-
Diese
Erfindung betrifft allgemein das dreidimensionale (3D) Modellieren
von Koronararterien.
-
Wie
im Stand der Technik bekannt, wird die nicht invasive Diagnose von
Koronararterienpathologien Realität aufgrund der technischen
Weiterentwicklung in Bilderfassungsvorrichtungen, beispielsweise
aufgrund der Einführung
von Multi-Detektor-CT. Während
diese Entwicklungen definitiv die Bildqualität signifikant verbessert haben,
erfordert die Diagnose derartiger Pathologien immer noch hochentwickelte
Segmentierungs-, Quantifizierungs- und Visualisierungsalgorithmen.
Die genaue Segmentierung von Koronararterien ist ein schwieriges
Problem. Speziell ist die physikalische Größe von Koronararterien ziemlich
klein, also ihre Querschnitte belegen oft nur wenige Pixel. Folglich
sind sie sehr viel empfindlicher für Rauschen und Teilvolumeneffekten, als
andere Blutgefäße. Die
Helligkeit von Gefäßen nimmt
entlang der Gefäße signifikant
ab, speziell an den dünneren
Zweigen. Das Vorhandensein von nahen hellen Strukturen führt zusätzliche
Schwierigkeiten für
die Segmentierungs- und Visualisierungsalgorithmen ein.
-
Verschiedene
Gefäßsegmentierungsalgorithmen
sind vorgeschlagen worden für
die Segmentierung von Blutgefäßen in CE-CTA/MRA,
beispielsweise S. Aylward und E. B. E. „Initialisation, noise singularities
and scale in height-ridge traversal for tubular object centerline
extraction. IEEE Trans. on Medical Imaging, 21(2): 61–75, 2002;
K. Krissian, G. Malandain, N. Ayache, R. Vaillant und Y. Trousset,
Model Based Multiscale Detection of 3d Vessels, in IEEE Conf. CVPR,
Seiten 722–727,
1998; K. Siddiqi und A. Vasilevskiy, 3d Flux Maximizing Flows, in
International Workshop on Energy Minimizing Message in Computervision,
2001; D. Nain, A. Yezzi und G. Turk, Vessel Segmentation Using A
Shape Driven Flow, in MICCAI, 2004; und O. Wink, W. J. Niessen und
M. A. Viergever, Multiscale Vessel Tracking, IEEE Trans. on Medical
Imaging, 23(1): 130–133,
2004. Die relativ wenigen Segmentierungsalgorithmen konzentrieren sich
jedoch speziell auf Koronararterien (siehe C. Florien, R. Moreau-Gobard
und J. Williams, Automatic Heart Peripheral Vessels Segmentation
Based On A Normal MIP Ray Casting Technique, in MICCAI, Seiten 483–490, 2004
und Y. Yang, A. Tannenbaum und D. Giddins, Knowledge-Based 3d Segmentation in
Reconstruction Of Coronary Arteries Using CT Images, in Int. Conf.
of the IEEE EMBS, Seiten 1664–1666,
2004).
-
Im
Allgemeinen erzeugen die meisten Segmentierungsalgorithmen eine
binäre
Gefäßabbildung.
Da Koronararterien sehr klein sind, ist eine Quantifizierung von
Pathologien aus derartigen Ab bildungen anfällig für Fehler, selbst in dem Fall
von genauen diskreten Segmentierungsergebnissen. Folglich ist ein
zusätzliches
Sub-Voxel Oberflächenmodellieren
für eine
genaue Quantifizierung erforderlich. Im Allgemeinen ist die direkte
Bestimmung derartiger Gefäßmodelle
aus Originaldaten eine rechenintensive Herausforderung, und die
Robustheit erfordert signifikante Ingenieursleistungen.
-
Obwohl
eine genaue Detektion von koronaren Querschnittsgrenzen kritisch
bei der Stenose-Quantifizierung
ist, können
derartige Grenzen auch bei der Konstruktion eines 3D geometrischen Modells
von Koronararterien verwendet werden. Kürzlich haben Tek, et al. (H.
