DE102007028270A1

DE102007028270A1 - Verfahren zur Segmentierung von Bilddaten zur Erkennung einer Leber

Info

Publication number: DE102007028270A1
Application number: DE102007028270A
Authority: DE
Inventors: Grzegorz Dr. Soza; Florian Maier; Andreas Wimmer
Original assignee: Siemens AG
Current assignee: Siemens Healthcare GmbH
Priority date: 2007-06-15
Filing date: 2007-06-15
Publication date: 2008-12-18
Anticipated expiration: 2027-06-16
Also published as: US8090180B2; DE102007028270B4; US20090003672A1

Abstract

Die Erfindung betrifft ein Verfahren zur Segmentierung von Bilddaten zur Erkennung einer Leber von einem Untersuchungsobjekt. Das Verfahren umfasst ein Bestimmen von Bildpunkten (25-29), die eine Rippe (25) darstellen, als Rippenbildpunkte, ein Bestimmen von Bildpunkten (30), welche einen Bereich innerhalb des Brustkorbs eingrenzen, ein Bestimmen von Bildpunkten (34, 37), welche einen Bildpunkt der Leber darstellen, und ein Bestimmen einer Wahrscheinlichkeit für jeden Bildpunkt (38) innerhalb des Brustkorbs, ob der Bildpunkt zu der Leber gehört oder nicht, mit Hilfe eines Random-Walker-Verfahrens.

Description

Die vorliegende Erfindung betrifft ein Verfahren und eine Vorrichtung zur Segmentierung von Bilddaten zur Erkennung einer Leber und insbesondere zur Segmentierung von Bilddaten mit Hilfe eines Random-Walker-Verfahrens, wobei das Verfahren und die Vorrichtung als Zwischenschritt Bildpunkte der Bilddaten als Lebersaatpunkte (Liver Seed Points) und Hintergrundsaatpunkte (Background Seed Points) bestimmt.
Eine Segmentierung von Bilddaten, wie zum Beispiel Bilddaten von einem Computertomographen, um eine Leber in einem Untersuchungsobjekt, wie zum Beispiel einem Menschen, zu erkennen, stellt einen grundlegenden Vorverarbeitungsschritt für eine Reihe von Anwendungen dar. So ist eine Segmentierung von Bilddaten zur Erkennung der Leber beispielsweise bei einer Planung eines chirurgischen Eingriffs oder bei einer bildgeführten Leberbehandlung hilfreich.
Eine automatische und genaue Segmentierung von Bilddaten zur Lebererkennung bereitet jedoch eine Reihe von Problemen. Die Größe und Form der Leber kann in Abhängigkeit von dem Patienten und der Art der Erkrankung sehr unterschiedlich sein. Insbesondere beeinflussen eine Leberzirrhose oder ein Tumor innerhalb der Leber die Größe und Form der Leber in einer kaum vorhersagbaren Art und Weise. Darüber hinaus können die Signalwerte, welche beispielsweise von einem Computertomographen erfasst werden, innerhalb der Leber und dem umgebenden Bereich in Abhängigkeit von zugrunde liegenden Abtastparametern und einer Menge eines verabreichten Kontrastmittels über einen großen Bereich variieren. Insbesondere an dem Übergang zwischen Lebergewebe und Muskelgewebe zwischen den Rippen ist eine Segmentierung der Bilddaten aufgrund der ähnlichen Röntgenabsorption des Lebergewebes und der Muskulatur sehr schwierig. Darüber hinaus führen Tumore oder eine Fett lebererkrankung zu stark unterschiedlichen Signalwerten von Computertomographiebilddaten innerhalb der Leber.
Ein allgemeines Verfahren zur Segmentierung von Bilddaten ist in der US 2006/0147126 A1 offenbart, welches basierend auf einer Graphentheorie eine Bilddatensegmentierung mit Hilfe des so genannten Random-Walker-Verfahrens durchführt. Das Random-Walker-Verfahren arbeitet derart, dass ein Benutzer zunächst einige Bildpunkte mit Markierungen versieht. Mindestens ein Bildpunkt, welcher sich innerhalb der Leber befindet, wird als ein Leberbildpunkt (Liver Seed Point, Lebersaatpunkt) markiert und mindestens ein weiterer Bildpunkt, welcher nicht zur Leber gehört, wir als Hintergrundsaatpunkt (Background Seed Point) markiert. Eine Segmentierung der Bilddaten wird von dem Random-Walker-Verfahren dann folgendermaßen bestimmt: Für einen jeden Bildpunkt wird die Wahrscheinlichkeit berechnet, dass ein Random Walker (Zufallswandler), welcher an diesem Bildpunkt startet, einen Bildpunkt mit einer Markierung erreicht. Die Richtung, in welcher sich der Random Walker bewegt, ist zufällig, wobei jedoch die Wahrscheinlichkeit für eine Bewegungsrichtung über Gewichte zwischen zwei benachbarten Bildpunkten beeinflusst werden kann. Je ähnlicher sich zwei Bildpunkte sind (zum Beispiel je ähnlicher die Signalwerte von zwei benachbarten Bildpunkten sind), umso größer ist die Wahrscheinlichkeit, dass der Random Walker diesen Übergang wählt. Dem Bildpunkt wird dann die Markierung zugeordnet, welche die größte Wahrscheinlichkeit aufweist. Anstatt einer wirklichen Random-Walker-Simulation können, wie in dem US-Patent Nr. 2006/0147126 A1 gezeigt, die Wahrscheinlichkeiten analytisch berechnet werden.
Probleme des zuvor genannten Random-Walker-Verfahrens sind einerseits eine geeignete Auswahl von Bildpunkten, welche mit höchster Wahrscheinlichkeit beispielsweise der Leber bzw. dem Hintergrund zugeordnet sind, automatisch zu bestimmen sowie eine geeignete Gewichtsfunktion bereitzustellen. Darüber hinaus erfordert eine analytische Berechnung des Random-Walker-Verfahrens bei großen Bilddatenvolumina einen erheblichen Re chenaufwand, was zu unerwünscht langen Wartezeiten bei der Segmentierung führen kann.
