DE102007018750A1

DE102007018750A1 - System und Verfahren zur halbautomatischen Aortenaneurysmaanalyse

Info

Publication number: DE102007018750A1
Application number: DE102007018750A
Authority: DE
Inventors: Leo Grady; Osman Bodur; Gareth Funka-Lea; Thomas O'donnell; Randolph M. Shaker Heights Setser; Arthur E. Chagrin Falls Stillman
Original assignee: Cleveland Clinic Foundation; Siemens Medical Solutions USA Inc
Current assignee: Cleveland Clinic Foundation; Siemens Medical Solutions USA Inc
Priority date: 2006-04-21
Filing date: 2007-04-20
Publication date: 2007-12-06
Also published as: US20080033302A1; JP2007289704A

Abstract

Ein Verfahren zum automatischen Analysieren eines Aortenaneurysmas enthält ein Bereitstellen eines digitalisierten dreidimensionalen Bildvolumens einer Aorta, Bestimmen 42, 43, welche Voxel in dem Bild wahrscheinlich Lumenvoxel sind, Bestimmen 44 eines Abstands der Lumenvoxel von einer Aortengrenze, Finden 45 einer Mittellinie der Aorta in dem Bildvolumen basierend auf den Lumenvoxelabständen, Konstruieren einer Serie von zweidimensionalen multiplanaren reformatierten (MPR) Bildebenen orthogonal zu dieser Mittellinie, Segmentieren von Aortenquerschnitten in jeder der MPR-Bildebenen, wobei eine Aortenwand in jedem MPR-Bild lokalisiert wird, und Konstruieren eines 3-D-Modells der Aorta aus den Aortenwandorten.

Description

Diese Offenbarung richtet sich auf Verfahren zur automatischen Segmentierung von Aortenquerschnitten auf Computertomographie-Angiographie Erfassungen.
Die Aorta ist die größte Arterie im Körper und ist der primäre Kanal für sauerstoffangereichertes Blut. Ein AA (Aortic Aneurysm = Aortenaneurysma) ist eine permanente oder irreversible lokale Dilation dieses Gefäßes, und wenn dies unbehandelt bleibt, erweitert sich dieses Gefäß bis es reißt, was in 90 % der Fälle zum Tode führt. AAs sind die dreizehntgrößte Todesursache in den Vereinigten Staaten. Eine Standardprozedur beurteilt das Risiko eines Aneurysmabruchs basierend auf einem maximalen Aortendurchmesser. Gegenwärtige klinische Werkzeuge zum Erfassen dieser Messungen erfordern ein großes Maß an Benutzerinteraktion und können ziemlich zeitaufwändig sein.
Die Behandlung dieser Funktionsstörung, wie beispielsweise der offene Eingrwennf, beinhaltet ein signwennikantes Risiko für eine Infektion, Pseudoaneurysmabildung und Sekundärschwächung. Die endovaskuläre Stentreparatur (Eingrwennf) erlangt zunehmend an Popularität, aber die Langzeitwirkungen dieser Prozedur sind noch nicht bekannt und nicht alle AAs sind Kandidaten für Stents. Folglich, für AAs, von denen man glaubt, dass sie kein drohendes Reissrisiko darstellen, wird als eine offensive Behandlung bevorzugt eine Überwachung in Betracht gezogen. Dies gilt insbesondere bei der größten Population, die durch diese Funktionsstörung betroffen ist, Männer über 65 Jahren, da die Morbidität von anderen Fällen vor einem Riss auftreten kann.
Wie das Reissrisiko von AA zu bestimmen ist, ist immer noch eine offene Frage. Vorgeschlagene Indikatoren sind vielfältig: Wandspannung, Wandstewennheit, intraluminale Thrombusdicke, Wandbelastung, etc., sind vorgeschlagen worden. Eine Standardprozedur ruft jedoch nach einer Intervention (offener Eingrwennf oder Stent), wenn der maximale Durchmesser größer als 5,5 cm ist. Die zeitliche Änderung des maximalen Durchmessers ist als ein Prognosemaß vorgeschlagen worden.
Gegenwärtig gibt es zwei gemeinsame Ansätze für die Aortendurchmessermessung. Der erste umfasst das Bilden von linearen Messungen auf einer MIP (Maximum Intensity Projection = maximale Intensitätsprojektion) des Bildvolumens. Die Auswahl des MIP Projektionswinkels kann jedoch einen hohen Grad an Subjektivität in diese Messung einbringen. Der zweite Ansatz verwendet ein doppelt schräges MPR, um ein rekonstruiertes Bild orthogonal zu dem Gefäßpfad zu gewinnen, auf dem die Messungen erfolgen. Der Nachteil dieses Ansatzes liegt darin, dass er zeitaufwändig ist und als ein Ergebnis kann die Aorta spärlich abgetastet werden, aufgrund von praktischen Grenzen bezüglich der Dauer der Analyse. Zusätzlich, wenn dieser Ansatz manuell durchgeführt wird, kann die orthogonale Ebene nicht korrekt sein, wodurch Fehler eingebracht werden. Das Reproduzieren der gleichen orthogonalen Querschnittsposition in einer Längsstudie kann ebenfalls schwierig sein. Letztendlich kann die manuelle Messung nicht korrekt sein, da sie sich auf eine subjektive Benutzerbestimmung verlässt, welche Punkte verbunden werden, um den maximalen Durchmesser zu bilden.
Ein Ansatz verwendet 3D-Level Sätze, um das Lumen sowie die Gefäßgrenze zu segmentieren. Für die Gefäßgrenze wird ein Stopkriterium verwendet, das auf der Annahme basiert, dass die Aortenoberfläche glatt und rund ist. Mittellinien werden erzeugt, um orthogonale MPRs zu berechnen.
Ein anderer Ansatz ist eine aktive Formmodellformulierung, in der Landmarken definiert werden durch Korrelation mit benachbarten Schnitten anstatt mit Trainingsdaten. Das Modell wird manuell initialisiert, und das Zweischnittmodell steigt bei einem Zeitpunkt um einen Schnitt entlang der Aorta auf. Der Fokus liegt auf der Aorta abdominalis, wo die Mittelachse des Gefäßes ungefähr senkrecht zu dem Bildstapel ist, und benötigt folglich keine Mittellinienberechnung, aber ein Trainingssatz wird benötigt und das Risiko einer Degenerierung der Modi der Abweichung liegt vor, da die Aortenquerschnitte häufig kreisförmig sind.
Ein anderer Ansatz ist die Segmentierung von Aneurysmen im Gehirn unter Verwendung eines Geodesic Active Region Model, das kombiniert wird mit nicht parametrischer regionenbasierter Information. In diesem Gebiet liegen jedoch die Herausforderungen in der Morphologie des Gefäßes, das Gehirnvaskular ist detaillierter und komplexer verglichen mit der Aorta, und die Frage von Thrombi wird nicht behandelt.
