DE102007018763B9

DE102007018763B9 - Verfahren zur Arterien-Venen-Bildseparation in Blutpoolkontrastmitteln

Info

Publication number: DE102007018763B9
Application number: DE102007018763A
Authority: DE
Inventors: Huseyin Tek
Original assignee: Siemens Medical Solutions USA Inc
Current assignee: Siemens Medical Solutions USA Inc
Priority date: 2006-04-21
Filing date: 2007-04-20
Publication date: 2012-07-12
Anticipated expiration: 2027-04-21
Also published as: US20070249912A1; DE102007018763B4; DE102007018763A1

Abstract

Ein Verfahren zum Segmentieren und Separieren von Arterien und Venen in Blutpoolkontrastmitteln (MRA). Speziell werden Arterien und Venen genau segmentiert durch einen Algorithmus, der Lokalgefäßmodelle, diskrete Mittellinienmodelle und eine geordnete statistische Frontausbreitung kombiniert, um genaue Segmentierungsergebnisse zu erzeugen mit minimalem Ausmaß eines nicht vaskulären Einschlusses. Die Trennung von Arterien und Venen wird gewonnen durch Einarbeiten von Mittellinienmodellen in abstandsbasierte Watershed Transformationen.

Description

Diese Erfindung betrifft allgemein medizinische Diagnostiken und spezieller die Bestimmung von Blutgefäßgrenzen in einem medizinischen Bild (also eine Gefäßsegmentierung). Die Erfindung betrifft auch das Segmentieren von Blutgefäßen aus Venengefäßen.
Wie gemäß dem Stand der Technik bekannt ist, müssen Mediziner oft die Gefäße eines Patienten (beispielsweise Blutgefäße) untersuchen, um ein Problem eines Patienten zu diagnostizieren. Um ein Gefäß zu erhellen, so dass der Mediziner das Gefäß untersuchen kann, konsumiert (beispielsweise trinkt) ein Patient ein kontrastverbesserndes Mittel. Das kontrastverbessernde Mittel erhellt ein oder mehrere Gefäße relativ zu dem umgebenden Bereich.
Das Hauptziel der Mehrheit von einer kontrastverbessernden (CE) Magnetresonanzangiographie (MRA) und Computertomographieangiographie (CTA) ist die Diagnose und die qualitative oder quantitative Beurteilung der Pathologie in einem zirkulierenden System. Sobald der Ort der Pathologie bestimmt ist, können quantitative Messungen auf den zweidimensionalen Originalschnittdaten gemacht werden, oder allgemeiner auf zweidimensionalen MPR (Multiplanarreformat) Bildern, die an benutzerausgewählten Positionen und Orientierungen erzeugt werden. Bei der Quantifizierung von Stenose ist es oft wünschenswert, ein Bereichs/Radius-Querschnittsprofil eines Gefäßes zu erzeugen, so dass man die pathologischen Regionen mit den gesunden Regionen des gleichen Gefäßes vergleichen kann.
Die genaue und robuste Detektion von Gefäßgrenzen (also die Gefäßsegmentierung) ist traditionell eine herausfordernde Aufgabe. Speziell muss ein Gefäßgrenzdetektionsalgorithmus genau und robust sein, so dass der Algorithmus verwendet werden kann, um Gefäßgrenzen auf vielen Typen von medizinischen Bildern genau zu detektieren. Wenn der Gefäßgrenzdetektionsalgorithmus ungenau ist (selbst bei einer kleinen Anzahl an Fällen), kann ein Mediziner (beispielsweise ein Radiologe), der sich auf die Ausgabe des Computers verlässt, eine falsche Diagnose für den Patienten stellen.
Es gibt viele Gründe warum eine genaue und robuste Detektion von Gefäßgrenzen eine herausfordernde Aufgabe ist. Erstens bildet das Vorhandensein von signifikanten Rauschpegeln in Computertomographie (CT) und Magnetresonanz (MR) Bildern oft starke Ränder (also Änderungen der Intensität zwischen Datenpunkten) innerhalb von Gefäßen. Zweitens kann die Größe eines Gefäßes von einem Gefäßort zu einem anderen variieren, was zusätzliche Ränder zur Folge hat. Drittens kann das Intensitätsprofil einer Gefäßgrenze auf einer Seite verbreitet sein, während es auf den anderen Seiten flach ist (beispielsweise aufgrund des Vorhandensein anderer Gefäße oder Hochkontraststrukturen). Viertens weicht durch das Vorhandensein von vaskulären Pathologien, beispielsweise verkalktes Plaque, die Form einer Gefäßquerschnittsgrenze oft lokal von einer Kreisform ab. Dies alles resultiert in zusätzlichen Rändern, die eine genaue Bestimmung einer Gefäßgrenze beeinträchtigen können.
Es gibt eine Vielzahl von Techniken, die verwendet werden, um die obigen Herausforderungen zu bewältigen. Beispielsweise muss ein Mediziner die Grenze eines Gefäßes schätzen unter Verwendung von computerunterstützten Zeichenprogrammen. Dies ist ein ungenauer Prozess, weil die Schätzung der Grenze von der tatsächlichen Grenze stark abweichen kann.
Ein anderes Beispiel ist ein „Schnecken”-Modell zum Segmentieren von Gefäßgrenzen in Ebenen senkrecht zu der Gefäßmittellinie. Das „Schnecken”-Modell „fügt” traditionell eine Röhre mit einem kleineren Durchmesser als das Gefäß in eine Darstellung des Gefäßes ein, und verwendet dann Parameter, um die Röhre zu veranlassen, sich zu erweitern bis die Wände des Gefäßes erreicht werden. Die Auswahl der Parameter wird jedoch oft am Anfang geschätzt. Eine ungenaue Auswahl von einem oder von mehreren Parametern kann eine Röhre zur Folge haben, die sich jenseits der tatsächlichen Gefäßgrenze erweitert. Folglich liefert das „Schnecken”-Modell nicht immer genaue Ergebnisse.
Ein anderer Versuch die obengenannten Herausforderungen zu bewältigen ist ein Strahlausbreitungsverfahren. Dieses Verfahren basiert auf Intensitätsgradienten für die Segmentierung von Gefäßen und einer Detektion ihrer Mittellinie. Die Verwendung der Gradientenstärke ist jedoch oft nicht ausreichend für eine robuste Segmentierung.