Daher ist es Aufgabe der vorliegenden Erfindung, ein Verfahren und eine Vorrichtung zur Segmentierung der Bilddaten zur Erkennung einer Leber von einem Untersuchungsobjekt bereitzustellen, welche zuverlässig und automatisch Bildpunkte bestimmen, die entweder zur Leber gehören oder zum Hintergrund gehören, und die mit Hilfe eines Random-Walker-Verfahrens und der Bildpunkte, die entweder zur Leber gehören (Lebersaatpunkte) oder die zum Hintergrund gehören (Hintergrundsaatpunkte) die Bilddaten segmentieren.
Diese Aufgabe wird erfindungsgemäß durch ein Verfahren nach Anspruch 1, eine Vorrichtung nach Anspruch 26, ein Computerprogrammprodukt nach Anspruch 28 und einen elektronisch lesbaren Datenträger nach Anspruch 29 gelöst. Die abhängigen Ansprüche definieren bevorzugte und vorteilhafte Ausführungsformen der Erfindung.
Die vorliegende Erfindung stellt ein Verfahren zur Segmentierung von Bilddaten zur Erkennung einer Leber von einem Untersuchungsobjekt bereit, wobei die Bilddaten mehrere Bildpunkte umfassen, denen jeweils ein Signalwert zugeordnet ist. Das Verfahren umfasst die folgenden Schritte:

– Bestimmen von Bildpunkten, welche eine Rippe darstellen, wobei diese Bildpunkte als Rippenbildpunkte bezeichnet werden.
– Bestimmen von Bildpunkten, welche einen Bereich innerhalb eines Brustkorbs eingrenzen. Diese Bildpunkte werden mit Hilfe der Rippenbildpunkte bestimmt.
– Bestimmen mindestens eines Bildpunkts, welcher einen Bildpunkte der Leber darstellt. Dieser mindestens eine Bildpunkt wird als Leberbildpunkt bezeichnet. Der mindestens eine Le berbildpunkt wird aus der Menge von Bildpunkten bestimmt, welche sich in dem Bereich innerhalb des Brustkorbs befinden.

Die Rippenbildpunkte und die Bildpunkte, welche den Bereich innerhalb des Brustkorbs eingrenzen, werden als Hintergrundsaatpunkte (Background Seed Points) definiert. Der mindestens eine Leberbildpunkt wird als Lebersaatpunkt (Liver Seed Point) definiert.
Für jeden Bildpunkt innerhalb des Brustkorbs wird eine Wahrscheinlichkeit bestimmt, ob der Bildpunkt zu der Leber gehört oder nicht. Das Bestimmen der Wahrscheinlichkeit erfolgt mit Hilfe des Random-Walker-Verfahrens, welches die Lebersaatpunkte und die Hintergrundsaatpunkte zur Bestimmung der Wahrscheinlichkeit verwendet.
Indem zunächst Bildpunkte bestimmt werden, welche eine Rippe darstellen, und darauf aufbauend Bildpunkte bestimmt werden, welche einen Bereich innerhalb des Brustkorbs eingrenzen, kann die Menge der Bildpunkte, welche überhaupt als Leberbildpunkte in Frage kommen, stark eingegrenzt werden. Dadurch erhöht sich die Wahrscheinlichkeit, dass Lebersaatpunkte zuverlässig gefunden werden. Darüber hinaus wird durch das definieren der Rippenbildpunkte und der Bildpunkte, welche den Bereich innerhalb des Brustkorbs eingrenzen, als Hintergrundsaatpunkte, sichergestellt, dass das Random-Walker-Verfahren alle Bildpunkte außerhalb des Brustkorbs zuverlässig als Bildpunkte erkennt, welche nicht zur Leber gehören. Dadurch wird eine verbesserte Segmentierung der Bilddaten erreicht und die Leber zuverlässiger erkannt.
Gemäß einer Ausführungsform der vorliegenden Erfindung können die Bilddaten mehrere Bilddatenschichten umfassen. Die mehreren Bilddatenschichten sind in anatomischer Reihenfolge des untersuchten Objekts angeordnet. Das Bestimmen von Bildpunkten, welche eine Rippe darstellen, wird getrennt für jede einzelne Schicht der Bilddaten durchgeführt. Indem die Bildpunkte, welche eine Rippe darstellen, getrennt für die ver schiedenen Schichten der Bilddaten bestimmt werden, kann der benötigte Rechenaufwand verringert werden und somit eine schnellere Segmentierung bewirkt werden. Falls kein Rippenbildpunkt gefunden werden kann, können Rippenbildpunkte anhand der Information aus den Nachbarschichten interpoliert werden. Die spätere Segmentierung kann die dreidimensionalen Bilddateninformationen verwenden.
Gemäß einer weiteren Ausführungsform der vorliegenden Erfindung umfasst das Bestimmen von Bildpunkten, welche eine Rippe darstellen, ferner die folgenden Schritte:
Zunächst werden Bildpunkte bestimmt, welche sich innerhalb des Untersuchungsobjekts befinden, und Bildpunkte bestimmt, welche sich außerhalb des Untersuchungsobjekts befinden, um eine erste Grenze zu bestimmen. Diese erste Grenze stellt eine Hautoberfläche des Untersuchungsobjekts dar. Ausgehend von dieser ersten Grenze werden Bildpunkte bestimmt, welche sich innerhalb eines Fettgewebes und einer Haut des Untersuchungsobjekts befinden, und Bildpunkte bestimmt, welche sich innerhalb eines Muskelgewebes unter dem Fettgewebe des Untersuchungsobjekts befinden. Anhand des Übergangs vom Fettgewebe zum Muskelgewebe wird eine zweite Grenze bestimmt. Ausgehend von der zweiten Grenze werden Bildpunkte in einem vorbestimmten Bereich, welcher sich von der zweiten Grenze zur Körpermitte hin erstreckt, bestimmt, welche Bildpunkte einer Rippe darstellen. Der vorbestimmte Bereich, welcher sich von der zweiten Grenze zur Körpermitte hin erstreckt, kann in Abhängigkeit von dem Ort der Bildpunkte gewählt werden. Bei Verwendung eines Polarkoordinatensystem zur Adressierung von Bildpunkten, wie nachfolgend beschrieben werden wird, kann eine Ortsabhängigkeit eines Bildpunktes einfach mit Hilfe eines Winkels des Polarkoordinatensystems bestimmt werden.