Beispielhafte Ausführungsformen der Erfindung werden hier allgemein beschrieben, enthaltend Verfahren und Systeme zum automatischen Segmentieren von Aortenquerschnitten durch eine halbautomatische Bestimmung der Mittellinie der Aorta (Lumen) und Rekonstruktion einer Serie von Bildern orthogonal zu dieser Mittellinie. Die Gefäßquerschnitte werden automatisch segmentiert mit einem modwennizierten isoperimetrischen Segmentierungsalgorithmus. Aufgrund der Herausforderungen, verursacht durch die Thrombi, Kalkablagerungen und die Ähnlichkeit in der Graustufe zwischen der Gefäßwand und den umgebenden Strukturen, können die Segmentierungen benutzereditiert werden. Aus den editierten Segmentierungen wird ein 3D Modell der Aorta gebildet. Abschließend werden zwei Bildvolumen registriert, um die nachfolgenden Studien zu erleichtern.
Gemäß einem Ausführungsbeispiel der Erfindung ist es möglich eine vollständige Abdeckung der Aorta zu erhalten. Für den praktizierenden Kliniker ist es nicht ungewöhnlich, dass er nur wenige Minuten zur Verfügung hat, um eine Studie zu untersuchen. Unter Verwendung des Systems gemäß einem Ausführungsbeispiel der Erfindung hat der Kliniker innerhalb von Sekunden eine Serie von optimalen, reproduzierbaren orthogonalen Querschnitten eines gesamten Gefäßes, das visuell nach irgendwelchen Unregelmäßigkeiten untersucht werden kann. Ferner kann der Benutzer diese Querschnitte segmentieren und den garantierten maximalen Durchmesser automatisch berechnet bekommen. Mit der Erzeugung eines 3D Modells wird es möglich, die Zugkraft des Wanddrucks, die Wandstewennigkeit, etc. sowie volumetrische Merkmale zu evaluieren. Nachdem das 3D Modell gebildet ist, ist eine Stentplanung möglich und das Stadium wird gesetzt, um Reissrisikoindikatoren, wie beispielsweise den Wanddruck (in Verbindung mit Blutdruckanzeigen), zu berechnen. Abschließend erfolgt über eine Registrierung ein Vergleich der gleichen Aorta Seiten für Seiten für unterschiedliche Zeitpunkte. Da die Überwachung der AAs bezüglich Risiko sowie die reparierte Aorta gemeinsam erfolgt, kann dieses Merkmal wertvoll sein.
Gemäß einem Aspekt der Erfindung wird ein Verfahren bereitgestellt zum automatischen Analysieren eines Aortenaneurysma, enthaltend ein Bereitstellen eines digitalisierten dreidimensionalen Bildvolumens einer Aorta, wobei das Bild eine Mehrzahl von Intensitäten enthält, die auf einem 3D Gitternetz von Voxeln definiert sind, Bestimmen, welche Voxel in dem Bild wahrscheinlich Lumenvoxel sind, Bestimmen eines Abstands der Lumenvoxel von einer Aortengrenze, Finden einer Mittellinie der Aorta in dem Bildvolumen basierend auf den Lumenvoxelabständen, Konstruieren einer Serie von zweidimensionalen multiplanaren reformatierten (MFR = Multiplanar Reformated) Bildebenen orthogonal zu dieser Mittellinie, Segmentieren der Aortenquerschnitte in jeder der MPR Bildebenen, wobei eine Aortenwand in jedem MPR Bild lokalisiert wird und Konstruieren eines 3D Modells der Aorta, aus den Aortenwandorten.
Gemäß einem weiteren Aspekt der Erfindung enthält das Verfahren zwei Eingangsvoxel in die Aorta, um die Mittellinie zu initialisieren.
Gemäß einem weiteren Aspekt der Erfindung ist eines der Voxel nahe der Basis der Aorta, und das andere Voxel ist nahe einer Iliakalbwennurkation.
Gemäß einem weiteren Aspekt der Erfindung enthält das Bestimmen, welche Voxel wahrscheinlich Lumenvoxel sind, ein Berechnen eines Histogramms unter Verwendung einer Gaußschen Schätzfunktion für die Verteilung der Intensität nahe jedes Eingangsvoxels, und Schwellenwerten jedes Volumenvoxels mit einer Wahrscheinlichkeit der Zugehörigkeit zu dem Aortenlumen.
Gemäß einem weiteren Aspekt der Erfindung enthält das Finden einer Mittellinie der Aorta ein Bilden eines Pfadszwischen den Eingangsvoxeln von denjenigen Lumenvoxeln, die einen größten Abstand von der Aortengrenze haben.
Gemäß einem weiteren Aspekt der Erfindung enthält das Verfahren ein Glätten dieser Mittellinie.
Gemäß einem weiteren Aspekt der Erfindung enthält das Segmentieren der Aortenquerschnitte in den MPR Bildebenen ein Finden einer Bildpartition S, S, die ein isoperimetrisches Verhältnis eines Querschnitts der Aorta und dessen Grenze minimiert.
Gemäß einem weiteren Aspekt der Erfindung enthält das Minimieren des isoperimetrischen Verhältnisses ein Darstellen der Lumenintensitäten durch eine Laplace Matrix L, deren Einträge definiert sind durch Voxel i, j, indem die Lumenintensitäten durch eine Laplace Matrix L repräsentiert sind, deren Einträge definiert sind durch die Voxel i, j durch
wobei e_ij ein randverbindendes Nachbarvoxel i, j darstellt, w(e_ij) eine Gewichtung des Rands e_ij ist, definiert durch
wobei D_L eine geschätzte Lumenverteilung ist, D_T eine geschätzte Thrombusverteilung ist, d_i ein Grad des Voxels i ist, definiert durch Summierung der Gewichtungen der Ränder, die dieses Voxel verbinden, und Minimierung einer Kostenfunktion
wobei d ein Vektor von Voxelgraden ist, x eine Partitionsindikatorfunktion, die definiert ist durch
wobei U eine Laplace Matrix mit gleichmäßigen Gewichtungen angibt, u o den Vektor der Grade für einen Graphen mit gleichförmigen Gewichtungen angibt, und γ ein Rundheitsparameter ist.
Gemäß einem weiteren Aspekt der Erfindung enthält das Minimieren der Kostenfunktion ein Auswählen eines Knotens entsprechend der Kreuzung der Mittellinie mit MPR als ein Basisvoxel v_g, ein Eliminieren der Reihe/Spalte entsprechend v_g, um einen reduzierten Laplace-Vektor und Gradvektor L₀, d₀ zu bilden, Lösen von L₀x₀ = d₀ für x₀, um x zu erlauben einen realen Wert anzunehmen, und Schwellenwerten des Partitionsindikators x bei einem Wert, der eine Partition ergibt entsprechend einem niedrigsten isoperimetrischen Verhältnis.
Gemäß einem weiteren Aspekt der Erfindung enthält das Verfahren ein Trennen von Lumenvoxeln und Thrombusvoxeln von Hintergrundvoxeln unter Verwendung eines K-Means Verfahrens.