Ein anderer Ansatz zum Lösen des obengenannten Problems basiert auf einer expliziten Frontausbreitung über Normalvektoren, die dann Glättungsbedingungen mit einem Mittelwertschiebungsfiltern kombinieren. Speziell wurde eine Kurvenentwicklungsgleichung d(C, s) / dt = S(x, y){N →} bestimmt für die Gefäßgrenzen, wobei C(s, t) eine Kontur ist, S(x, y) die Geschwindigkeit der sich entwickelten Kontur ist, und {N →} der Vektor normal zu C(s, t) ist. Bei diesem Ansatz wird die Kontur C(x, t) abgetastet und der Entwicklung jeder Abtastung wird zeitlich gefolgt, indem die Kurvenentwicklungsgleichung in Vektorform neu geschrieben wird. Die Geschwindigkeit von Strahlen S(x, y) hängt ab von der Bildinformation und Vorform. S(x, y) = S_0(x,y) + βS_1(x,y) wurde vorgeschlagen, wobei S_0(x,y) Bilddiskontinuitäten misst, S_1(x,y) Vorformen darstellt, und β diese zwei Terme ausgleicht. Die Bilddiskontinuitäten werden detektiert über eine Mittelwertverschiebungsanalyse entlang der Strahlen. Die Mittelwertverschiebungsanalyse, die in dem verbundenen Raum-Bereich-Domain arbeitet, wobei der Raum des zweidimensionalen Gitternetzes den Raumbereich darstellt und der Raum von Intensitätswerten den Bereichsraum darstellt, wird oft verwendet für ein robustes Detektieren von Objektgrenzen in Bildern. Dieser Ansatz ist oft wirkungsvoll, wenn Gefäßgrenzen gut isoliert sind. Es ist jedoch oft schwierig, die Parameter wie Raum, Bereichskernelfiltergrößen und/oder die Größe von Glättungsbedingungen für die robuste Segmentierung von Gefäßen zu schätzen. Speziell reicht die Verwendung einer einzelnen räumlichen Skala und einer Krümmung basierend auf den Glättungsbedingungen typischerweise nicht aus für genaue Ergebnisse, wenn die Gefäße nicht sehr gut isoliert sind.
Folglich ist die Separierung von Arterien und Venen in Blutpoolkontrastmitteln (MRA) eine schwierige Aufgabe. Speziell sind spezielle Typen von Gefäßsegmentierungsalgorithmen erforderlich für dieses Problem, weil Arterien und Venen oft einander berühren aufgrund von Teilvolumeneffekten, und eine signifikante Größe von hellem Gewebe/Strukturen ist in diesen blutpoolkontrastverbesserten (CE) MRA Daten vorhanden. Es sind verschiedene Algorithmen vorgeschlagen worden für das Arterien-Venen-Separierungsproblem. Siehe auch: T. Lei, J. K. Udupa, P. K., S. PK und D. Odhner. Arterien-Venen-Separation über MRA – ein Bildverarbeitungsansatz. IEEE Trans. Medicial Imaging, 20(8): 689–703, 2001; R. M. Stefancik und M. Sonka. Highly Automated Segmentation Of Arterial And Venous Trees from Three-Dimensional Magnetic Resonance Angiography (MRA). Int. J. of Cardiac Imaging, 17(1): 37–47, 2001; und C. M. van Bemmel, L. J. Spreeuwers, M. A. Viergever und W. J. Niessen. Level-Set-Based Artery-Vein Separation In Blood Pool Agent CE MR Angiograms. IEEE Trans. on Medical Imaging, 22(10): 1224–11234, 2003.
T. Deschamps L. Cohan: „Fast extraction of minimal paths in 3D images and applications to virtual endoscopy”; Elsevier 2001; Medical Image Analysis 1 (2001) offenbart eine schnelle Extraktion von minimalen Pfaden für Bewegungsabläufe bei der virtuellen Endoskopie in medizinischen 3D Bildern.
Gemäß der vorliegenden Erfindung wird ein Verfahren geschaffen zur Arteriensegmentierung aus einem Hintergrund in einem Patienten. Das Verfahren enthält: Durchführen eines Modellierens eines lokalen Gefäßes eines Patienten; Anwenden von diskreten Mittellinienmodellen für das modellierte lokale Gefäß; Erzeugen einer geordneten statistischen Frontausbreitung auf den diskreten Mittellinienmodellen; und Erzeugen von Arterien und Venen aus der Erzeugung der geordneten statistischen Frontausbreitung, die auf den diskreten Mittellinienmodellen erzeugt wird.
In einem Ausführungsbeispiel enthält das Verfahren ein Separieren in den erzeugten Arterien und Venen, der Arterien von den Venen unter Verwendung von Mittellinienmodellen für distanzbasierte Watershed Transformationen (Wasserscheidentransformationen).
Gemäß einem anderen Merkmal der Erfindung wird ein Verfahren bereitgestellt für die Arteriensegmentierung aus dem Hintergrund in einem Patienten. Das Verfahren enthält Lokalgefäßmodellieren, diskrete Mittellinienmodelle; und geordnete statistische Frontausbreitung. Als nächstes trennt das Verfahren Arterien und Venen unter Verwendung der Mittellinienmodelle für die distanzbasierten Watershed Transformationen.
In einem Ausführungsbeispiel enthalten das Lokalgefäßmodellieren; diskrete Mittellinienmodelle; und die geordnete statistische Frontausbreitung ein Teilgefäßsegmentieren und eine geordnete Frontausbreitung.
In einem Ausführungsbeispiel enthält die Teilgefäßsegmentierung: Segmentieren der Gefäße unter Verwendung eines Lokalgefäßmodellierens; und Entwickeln einer statistischen Frontausbreitung und eines Modellierens von dem Lokalgefäßmodellieren.
In einem Ausführungsbeispiel enthält das Segmentieren der Gefäße unter Verwendung des Lokalgefäßmodellierens: Platzieren von Ausgangspunkten auf einem Bild eines Bereichs des Patienten.
In einem Ausführungsbeispiel enthält das Entwickeln einer statistischen Frontausbreitung und das Modellieren von dem Lokalgefäßmodellieren für jeden Ausgangspunkt: Lokales Schätzen von einer Gefäßstatistik und umgebenden Hintergrundstatistik durch Berechnen von Gefäßorthogonalebenen und entsprechenden Querschnittsgrenzen; und Segmentieren von Gefäßen in einem begrenzten Bereich teilweise basiert auf einem Frontausbreitungsalgorithmus unter Verwendung der lokal geschätzten Statistiken.
In einem Ausführungsbeispiel enthält das Verfahren ein Verwenden einer geordneten Frontausbreitung mit einem Anwenden eines diskreten Mittellinienmodellierens unter Verwendung der entwickelten statistischen Frontausbreitung und ein Modellieren enthaltend ein erneutes Schätzen von Gefäßstatistiken unter Verwendung diskreter Fronten und einem Oberflächenfüllen.
In einem Ausführungsbeispiel enthält die geordnete Frontausbreitung ein Anwenden eines diskreten Mittellinienmodellierens unter Verwendung der entwickelten statistischen Frontausbreitung und Modellierung enthaltend ein Neuschätzen von Gefäßstatistiken unter Verwendung von diskreten Fronten und einem Oberflächenfüllen gefolgt durch ein Bestimmen eines Maßes an Genauigkeit jeder Front unter Verwendung eines diskreten Mittellinienmodells, das gewonnen wird durch eine Minimumwegdetektion, die eine Distanzkarte (Abbildung) benutzt, und Neustarten einer Teilsegmentierung von der Front mit dem sichersten Maß, das das korrekte Gefäß darstellt.