Indem zunächst die äußere Oberfläche des Untersuchungsobjekts, d. h. die Haut, bestimmt wird, und darauf aufbauend die zweite Grenze zwischen dem Fettgewebe und dem Muskelgewebe bestimmt wird, kann durch Einbringen anatomischen Vorwissens die Lage von Bildpunkten, welche eine Rippe darstellen, vorbestimmt werden, da sich die Rippen typischerweise in einem äußeren Bereich des Muskelgewebes dicht unterhalb des Fettgewebes befinden. Durch zusätzliches Einschränken des vorbestimmten Bereichs in Abhängigkeit von dem Ort, d. h. davon, ob Bildpunkte in einem seitlichen (rechten oder linken) oder vorderen oder hinteren Bereich des Körpers untersucht werden, können Rippenbildpunkte zuverlässiger und mit geringerem Rechenaufwand bestimmt werden.
Um Bildpunkte, welche den Bereich innerhalb des Brustkorbs eingrenzen, zu bestimmen, kann das Verfahren gemäß einer Ausführungsform ein Verbinden der Rippenbildpunkte mit einem geschlossenen Linienzug umfassen. Bildpunkte, die auf dem geschlossenen Linienzug liegen, werden dabei als Hintergrundsaatpunkte definiert.
Weiterhin können die Bildpunkte, welche den Bereich innerhalb des Brustkorbs eingrenzen, bestimmt werden, indem einzelne Rippen durch Zusammenfassen von zusammenhängenden Bildpunkten, die genau zu einer Rippe gehören, bestimmt werden. Für jede einzelne Rippe wird dann eine Mitte bestimmt und ein Bildpunkt, welcher der Mitte der Rippe entspricht, als Rippenmittelpunkt einer einzelnen Rippe definiert. Durch Verbinden der Rippenmittelpunkte mit Hilfe einer Spline-Interpolation werden Bildpunkte bestimmt, welche den Bereich innerhalb des Brustkorbs eingrenzen und die Bildpunkte, die auf der Spline-Interpolation liegen, werden als Hintergrundsaatpunkte definiert.
Durch Ausbilden eines geschlossenen Linienzugs oder einer Spline-Interpolation, welche den Bereich innerhalb des Brustkorbs eingrenzt, und Definieren der Bildpunkte, welche auf dem Linienzug liegen bzw. welche auf der Spline-Interpolation liegen, als Hintergrundsaatpunkte, wird der Bereich, in welchem das nachfolgende Random-Walker-Verfahren durchgeführt wird, zuverlässig auf den Innenraum des Brustkorbs einge grenzt. Dadurch wird die Segmentierung zuverlässiger und kann aufgrund des eingegrenzten Raums schneller berechnet werden.
In einer Ausführungsform der vorliegenden Erfindung können Lebersaatpunkte und Hintergrundsaatpunkte innerhalb des Brustkorbs folgendermaßen bestimmt werden. Zunächst wird ein Signalwerthistogramm der Signalwerte der Bildpunkte, welche sich innerhalb des Brustkorbs befinden, bestimmt. Dann werden Bildpunkte innerhalb eines Bereichs des Brustkorbs mit einem Signalwert innerhalb einer vorgegebenen ersten Varianz eines ersten Maximums des Signalwerthistogramms als Hintergrundsaatpunkte definiert und Bildpunkte innerhalb eines Bereichs des Brustkorbs mit einem Signalwert innerhalb einer vorgegebenen zweiten Varianz eines zweiten Maximums des Signalwerthistogramms als Lebersaatpunkte definiert.
Da sich innerhalb des Brustkorbs im Wesentlichen Bildpunkte befinden, welche entweder zu dem Magen oder zu der Leber des Untersuchungsobjekts gehören, können Mittelwert und Varianz von dieser Gaußschen Verteilung durch eine bimodale Verteilungsanalyse bestimmt werden. Somit können auf einfache Art und Weise innerhalb des Brustkorbs Lebersaatpunkte und Hintergrundsaatpunkte (Bildpunkte, welche dem Magen zugeordnet werden können) zuverlässig bestimmt werden, so dass eine Segmentierung der Bilddaten mit dem nachfolgenden Random-Walker-Verfahren zuverlässig durchgeführt werden kann. Indem viele zusätzliche Saatpunkte definiert werden, wird weniger Rechenaufwand für das nachfolgende Random-Walker-Verfahren benötigt und somit kann die Segmentierung schneller durchgeführt werden. Durch Einschränken des Bereichs innerhalb des Brustkorbs, z. B. auf einen Bereich in rechten und vorderen Teil des Brustkorbs, in welchem nach Lebersaatpunkten gesucht wird, kann die Zuverlässigkeit des Verfahrens erhöht und die Rechenzeit verringert werden.