Gemäß einem anderen Aspekt der Erfindung folgt das Bereitstellen eines Verfahrens zur automatischen Analyse eines Aortenaneurysma enthaltend das Bereitstellen eines digitalisierten dreidimensionalen Bildvolumens einer Aorta, wobei das Bild eine Mehrzahl von Intensitäten enthält, die definiert sind auf einem 3D Gitternetz von Voxeln, ein Finden einer Mittellinie der Aorta in dem Bildvolumen, Konstruieren einer Serie von zweidimensionalen multiplanaren reformatierten (MFR) Bildebenen orthogonal zu dieser Mittellinie, Separieren von Aortenlumen und Throm busvoxeln von Hintergrundvoxeln unter Verwendung eines K-Means Verfahrens, Segmentieren von Aortenquerschnitten in jeder der MPR Bildebene durch Finden einer Bildpartition S, S, die ein isoperimetrisches Verhältnis eines Kreisquerschnittsabschnitts der Aorta und dessen Grenze minimiert, wobei eine Aortenwand in jedem MPR Bild lokalisiert wird, und Konstruieren eines 3D Modell der Aorta aus den Aortenwandorten.
Gemäß einem weiteren Aspekt der Erfindung enthält das Finden der Aortenmittellinie ein Bereitstellen von zwei Eingangsvoxeln in der Aorta, um die Mittellinie zu initialisieren, Berechnen eines Histogramms unter Verwendung einer Gaußschen Schätzfunktion für eine Verteilung der Intensitäten nahe jedes Eingangsvoxels, Schwellenwerten jedes Volumenvoxels mit einer Wahrscheinlichkeit der Zugehörigkeit zu einem Aortenlumen, wobei die Lumenvoxel identwenniziert werden, Bestimmen eines Abstands der Lumenvoxel von einer Aortengrenze, und Bilden eines Pfads zwischen den Eingangsvoxeln von denjenigen Lumenvoxeln mit einem größten Abstand von der Aortengrenze, wobei der Pfad eine Mittellinie bildet.
Gemäß einem anderen Aspekt der Erfindung wird eine Programmspeichervorrichtung geschaffen, die durch einen Computer lesbar ist, auf der ein Programm von Anweisungen verkörpert ist, die ausführbar sind durch den Computer, um die Verfahrensschritte zur automatischen Analyse eines Aortenaneurysma durchzuführen.
Die 1(a)–(c) verdeutlichen aufeinanderfolgende Stadien eines Segmentierungsprozesses gemäß einem Ausführungsbeispiel der Erfindung.
2 zeigt eine Tabelle, die Abtastergebnisse zur Evaluierung eines Prototyps gemäß einem Ausführungsbeispiel der Erfindung.
3 verdeutlicht eine Aorta, die rekonstruiert wurde aus Daten in der Tabelle gemäß 2, gemäß einem Ausführungsbeispiel der Erfindung.
4 zeigt ein Flussdiagramm eines Mittellinienberechnungsverfahrens gemäß einem Ausführungsbeispiel der Erfindung.
5 zeigt ein Flussdiagramm eines isoperimetrischen Algorithmus, der für die Bildsegmentierung verwendet wird, gemäß einem Ausführungsbeispiel der Erfindung.
6 zeigt ein Blockdiagramm eines beispielhaften Computersystems zum Implementieren eines Verfahrens zum automatischen Segmentieren von Aortenquerschnitten auf Computertomographie-Angiographie Erfassungen, gemäß einem Ausführungsbeispiel der Erfindung.
Ausführungsbeispiele der Erfindung, wie sie hier beschrieben werden, enthalten allgemein Systeme und Verfahren zum automatischen Segmentieren von Aortenquerschnitten auf Computertomographie-Angiographie Erfassungen. Obwohl die Erfindung anfällig ist für verschiedene Modwennikationen und alternative Formen, sind entsprechende spezwennische Ausführungsbeispiele davon beispielhaft in den Zeichnungen gezeigt und werden hier im Einzelnen beschrieben. Es soll verstanden werden, dass es nicht beabsichtigt ist die Erfindung auf bestimmte hier offenbarte Formen einzuschränken, sondern im Gegenteil, die Erfindung soll alle Modwennikationen, Äquivalente und Alternativen, die in den Bereich der Erfindung fallen, abdecken.
Der Begrwennf „Bild" betrwennft hier mehrdimensionale Daten, die zusammengesetzt sind aus diskreten Bildelementen (beispielsweise Pixeln für 2D Bilder und Voxeln für 3D Bilder). Das Bild kann beispielsweise ein medizinisches Bild eines Subjekts sein, das erfasst wurde durch Computertomographie, Magnetresonanzbildgebung, Ultraschall oder durch ein anderes medizinisches Bildgebungssystem, das einem Fachmann bekannt ist. Das Bild kann auch aus nicht medizinischem Kontext bereitgestellt werden, beispielsweise von Fernerfassungssystemen, Elektronenmikroskopie, etc. Obwohl ein Bild als Funktion von R³ zu R angesehen werden kann, sind die Verfahren der Erfindungen nicht auf derartige Bilder beschränkt, und können auf Bilder jeglicher Dimension angewendet werden, beispielsweise auf ein 2D Bild oder ein 3D Volumen. Für ein zweidimensionales oder dreidimensionales Bild ist der Bereich (die Domain) des Bilds typischerweise eine zwei- oder dreidimensionale rechteckige Anordnung (Array), wobei jedes Pixel oder Voxel adressiert werden kann unter Bezug auf einen Satz von zwei oder drei gegenseitig orthogonalen Achsen. Die Begrwennfe „digital" oder „digitalisiert", wie sie hier verwendet werden, beziehen sich auf Bilder oder Volumen, je nachdem, in einem digitalen oder digitalisierten Format, erfasst über ein digitales Erfassungssystem oder durch Umwandlung eines analogen Bilds.
Gemäß einem Ausführungsbeispiel der Erfindung bestimmt ein Verfahren zum automatischen Segmentieren von Aortenquerschnitten die Mittellinie der Aorta (Lumen), rekonstruiert eine Se rie von Bildern orthogonal zu dieser Mittellinie, und segmentiert automatisch die Gefäßquerschnitte mit einem modwennizierten isoperimetrischen Segmentierungsalgorithmus.
4 zeigt ein Flussdiagramm eines Mittellinienberechnungsverfahrens gemäß einem Ausführungsbeispiel der Erfindung. Die Mittellinienberechnung wird initialisiert durch interaktives Bereitstellen von zwei Punkten in Schritt 41, ein Punkt an der Basis der Aorta und der andere nahe der Iliakalbwennurkation. Von diesen zwei Punkten wird eine Intensitätsverteilung der Lumenintensitäten in Schritt 42 geschätzt unter Verwendung einer standardmäßigen Gauß Kernel Funktion für die Verteilung der Intensitäten in einer kleinen Nachbarschaft der Eingangspunkte. Nach der Lumenintensitätsverteilungsschätzung werden die Voxel in dem Volumen schwellengewertet in Schritt 43 bezüglich einer Wahrscheinlichkeit dafür, dass jede Voxelintensität zu dem Aortenvolumen gehört. Für diese Voxel, die als Lumenvoxel betrachtet werden, wird eine Distanztransformation berechnet in Schritt 44, die den Abstand jedes Lumenvoxels von der Aortengrenze schätzt. Die Aortenmittellinie enthält diejenigen Voxel mit den größten Distanz(abstands)werten, und ein Pfad zwischen den zwei Eingangspunkten kann in Schritt 45 gebildet werden von diesen Lumenvoxeln mit den größten Distanzwerten. Dieser Pfad wird als Aortenlumenmittellinie ausgegeben, die anschließend in Schritt 46 geglättet wird.