In einem Ausführungsbeispiel führt das Verfahren iterativ eine Teilsegmentierung und eine geordnete Frontausbreitung durch, um Arterien und Venengefäße unabhängig zu segmentieren; die Arterien- und Venengefäße haben jeweils eine separate Arterien- und Venengefäßabbildung.
In einem Ausführungsbeispiel kombiniert das Verfahren die unabhängig segmentierten Arterien und Venengefäßabbildungen in eine einzelne Abbildung. Die Arterien und Venengefäße in der einzelnen Abbildung werden dann getrennt durch eine distanzbasierte Watershed Transformierung unter Verwendung von diskreten Mittellinienmodellen zwischen Ausgangspunkten, die als Marker für die Watershed Transformierungen verwendet werden.
Gemäß der vorliegenden Erfindung wird ein Verfahren geschaffen zur Arteriensegmentierung aus einem Hintergrund in einem Patienten enthaltend: Segmentieren der Gefäße unter Verwendung von Lokalgefäßmodellieren; Entwickeln einer statistischen Frontausbreitung und Modellieren von der Lokalgefäßmodellierung; und Verwenden eines diskreten Mittellinienmodellierens.
Gemäß einem anderen Merkmal der Erfindung wird ein Verfahren geschaffen für eine Arteriensegmentierung aus dem Hintergrund in einem Patienten. Das Verfahren enthält ein Lokalgefäßmodellieren; diskrete Mittellinienmodelle; und eine geordnete statistische Frontausbreitung. Die Separierung (Trennung) von Arterien und Venen wird erhalten unter Verwendung der Mittellinienmodelle für abstandsbasierte Watershed Transformationen.
In einem Ausführungsbeispiel enthält das Segmentieren der Gefäße unter Verwendung der Lokalgefäßmodellierung: Platzieren von Ausgangspunkten auf einem Bild eines Bereichs des Patienten.
In einem Ausführungsbeispiel enthalten das Entwickeln einer statistischen Frontausbreitung und das Modellieren von der Lokalgefäßmodellierung für jeden Ausgangspunkt: Lokales Schätzen einer Gefäßstatistik und von umgebender Hintergrundstatistik durch Berechnen von Gefäßorthogonalebenen und entsprechenden Querschnittsgrenzen; Segmentieren von Gefäßen in einem begrenzten Bereich teilweise basierend auf einem Frontausbreitungsalgorithmus unter Verwendung der geschätzten Statistiken.
In einem Ausführungsbeispiel enthält das diskrete Mittellinienmodellieren ein Neuschätzen von Gefäßstatistiken unter Verwendung von diskreten Fronten und einem Oberflächenfüllen.
In einem Ausführungsbeispiel bestimmt das Verfahren ein Maß an Genauigkeit jeder Front unter Verwendung eines diskreten Mittellinienmodells, das gewonnen wird durch eine Minimumwegdetektion, die eine Distanzabbildung verwendet und ein Neustarten einer Teilsegmentierung von der Front mit dem sichersten Maß, das das korrekte Gefäß darstellt. Der Prozess führt iterativ den Teilsegmentierungsprozess durch, um Arterien- und Venengefäße unabhängig zu segmentieren; die Arterien- und Venengefäße haben jeweils eine getrennte Arterien- und Venengefäßabbildung.
In einem Ausführungsbeispiel kombiniert das Verfahren die unabhängig segmentierten Arterien und Venengefäße in einzelne Abbildung. Die Arterien und Venengefäße in der einzelnen Abbildung werden dann getrennt durch eine abstandsbasierte Watershed Transformation unter Verwendung von diskreten Mittellinienmodellen zwischen Ausgangspunkten, die als Marker für die Watershed Transformation verwendet werden.
Durch Neustarten der Teilsegmentierung von der Front aus, die das sicherste Maß für die Darstellung des korrekten Gefäßes hat, erfolgt eine minimale Segmentierung von nicht vaskulären hellen Strukturen, da sie oft nicht röhrenförmige Mittellinienmodelle bilden. Die Ausbreitung von Fronten wird gestoppt, wenn die vorbestimmte Topologie zwischen den Ausgangspunkten gebildet ist, oder wenn es keine gültigen Fronten gibt. Dieser iterative Teilsegmentierungsprozess wird unabhängig auf die Segmentierung von Arterien und Venen angewendet.
Ferner, anstatt der Verwendung von Ausgangspunkten in der Watershed Transformation werden diskrete Mittellinienmodelle zwischen den Ausgangspunkten als Marker verwendet für die Watershed Transformationen für eine verbesserte Genauigkeit.
Das Verfahren erzeugt Segmentierungsergebnisse mit hoher Genauigkeit. Speziell erlaubt die lokale Schätzung von Gefäßintensitätsstatistiken über Gefäßmodelle eine gute Gefäßgrenzdeklination. Zusätzlich sind ein minimales Ausmaß von nicht vaskulären Strukturen in den Ergebnissen vorhanden aufgrund der Verwendung von lokalen Mittellinienmodellen während des Segmentierungsprozesses. Darüber hinaus erlaubt das Teilsegmentieren und das Modellieren ein Segmentieren von Gefäßen mit signifikanten Kontraständerungen zwischen ihnen. Die Separation von segmentierten Arterien und Venen über abstandsbasierte Watershed Transformationen über die Mittellinie erzeugt sehr genaue Ergebnisse, selbst wenn die Arterien und Venen an vielen Orten sich berühren.
Einzelheiten von einem oder von mehreren Ausführungsbeispielen der Erfindung werden in den beigefügten Zeichnungen darstellt und im Folgenden beschrieben. Andere Merkmale, Aufgaben und Vorteile der Erfindung werden durch die folgende Beschreibung und die Zeichnungen und aus den Ansprüchen deutlich.