Bei einer weiteren Ausführungsform des erfindungsgemäßen Verfahrens wird das Bestimmen einer Wahrscheinlichkeit für jeden Bildpunkt, ob der Bildpunkt zu der Leber gehört oder nicht, mit Hilfe des Random-Walker-Verfahrens in einer ersten groben Bestimmung basierend auf Bilddaten einer ersten Auflösung, welche eine gröbere Auflösung als die ursprüngliche Auflösung aufweist, und in einer zweiten feinen Bestimmung, welche auf den Ergebnissen der ersten groben Bestimmung und Bilddaten in der ursprünglichen Auflösung basiert, durchgeführt. Die gröbere Auflösung kann z. B. durch Kombinieren von jeweils 3 × 3 Bildpunkten der ursprünglichen Auflösung zu einem Bildpunkt der gröberen Auflösung bestimmt werden. Dabei können Bildpunkte, für die bei der ersten Bestimmung eine vorbestimmte Mindestwahrscheinlichkeit für eine Zugehörigkeit zur Leber bestimmt wurde, als zusätzliche Lebersaatpunkte für die zweite feine Bestimmung verwendet werden. Zusätzlich können für die zweite feine Bestimmung Bildpunkte, für die bei der ersten Bestimmung eine vorbestimmte Mindestwahrscheinlichkeit für eine Zugehörigkeit zum Hintergrund bestimmt wurde, als zusätzliche Hintergrundsaatpunkte verwendet werden.
Die zusätzlichen Saatpunkte können dabei entweder als Saatpunkte mit einer eindeutigen, d. h. 100 prozentigen, Zuordnung zu entweder dem Hintergrund oder der Leber definiert werden, oder als Saatpunkte, denen eine prozentuale Zugehörigkeitswahrscheinlichkeit zu entweder der Leber oder dem Hintergund zugeordnet ist. Das Random-Walker-Verfahren kann dahingehend verändert sein, dass es zur Verarbeitung von Saatpunkten geeignet ist, welche eine derartige prozentuale Zugehörigkeitswahrscheinlichkeit aufweisen.
Durch das Anwenden des Random-Walker-Verfahrens in zwei Stufen, einer ersten groben Bestimmung und einer zweiten feinen Bestimmung, kann der benötigte Rechenaufwand für die Durchführung des Random-Walker-Verfahrens erheblich verringert werden. Da die erste grobe Bestimmung aus Bilddaten einer ersten Auflösung, welche eine gröbere Auflösung als die ursprüngliche Auflösung hat, basiert, umfasst die erste grobe Bestimmung erheblich weniger Bilddaten und kann somit erheblich schneller bestimmt werden. Indem die Ergebnisse der ersten groben Bestimmung als zusätzliche Hintergrundsaatpunkte bzw. Lebersaatpunkte für die zweite feine Bestimmung dienen, basiert die zweite feine Bestimmung auf erheblich mehr Saatpunkten, wodurch der Rechenaufwand für die zweite feine Bestimmung wiederum stark verringert wird. Somit wird erreicht, dass die Segmentierungsergebnisse schnell bereitgestellt werden können.
Gemäß einer Ausführungsform des Verfahrens der vorliegenden Erfindung können die Bilddaten mehrere Bilddatenschichten umfassen, welche in anatomischer Reihenfolge des untersuchten Objekts angeordnet sind. Die Bildpunkte einer Bilddatenschicht werden dabei in einem Polarkoordinatensystem adressiert, wobei der Ursprung des Polarkoordinatensystems näherungsweise in einem Schwerpunkt der Schicht des Untersuchungsobjekts angeordnet ist.
Durch die Verwendung des Polarkoordinatensystems mit einem Ursprung näherungsweise in einem Schwerpunkt der Schicht des Untersuchungsobjekts können die zuvor beschriebenen Bestimmungen von zum Beispiel Bildpunkten an der ersten Grenze oder der zweiten Grenze oder Rippenbildpunkten einfach durchgeführt werden, indem die Signalwerte entlang dem Radius des Polarkoordinatensystems untersucht werden. Ferner ist eine anatomische Lagebestimmung von Bildpunkten in einem Polarkoordinatensystem einfach über den Winkel des Polarkoordinatensystems möglich, um zum Beispiel einen vorderen oder einen seitlichen Bereich des Untersuchungsobjekts zu bestimmen.
In einer Ausführungsform der vorliegenden Erfindung wird eine Gewichtsfunktion oder Kantenwertfunktion w_i,j des Random-Walker-Verfahrens zwischen zwei benachbarten Bildpunkten i und j nach der Gleichung
bestimmt. Dabei ist n ein Skalierungswert, welcher in Abhängigkeit von einer gewählten Funktion f und einem Signalwerte bereich der Bildpunkte gewählt wird. Als Funktion f kann beispielsweise f(g_i – g_j) = |g_i – g_j| gewählt werden. Bei Signalwerten, welche beispielsweise von einem Computertomographen erzeugt werden, kann n dann zum Beispiel in einem Bereich von 300 bis 400, zum Beispiel 360, gewählt werden. Wird bei Signalwerten eines Computertomographen als Funktion f die Funktion f(g_i – g_j) = (g_i – g_j)² gewählt, so kann n beispielsweise in einem Bereich von 50 bis 120, zum Beispiel 60, gewählt werden.
Der Wert Δd stellt einen Abstand zwischen den Bildpunkten i und j dar. Da bei Bilddaten, welche mehrere Bilddatenschichten umfassen, im Allgemeinen der Abstand zwischen zwei Bildpunkten innerhalb einer Bilddatenschicht anders als der Abstand zwischen zwei Bildpunkten zwischen zwei Bilddatenschichten ist, wird der Wert Δd in Abhängigkeit von den Bildpunkten i und j in der obigen Gleichung verwendet.
Der Wert c ist ein Skalierungswert, welcher in Abhängigkeit einer Bewegung des Untersuchungsobjekts zwischen zeitlich versetzten Bestimmungen der Bildpunkte i und j gewählt wird. Der Wert β ist ein Normierungsfaktor, welcher in Abhängigkeit eines Kontrastbereichs der Bilddaten gewählt wird. Die Funktion f dient zum Bestimmen des Unterschieds zwischen den Signalwerten g_i und g_j der Bildpunkte i und j und wird beispielsweise wie oben angegeben gewählt.