Das Bildvolumen wird neu abgetastet in Schritt 47 in eine Serie von MPRs (Multiplanar Rekonstruktionen) normal zu der Mittellinie. Die Kreuzung der Mittellinie mit diesen Bildern bildet einen Punkt in dem Zentrum des Lumens, dem Kanalteil der Aorta. Dieser dient als Eingabe für die Segmentierung der Aortengrenze.
Zum Bestimmen eines maximalen Aortendurchmessers wird die gesamte Gefäßgrenze segmentiert. Die Segmentierung dieser Grenze in dem vorhandenen Thrombus, was verklumptes Blut in der Aorta ist, ist eine Herausforderung aufgrund der bimodalen Verteilung der Intensitäten innerhalb der Aorta (enthaltend scharfe interne Grenzen) und aufgrund des Vorhandenseins von naheliegenden durcheinanderliegenden Strukturen, wie Diaphragma, Venen und Zweiggefäße.
Ein Segmentierungsansatz gemäß einem Ausführungsbeispiel der Erfindung berücksichtigt die folgenden Faktoren: (1) Lumen und Thrombusintensitäten können geschätzt werden; (2) ein Algorithmus, der in der Lage ist schwach verbundene verworrene Strukturen herauszuschneiden, kann verwendet werden; (3) die Aortenquerschnitte können angenommen werden als im Allge meinen kreisförmig; und (4) ein Punkt in dem Volumen von der Mittellinienkreuzung ist verfügbar.
Um Lumenvoxel und Thrombusvoxel von Hintergrundvoxeln zu trennen, wird ein K-Means Algorithmus verwendet, um ausgeprägte Intensitätsgruppen innerhalb des Bilds zu clustern (grupperien). Der K-Means Algorithmus ist ein Algorithmus zum Clustern von Objekten basierend auf Attributen in k Partitionen. Es ist eine Variante eines Erwartungs-Maximierungs-Algorithmus, bei dem das Ziel vorliegt die k Mittelwerte von Daten zu bestimmen, die aus Gaußschen Verteilungen erzeugt werden. Die Aufgabe des Algorithmus ist die Minimierung der gesamten Intra-Cluster-Varianz oder der quadratischen Fehlerfunktion
wobei es k Cluster S_i gibt, i = 1, 2, ..., k, und μ_i ist der Schwerpunkt oder Mittelpunkt aller Punkte x_j ∊ S_i. Der Algorithmus startet durch Partitionieren der Eingangspunkte in k Anfangssätze, entweder zufällig oder unter Verwendung von einigen heuristischen Daten. Es wird dann der Mittelpunkt berechnet, oder der Schwerpunkt für jeden Satz. Er konstruiert eine neue Partition durch Zuordnen jedes Punkts zu dem nächstliegendsten Schwerpunkt. Dann werden die Schwerpunkte neu berechnet für die neuen Cluster, und der Algorithmus wiederholt sich durch abwechselnde Anwendung dieser zwei Schritte bis zur Konvergenz, die gewonnen wird, wenn die Punkte nicht länger die Cluster umschalten oder alternativ, wenn die Mittelpunkte im Wesentlichen unverändert bleiben.
Gemäß einem Ausführungsbeispiel der Erfindung ist der isoperimetrische Segmentierungsalgorithmus, der offenbart ist in „Isoperimetric Graph Partitioning For Image Segmentation", Leo Grady und Eric L. Schwartz, IEEE Trans „On Pattern Analysis And Machine Intelligence", Ausgabe 28, Nr. 3, Seiten 469-475, März 2006, auf dessen Inhalt hier Bezug genommen wird, ein guter Kandidat, da er die Eingabe als einen einzelnen Punkt nimmt und die schwach verbundenen verworrenen Strukturen korrekt ausschneiden kann. Dieser Algorithmus fördert jedoch nicht die Kreisförmigkeit der Segmentierung (auf einem gewichteten Graphen) und erfordert folglich eine Modwennikation.
Der isoperimetrische Segmentierungsalgorithmus wird in Termen von graphtheoretischen Konzepten beschrieben, so dass eine Beschreibung dieser Konzepte folgt. Ein Bild kann formuliert werden als Graph G = (V, E) mit Voxeln, die Eckpunkten (Knoten) v ∊ V und Rändern e ∊ E ⊆ V × V entsprechen. Ein Rand e, der zwei Eckpunkten v_i und v_j aufspannt, ist gekennzeichnet durch e_j. Es sei n = |V| und m = |E|, wobei || eine Kardinalität kennzeichnet. Ein gewichteter Graph hat einen Wert (typischerweise nicht negativ und real), der jedem Rand zugewiesen wird, auch als Gewichtung bezeichnet. Die Gewichtung des Rands e_ij ist gekennzeichnet durch w(e_ij) oder w_ij. Der Grad eines Eckpunkts v_i, gekennzeichnet mit d_i ist
Eine beispielhafte Randgewichtung ist definiert als eine Gewichtung der Intensitätsdwennferenzen der zwei Knoten (Voxel), die durch den Rand aufgespannt werden.
Das klassische isoperimetrische Problem versucht für einen festen Bereich die Region mit einem minimalen Perimeter zu finden. Formaler ist die isoperimetrische Konstante das Minimum des Verhältnisses des Bereichs einer Grenze einer Region S zu seinem Volumen über allen möglichen Regionen S:
Intuitiv wird eine Partition gesucht, die eine Region bereitstellt, die groß ist und eine kleine Grenze mit ihrer Umgebung hat. Schwach verbundene Strukturen werden geschnitten, wie beispielsweise Flaschenhälse. Die Grenze eines Satzes S ist definiert als ∂S = {eij,|νi ∊ S, νj ∊ S}, wobei S das Satzkompliment kennzeichnet, und
Das Volumen für einen Graphen kann definiert werden als
wobei d_i der oben definierte Eckgrad (Vertex Degree) ist. Beim Berechnen der isoperimetrischen Rate haben Regionen mit gleichmäßiger Intensität Vorrang gegenüber Regionen, die eine große Anzahl an Pixeln besitzen.
Die isoperimetrische Rate kann ausgedrückt werden in Matrixform. Zum Starten definiere einen Indikatorvektor x, der bei jedem Knoten einen Binärwert annimmt:
Beachte, dass eine Spezwennikation von x als eine Partition betrachtet werden kann. Definiere die n×n Matrix L eines Graphen als
Die Notation
oder einfacher L_ij wird verwendet, um anzugeben, dass die Matrix L durch die Eckpunkte v_i und v_j indiziert ist. Diese Matrix ist verschiedentlich bekannt als Admittanzmatrix oder Laplace Matrix.