1 zeigt ein Flussdiagramm eines Verfahrens zur Arteriensegmentierung aus dem Hintergrund in einem Patienten gemäß der Erfindung;
2(a)–2(e) verdeutlichen einen Querschnittsgrenzextraktionsalgorithmus Schritt für Schritt für CE-MRA Daten, der in dem Verfahren gemäß 1 verwendet wird; 2(a) zeigt Multiskalarränder detektiert entlang 1D Strahlen, 2(b) zeigt korrekte Ränder nach einer Beseitigung inkorrekter Ränder, 2(c) zeigt eine markante Randauswahl, 2(d) zeigt Kurvensegmente, die von einem Lokalrandgruppierungsalgorithmus gewonnen werden, und 2(e) zeigt eine Gefäßgrenze, die aus einer elliptischen Einpassung gewonnen wird;
3(a)–3(c) verdeutlichen ein Mean-Shift Filtern eines typischen Rands; 3(a) zeigt das Originalintensitätsprofil; 3(b) zeigt Versetzungsvektoren, wobei die Divergenz der Versetzungsvektoren dem Ort des Rands entspricht; und 3(c) zeigt eine geglättete Intensität und die Originalintensität zusammen und die zwei Lokalmodi der Intensität (Konvergenzpunkte) um den Rand;
4 verdeutlicht ein Beispiel, bei dem die Umgebung eines Ausgangspunkts durch das Verfahren gemäß der Erfindung segmentiert wird; spezieller verdeutlicht 4 Teilgefäßsegmentierungsergebnisse (GRÜN gekennzeichnet) von einem Ausgangspunkt und entsprechende diskrete Fronten (ROT markiert);
5 verdeutlicht die diskreten Linienmodelle (BLAU markiert) zwischen Ausgangspunkten und diskreten Fronten (ROT markiert), spezieller verdeutlicht 5 die diskrete Mittellinie (BLAU markiert) zwischen der Quelle und jeder diskreten Front. Da diese verbundenen Mittellinien in 3D sind, können sie unterbrochen in einer 2D Visualisierung erscheinen. Darüber hinaus sind die Mittellinien zur besseren Visualisierung geweitet;
6(a)–6(f) verdeutlichen die Ergebnisse des Arterien-Venen-Separationsalgorithmus gemäß der Erfindung für zwei unterschiedliche MRA Datensätze; 6(a) und 7(d) zeigen die Arterien (ROT markiert) und die Venen (BLAU markiert) verdeutlicht in einer Volumenwiedergabe (VR) Visualisierung; die 6(b) und 6(e) zeigen eine Venenabbildung; und die 6(c) und 6(f) zeigen eine Arterienabbildung;
7 zeigt ein schematisches Diagramm eines Computers, der konfiguriert ist zur Durchführung des Verfahrens gemäß der Erfindung; und
8(a) und 8(b) zeigen eine Ebene, die durch ein Gefäß verläuft, mit einer derartigen Ebene, die dort hindurch orthogonal zu der Mittellinie des Gefäßes verläuft.
Gleiche Bezugszeichen kennzeichnen in den verschiedenen Ansichten die gleichen Elemente.
Bezugnehmend auf 1 ist ein Flussdiagramm eines Verfahrens für die Arteriensegmentierung aus einem Hintergrund in einem Patienten gezeigt. Das Verfahren enthält: ein Lokalgefäßmodellieren; diskrete Mittellinienmodelle; und eine geordnete statistische Frontausbreitung, Schritt 102. Als nächstes trennt das Verfahren Arterien und Venen unter Verwendung der Mittellinienmodelle für distanzbasierte Watershed Transformationen, Schritt 104.
Spezieller, Lokalgefäßmodellieren; diskrete Mittellinienmodelle und geordnete statistische Frontausbreitung, Schritt 102 enthält eine Teilgefäßsegmentierung, Schritt 102A und geordnete Frontausbreitung, Schritt 102B.
Die Teilgefäßsegmentierung, Schritt 102A enthält: Segmentieren der Gefäße unter Verwendung eines Lokalgefäßmodellierens, Schritt 102 ₁; und Entwickeln einer statistischen Frontausbreitung und Modellieren von dem Lokalgefäßmodellieren, Schritt 102 ₂. Das Segmentieren der Gefäße unter Verwendung des Lokalgefäßmodellierens (Schritt 102 ₁) enthält: Platzieren von Ausgangspunkten auf einem Bild eines Bereichs des Patienten. Das Entwickeln einer statistischen Frontausbreitung und das Modellieren von dem Lokalgefäßmodellieren für jeden Ausgangspunkt (Schritt 102 ₂) enthalte lokales Schätzen einer Gefäßstatistik und umgebende Hintergrundstatistik durch Berechnen von Gefäßorthogonalebenen und entsprechenden Querschnittsgrenzen; und Segmentieren von Gefäßen in einem begrenzten Bereich teilweise basierend auf einem Frontausbreitungsalgorithmus unter Verwendung der geschätzten Statistiken.
Als nächstes verwendet das Verfahren eine geordnete Frontausbreitung; Schritt 102B unter Verwendung eines diskreten Mittellinienmodellierens enthaltend ein Neuschätzen von Gefäßstatistiken unter Verwendung von diskreten Fronten und Oberflächenfüllen. Spezieller enthält die geordnete Frontausbreitung, Schritt 102B ein Anwenden eines diskreten Mittellinienmodellierens unter Verwendung der entwickelten statistischen Frontausbreitung und des Modellierens enthaltend ein Neuschätzen von Gefäßstatistiken unter Verwendung diskreter Fronten und Oberflächenfüllen, Schritt 102 ₃. Als nächstes bestimmt das Verfahren ein Genauigkeitsmaß für jede Front unter Verwendung eines diskreten Mittellinienmodells, das gewonnen wird durch eine Minimalwegdetektion, die eine Distanzabbildung und ein Neustarten einer Teilsegmentierung verwendet von der Front mit dem höchsten Sicherheitsmaß, das das korrekte Gefäß darstellt, Schritt 102 ₄. Der Prozess führt iterativ den Teilsegmentierungsprozess (also die Schritte 102 ₁–102 ₂) und die Schritte 102 ₃–102 ₄ des geordneten Frontausbreitungsprozesses durch, um Arterien und Venengefäße unabhängig zu segmentieren; die Arterien- und Venengefäße haben jeweils eine separate Arterien- und Venengefäßabbildung, Schritt 102 ₅.
In Schritt 104 kombiniert das Verfahren die unabhängigen segmentierten Arterien- und Venengefäßabbildungen in eine einzelne Abbildung, Schritt 104 ₁. Die Arterien und Venengefäße in der Einzelabbildung werden dann getrennt durch eine abstandsbasierte Watershed Transformation unter Verwendung diskreter Mittellinienmodelle zwischen Ausgangspunkten, die als Markierungen für die Watershed Transformationen verwendet werden, Schritt 104 ₂.
Teilgefäßsegmentierung, Schritt 102A
Hier platziert der Radiologe oder ein Benutzer Ausgangspunkte auf einem Bild von einem Bereich des Patienten; für jeden Ausgangspunkt schätzt der Prozess eine lokale Gefäßstatistik und umgebende Hintergrundstatistik durch Berechnen von Gefäßorthoganalebenen und entsprechenden Querschnittsgrenzen, Schritt 102 ₁.
Die lokale Hintergrund/Vordergrund-Separation kann genau gebildet werden, wenn die Parameter der Normalverteilung korrekt geschätzt werden. Das Verfahren verwendet geometrische röhrenförmige Modelle, um diese Parameter zu schätzen (kurz Bezug genommen wird auf die 8A und 8B, die eine Orthogonalebene 800 und entsprechende Querschnittsgrenzen 802 eines Gefäßes 804 zeigen. Man beachte, dass die Ebene 800 orthogonal zu der Mittellinie 806 des Gefäßes 804 ist.). Für einen gegebenen Punkt innerhalb eines Gewebes wird speziell zuerst die Richtung des Gefäßes bestimmt von einer Eigenwertanalyse der Hessian-Matrix, und zweitens wird die entsprechende Gefäßquerschnittsgrenze berechnet. Die Verteilungsparameter, die das Gefäß und dessen unmittelbare Umgebung beschreiben, können einfach gewonnen werden aus dieser 2D Segmentierung.