Indem die Gewichtsfunktion w_i,j insbesondere den Abstand Δd zwischen benachbarten Bildpunkten i und j, welcher in Abhängigkeit davon, ob die Bildpunkte innerhalb einer Schicht liegen oder nicht, stark unterschiedlich sein kann, berücksichtigt, und darüber hinaus die Skalierungs- und Korrekturwerte β, c und n aufweist, wird dem Random-Walker-Verfahren eine Gewichtsfunktion bereitgestellt, welche in Bezug auf die zu verarbeitenden Bilddaten geeignet angepasst ist.
Bei einer weiteren Ausführungsform der vorliegenden Erfindung werden als Bilddaten Computertomographiedaten verwendet. Die Signalwerte umfassen dann Hounsfield-Werte der Computertomographiedaten. Durch den Skalierungswert n ist keine weitere Umrechnung der Hounsfield-Werte zur Verwendung in dem Random-Walker-Verfahren notwendig.
Insbesondere bei Verwendung von Computertomographiedaten mit Hounsfield-Werten als Signalwerten können Bildpunkte, welche Luft oder andere Gase darstellen, oder Bildpunkte, welche Knochen darstellen, oder Bildpunkte, welche Fett darstellen, einfach aufgrund ihrer Hounsfield-Werte identifiziert werden und als Hintergrundsaatpunkte definiert werden. Darüber hinaus ist es weiterhin möglich, beispielsweise Bildpunkte, welche eine Aorta darstellen, als Hintergrundsaatpunkte zu definieren. Durch diese zusätzlichen Hintergrundsaatpunkte wird die Zuverlässigkeit einer Segmentierung mit Hilfe des Random-Walker-Verfahrens erhöht und gleichzeitig der Rechenaufwand für eine Durchführung des Random-Walker-Verfahrens verringert.
In einer weiteren Ausführungsform des Verfahrens der vorliegenden Erfindung umfassen die Bilddaten für jeden Bildpunkt mehrere Signalwerte, wobei die mehreren Signalwerte zeitlich aufeinanderfolgend erfasst werden. Innerhalb der Bilddaten werden in dem Bereich innerhalb des Brustkorbs Bildpunktblöcke definiert, welche eine vorbestimmte Anzahl von Bildpunkten, zum Beispiel 32 × 32 Bildpunkte, umfassen. Während die mehreren zeitlich aufeinanderfolgenden Signalwerte für jeden Bildpunkt erfasst werden, wird eine Perfusion des Untersuchungsobjekts mit zum Beispiel einem Kontrastmittel durchgeführt. Dann wird ein Bildpunktblock, in welchem die Anzahl derjenigen Bildpunkte, die einen vorbestimmten Schwellenwert überschreiten, während der zeitlich aufeinander folgenden Signalwerterfassung ansteigt, bestimmt und als ein Startbildpunktblock definiert. Bildpunkte dieses Startbildpunktblocks, die den vorbestimmten Schwellenwert überschreiten, können dann als Lebersaatpunkte definiert werden.
Auf diese Art und Weise können beispielsweise bei der Durchführung einer Perfusionscomputertomographie aufgrund der Perfusion zusätzliche Lebersaatpunkte zuverlässig bestimmt werden und somit die Segmentierung der Bilddaten verbessert werden.
Darüber hinaus kann ein Bildpunktblock als Startbildpunktblock definiert werden, wenn die Anzahl der Bildpunkte, die einen vorbestimmten Schwellenwert überschreiten, während der zeitlich aufeinanderfolgenden Signalwerterfassung ansteigt, und wenn die Anzahl der Bildpunkte, die den vorbestimmten Schwellenwert überschreiten, einen vorbestimmten Anteil der gesamten Anzahl der Bildpunkte des Bildpunktblocks umfassen. Dieser vorbestimmte Anteil kann beispielsweise 40% umfassen.
Indem ein Bildpunktblock nur dann als Startbildpunktblock definiert wird, wenn zusätzlich mindestens ein vorbestimmter Anteil der gesamten Anzahl der Bildpunkte des Bildpunktblocks während der zeitlich aufeinanderfolgenden Signalwerterfassung über den vorbestimmten Schwellenwert ansteigt, wird das Verfahren robuster gegen Störungen und somit können Lebersaatpunkte zuverlässiger bestimmt werden.
Darüber hinaus kann ein Region-Growing-Verfahren angewendet werden, bei dem der zuvor ermittelte Startbildpunktblock als Ausgangspunkt für das Region-Growing-Verfahren verwendet wird. Ausgehend von diesem Startbildpunktblock werden dann weitere Bildpunktblöcke gemäß dem Region-Growing-Verfahren gesucht, wobei als Zugehörigkeitskriterium, wie zuvor beschrieben, ein Überschreiten des vorbestimmten Schwellenwerts eines vorbestimmten Anteils der Bildpunkte des Bildpunktblocks verwendet wird. Bildpunkte von den Bildpunktblöcken, die gemäß dem Region-Growing-Verfahren zu dem Startbildpunktblock gehören, werden als Lebersaatpunkte definiert, wenn sie den vorbestimmten Schwellenwert überschreiten.
Durch Anwenden des Region-Growing-Verfahrens kann die Anzahl der Lebersaatpunkte auf Basis eines zuverlässig bestimmten Startbildpunktblocks erhöht werden. Mit Hilfe der zusätzlichen Lebersaatpunkte kann das nachfolgende Random-Walker-Verfahren eine zuverlässige Segmentierung der Bilddaten durchführen, wobei aufgrund der hohen Anzahl der Lebersaatpunkte eine benötigte Rechenzeit für das Random-Walker-Verfahren verringert werden kann.