Dann durch die Definition von L, |∂S| = x^TLx und Vol_s = x^Td., wobei d der Vektor von Knotengraden ist. Folglich kann die isoperimetrische Rate eines Graphen G in Termen des Indikatorvektors umgechrieben werden als
Als Subjekt zu der Bedingung, dass der Satz S ein festes Volumen hat: Vol_s = x^Td = k. Bei einem gegebenen Indikatorvektor x repräsentiert h(x) die isoperimetrische Rate, die zu der Partition gehört, die durch x spezwenniziert ist. Die Segmentierung der Aortawand enthält das Finden einer Partition S, wo S ⊂ V ist, das die Aortenepithelschicht von dem umgebenden Gewebe trennt.
Es kann gezeigt werden, dass die Lösung, die durch die Minimierung von h(x), wie oben angegeben, gegeben wird, mit gleichmäßigen Ereignisgewichtungen zu einem Kreis führt, die klassische Lösung des isoperimetrischen Problems, von welchem der Algorithmus seinen Ursprung genommen hat. Folglich kann man den obigen Term von dem isoperimetrischen Algorithmus mit einem Kreisterm kombinieren
wobei U die Laplace Matrix angibt mit gleichmäßigen Gewichtungen und u den Vektor von Graden für einen Graphen mit gleichmäßigen Gewichtungen darstellt. Diese Minimierung führt zu der Lösung des standardisoperimetrischen Algorithmus mit Gewichtungen, die modwenniziert worden sind durch Hinzufügen einer Konstante γ zu allen Gewichtungen. Der Parameter γ steuert das Niveau der Kreisförmigkeit, die auf die Lösung erzwungen wird, mit γ = 0, das keine Präferenz für Kreise darstellt, und γ = ∞, das die Lösung dazu zwingt ein Kreis zu sein, bezüglich des Inhalts. Gemäß einem Ausführungsbeispiel der Erfindung kann ein guter Ausgleich erreicht werden, indem γ = 0,03 eingestellt wird.
Die bedingte Optimierung der isoperimetrischen Rate erfolgt in einer freien Änderung durch die Einführung eines Langrange-Multiplizierers λ und einer Relaxation der Binärdefinition von x, um nicht negative reale Werte zu verwenden durch Minimieren der Kostenfunktion Q(x) = xTL'x – λ(xTd – k).
Da L' positiv halbdefinit ist und x^Td nicht negativ ist, ist Q(x) bei einem Maximum für jeden kritischen Punkt. Dwennferenzieren von Q(x) bezüglich x und Setzen auf ein Minimum ergibt 2L'x = λd. (1)
Folglich reduziert das Finden von x, das Q(x) minimiert (Minimumpartition), das Lösen eines Linearsystems. Von jetzt an werden der Skalarmultiplizierer 2 und das Skalar λ fallen gelassen, da nur die relativen Werte der Lösung signwennikant sind, und das Apostroph von L wird unterdrückt.
Unglücklicherweise ist die Matrix L singulär: Alle Reihen und Spalten summieren sich zu Null, so dass das Finden einer eindeutigen Lösung für (1) eine zusätzliche Bedingung erfordert.
Es wird angenommen, dass der Graph verbunden ist, da die optimalen Partitionen eindeutig klar jeweils verbundene Komponenten sind, wenn der Graph unterbrochen ist (also g(x) = 0). Man beachte, dass allgemein ein Graph mit c verbundenen Komponenten einer Matrix L entspricht mit einem Rang (n – c). Wenn man willkürlich einen Knoten v_g bestimmt, um in S enthalten zu sein (also fest x_g = 0), ergibt (1) durch Entfernen der g-ten Reihe und Spalte von L, gekennzeichnet durch L₀ und der g-ten Reihe von x und d, gekennzeichnet durch x₀ und d₀, so dass L0x0 = d0, (2)was ein nicht singuläres System von Gleichungen ist.
Das Lösen von (2) für x₀ ergibt eine realwertige Lösung, die umgewandelt werden kann in eine Partition durch Setzen eines Schwellenwerts. Es kann gezeigt werden, dass die Partition, die den Knoten enthält, der der entfernten Reihe und Spalte von L entspricht, verbunden werden muss, für jeden gewählten Schwellenwert, also die Knoten, die x₀ werden kleiner als dem gewählten Schwellenwert entsprechen, bilden eine verbundene Komponente.
5 zeigt ein Flussdiagramm eines isoperimetrischen Algorithmus, der für die Bildsegmentierung angewendet wird, gemäß einem Ausführungsbeispiel der Erfindung. Bezugnehmend auf die Figur beginnt der Algorithmus indem bei Schritt 51 ein 2D MPR Bild normal zu der Mittellinie bereit gestellt wird.
In Schritt 52 wird der K-Means Algorithmus verwendet, um die Lumenvoxel und Thrombusvoxel von Hintergrundvoxeln zu trennen. Ein beispielhafter nicht einschränkender Wert von K ist 5. Das Mittel, das der Lumenintensität entspricht, ist bekannt von dem Ort des Mittellinienpunkts, und das Thrombusmittel wird ausgewählt, indem nach einem Mittelwert gesucht wird, der nahe der Mittellinie ist, aber nicht zu dem Lumenmittelwert gehört. Ein Mittelwert wird zurückgewiesen als nicht einen Thrombus repräsentierend, wenn die Anzahl an Voxeln, die zu dem Mittelwert gehören, zu klein ist oder außerhalb eines gelernten Bereichs von plausiblen Thrombusintensitäten fallen.
In Schritt 53 werden die Gewichtungen (Affinitäten) zwischen Nachbarpixeln i und j definiert durch
wobei D_L eine geschätzte Lumenverteilung ist, D_T eine geschätzte Thrombusverteilung und λ die oben definierte Zirkularität ist, und die L Matrix aus den Gewichtungen aufgebaut wird. Man beachte, dass die Ränder, die ein Lumeneck oder Thrombuseck mit einem Nichtlumen- oder Nichtthrombuseck verbinden, eine geringe Gewichtung erhalten.
In Schritt 54 wird der Grundknoten gewählt als der Punkt auf der Mittellinie, der den Schnitt kreuzt, und die entsprechende Reihe und Spalte wird eliminiert aus der im Laplaceschen, um L₀ und d₀ zu bestimmen. Die Gleichung L₀x₀ = d₀ wird gelöst für x₀ in Schritt 55.
In Schritt 56 werden die Potentiale x schwellengewertet mit dem Wert, der Partitionen gibt, die der niedrigsten isoperimetrischen Rate entsprechen. In Schritt 58 schlewennt der Algorithmus zurück zum Wiederholen der Schritte 51 bis 56 für die verbleibenden MPRs. Letztendlich, in Schritt 59, wird das 3D Modell der Aorta gebildet aus der Sequenz von segmentierten MPRs.