Der beliebteste Ansatz zum Berechnen eines gefäßspezifischen Koordinatensystems basiert auf der Eigenwertanalyse der Häthienmatrix, beispielsweise A. F. Frangi, W. J. Niessen, K. L. Vincken und M. A. Viergever. Multiscale Vessel Enhancement Filtering. in MICCAI, Seiten 82–89, 1998; O. Wink, W. J. Niessen und M. A. Viergever. Multiscale Vessel Tracking. IEEE Trans. on Medical Imaging, 23(1): 130–133, 2004; M. Descoteaux. L. Collins und K. Siddiqi. Geometric Flows For Segmenting Vasculature In MRI: Theory And Validation. In Medical Image Conference and Computer-Assisted Intervention (MICCAI), 2004; und S. Aylward und E. B. Initializiation, Noise, Singularities And Scale in Height-Ridge Traversal For Tubular Objects Centerline Extraction. IEEE Trans. on Medical Imaging, 21(2): 61–75, 2002. Typischerweise wird ein 3D Bild gefiltert mit normalisierten Gaußableitungen zweiter Ordnung, um die Hessian-Matrix an jedem Ort zu berechnen.
Die Eigenwerte λ₁, λ₂, λ₃ entsprechen den Ableitungen entlang der Eigenvektoren e₁, e₂, e₃, wobei der Eigenvektor e₁, der dem kleinsten Eigenwert entspricht, in Richtung der Röhre ist, und die anderen Eigenrichtungen e₁, e₂ die Querschnittsebene definieren, wodurch folglich ein orthonormales Koordinatensystem gebildet wird. In diesem Papier wird die in [9] vorgeschlagene Gefäßmessung verwendet, um die Näherungsrichtung des interessierenden Gefäßes zu finden. Speziell gilt wobei
und α, β und γ sind Parameter. Da Gefäße in 3D Bildern unterschiedliche Größen haben können, werden die Bilder mit Multiskalarfiltern gefaltet und die maximale Antwort wird als Gefäßmaß an diesem Punkt genommen.
Die Intensitätsverteilung eines Teilgefäßsegments wird bestimmt von 2D Querschnittsgrenzen. Es gibt verschiedene Techniken zum Berechnen der Gefäßquerschnittsgrenzen (siehe O. Wink, W. Niessen und M. A. Viergever. Fast Delineation and Visualization Of Vessels in 3-D Angiographicimages. IEEE Trans. on Medical Imaging, 19: 337–345, 2000; M. Hermanez-Hoyos, A. Anwander, M. Orkisz, J. P. Roux und I. E. M. P. Doueck. A Deformabile Vessel Model with Single Point Initialization for Segmentation, Quantification and Visualization of Blood Vessels in 3D MRA. in MICCAI'00, 2000. und H. Tek, A. Ayvaci und D. Comaniciu. Multi-Scale Vessel Baundery Detection. in Workshop of CVBIA, Seiten 388–398, 2005. Hier verwendet das Verfahren die Technik, die entwickelt wurde durch H. Tek, A. Ayvaci und D. Comaniciu. Multi-Scale Vessel Boundary Detection in Workshop of CVBIA, Seiten 388–398, 2005), da es die Intensitäten eines Gefäßes und dessen umgebende Bereiche trennt durch ein Multi-Skalares Mean-Shift Filtern, siehe beispielsweise Seriennummer 11/399,164 mit dem Titel „Method And Apparatus For Detecting Vessel Boundaries”, eingereicht am 6. April 2006, Erfinder Huseyin Tek, zugeordnet dem gleichen Rechtsnachfolger wie bei der vorliegenden Erfindung (Veröffentlichungsnummer US 2006/0262988 A1 ).
Speziell werden zuerst Ränder entlang eines Strahls berechnet in verschiedenen Skalierungen, indem eine Mean-Shift-Anlayse D. Comaniciu und P. Meer. Mean Shift: A Robust Approached Toward Feature Space Analysis. IEEE Trans. PAMI, 24(5): 603–619, 2002, verwendet wird.
Zweitens werden nicht korrekte Ränder, die aus den mehreren Skalierungen gewonnen werden, eliminiert durch den Mean-Shift-basierten Clusteralgorithmus.
Drittens werden markante Ränder gewonnen durch Auswählen von Rändern basierend auf ihren Stärken und basierend auf der Annahme, dass Gefäße keine ineinander geschachtelte Strukturen sind.
Viertens werden glatte und lange Kurvensegmente konstruiert aus den markanten Rändern durch einen Lokalgruppierungsalgorithmus.
Letztendlich werden die Kurvensegmente, die am besten die Gefäßgrenze beschreiben, von einer vorherigen elliptischen Form bestimmt.
Das Verfahren ist in der Lage, Gefäßgrenzen detaillierter zu segmentieren, selbst unter extremen Bedingungen. Die 2(a)–(e) verdeutlichen die Schritte des Algorithmus für MRA Daten. Zusätzlich zu den genauen Querschnittsgrenzen klassifiziert diese Technik Intensitäten innerhalb des Gefäßes und dessen Hintergrund über ein Multi-Skalares Mean-Shift Filtern. Spezieller verdeutlichen die 2(a)–2(d) den Querschnittsgrenzextraktionsalgorithmus Schritt für Schritt für CE-MRA Daten. 2(a) zeigt Multi-Skalare Ränder detektiert entlang 1D Strahlen, 2(b) zeigt korrekte Ränder nach einem Löschen der nicht korrekten Ränder. 2(c) zeigt eine Auswahl eines markanten Rands. 2(d) zeigt Kurvensegmente, die erhalten werden von dem Lokalrandgruppierungsalgorithmus. 2(e) zeigt eine Gefäßgrenze, die durch eine elliptische Einpassung gewonnen wird.
Die Normalverteilungsparameter von einem Gefäß N(V_μ, V_σ) und seine unmittelbare Umgebung (oder Hintergrund) N(B_μ, B_σ) werden gewonnen aus einem lokalen Modus des Mean-Shift-Filterns. 3(a)–3(c) verdeutlichen, wie das Mean-Shift-Filtern Gefäß und Hintergrund trennt. Spezieller verdeutlichen die 3(a)–3(c) das Mean-Shift-Filtern eines typischen Rands. 3(a) zeigt das Originalintensitätsprofil; 3(b) zeigt Versetzungsvektoren, wobei die Divergenz der Versetzungsvektoren dem Ort des Rands entspricht. 3(c) zeigt eine geglättete Intensität 302 und Originalintensität zusammen und zwei Lokalmodusintensitäten (Konvergenzpunkte) 304 um den Rand herum. Die x-Achse gemäß den 3(a)–(c) stellt den Abstand entlang eines Bildes (also Skala) dar, und die y-Achse gemäß den 3(a) und 3(c) stellt die Intensitäten dar und die y-Achse gemäß 3(c) stellt Versetzungswerte dar, wie detaillierter in der obengenannten Referenz 11/399,164 beschrieben mit dem Titel „Method And Apparatus For Detecting Vessel Boundaries”, eingereicht am 6. April 2006, Erfinder Huseyin Tek, zugeordnet dem gleichen Rechtsnachfolger wie dem der vorliegenden Erfindung (Veröffentlichungsnummer US 2006/0262988 A1 ).