Die vorliegende Erfindung stellt weiterhin eine Vorrichtung zur Segmentierung von Bilddaten zur Erkennung einer Leber von einem Untersuchungsobjekt bereit.
Die Bilddaten umfassen mehrere Bildpunkte, denen jeweils ein Signalwert zugeordnet ist. Die Vorrichtung umfasst ein Element zum Bestimmen von Bildpunkten, welche eine Rippe darstellen, wobei diese Bildpunkte als Rippenbildpunkte bezeichnet werden. Ferner umfasst die Vorrichtung ein Element, welches mit Hilfe der Rippenbildpunkte Bildpunkte bestimmt, welche einen Bereich innerhalb eines Brustkorbs eingrenzen. Ein weiteres Element der Vorrichtung bestimmt mindestens einen Bildpunkt, welcher sich innerhalb der Menge von Bildpunkten innerhalb des Bereichs der Brustkorbs befindet und welcher einen Bildpunkt der Leber darstellt. Ein derartiger Bildpunkt wird als Leberbildpunkt bezeichnet. Weitere Elemente der Vorrichtung dienen dazu, Rippenbildpunkte und Bildpunkte, welche den Bereich innerhalb der Brustkorbs eingrenzen, als Hintergrundsaatpunkte zu definieren und den mindestens einen Leberbildpunkt als Lebersaatpunkt zu definieren. Schließlich umfasst die Vorrichtung ein Element, welches für jeden Bildpunkt innerhalb des Brustkorbs eine Wahrscheinlichkeit bestimmt, die angibt, ob der Bildpunkt zu der Leber gehört oder nicht. Das Element verwendet dabei ein Random-Walker-Verfahren, die Lebersaatpunkte und die Hintergrundsaatpunkte. Ferner kann die Vorrichtung zum Durchführen eines oder mehrerer der vorher beschriebenen Verfahren ausgestaltet sein.
Eine derartige Vorrichtung weist die gleichen Vorteile wie das zuvor beschriebene Verfahren und seine Ausführungsformen auf, und daher werden diese Vorteile hier nicht noch einmal wiederholt.
Darüber hinaus umfasst die vorliegende Erfindung ein Computerprogrammprodukt, insbesondere ein Softwareprodukt, welches in einen Speicher einer programmierbaren Verarbeitungseinheit einer Vorrichtung zur Segmentierung von Bilddaten geladen werden kann. Mit Programmmitteln und diesem Computerprogrammprodukt können alle vorab beschriebenen Ausführungsformen des erfindungsgemäßen Verfahrens ausgeführt werden, wenn das Computerprogrammprodukt in der Verarbeitungseinheit ausgeführt wird.
Die vorliegende Erfindung offenbart schließlich einen elektronisch lesbaren Datenträger, zum Beispiel eine CD oder DVD, auf welchem elektronisch lesbare Steuerinformationen, insbesondere Software, gespeichert ist. Wenn diese Steuerinformationen von dem Datenträger gelesen und in einer Verarbeitungseinheit einer Vorrichtung zur Segmentierung von Bilddaten gespeichert werden, können alle erfindungsgemäßen Ausführungsformen des zuvor beschriebenen Verfahrens durchgeführt werden.
Im Folgenden wird die vorliegende Erfindung anhand bevorzugter Ausführungsformen unter Bezugnahme auf die Zeichnungen erläutert.
1 ist ein Ablaufdiagramm, welches die Verfahrensschritte des Verfahrens gemäß der Erfindung darstellt.
2 ist ein Ablaufdiagramm, welches erfindungsgemäße Verfahrensschritte zum Bestimmen von Hintergrundsaatpunkten, welche einen Bereich innerhalb des Brustkorbs eingrenzen, darstellt.
3 ist eine schematische Darstellung eines Untersuchungsobjekts in einem Polarkoordinatensystem.
4 ist eine schematische Darstellung eines Untersuchungsobjekts, welches in verschiedene Sektoren eingeteilt ist.
5 ist eine schematische Darstellung, welche die erfindungsgemäßen Verfahrensschritte zur Ermittlung von Rippenbildpunkten darstellt.
6 ist eine schematische Darstellung eines Untersuchungsobjekts, in welchem ein Bereich innerhalb eines Brustkorbs mit Hilfe von Rippenbildpunkten und einer Spline-Interpolation eingegrenzt ist.
7 ist eine schematische Darstellung des Untersuchungsobjekts, wobei ein Bereich, in welchem sich eine Leber des Untersuchungsobjekts befindet, innerhalb eines Brustkorbs eingrenzt ist.
8 ist eine schematische Darstellung eines Untersuchungsobjekts, in welchem Lebersaatpunkte gemäß einer Ausführungsform des erfindungsgemäßen Verfahrens bestimmt werden.
9 ist eine weitere schematische Darstellung, welche das Ergebnis einer Bestimmung von Lebersaatpunkten gemäß einer Ausführungsform des Verfahrens der vorliegenden Erfindung darstellt.
10 ist eine schematische Darstellung eines Untersuchungsobjekts, in welchem gemäß einem weiteren erfindungsgemäßen Verfahren Lebersaatpunkte während einer Perfusion bestimmt werden.
11 ist eine schematische Darstellung eines Untersuchungsobjekts, welches die Lebersaatpunkte, die gemäß des erfindungsgemäßen Verfahrens bestimmt wurden, darstellt, sowie eine Segmentierung der Bilddaten zur Erkennung der Leber gemäß der Erfindung darstellt.
1 zeigt eine Übersicht einer Ausführungsform der erfindungsgemäßen Verfahrensschritte zur Segmentierung der Bilddaten zur Erkennung einer Leber von einem Untersuchungsobjekt.