Die Binärdefinition von x kann ausgeweitet werden auf reale Zahlen, um L₀x₀ = d₀ in Schritt 55 zu lösen. Folglich, um die Lösung zu konvertieren in eine Partition, wird der Schritt 56 durchgeführt. Die Umwandlung eines Potentialvektors in eine Partition kann erfolgen unter Verwendung eines Schwellenwerts. Ein Schneidewert ist ein Wert a, so dass S = {v_i|x_i ≤ a} und S = {vi|xi > a}. Das Partitionieren von S und S in dieser Weise kann als ein Schneiden bezeichnet werden. Dieses Schwellenwertbetreiben erzeugt eine Partition von dem Potentialvektor x. Man beachte, dass der verbundene Graph L₀ entspricht, der monoton ist, folglich gilt L₀ ^–1 ≥ 0. Dieses Ergebnis impliziert dann, dass x₀ = L₀ ^–1 d₀ ≥ 0. Dann wähle einen Schwellenwert derart, dass die resultierenden Partitionen die niedrigste verfügbare isoperimetrische Rate (die Ausschnittrate) haben.
Die 1(a)–(c) verdeutlichen aufeinanderfolgende Stadien eines Segmentierungsprozesses. Das linke Bild, 1(a) zeigt das Eingangsbild, ein Querschnittsbild einer Aorta, die Thrombose zeigt. Das mittlere Bild, 1(b) zeigt die (kombinierte) Wahrscheinlichkeitsabbildung, dass die Pixel zu der Aorta gehören (worauf die Gewichtungen basieren, also dies ist das Bild, das durch den modwennizierten isoperimetrischen Algorithmus verlaufen ist). Das rechteste Bild, 1(c) zeigt die Segmentierung des Bilds mit einem Anfangsmittelpunkt enthaltend, wo der Spot 11 den Verlauf im Ort der Mittellinie angibt, und der Ring 12 den Ort der resultierenden Segmentierungsgrenze angibt. Man beachte, dass das rechteste Bild eingeweißt ist, um den Kontrast mit der Segmentierung zu verbessern.
Ein Ansatz gemäß einem Ausführungsbeispiel der Erfindung wurde validiert für vier Patienten mit zwei Bildvolumen, die jeweils (Zeitpunkt 1 und Zeitpunkt 2) erfasst wurden sechs Monate bis 1,5 Jahre voneinander beabstandet. Die Patienten wurden abgebildet bei mindestens zwei Schnitten zwischen Februar 2002 bis Dezember 2005 unter Verwendung von 4-Slices (Volumenzoom, Siemens Medical Solutions), 16-Slices (Sensation 16, Siemens) und/oder 64-Slices (Sensation 64, Siemens) CT System. Eine kontrastverbesserte, nicht (torgesteuerte) gegatete Spiraluntersuchung wurde typischerweise verwendet, um die Thoraxaorta in einem einzelnen Atemhalten abzubilden. Nicht überlappende drei Millimeter dicke Schnitte wurden rekonstruiert.
Ein Radiologieexperte hat die Zeitpunkt1-Datensätze manuell reformatiert (über Double Oblique), um Querschnitte zu gewinnen, und die gemessenen Aortendurchmesser verwendeten manuell virtuelle Caliper (Messtaste) an neun Punkten entlang der Aorta. Beide Zeitpunkt1- und Zeitpunkt2-Datensätze wurden in einen Prototyp gemäß einem Ausführungsbeispiel der Erfindung geladen, der diese registriert hat, und eine Mittellinie erzeugt hat. Der Experte scrollt (blättert) durch die automatisch erzeugten Querschnitte bei ungefähr den gleichen Punkten wie zuvor, und hat manuell die Durchmesser gemessen sowie ein Erzeugen von automatischen Durchmessern auf beiden Zeitpunkten. Ein beispielhafter Datensatz für einen Patienten ist in der Tabelle gemäß 2 gezeigt. Ein 3D Modell einer Aorta, die von diesem Patienten konstruiert wurde, unter Verwendung dieser Daten, ist in 3 gezeigt.
Jetzt bezugnehmend auf 2, von links nach rechts, zeigt die erste Spalte, gekennzeichnet mit „Man X/Man Diam" die manuelle Querschnitts/manuelle Durchmessermessung für das Zeitpunkt 1-Bildvolumen. Die zweite Spalte, gekennzeichnet mit „Auto X/Man Diam" zeigt die automatische Querschnitts/manuelle Durchmessermessung für das Zeitpunkt 1-Bildvolumen. Die dritte Spalte, gekennzeichnet mit „Auto X/Auto Diam" zeigt die Autoquerschnitts/Autodurchmessermessung für das Zeitpunkt 1-Bildvolumen. Die letzten zwei Spalten sind ähnlich gekennzeichnet.
Die durchschnittliche Dwennferenz zwischen Man X/Man Diam und Auto X/Man Diam für den Zeitpunkt 1 über alle Patienten hinweg betrug 0,197 +/– 0,152 cm. Die vorzeichenbehaftete Dwennferenz betrug 0,136 +/– 0,209 cm mit dem Man X/Man Diam einen Durchschnitt größer. Dies gibt an, dass das automatische Mittellinienverfahren gemäß einem Ausführungsbeispiel der Erfindung im Durchschnitt besser war beim Finden der orthogonalen Bildebene zu dem Gefäß. Die Messung des Gefäßdurchmessers ist nie kleiner als der wahre orthogonale Querschnitt. Die Dwennferenz über alle Bildvolumen für Auto X/Man Diam und Auto X/Auto Diam betrug 0,342 +/– 0,245 cm. Jedes Bild erforderte 0,52 Editierungen im Schnitt.
Ein Ansatz gemäß einem Ausführungsbeispiel der Erfindung kann Zeit einsparen. Im Durchschnitt benötigt der Radiologieexperte ungefähr 15 Minuten zum Durchführen eines manuellen Doppelschrägabtastens eines einzelnen Datensatzes. Mit einem Prototyp gemäß einem Ausführungsbeispiel der Erfindung war er in der Lage, visuell zu analysieren und Messungen vorzunehmen für zwei Bilderfassungen von dem gleichen Patienten in zehn Minuten, und mit einer vollständigen Abdeckung der Aorta.
Die Punkte, die für den Vergleich durch den Radiologieexperten gewählt wurden, waren oft nahe von Bwennurkationen der Aorta. Diese Bwennurkationspunkte machen es einfacher den gleichen Ort konsistent zu vergleichen, wenn eine manuelle Analyse durchgeführt wird, aber machen eine automatische Segmentierung trickreicher, da die Segmentierung in das Nachbargefäß eingegossen werden kann.
Es ist zu verstehen, dass die vorliegende Erfindung in verschiedenen Formen in Hardware, Software, Firmware, Spezialzweckprozessen oder Kombinationen davon implementiert werden kann. In einem Ausführungsbeispiel kann die vorliegende Erfindung in Software als Anwendungsprogramm implementiert werden, das auf einem computerlesbaren Speichermedium verkörpert ist. Das Anwendungsprogramm kann hochgeladen werden auf eine Maschine und durch diese ausgeführt werden, die irgendeine geeignete Architektur enthält.