Als nächstes, in Schritt 102 ₂, für jeden Ausgangspunkt schätzt das Verfahren lokal eine Gefäßstatistik und umgebende Hintergrundstatistik durch Berechnen von Gefäßorthogonalebenen, wie oben gezeigt und beschrieben, für eine orthogonale Ebene 800 in den 8A und 8B und entsprechende Querschnittsgrenzen 802 des Gefäßes 804. Wie oben erwähnt, ist die Ebene 800 senkrecht zu der Mittellinie 806 des Gefäßes 804.
Sobald die Parameter der Normalverteilung bestimmt sind, kann eine genaue Teilgefäßsegmentierung durchgeführt werden durch ein Regionenwachsen oder eine Regioncompetition über Watershed Transformationen, siehe H. Tek, F. Akova und A. Ayvaci. Region Competition Via Local Watershed Operators. In CVPR Seiten 361–368, 2005, siehe beispielsweise Seriennummer 10/951,194 mit dem Titel „Local Watershed Operators For Image Segmentation”, eingereicht 27. September 2004, Erfinder Huseyin Tek, zugeordnet dem gleichen Rechtsnachfolger wie bei der vorliegenden Erfindung (Veröffentlichungsnummer US 2005/0201618 A1 ); und Seriennummer 11/231,424 mit dem Titel „Region Competition Via Local Watershed Operation”, eingereicht 21. September 2005, Erfinder Huseyin Tek, et al., zugeordnet dem gleichen Rechtsnachfolger wie bei der vorliegenden Erfindung (Veröffentlichungsnummer US 2006/0098870 A1 ).
4 zeigt ein Beispiel, bei dem die Umgebung eines Ausgangspunkts durch diesen Algorithmus segmentiert wird. Spezieller verdeutlicht 4 Teilgefäßsegmentierungsergebnisse (mit GRÜN markiert) von einem Ausgangspunkt und entsprechende diskrete Fronten (mit ROT markiert). (Es soll verstanden werden, dass die Ausdrücke, die mit ROT und GRÜN markiert sind, typischerweise in Farben ausgedrückt werden, beispielsweise in rot bzw. grün.)
Es soll jetzt verdeutlicht werden, wie diese Teilsegmentierung gruppiert wird durch den Prozess, um die Segmentierung des gesamten Zweigs zu erhalten.
Geordnete Frontausbreitung, Schritt 102B
Als nächstes werden in Schritt 102 ₃ Gefäßstatistiken neu geschätzt unter Verwendung von diskreten Fronten und einem Oberflächenfüllen. Spezieller resultiert die Genauigkeit der Gefäßsegmentierung durch Fortsetzen des obengenannten Prozesses stark abhängig davon, wo die Segmentierung neu gestartet wird. Man beachte, dass die Voxel bei der Binärsegmentierung, die von dem obigen Algorithmus erhalten werden, weiter klassifiziert werden als konvergierte und „Alive” Punkte. Die konvergierten Punkte entsprechen den Voxeln, die die Segmentierung nicht überschreiten können, da kein Gefäßpunkt in ihrer Nachbarschaft ist. Die „Alive” Punkte entsprechen den Voxeln, die gestoppt werden durch die Abstandsbedingung, und ihre Nachbarschaft enthält Voxel, die als Gefäß klassifiziert werden können. Wenn die „Alive” Punkte nicht durch die Abstandsbedingung gestoppt werden würden, könnten sie segmentierte Gefäße und andere helle Strukturen haben. Folglich müssen die Alive Punkte gruppiert und klassifiziert werden, ob sie Gefäße darstellen oder Nichtgefäßstrukturen darstellen. Speziell werden die Voxel von der Alive Punktliste miteinander über diskrete Konnektivitäten gruppiert, die als diskrete Fronten bezeichnet werden. 4 verdeutlicht die diskreten Fronten, die ROT gekennzeichnet sind. Der Prozess, der verwendet wird, um die diskreten Fronten von der Alive Punktliste zu erhalten, ist folgendermaßen: Zuerst werden alle Alive Punkte markiert als eine leere Abbildung, deren Voxelwerte auf Null gesetzt sind. Zweitens wird ein Punkt von der Alive Liste ausgewählt und die Voxel, die damit verbunden sind, werden bestimmt durch einen einfachen Oberflächenfüllprozess. Während des Oberflächenfüllprozesses werden die verbundenen Voxel auf leer gesetzt und aus der Alive Liste entfernt. Dieser Prozess bestimmt eine einzelne diskrete Front. Die anderen Fronten werden bestimmt durch Wiederholung dieses Prozesses bis keine Punkte mehr in der Alive Liste sind. 4 verdeutlicht die diskreten Fronten einer Teilsegmentierung.
Als nächstes, in Schritt 102 ₄, schätzt der Prozess die Gefäßstatistiken neu unter Verwendung diskreter Fronten und einem Oberflächenfüllen. Spezieller, in diesem Stadium, gewinnt der Prozess K diskrete Fronten, von denen neue Teilsegmentierungen gestartet werden müssen. Da nicht jede diskrete Front dem korrekten Gefäß entspricht, ordnet der Prozess zuerst ein „sicheres Maß” jeder Front zu. Dieses sichere Maß kann berechnet werden von der Gefäßmessung (siehe A. F. Frangi, W. J. Niessen, K. L. Vincken und M. A. Viergever. Multi-Scale Vessel Enhancement Filtering. In MICCAI, Seiten 82–89, 1998), der Oberflächenbereich und die Glattheit der Fronten und die Charakteristiken der Mittellinien zwischen der diskreten Front und der Quelle der Teilsegmentierung, also dem Keimpunkt (Ausgangspunkt). Der Prozess berechnet zuerst die Gefäßmessung für einen Punkt, der die diskrete Front darstellt. Wenn die Gefäßmessung relativ gut ist, wird ein Sicherheitsmaß basierend auf Mittellinienmodellen berechnet. Zu beachten ist, dass Voxel, die die Fronten darstellen, bestimmt werden müssen, bevor diese Algorithmen angewendet werden. Das Voxel, das eine Front am besten darstellt, muss im Zentrum der Front sein. Algorithmisch berechnet der Prozess zuerst die Abstandsabbildung des segmentierten Bereichs beginnend von den konvergierten Punkten und wählt dann die Voxel mit dem größten Abstandswert für jede Front. Nach dem Gewinnen eines repräsentativen Punkts für jede Front berechnet der Prozess die diskreten Mittellinien zwischen diesen und der Quelle (Ausgangspunkt), über einen Minimumwegdetektionsalgorithmus (basierend auf Dijkstra's Verfahren). Die Kostenfunktion (oder Geschwindigkeitsfunktion) dieses Algorithmus wird berechnet von der Abstandstransformation des segmentierten Gefäßes und dem Abstand zwischen den Voxeln. Speziell ist die Kostenfunktion für ein Voxel V_j, das durch das Voxel V_i besucht wird, gegeben durch Cost(V_j) = 1/DT(V_j))·dist(Vj, Vi), wobei DT die Abstandstransformation der segmentierten Voxel ist, und dist(Vj, V_i) den vorzeichenlosen Abstand misst von Vj zu Vi. Der DT Wert zwingt die Front sich auszubreiten nahe der Gefäßzentren. Ein Ähnlichkeitsalgorithmus wird präsentiert durch Deschamps und Cohen (siehe T. Deschamps und L. Cohen. Fast Extraction Of Minimal Paths In 3D Images And Applications To Virtual Endoscopy. Medical Imaging Analysis, 5(4): 281–299, 2001) zum Finden von Wegen in röhrenförmigen Strukturen, beispielsweise dem Kolon. Der Minimumkostenwegdetektionsalgorithmus resultiert in einem diskreten Weg, der besteht aus geordneten diskreten Voxelorten. 5 verdeutlicht die diskreten Linienmodelle (mit BLAU markiert) zwischen Ausgangspunkten und diskreten Fronten (mit ROT markiert). Spezieller verdeutlicht 5 die diskrete Mittellinie (mit BLAU gekennzeichnet) zwischen der Quelle und jeder diskreten Front. Da diese verbundenen Mittellinien dreidimensional sind, können sie als unterbrochen in einer 2D Visualisierung erscheinen. Zusätzlich sind die Mittellinien zur besseren Visualisierung aufgeweitet. (Es soll verstanden werden, dass die Teile, die gekennzeichnet sind mit ROT und BLAU typischerweise in Farbe angezeigt werden, beispielsweise in rot bzw. blau.)