Tek, A. Ayvaci und T. Comaniciu, Multi-Scale Vessel Boundary Detection; in
Workshop of CVBIA, Seiten 388–398,
2005) ein multiskalares, modellbasiertes Verfahren präsentiert, zum
sehr genauen Detektieren von Gefäßgrenzen (U.
S. Patentanmeldungsnummer 11/309,164, eingereicht am 6. April 2006,
mit dem Titel „Method
and Apparatus for Detecting Vessel Boundaries", Erfinder Huseyin Tek, Alper Ayvaci
und Dorin Comaniciu, veröffentlicht
als US Patentveröffentlichung 2006/262988,
veröffentlicht
am 23. November 2006), zugeordnet dem gleichen Rechtsnachfolger,
wie bei der vorliegenden Patentanmeldung.
-
Wie
ebenfalls aus dem Stand der Technik bekannt, werden Minimummittelwertzyklusalgorithmen (minimum
mean cycle algorithms) verwendet für die Gefäßquerschnittsgrenzdetektion.
Kürzlich
verwendeten Jerymin und Isihawa (siehe I. Jerymin und H. Isihawa,
Globally Optimal Regions And Boundaries As Minimum Ratio Cycles,
IEEE Trans. PAMI, 23(10): 1075–1088,
2001) diesen Ansatz auf gerichteten Graphen für die Bildsegmentierung. Die
Hauptidee hinter dem Minimummittelwertzyklusalgorithmus ist das
Finden eines Zyklus (Kontur) in einem Graph derart, dass dessen
durchschnittliche Kosten ein Minimum sind. Die Durchschnittskosten
eines Zyklus sind einfach die Division von Summen aller Randgewichtungen
auf dem Zyklus durch deren Länge,
die Anzahl an Rändern
auf dem Zyklus. Mathematisch sei G = (V, E) ein Graph mit n Eckpunkten
(V) und m gewichteten Rändern
(E). Ein Zyklus C auf G ist ein Pfad derart, dass er aus einem Nebensatz
von Rändern
besteht, und sein erster Knoten der letzte ist. Die Gesamtkosten
und die Gesamtlänge
eines Zyklus sind jeweils die Summe der Gewichtungen w(C) und die
Summe der Längen
|C| der Ränder
auf diesem Zyklus.
-
Der
Minimummittelwertzyklusalgorithmus minimiert die Division der Gesamtkosten
des Zyklus durch dessen Länge,
w(C)/|C|. Es gibt verschiedene Algorithmen zum Implementieren des
Mi nimummittelwertzyklusalgorithmus. Ein derartiger Algorithmus wird
bezeichnet als Howard Algorithmus, der beschrieben ist in der Publikation
von J. Cochet-Terrasson, G. Cohen, S. Gaubert, M. M. Gettrick und
J. P. Quadrat; Numerical Computation Of Spectral Elements in Max-Plus Algebra; in
Conf. on System Structure and Control, 1998) für Recheneffizienz, also O(m)
und Genauigkeit.
-
Gemäß der vorliegenden
Erfindung wird ein Verfahren geschaffen zum Erzeugen von dreidimensionalen
Bildern eines Blutgefäßes. Das
Verfahren enthält
ein Platzieren eines ersten Satzes von Ausgangspunkten (Seed Points)
entlang einer ersten Schätzung
einer Mittellinie des Gefäßes. Ein
zyklischer Graph wird um einen ersten der Ausgangspunkte konstruiert,
ein derartiger Graph ist eine Ebene, die durch einen derartigen
ersten der Ausgangspunkte verläuft
und eine derartige Ebene ist senkrecht zu der ersten Schätzung der
Mittellinie. Der Graph enthält
eine Mehrzahl von Knoten und Rändern,
die die Knoten verbinden. Das Verfahren wendet ein Filtern orthogonal
zu den Rändern
des zyklischen Graphs an, um dadurch Bildgradienten in der Ebene
senkrecht zu der ersten Schätzung
der Mittellinie zu schätzen.