6 zeigt ein Blockdiagramm eines beispielhaften Computersystems für das Implementieren eines Verfahrens zum automatischen Segmentieren von Aortenquerschnitten auf Computertomographie-Angiographie Erfassungen, gemäß einem Ausführungsbeispiel der Erfindung. Jetzt bezugnehmend auf 6 kann ein Computersystem 61 zum Implementieren der vorliegenden Erfindung u. a. enthalten: eine zentrale Verarbeitungseinheit (CPU) 62, einen Speicher 63 und eine Eingabe/Ausgabe (I/O)-Schnittstelle 64. Das Computersystem 61 ist allgemein gekoppelt über die I/O-Schnittstelle 64 mit einer Anzeige 65 und mit verschiedenen Eingabevorrichtungen 66, beispielsweise eine Maus und eine Tastatur. Die Unterstützungsschaltungen können Schaltungen enthalten, beispielsweise einen Cachespeicher, Energieversorgungen, Taktschaltungen und Kommunikationsbus. Der Speicher 63 kann ein RAM (Random Access Memory), ein ROM (Reed Only Memory), ein Diskettenlaufwerk, Bandlaufwerk, etc. oder Kombinationen davon enthalten. Die vorliegende Erfindung kann implementiert werden als eine Routine 67, die in dem Speicher 63 gespeichert ist und durch die CPU 62 ausgeführt wird, um das Signal von der Signalquelle 68 zu verarbeiten. Als solches ist das kopierte System 61 ein Allzweckcomputersystem, das zum Spezialzweckcomputersystem wird, wenn die Routine 64 der vorliegenden Erfindung ausgeführt wird.
Das Computersystem 61 enthält auch ein Betriebssystem und Mikroanweisungscode. Die verschiedenen Prozesse und Funktionen, die hier beschrieben wurden, können entweder Teil des Mikroanweisungscodes oder Teil des Anwendungsprogramms (oder Kombination davon) sein, das ausgeführt wird über das Betriebssystem. Zusätzlich können verschiedene andere Peripherievorrichtungen mit der Computerplattform verbunden sein, beispielsweise eine zusätzliche Datenspeichervorrichtung und eine Druckvorrichtung.
Es ist ferner zu verstehen, dass einige der Systemkomponenten und Verfahrensschritte, die in den Figuren gezeigt sind, in Software implementiert werden können, die tatsächlichen Verbindungen zwischen den Systemkomponenten (oder den Prozessschritten) verschieden sein können in Abhängigkeit von der Art und Weise, wie die vorliegende Erfindung programmiert wird. Durch das Geben der Lehren der vorliegenden Erfindung kann ein Fachmann auf diesem Gebiet diese und ähnliche Implementierungen oder Konfigurationen der vorliegenden Erfindung anwenden.
Obwohl die Erfindung im Einzelnen unter Bezugnahme auf ein bevorzugtes Ausführungsbeispiel beschrieben wurde, können Fachleute auf diesem Gebiet verschiedene Modwennikationen und Substitutionen vornehmen, ohne den Bereich der Erfindung, der in den beigefügten Ansprüchen definiert ist, zu verlassen.

Claims

Verfahren zum automatischen Analysieren eines Aortenaneurysma enthaltend die Schritte: Bereitstellen eines digitalisierten dreidimensionalen Bildvolumens einer Aorta, wobei das Bild eine Mehrzahl von Intensitäten enthält, die auf einem 3D Gitter von Voxeln definiert sind; Bestimmen, welche Voxel in dem Bild wahrscheinlich Lumenvoxel sind; Bestimmen einer Distanz der Lumenvoxel von einer Aortengrenze; Finden einer Mittellinie der Aorta in dem Bildvolumen basierend auf den Lumenvoxeldistanzen; Konstruieren einer Serie von zweidimensionalen multiplanaren reformatierten (MFR = Multiplanar Reformated) Bildebenen orthogonal zu dieser Mittellinie; Segmentieren von Aortenquerschnitten in jeder der MPR Bildebene, wobei eine Aortenwand in jedem MPR Bild lokalisiert ist; und Konstruieren eines 3D Modells der Aorta aus den Aortenwandorten.
Verfahren nach Anspruch 1, ferner enthaltend ein Bereitstellen von zwei Eingangsvoxeln in der Aorta, um die Mittellinie zu initialisieren.
Verfahren nach Anspruch 2, bei dem eines der Voxel nahe der Basis zu der Aorta ist, und das andere Voxel nahe der Iliakalbwennurkation ist.
Verfahren nach einem der Ansprüche 1 bis 3, bei dem das Bestimmen, welche Voxel wahrscheinlich Lumenvoxel sind, ein Berechnen eines Histogramms unter Verwendung einer Gaußschen Schätzfunktion für eine Verteilung der Intensitäten nahe jedes Eingangsvoxels enthält, und ein Schwellenwerten jedes Volumenvoxels mit einer Wahrscheinlichkeit der Zugehörigkeit zu dem Aortenvolumen.
Verfahren nach einem der Ansprüche 2 bis 4, wobei das Finden einer Mittellinie der Aorta ein Bilden eines Pfads zwischen den Eingangsvoxeln von denjenigen Lumenvoxeln mit einem größten Abstand von der Aortengrenze enthält.
Verfahren nach einem der Ansprüche 1 bis 5, ferner enthaltend ein Glätten der Mittellinie.
Verfahren nach einem der Ansprüche 1 bis 6, wobei das Segmentieren der Aortenquerschnitte in den MPR Bildebenen ein Auffinden einer Bildpartition S, S enthält, die eine isoperimetrische Rate eines Querschnitts der Aorta und deren Grenze minimiert.
Verfahren nach Anspruch 7, wobei das Minimieren der isoperimetrischen Rate ein Darstellen der Lumenintensitäten durch eine Laplace Matrix L enthält, deren Einträge definiert sind durch Voxel i, j, durch Darstellen der Lumenintensitäten durch eine Laplace Matrix L, deren Einträge definiert sind durch die Voxel i, j durch
wobei e_ij Randverbindungsnachbarvoxel i, j darstellt, w(e_ij) eine Gewichtung für den Rand e_ij ist, definiert durch
wobei D_L die geschätzte Lamenverteilung ist, D_T die geschätzte Thrombusverteilung ist, d_i ein Grad des Voxels i ist, der definiert wird durch das Aufsummieren der Gewichtungen der Ränder, die den Voxel verbinden, und Minimieren einer Kostenfunktion
wobei d ein Vektor der Voxelgrade ist, x ist eine Teilindikatorfunktion ist, die definiert ist durch
U gibt eine Laplace Matrix mit gleichmäßigen Gewichtungen an, u stellt den Vektor von Graden für einen Graphen mit gleichförmigen Gewichtungen dar, und γ ist ein Rundheitsparameter.
Verfahren nach Anspruch 8, wobei das Minimieren der Kostenfunktion ein Auswählen eines Knotens enthält entsprechend der Kreuzung der Mittellinie mit dem MPR als Grundvoxel v_g, Eliminieren der Reihe/Spalte entsprechend dem v_g, um einen reduzierten Laplace Vektor und Gradvektor L₀d₀ zu bilden, Lösen von L₀x₀ = d₀ für x₀, wobei x erlaubt wird irgendeinen realen Wert anzunehmen, und Schwellenwerten des Teilindikators x bei einem Wert, der eine Partition ergibt, die einem niedrigsten isoperimetrischen Verhältnis (Rate) entspricht.