Der Prozess startet als nächstes in Schritt 102 ₅ erneut die Teilsegmentierung für die Front mit dem höchsten Sicherheitsmaß, welches das korrekte Gefäß darstellt. Spezieller werden die diskreten Mittellinien zwischen der Quelle und jeder diskreten Front gewonnen. Dann wird das Sicherheitsmaß für jede Front bestimmt aus der Radiusfunktion entlang ihrer Mittellinien. Idealerweise sollten die Fronten, die kontinuierlich Gefäße mit dem höchsten Sicherheitsmaß darstellen, fast konstantes Radiusprofil haben, unter der Annahme, dass die Teilsegmentierung angewendet wird auf den relativ kleinen Bereich, die Gefäßgröße ändert sich also nicht dramatisch. Andererseits, wenn eine Front innerhalb eines anderen Typs von Gefäß ist oder in einer nicht vaskulären Struktur, sollte deren Radiusprofil abrupte Änderungen haben. In der Tat läuft die Teilsegmentierung oft in helles Gewebe und andere Gefäße von Lücken auf der Grenze, wo die Radiuswerte sehr klein sind. Basierend auf diesen Beobachtungen weist der Prozess jeder Front ein Sicherheitsmaß zu basierend auf der Glattheit der Radiuswerte entlang dessen Mittellinienmodell. Der Segmentierungsprozess startet neu von der Front aus, die das höchste Sicherheitsmaß hat. Das Zentrum der Front ist markiert als virtueller Ausgang (oder Quelle) und die Parameter der Normalverteilung des Gefäßes werden neu berechnet durch das oben beschriebene Verfahren. Diese geordnete Teilsegmentierung wird fortgesetzt bis all die Verbindungen zwischen den benutzerplatzierten Ausgangspunkten gebildet sind oder alle diskreten Fronten sich ausgebreitet haben.
Separation von Arterien und Venen, Schritt 104
Der Prozess führt iterativ den Teilsegmentierungsprozess durch, um Arterien- und Venengefäße unabhängig zu segmentieren; jedes Arterien- und Venengefäß hat eine separate Arterien und Venengefäßabbildung. Spezieller kombiniert das Verfahren die unabhängig segmentierten Arterien und Venengefäßabbildungen in eine Einzelabbildung, Schritt 104 ₁. Die Arterien- und Venengefäße in der Einzelabbildung werden dann separiert in Schritt 104 ₂ durch eine abstandsbasierte Watershed Transformation unter Verwendung diskreter Mittellinienmodellen zwischen Ausgangspunkten, die als Marker verwendet werden für die Watershed Transformationen.
Spezieller wird der oben beschriebene Segmentierungsprozess angewendet auf eine Segmentierung von Arterien und Venen getrennt (also unabhängig). Die resultierende diskrete Arterien (oder Venen) Abbildung enthält oft Bereiche, die Venen (oder Arterien) entsprechen, folglich reicht eine einfache Kombination dieser Abbildungen nicht aus für eine genaue Separation. Hier schlagen wir vor abstandsbasierte Watershed Transformationen zu verwenden (siehe L. Vincent und P. Souille. Watersheds In Digital Spaces: An Efficient Algorithm Based On Immersion Simulations. PAMI, 13(6): 583–598, 1991 und H. Tek und H. C. Aras. Local Watershed Operators For Image Segmentation. In Medical Image Computing And Computer-Assisted Intervention MICCAI, Seiten 127–134, 2004, zur Separation dieser zwei Abbildungen). Siehe Seriennummer 10/951,194 mit dem Titel „Local Watershed Operators For Image Segmentation” eingereicht 17. September 2004, Erfinder Huseyin Tek, zugeordnet dem gleichen Rechtsnachfolger wie bei der vorliegenden Erfindung (Veröffentlichungsnummer US 2005/0201618 A1 ); und Seriennummer 11/231,424 mit dem Titel „Region Competition Via Local Watershed Operation”, eingereicht 21. September 2005, Erfinder Huseyin Tek, et al., zugeordnet dem gleichen Rechtsnachfolger wie bei der vorliegenden Erfindung (Veröffentlichungsnummer US 2006/0098870 A1 ).
Bei der Bildsegmentierung wird eine Gradientenabbildung von Bildern verwendet als Höhenabbildung in den Watershed basierten Segmentierungsalgorithmen. Der Prozess verwendet hier eine Abstandstransformation der kombinierten Arterien-Venen-Segmentierungsabbildungen. Speziell ist die inverse Abstandsabbildung sehr geeignet für die Separation von zwei Masken, da Arterien und Venenabbildungen oft in kleinen Bereichen überlappen. Darüber hinaus verwendet hier das Verfahren diskrete Mittellinienmodelle zwischen benutzerplatzierten Ausgangspunkten als Marker für die Watershed Transformationen. Diese diskreten Mittellinienmodelle werden berechnet durch einen Minimumwegdetektionsalgorithmus, der den Abstand der Segmentierungsergebnisse verwendet. Da die benutzerplatzierten Ausgangspunkte sehr starke Hinweise für eine korrekte Markierung sind, sollte der Separationsalgorithmus derartige Information so viel wie möglich verwenden. Folglich wird die Abstandsabbildung weiter modifiziert durch Hinzufügen einer Potentialfunktion, die in der Umgebung der benutzerplatzierten Ausgangspunkte erzeugt wird. Diese Potentialfunktion für jeden Ausgangspunkt zwingt die diskrete Mittellinie von anderen Typen von Gefäßen weg zu verlaufen.