In einem Schritt 1 werden die Bilddaten erfasst. Diese Bilddaten können vorzugsweise Bilddaten eines Computertomographen sein, wobei für jeden Bildpunkt der Bilddaten ein Hounsfield-Wert als ein Signalwert erfasst wird. Darüber hinaus können die Bilddaten mehrere Bilddatenschichten umfassen, welche in anatomischer Reihenfolge des untersuchten Objekts angeordnet sind. Die erfassten Bilddaten können weiterhin Bilddaten umfassen, welche jedem Bildpunkte mehrere Signalwerte zuordnen, wobei die mehreren Signalwerte zeitlich aufeinanderfolgend erfasst werden, so dass beispielsweise Signalwertänderungen beispielsweise im Rahmen einer Durchführung einer Perfusionscomputertomographie erfasst werden.
Um eine Übersegmentierung der Leber in das benachbarte Muskelgewebe zwischen den Rippen zu vermeiden, wird die Form des Brustkorbs in einem Schritt 2 bestimmt und die Bildpunkte, welche Bestandteile des Brustkorbs sind, als Hintergrundsaatpunkte definiert. Das genaue Verfahren zur Bestimmung von Brustkorbbildpunkten wird nachfolgend Bezug nehmend auf die 2–6 beschrieben werden.
In einem Schritt 3 des Verfahrens werden Bildpunkte bestimmt, welche Bildpunkte der Leber darstellen, und als Lebersaatpunkte definiert. Das genaue Verfahren zum Bestimmen von Lebersaatpunkten wird nachfolgend unter Bezugnahme auf 7–10 beschrieben werden.
In den Verfahrensschritten 4–7 werden weitere Bildpunkte als Hintergrundsaatpunkte definiert, welche aufgrund ihres Hounsfield-Wertes direkt bestimmt werden können. So weisen beispielsweise Bildpunkte, welche Luft oder andere Gase darstellen, einen Hounsfield-Wert von –460 oder weniger auf. Diese werden somit als Hintergrundsaatpunkte definiert. Ebenso weisen beispielsweise Bildpunkte, welche Knochen darstellen, Hounsfield-Werte von 325 oder mehr auf und können somit ebenfalls als Hintergrundsaatpunkte definiert werden. Schließlich können Bildpunkte, welche Fettgewebe innerhalb des Körpers darstellen, ebenfalls aufgrund ihres Hounsfield-Werts zwischen –117 und –53 als Hintergrundsaatpunkte bestimmt werden.
Nachdem eine ausreichende Menge von Lebersaatpunkten und Hintergrundsaatpunkten bestimmt wurde, wird im Verfahrensschritt 8 ein Random-Walker-Verfahren mit einer groben Auflösung zur Bestimmung der Zugehörigkeitswahrscheinlichkeit von den übrigen Bildpunkten der Bilddaten zur Leber durchgeführt. Im Verfahrensschritt 9 werden dann Bildpunkte mit einer Leberzugehörigkeitswahrscheinlichkeit von mehr als beispielsweise 60% ebenfalls als Lebersaatpunkte definiert. Ebenso werden Bildpunkte mit einer Leberzugehörigkeitswahrscheinlichkeit von weniger als 40% im Verfahrensschritt 10 als Hintergrundsaatpunkte definiert. Selbstverständlich können die beiden Wahrscheinlichkeitsgrenzen auch anders gelegt werden. Mit diesen zusätzlichen Lebersaatpunkten und Hintergrundsaatpunkten wird ein Random-Walker-Verfahren mit einer feinen Auflösung zur Bestimmung der Zugehörigkeitswahrscheinlichkeit von Bildpunkte zur Leber durchgeführt. Danach ist die automatische Segmentierung der Bilddaten abgeschlossen.
Diese zusätzlichen Saatpunkte, welche durch das Random-Walker-Verfahren mit der groben Auflösung bestimmt wurden, können neben ihrer Zugehörigkeitsinformation zu entweder der Leber oder dem Hintergrund weiterhin die berechnete Zugehörigkeitswahrscheinlichkeit umfassen. Ein Random-Walker-Verfahren, welches ausgestaltet ist, um diese zusätzliche Zugehörigkeitswahrscheinlichkeit zu verwenden, kann diese Wahrscheinlichkeitsinformation nutzen, um eine zuverlässigere Segmentierung zu bestimmen.
In einem Verfahrensschritt 12 kann ein Benutzer des Verfahrens die Qualität der Segmentierung beurteilen und entweder das Verfahren beenden (Schritt 14) oder durch manuelles Hinzufügen oder Löschen von Lebersaatpunkten oder Hintergrund saatpunkten (Schritt 13) eine neue Konfiguration von Saatpunkten basierend auf den automatisch bestimmten Saatpunkten erstellen. Diese neue Konfiguration kann dann durch nochmaliges Durchführen des Random-Walker-Verfahrens der Schritte 8–11 zur Segmentierung der Bilddaten verwendet werden.
2 zeigt Verfahrensschritte zur Bestimmung von Bildpunkten, welche einen Bereich innerhalb eines Brustkorbs eingrenzen.
Wie in 3 gezeigt, wird ein Polarkoordinatensystem im Zusammenhang mit einer jeden Schicht der Bilddaten verwendet. Die Mitte des Polarkoordinatensystems wird näherungsweise auf den Schwerpunkt des Körpers innerhalb einer Körperoberfläche 23 des Untersuchungsobjekts gesetzt. Der Schwerpunkt wird beispielsweise aus allen Bildpunkten mit einem Signalwert höher als ein vorgegebener Schwellenwert (zum Beispiel –460 Hounsfield Units) berechnet. Vorteil der Verwendung des Polarkoordinatensystems ist, dass Entfernungen zwischen Punkten innerhalb des Körpers und dem Schwerpunkt einfach berechnet werden können. Die Radiuskoordinate r eines Punktes ist sein Abstand zu dem Schwerpunkt des Körpers. Darüber hinaus kann die Winkelkoordinate α einfach in Bezug zur Anatomie gesetzt werden, um anatomische Restriktionen in einzelnen Bereichen der Schicht zu implementieren, wie beispielsweise in 4 gezeigt. So können beispielsweise über die Winkelkoordinate α rechte, linke, vordere oder hintere Bereiche oder Sektoren des Körpers bestimmt werden.