Die Gefäßgrenze
wird detektiert durch Verwenden eines Minimummittelwertzyklusoptimierungsalgorithmusses,
der auf den zyklischen Graphen angewendet wird, wo die Gewichtung
(Werte) der Ränder
des Graphen ausgewählt
sind, um das Inverse der Bildgradienten zu sein, die aus dem Filtern
gewonnen werden. Ein neues Zentrum der geschätzten Grenze wird bestimmt,
um dadurch einen neuen Ausgangspunkt zu erzeugen. Der Prozess wird
wiederholt unter Verwendung des neuen Ausgangspunkts, um dadurch
eine Endgrenze des Gefäßes in der
Ebene zu erzeugen, wobei eine derartige Endgrenze gebildet wird,
wenn neu erzeugte Ausgangspunkte im Wesentlichen fest in Position
bleiben. Der Prozess wird wiederholt für jeden der Ausgangspunkte
in dem ersten Satz von Ausgangspunkten. Eine Oberfläche des
Gefäßes wird
aus den Endgrenzen erzeugt.
-
In
einem Ausführungsbeispiel
wendet das Verfahren ein multiskalares Mittelwertverschieben (multi-scale
mean shift) orthogonal zu den Rändern des
zyklischen Graphen an, um dadurch die Bildgradienten in der Ebene
senkrecht zu der Schätzung
der Mittellinie zu schätzen.
-
In
einem Ausführungsbeispiel
enthält
der Graph eine Mehrzahl von Knoten mit Rändern, die die Knoten verbinden.
Die Knoten sind angeordnet in gleich beabstandeten Intervallen um
jedem von einer Umfangslänge
von einer Mehrzahl von konzentrischen Kreisen, die an dem Ausgangspunkt
zentriert sind.
-
Einzelheiten
von einem oder von mehreren Ausführungsbeispielen
der Erfindung werden in Verbindung mit den beigefügten Zeichnungen
und der folgenden Beschreibung deutlich. Andere Merkmale, Aufgaben
und Vorteile der Erfindung werden offensichtlich durch die Beschreibung
und die Zeichnungen und aus den Ansprüchen.
-
Beschreibung der Zeichnungen
-
1 zeigt
ein Flussdiagramm des Prozesses gemäß der Erfindung;
-
2A–2D verdeutlichen
einen Prozess zum Konstruieren eines Graphen und zum Anwenden eines
derartigen Graphen auf ein Querschnittsbild eines Blutgefäßes, der
verwendet wird zur Detektion einer Grenze des Blutgefäßes gemäß der Erfindung;
-
2E verdeutlicht
den Graphen, der überlagert
ist auf das Bild des Blutgefäßes gemäß 2E,
wobei eine derartige Grenze gemäß der Erfindung
bestimmt wird;
-
2F verdeutlicht
ein Beispiel des Berechnens von Bildgradienten orthogonal zu den
Rändern des
Graphen;
-
3 verdeutlicht
2D Segmentierungsergebnisse für
unterschiedliche Gefäße, die
obere Reihe zeigt typische Koronararterien (2), Verkalkung, Zweig;
die untere Reihe zeigt eine innere und äußere Grenze eines AAA (Abdominal
Aortic Aneurysm) und Carotidarterien, beachte, dass der Ausgangspunkt ebenfalls
verdeutlicht ist;
-
4 verdeutlicht,
dass die fehlenden Grenzen aufgrund naher Strukturen glatt geschlossen werden
durch den Minimummittelwertzyklusalgorithmus (Minimum Mean Cycle
Algorithmus) gemäß der Erfindung
mit Linien auf dem linken Bild, das mögliche Bildränder zeigt;
-
5 verdeutlicht,
dass das Verfahren gemäß der Erfindung
in der Lage ist, Gefäßgrenzen
zu detektieren, selbst wenn der Ausgangspunkt außerhalb des Gefäßes liegt;
-
6A verdeutlicht
ein Anfangsmittellinienmodell und entsprechende Querschnittsgrenzen;
-
6B verdeutlicht
das korrigierte Mittellinienmodell, und 6C zeigt
eine 3D Visualisierung des korrigierten Pfads und der Grenzen;
-
7A zeigt
die Konstruktion der 3D triangulierten Oberfläche von zwei aufeinanderfolgenden Konturen;
-
7B zeigt,
dass dieses Korrektmodellieren gewonnen werden kann, selbst wenn
die anfängliche
Zentrumsachskurve außerhalb
des Gefäßes verläuft; und
-
7C zeigt
die 2D Konturen an einer Verbindung, wobei das 3D Oberflächenmodell
aus der Union dieser kreuzenden Konturen konstruiert wird; und
-
8 verdeutlicht
die 3D Konstruktion der Koronararterien in CTA.