Verfahren nach einem der Ansprüche 1 bis 9, ferner enthaltend ein Trennen von Lumenvoxeln und Thrombusvoxeln von Hintergrundvoxeln unter Verwendung eines K-Means Verfahrens.
Verfahren zum automatischen Analysieren eines Aortenaneurysma enthaltend die Schritte Bereitstellen eines digitalisierten dreidimensionalen Bildvolumens einer Aorta, wobei das Bild eine Mehrzahl von Intensitäten enthält, die definiert sind auf einem 3D Gitter von Voxeln; Finden einer Mittellinie der Aorta in dem Bildvolumen; Konstruieren einer Serie von zweidimensionalen multiplanaren reformatierten (MFR) Bildebenen orthogonal zu dieser Mittellinie; Separieren von Aortenlumenvoxeln und Thrombusvoxeln von Hintergrundvoxeln unter Verwendung eines K-Means Verfahrens; Segmentieren von Aortenquerschnitten in jeder der MPR Bildebene durch Finden einer Bildpartition S, S, die eine isoperimetrische Rate eines Kreisquerschnitts der Aorta und deren Grenze minimiert, wobei eine Aortenwand lokalisiert ist in jedem MPR Bild; und Konstruieren eines 3D Modells der Aorta aus den Aortenwandorten.
Verfahren nach Anspruch 11, wobei das Finden der Aortenmittellinie enthält: Bereitstellen von zwei Eingangsvoxeln in die Aorta, um die Mittellinie zu initialisieren; Berechnen eines Histogramms unter Verwendung einer Gaußschen Schätzfunktion über die Verteilung von Intensitäten nahe jedes Eingangsvoxels; Schwellenwerten jedes Volumenvoxels mit einer Wahrscheinlichkeit der Zugehörigkeit zu dem Aortenlumen, wobei die Lumenvoxel identwenniziert werden; Bestimmen eines Abstands der Lumenvoxel von einer Aortengrenze; und Bilden eines Pfads zwischen den Eingangsvoxeln von denjenigen Lumenvoxeln mit dem größten Abstand von der Aortengrenze, wobei der Pfad eine Mittellinie bildet.
Programmspeichervorrichtung, die durch einen Computer lesbar ist, verkörpernd ein Programm von Anweisungen, die durch den Computer ausführbar sind, um die Verfahrensschritte für das automatische Analysieren eines Aortenaneurysma durchzuführen, enthaltend die Schritte: Bereitstellen eines digitalisierten dreidimensionalen Bildvolumens einer Aorta, wobei das Bild eine Mehrzahl von Intensitäten enthält, die definiert sind auf einem 3D Gitter von Voxeln; Bestimmen, welche Voxel in dem Bild wahrscheinlich Lumenvoxel sind; Bestimmen eines Abstands der Lumenvoxel von einer Aortengrenze; Finden einer Mittellinie der Aorta in dem Bildvolumen basierend auf den Lumenvoxelabständen; Konstruieren einer Serie von zweidimensionalen multiplanaren reformatierten (MFR) Bildebenen orthogonal zu dieser Mittellinie; Segmentieren von Aortenquerschnitten in jeder der MPR Bildebene, wobei eine Aortenwand in jedem MPR Bild lokalisiert wird; und Konstruieren eines 3D Modells der Aorta aus den Aortenwandorten.
Computerlesbare Programmspeichervorrichtung nach Anspruch 13, wobei das Verfahren ferner ein Bereitstellen von zwei Eingangsvoxeln in der Aorta enthält, um die Mittellinie zu initialisieren.
Computerlesbare Programmspeichervorrichtung nach Anspruch 14, wobei eines der Voxel nahe der Basis der Aorta ist, und das andere Voxel nahe der Iliakalbwennurkation ist.
Computerlesbare Programmspeichervorrichtung nach Anspruch 14 oder 15, wobei das Bestimmen, welche Voxel wahrscheinlich Lumenvoxel sind, ein Berechnen eines Histogramms enthält unter Verwendung einer Gaußschen Schätzfunktion bezüglich einer Verteilung der Intensitäten nahe jedes Eingangsvoxels, und ein Schwellenwerten jedes Volumenvoxels mit einer Wahrscheinlichkeit der Zugehörigkeit zu dem Aortenlumen.
Computerlesbare Programmspeichervorrichtung nach einem der Ansprüche 14 bis 16, wobei das Finden einer Mittellinie der Aorta ein Bilden eines Pfads enthält zwischen den Eingangsvoxeln von denjenigen Lumenvoxeln mit dem größten Abstand von der Aortengrenze.
Computerlesbare Programmspeichervorrichtung nach einem der Ansprüche 13 bis 17, wobei das Verfahren ferner ein Glätten der Mittellinie enthält.
Computerlesbare Programmspeichervorrichtung nach einem der Ansprüche 13 bis 18, wobei das Segmentieren der Aortenquerschnitte in den MPR Bildebenen ein Finden einer Bildpartition S, S enthält, die eine isoperimetrische Rate eines Querschnitts der Aorta und deren Grenze minimiert.
Computerlesbare Programmspeichervorrichtung nach Anspruch 19, wobei das Minimieren der isoperimetrischen Rate ein Darstellen der Lumenintensitäten durch eine Laplace Matrix L enthält, deren Einträge definiert sind durch Voxel i, j, durch Darstellen der Lumenintensitäten durch eine Laplace Matrix L, deren Einträge definiert sind durch Voxel i, j durch
wobei e_ij Randverbindungsnachbarvoxel i, j darstellt, w(e_ij) eine Gewichtung für den Rand e_ij ist, definiert durch
wobei D_L eine geschätzte Lumenverteilung ist, D_T die geschätzte Thrombusverteilung ist, d_i ein Grad des Voxels i ist, definiert durch das Summieren der Gewichtungen der Ränder, die das Voxel verbinden, und Minimieren einer Kostenfunktion
wobei d ein Vektor der Voxelgrade ist, x eine Partitionsindikatorfunktion ist, die definiert ist durch
U eine Laplace Matrix mit gleichmäßigen Gewichtungen angibt, u den Vektor der Grade für einen Graphen mit gleichmäßigen Gewichtungen angibt, und γ ein Rundheitsparameter ist.
Computerlesbare Programmspeichervorrichtung nach Anspruch 20, wobei das Minimieren der Kostenfunktion ein Auswählen eines Knotens als ein Grundvoxel v_g enthält, der einer Kreuzung der Mittellinie mit der MPR entspricht, Eliminieren der Reihe/Spalte, die dem v_g entspricht, um einen reduzierten Laplacevektor und Gradvektor L₀d₀ zu erzeugen, Lösen von L₀x₀ = d₀ für x₀, wobei x erlaubt wird irgendeinen realen Wert anzunehmen, und Schwellenwerten des Partitionsindikators x bei einem Wert, der eine Partition liefert entsprechend einem niedrigsten isoperimetrischen Verhältnis (Rate).
Computerlesbare Programmspeichervorrichtung nach einem der Ansprüche 13 bis 21, wobei das Verfahren ferner ein Trennen von Lumenvoxeln und Thrombusvoxeln von Hintergrundvoxeln enthält unter Verwendung eines K-Means Verfahrens.