Darüber hinaus wird die Gültigkeit der Mittellinienmodelle verifiziert durch Rekonstruieren der Gefäße aus diesen. Wenn die Rekonstruktion von Arterien und Venenüberlappung signifikant ist, werden die entsprechenden Mittellinienmodelle zur Separation nicht verwendet. Es soll auch erwähnt werden, dass es nicht immer möglich ist Arterien und Venen in bestimmten Bereichen zu trennen. Dies gilt insbesondere wenn die Arterien und Venen sich über einen großen Bereich berühren. Derartige Regionen entsprechen einem einzelnen Basin in der Watershed Abbildung. Folglich wird hier ein Basinpartitionierungsalgorithmus verwendet, der auf Abstandstransformationen basiert. Speziell, wenn die benutzerplatzierten Ausgangspunkte oder Mittellinienmodelle durch ein gleiches Bassin verlaufen, wird dieses Bassin partitioniert basierend auf der Abstandstransformation von diesen Eingaben. Diese Basinpartitionierungseigenschaft erlaubt es dem Benutzer jede Art von Fehler zu korrigieren durch Platzieren von zusätzlichen Ausgangspunkten.
Die 6(a)–(f) verdeutlichen die Ergebnisse des Arterien-Venen-Separationsalgorithmus gemäß der Erfindung für zwei unterschiedliche MRA Datensätze. Diese 6(a)–6(f) verdeutlichen die Ergebnisse des Arterien-Venen-Separationsalgorithmus für zwei unterschiedliche MRA Daten. Die 6(a) und 6(d) zeigen die Arterien (mit ROT gekennzeichnet) und Venen (mit BLAU gekennzeichnet), die bei der Volumenwiedergeben (VR) Visualisierung beschrieben werden; die 6(b) und 6(e) zeigen eine Venenabbildung; und die 6(c) und 6(f) zeigen eine Arterienabbildung. (Es soll verstanden werden, dass die Stücke, die mit ROT und BLAU gekennzeichnet sind, typischerweise in Farbe dargestellt werden, beispielsweise in rot bzw. blau.)
Das unbeschriebene Verfahren kann durchgeführt werden durch einen entsprechend programmierten Computer. Ein entsprechender Computer kann implementiert werden beispielsweise unter Verwendung von gut bekannten Computerprozessen, Speichereinheiten, Speichervorrichtungen, Computersoftware und durch andere Komponenten. Ein grobes Blockdiagramm eines derartigen Computers ist in 7 gezeigt. Der Computer 702 enthält einen Prozessor 704, der den Gesamtbetrieb des Computers 702 steuert durch Ausführen von Computerprogrammanweisungen, die eine derartige Operation (Betrieb) definieren. Die Computerprogrammanweisungen können in einer Speichervorrichtung 712 (beispielsweise Magnetscheibe) gespeichert sein, und in das Speicher 710 geladen werden, wenn die Computerprogrammanweisungen ausgeführt werden sollen. Der Computer 702 enthält auch eine oder mehrere Schnittstellen 706 zur Kommunikation mit anderen Vorrichtungen (beispielsweise lokal oder über ein Netzwerk). Der Computer 702 enthält auch eine Eingabe/Ausgabe 708, die Vorrichtungen darstellt, die eine Benutzerinteraktion mit dem Computer 702 erlauben (beispielsweise Anzeige, Tastatur, Maus, Lautsprecher, Schaltflächen, etc.).
Ein Fachmann auf diesem Gebiet erkennt, dass eine Implementierung des tatsächlichen Computers andere Komponenten enthalten kann, und dass 7 eine grobe Darstellung von einigen der Komponenten eines derartigen Computers für beispielhafte Zwecke ist. Zusätzlich erkennt der Fachmann, dass die Prozessschritte, die hier beschrieben wurden, auch implementiert werden können durch bestimmte Hardware, Schaltkreise, die speziell konfiguriert sind, um derartige Verfahrensschritte zu implementieren. Alternativ können die Verarbeitungsschritte implementiert werden durch Verwendung verschiedener Kombinationen von Hardware und Software. Ebenso können die Verarbeitungsschritte in einem Computer erfolgen oder können Teil einer größeren Maschine sein (beispielsweise eine medizinische Bildgebungsmaschine).
Eine Anzahl an Ausführungsbeispielen der Erfindung ist beschrieben worden. Nichts desto trotz soll verstanden werden, dass verschiedene Modifikationen vorgenommen werden können, ohne den Bereich der Erfindung zu verlassen. Entsprechend sind andere Ausführungsbeispiele innerhalb des Bereichs der folgenden Ansprüche.

Claims

Verfahren zur Arteriensegmentierung aus einem Hintergrund in einem Bild eines Patienten, enthaltend a) Platzieren von Ausgangspunkten auf einem Bild des Gefäßes; b) für jeden Ausgangspunkt, lokales Schätzen einer Gefäßstatistik und umgebenden Hintergrundstatistik durch Berechnen von Gefäßorthogonalebenen und entsprechenden Querschnittsgrenzen, und Segmentieren des Gefäßes in einem begrenzten Bereich teilweise basierend auf einem Frontausbreitungsalgorithmus unter Verwendung der geschätzten Statistiken zur Erzeugung einer Teilsegmentierung; c) Herleiten diskreter Fronten von der Teilsegmentierung und eines Oberflächenfüllens; d) Bestimmen eines Maßes an Genauigkeit für jede Front anhand des Radius entlang ihrer Mittellinien unter Verwendung eines diskreten Mittellinienmodells, das durch eine Minimumwegdetektion gewonnen wird, die eine Abstandsabbildung benutzt, und Erzeugen einer neuen Teilsegmentierung aus der Front, die das höchste Sicherheitsmaß hat, das das richtige- Gefäß darstellt; e) Iterative Durchführung der Schritte (b) bis (d), um Arterien- und Venengefäße unabhängig zu segmentieren, wobei die Arterien und Venengefäße jeweils eine separate Arterien- und Venengefäßabbildung haben; f) Kombinieren der unabhängig segmentierten Arterien- und Venengefäßabbildungen in eine Einzelabbildung, und dann g) Trennen der Arterien- und Venengefäße in der einzelnen Abbildung durch eine abstandsbasierte Watershed Transformation unter Verwendung von diskreten Mittellinienmodellen zwischen Ausgangspunkten, die als Marker für die Watershed Transformationen verwendet werden.
Verfahren nach Anspruch 1, enthaltend ein Erzeugen von Arterien und Venen aus der geordneten statistischen Frontausbreitung, die auf den diskreten Mittellinienmodellen erzeugt wird.
Verfahren nach Anspruch 2, enthaltend ein Separieren, in den erzeugten Arterien und Venen, der Arterien von den Venen unter Verwendung der Mittellinienmodelle zu abstandsbasierte Watershed Transformationen.