-
Gleiche
Bezugszeichen werden in den verschiedenen Zeichnungen zur Kennzeichnung ähnlicher
Elemente verwendet.
-
Jetzt
bezugnehmend auf 1 ist ein Flussdiagramm des
Prozesses gezeigt. Der Prozess enthält zusammengefasst ein Platzieren
(entweder manuell oder automatisch unter Verwendung eines Computeralgorithmus)
eines ersten Satzes von Ausgangspunkten entlang einer ersten Schätzung einer Mittellinie
des Gefäßes, Schritt 100.
Ein zyklischer Graph wird um einen ersten der Ausgangspunkte konstruiert,
ein derartiger Graph ist in einer Ebene, die durch einen derartigen
ersten der Ausgangspunkte verläuft,
und eine derartige Ebene ist senkrecht zu der ersten Schätzung der
Mittellinie. Der Graph enthält
eine Mehrzahl von Knoten mit Rändern,
die die Knoten verbinden. Die Knoten sind angeordnet in gleich beabstandeten
Intervallen, um jeden von einer Umfangslinie einer Mehrzahl von
konzentrischen Kreisen, die an dem Ausgangspunkt zentriert sind, Schritt 102.
Das Verfahren verwendet ein Filtern derart, beispielsweise multiskalare
Mittelwertverschiebungsintensitätsdetektion
(Multi-Scale Mean Shift Intensitätsdetektion),
orthogonal zu den Rändern
des zyklischen Graphen, um dadurch Bildgradienten in der Ebene senkrecht
zu der ersten Schätzung
der Mittellinie zu schätzen,
Schritt 104. Alternativ können Bildgradienten durch andere
Techniken berechnet werden. Die Gefäßgrenze wird detektiert, indem
ein Minimummittelwertzyklusoptimierungsalgorithmus verwendet wird,
der auf den zyklischen Graphen angewendet wird, wo die Gewichtung
(Wert) der Ränder
des Graphen ausgewählt
sind, um invers zu den Bildgradienten zu sein, die von dem multiskalaren Mittelwertverschiebungsfiltern
gewonnen worden sind, Schritt 108. Hier wird der Howard
Algorithmus verwendet.
-
Ein
neues Zentrum der geschätzten
Grenze wird bestimmt, um dadurch einen neuen Ausgangspunkt zu erzeugen,
SCHRITT 108. Der Prozess wird wiederholt unter Verwendung
des neuen Ausgangspunkts, um dadurch eine Endgrenze des Gefäßes in der
Ebene zu erzeugen, wobei eine derartige Endgrenze gebildet wird,
wenn neu erzeugte Ausgangspunkte im Wesentlichen fest in Position
bleiben, SCHRITT 110. Der Prozess wird für jeden
der Ausgangspunkte in dem ersten Satz von Ausgangspunkten wiederholt.
Eine Oberfläche
des Gefäßes wird von
den Endgrenzen erzeugt, SCHRITT 112.
-
Spezieller
kann die Mittellinie gewonnen werden von einem Binärsegmentierungsalgorithmus, beispielsweise
T. Deschamps und L. Cohen, Fast Extraction Of Minimal Paths in 3d
Images And Applications To Virtual Endoscopy, Medical Image Analysis, 5(4):
281–299,
2001; und S. Ola barriaga, M. Breeuwer und W. Niessen; Minimum Cost
Path Algorithm for Coronary Artery Central Axis Tracking In CT Images;
in MICCAI, 2003, oder kann grob durch einen Benutzer erzeugt werden.
