |
DE102007028270B4 (de) | Verfahren zur Segmentierung von Bilddaten zur Erkennung einer Leber | |
DE102006034358A1 (de) | System und Verfahren zur Segmentierung der Koronararterie von Herz-CT-Volumen | |
DE10296836T5 (de) | System zur Modellierung statischer und dynamischer dreidimensioner anatomischer Strukturen durch 3D-Modelle | |
DE102004009143A1 (de) | Randdetektion für eine medizinische Bildgebung | |
DE10392259T5 (de) | Objektkorrespondenzidentifikation ohne volle Volumenregistration | |
DE602004011933T2 (de) | Automatische bestimmung der optimalen betrachtungsrichtung bei herzaufnahmen | |
CN108364294A (zh) | 基于超像素的腹部ct图像多器官分割方法 | |
DE102005010578A1 (de) | Lokale Watershed-Operatoren für die Bildsegmentierung | |
DE102005047329A1 (de) | Bereichskonkurrenz-Segmentierungsverfahren mittels lokaler Wasserscheiden-Operatoren | |
DE112005002190T5 (de) | Volumetrische Tumorsegmentierung mithilfe eines gemeinsamen Raum-Intensitäts-Likelihood-Verhältnistest | |
DE102006030709A1 (de) | Verfahren für die kenntnisbasierte Bildsegmentierung unter Verwendung von Formmodellen | |
DE112007002535T5 (de) | Computerdiagnose von Malignitäten und falschen Positivresultaten | |
DE10048029A1 (de) | Verfahren zur Berechnung einer zwei Abbildungen verbindenden Transformation | |
DE102006041619A1 (de) | Systeme und Verfahren zur computerunterstützten Detektion einer Wirbelsäulenverkrümmung unter Verwendung von Bildern und Winkelmessungen | |
DE102006039919A1 (de) | Wahrscheinlichtkeitstheoretischer minimaler Weg zur automatischen Speiseröhrensegmentierung | |
DE102004030084B4 (de) | Computerimplementiertes Verfahren zur Segmentation von Lungenknoten | |
DE102006027670A1 (de) | Bildbasierte Artefaktreduktion bei der PET/CT Bildgebung | |
DE102008023283A1 (de) | Verfahren und System zur Segmentierung von schlauchförmigen Strukturen in 3D-Bildern | |
DE102006002914A1 (de) | Mehrdimensionale Segmentierung basierend auf adaptiven begrenzenden Kasten- und Ellipsoid-Modellen | |
DE102006049193A1 (de) | System und Verfahren zum Verfolgen von Rippenhinterteilen in Brust CT Volumina |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
OP8 | Request for examination as to paragraph 44 patent law | ||
8364 | No opposition during term of opposition | ||
8327 | Change in the person/name/address of the patent owner |
Owner name: SIEMENS CORP. (N. D. GES. D. STAATES DELAWARE), US |
|
R081 | Change of applicant/patentee |
Owner name: SIEMENS CORP. (N. D. GES. D. STAATES DELAWARE), US Free format text: FORMER OWNER: SIEMENS CORP. RESEARCH, INC., PRINCETON, US Effective date: 20110214 |
|
R119 | Application deemed withdrawn, or ip right lapsed, due to non-payment of renewal fee |
Effective date: 20130501 |