-
Als
nächstes
wird ein zyklischer Graph wie folgt konstruiert: Eine Anordnung
von Knoten wird in der Ebene gebildet. Spezieller werden die Knoten
unter rechten Winkeln in konzentrischen Kreisen, die an dem Keimpunkt,
der wie oben beschrieben geschätzt wurde,
zentriert sind, angeordnet. Folglich hat jeder Knoten einen einzigartigen
Radius r und eine einzigartige Winkelabweichung a von einer Referenzachse (also
jeder Knoten hat eine einzigartige Position, die in Polarkoordinaten
r, a ausgedrückt
werden kann, wie für
einen Beispielmodus gezeigt, der in 2B hervorgehoben
ist, mit Polarkoordinaten r1, a1. Als nächstes werden für jeden
designierten Knoten drei Ränder
konstruiert, wie durch die Pfeile in 2B gezeigt.
Spezieller sind die Ränder
an einem Entstehungsknoten und terminieren drei Terminierungsknoten,
die am nächsten
sind zu dem designierten Entstehungsknoten mit der folgenden Zusatzbedingung: Die
Terminierungsknoten müssen
unter Winkeln größer als
der Winkel des Entstehungsknoten positioniert sein, beispielsweise
für den
beispielhaften Entstehungsknoten. Bei r1, a1 haben die Terminierungsknoten
Winkel a2, a3 und a4, wobei: a2 größer als a1 ist; a3 größer als
a1 ist; und a4 größer als
a1 ist. Folglich haben hier die Terminierungsknoten Polarkoordinaten:
r2, a2; r3, a3 und r4, a4. Als nächstes
werden Linien, die hier als Ränder
bezeichnet werden, konstruiert von dem Entstehungsknoten zu jedem
der drei Terminierungsknoten. Folglich, bezugnehmend auf das Beispiel
in 2B, werden drei Ränder, E1, E2 und E3 konstruiert.
Der komplette Graph ist in 2C gezeigt.
-
Jetzt
bezugnehmend auf 2D ist ein Bild eines Blutgefäßes gezeigt,
ein derartiges Bild wird genommen durch eine Ebene, die die Mittellinie
passiert, die wie oben beschrieben geschätzt wurde. Es sei erwähnt, dass
das Blutgefäß heller
ist (also eine größere Intensität in der
Zentralregion mit Hintergrund hat, also Nachbargewebe wird in der
dunkleren, also weniger intensiven Region gezeigt). Die Grenze des
Blutgefäßes wird
detektiert durch Beobachten von Änderungen
in der Intensität
(also der Intensitätsgradient)
als ein Fortschreiten nach außen von
dem Ausgangspunkt (also das geschätzte Zentrum des Gefäßes). Der
Graph von 2C wird auf das Bild, wie in 2E gezeigt, überlagert.
Jeder der Ränder
in dem Graph hat einen zugehörigen
Kostenwert. Gemäß der Erfindung
wird der Gradientwert (oder Kosten) eines Rands berechnet von einem
multiskalaren Verschiebungsfilter, das angewendet wird orthogonal
auf dem Rand, wie durch den Pfeil in 2F gezeigt.
Das multi-skalare Verschiebungsfiltern ist in der obigen US Patentanmeldung
Nr. 11/399,164, eingereicht am 6. April 2006, mit dem Titel „Method
and Apparatus For Detecting Vessel Boundaries" beschrieben, Erfinder Huseyin Tek,
Alper Ayvaci und Dorin Comaniciu, veröffentlicht als US Patentveröffentlichung
2006/262988, veröffentlicht am
23. November 2006, zugeordnet dem gleichen Rechtsnachfolger, wie
bei der vorliegenden Patentanmeldung, auf dessen Gegenstand hier
Bezug genommen wird.
-
In
traditionellen graphbasierten Darstellungen ist den Kosten der Ränder des
Graphs eine Funktion der Bildgradienten zugeordnet. Derartige Bildgradienten
werden oft berechnet, indem die Intensitätsdifferenzen von Pixeln genommen
werden, die zwei Eckpunkten des Rands entsprechen. Dies wäre in Ordnung,
wenn die Strukturgrenzen in der Form von isolierten Stufenrändern sind.
In Wirklichkeit treten häufig
diffuse Ränder,
Ränder
mit niedrigem Kontrast und Ränder
mit Lücken
auf, selbst in einer einzelnen Querschnittsgefäßgrenze. Die robuste und genaue
Detektion von Rändern
von diesen Intensitätsprofilen
erfordert eine Randdetektion in vielen Skalierungen. In diesem Prozess
wird die multiskalare Mittelwertverschiebung basierend auf einer
Randdetektion, zuerst präsentiert
in H. Tek, A. Ayvaci und D. Comaniciu; Multi-Scale Vessel Boundary
Detection; in Workshop of CVBIA, Seiten 388–398, 2005, angewendet auf
den zyklischen Graphen, siehe oben, auf dessen Gegenstand hier Bezug
genommen wird. Speziell wurde die Mittelwertanalyse, siehe D. Comaniciu
und P. Meer; Mean Shift: A Robust Approach Toward Feature Space
Analysis; IEEE Trans. PAMI 24(5): 603–619, 2002, verwendet für das Detektieren
der Ränder
von Intensitätsdaten.
Die Robustheit und Genauigkeit der Ergebnisse hängt jedoch stark von der Auswahl
von Raum- und Bereichsskalierungsparametern der Mittelwertverschiebungsanalyse
ab, da die Objektgrenzen oft in vielen Raum- und Bereichsskalierungen
sind. Tek et al. (H. Tek, A. Ayvaci und D. Comaniciu; Multi-Scale
Vessel Boundary Detection; in Workshop of CVBIA, Seiten 388–398, 2005)
hat einen geometrisch basierten Algorithmus entwickelt, der Raumfiltergrößenoperatoren
entlang 1D-Strahlen in vielen Skalierungen anwendet. Die optimale
Bereichskernelgröße ist direkt von
den Intensitätsdaten,
die unter dem Raumkern (Kernel) enthalten sind. In diesem Framework
werden Ränder,
die von vielen Filtern gewonnen werden, kombiniert, indem eine Randstärkenfunktion
und ein lokaler Modus der Intensitäten verwendet werden (H. Tek,
A. Ayvaci und D. Comaniciu; Multi-Scale Vessel Boundary Detection;
in Workshop of CVBIA, Seiten 388–398, 2005).
-
Es
sei erwähnt,
dass in traditionellen Verfahren die Kosten der Ränder nicht
berechnet werden können
orthogonal zu den Rändern,
die von Interesse sind, aufgrund des Mangels einer impliziten Objektdarstellung.
Die Existenz des Ausgangspunkts definiert hier jedoch implizit den
inne ren Teil der Struktur, wodurch eine Gradientenberechnung orthogonal
zu den Rändern
durchgeführt
wird. Mit anderen Worten, der Prozess nimmt einfach eine Probe von dem
Strahl orthogonal zu dem Rand und führt eine multi-skalare Randdetektion
entlang dieses Randes durch, wie in 2E verdeutlicht.
Der Prozess verwendet das Inverse der Multiskalarrandantwort für die Gewichtung
dieses Rands, wie oben in Verbindung mit 2F beschrieben.
-
Ein
neues Zentrum der geschätzten
Grenze wird bestimmt, um dadurch einen neuen Ausgangspunkt zu erzeugen.
Der Prozess wird wiederholt unter Verwendung des neuen Ausgangspunkts,
um dadurch eine Endgrenze des Gefäßes in der Ebene zu erzeugen,
wobei eine derartige Endgrenze gebildet wird, wenn neu erzeugte
Ausgangspunkte im Wesentlichen positionsfest bleiben. Die Endgefäßgrenze
ist in 2F gezeigt, überlagert auf das Originalbild
eines derartigen Gefäßes.
-
Der
Prozess wird wiederholt für
jeden der Ausgangspunkte in dem ersten Satz von Ausgangspunkten.
Eine Oberfläche
des Gefäßes wird
von den Endgrenzen erzeugt.
-
3 zeigt
die Querschnittsgrenzdetektionsergebnisse von dem Verfahren, das
oben beschrieben wurde, für
koronare Grenzen, Carotidarterien und Abdominal Aortic Aneurysmen
(AAA). Im Allgemeinen ist die Detektion der Thrombosegrenze in AAA
ziemlich schwierig aufgrund des schwachen Kontrastes zwischen Thrombosen
und deren Umgebungen in CTA. Man beachte, dass das Verfahren in der
Lage ist, diese Grenze ziemlich genau zu erhalten.
-
Das
Verfahren ist aus verschiedenen Gründen geeignet zum Berechnen
von Gefäßquerschnittsgrenzen:
Speziell (i) gibt es immer eine einzelne geschlossene und glatte
Kontur zurück,
die konsistent mit der typischen Gefäßgrenze ist. (ii) Fehlende
Ränder
auf der Gefäßgrenze,
beispielsweise aufgrund naher Gefäße werden natürlich geschlossen
durch Glattkontursegmente, also elliptische Stücke, 4. (iii)
Es gibt keine signifikante Präferenz von
Konturen, die auf ihrer Größe basieren,
da es die „mittleren" Kosten berechnet.
Die meisten graphschneidbasierten (Graph Cut) Algorithmen bevorzugen
oft kleinere Kontursegmente gegenüber größeren, was oft in signifikanten
Fehlern resultiert. (iv) Es ist recheneffizient, also es braucht
weniger als 0,5 Sekunden auf einem Pentium IV 2,5 GHz PC. (v) Die Genauigkeit
der Ergebnisse ist unabhängig
von dem Ort des Ausgangspunkts, 5.
-
6A verdeutlicht
ein anfängliches
Mittellinienmodell und die entsprechenden Querschnittsgrenzen. Die
korrigierte Mittellinie und die Querschnittsgrenzen durch den Algorithmus
sind in 6B und 6C angezeigt.
Es soll erwähnt
werden, dass dieser Algorithmus robust gegenüber Fehlern in dem Anfangspfad
ist. Speziell ist es möglich, dass
das Mittellinienmodell 100 teilweise außerhalb des Gefäßes verlaufen
kann, wie in Regionen 102. In derartigen Fällen fällt der
Ausgangspunkt für
die Querschnittsgrenze nach außerhalb
der korrekten Querschnittsgrenze. Wenn der Ausgangspunkt außerhalb
des Gefäßes ist,
erzeugt der Minimummittelwertzyklusalgorithmus eine 2D Kontur, die
den Ausgangspunkt und große
Bereiche der Gefäßgrenze enthält, 5 und 7B.
Diese Ergebnisse sind nicht überraschend,
da der Algorithmus implizit fehlende Teile der Grenze mit glatten
elliptischen Kurvensegmenten schließt. Beachte, dass der neue
Mittellinienpunkt, der von dem Zentrum dieser Querschnittsgrenze
detektiert worden ist, in das Gefäß hineinfällt. Folglich werden Pfadpunkte
außerhalb
der Gefäße in Richtung
reales Zentrum des Gefäßes gezogen.
Gegenwärtig
ist jeder Gefäßzweig unabhängig modelliert
durch das Verfahren. Es soll verstanden werden, dass die Querschnittsgrenzen 104 unterschiedlicher
Zweige sich an Verbindungen 106, 7C, kreuzen.
An derartigen Stellen wird die Union der Querschnittsgrenzen verwendet,
um 3D Oberflächenmodelle
zu konstruieren. 8 verdeutlicht 3D Koronarmodelle,
die von dem Algorithmus gewonnen werden.
-
Eine
Anzahl an Ausführungsbeispielen
der Erfindung ist beschrieben worden. Nichts desto trotz soll verstanden
werden, dass verschiedene Modifikationen vorgenommen werden können, ohne
den Schutzbereich der Erfindung zu verlassen. Entsprechend sind
andere Ausführungsbeispiele
innerhalb des Bereichs der folgenden Ansprüche.