Das Verfahren zur Bestimmung von Bildpunkten, welche einen Bereich innerhalb des Brustkorbs eingrenzen, arbeitet folgendermaßen:
Zunächst wird in einem Schritt 15 der 2 eine Oberfläche 23 des Untersuchungsobjekts durch Bestimmen des Übergangs von Luft bzw. vom Tisch zu dem Untersuchungsobjekt bestimmt. Dazu werden in dem zuvor erwähnten Polarkoordinatensystem die Radiuskoordinaten für Bildpunkte bestimmt, welche auf der Kör peroberfläche 23 liegen. Diese Radiuskoordinaten r werden für einzelne Winkelwerte α getrennt bestimmt. Dieser Schritt wird für jeden Winkel α jeweils iterativ durchgeführt. Zunächst wird bei gegebenen Winkel α ein Punkt mit einem maximalen Radius, welcher gerade noch innerhalb des Bilds ist, als eine Startposition gewählt. Der Radius r wird iterativ verringert, bis die Haut des Untersuchungsobjekts erreicht ist. Dazu wird in jedem Iterationsschritt der mittlere Signalwert in einem kleinen Bereich um den aktuellen Bildpunkt berechnet. Die Iteration wird beendet, wenn der berechnete Mittelwert höher als ein möglicher Hounsfield-Wert für Luft ist. Schließlich wird ein Mittelwertfilter auf alle berechneten Radien angewendet, um Ausreißer zu entfernen. So können Bildpunkte auf der Oberfläche 23 des Untersuchungsobjekts wie in 3 und 4 gezeigt bestimmt werden.
In einem nächsten Verfahrensschritt 16 (2) wird eine Grenze zwischen Haut- und Fettgewebe zum Muskelgewebe bestimmt. Die Suche beginnt an Positionen der Körperoberfläche 23, welche im Verfahrensschritt 15 (2) bestimmt wurde. 5 zeigt das weitere Vorgehen. Zuerst werden die Radien der Oberflächenpositionen in Polarkoordinaten um z. B. 5 mm verringert, um Hautbildpunkte zu überspringen. Dann wird, wie in dem vorhergehenden Verfahrensschritt, der Radius iterativ verringert. Die Iteration wird beendet, wenn ein Signalwertmittelwert innerhalb eines kleinen Kreises um den aktuellen Bildpunkt höher als 0 Hounsfield-Einheiten ist. Nach einer Berechnung aller Radien für alle Winkelwerte wird wiederum ein Mittelwertfilter in Umfangsrichtung angewendet, um Ausreißer zu eliminieren und die gefundene Grenze 24 zwischen Fettgewebe und Muskelgewebe zu glätten. Bei dem Mittelwertfilter kann eine winkelabhängige Kerngröße verwendet werden. In dem vorderen Teil des Körpers kann der Kern dreimal größer gewählt werden, da dort mehr Ausreißer im Bereich der Linea Alba, einem Sehnenstreifen zwischen den Bauchmuskeln, liegen, welche mit einem derartigen Filter einfach eliminiert werden können. 5a zeigt die so gefundene Grenze 24 zwischen dem Fettgewebe und dem Muskelgewebe.
Basierend auf der Grenze 24 wird eine winkelabhängige maximale Rippensuchtiefe d_s definiert, wie in 5b gezeigt (Schritt 17 der 2). In dem vorderen Teil des Abdomens gibt es keine Rippen und daher wird dort die Suchtiefe auf 0 gesetzt (Schritt 18 der 2). In der rechten und linken Seite des Körpers wird die Suchtiefe beispielsweise auf 1,3 cm gesetzt und in dem hinteren Teil des Körpers wird die Suchtiefe beispielsweise auf 2 cm gesetzt, da die meisten Patienten in der Nähe des Rückgrats mehr Muskelmasse aufweisen. In dem derartig definierten beschränkten Suchbereich d_s werden Bildpunkte mit hohen Signalwerten mit Hilfe einer dynamischen Schwellenwertfunktion als Rippenbildpunkte bestimmt, wie in 5c gezeigt. Die Schwellenwerte werden automatisch mit Hilfe einer Histogrammanalyse von schmalen Bereichen angepasst, um zu verhindern, dass Rippen 25 mit geringen Signalwerten nicht erkannt werden. Alle Winkel, für die innerhalb des Suchbereichs keine Rippen gefunden wurden, werden mit einer entsprechenden Markierung versehen. Die gefundenen Rippenpositionen werden ebenfalls entsprechend markiert, wie in 5d als Rippenbildpunkte 26 gezeigt.
Die erfassten Rippenbildpunkte 26 werden mit einem hierarchischen Clusteranalyseverfahren in Abhängigkeit von dem Radius r und dem Winkel α der Bildpunktwerte, welche zu den Rippen 25 gehören, zusammengefasst. Ausgehend von einer großen Anzahl von Gruppen (Cluster) werden die Gruppen zusammengeführt, bis die Abstände zwischen den Gruppenmitten eine vorbestimmte Größe erreichen (Schritt 19 der 2). Die letztendlichen Gruppenmitten werden als die äußeren Rippenpositionen 27 pro Rippe 25 bestimmt, wie in 5e dargestellt. Ausgehend von den äußeren Rippenpositionen 27 werden entsprechende innere Rippenpositionen 28 durch Untersuchen des Signalwerteverlaufs in die Richtung des Körperschwerpunkts bestimmt, wie in 5f dargestellt. In Verfahrensschritt 20 (2) werden die Rippenmittelpunkte 29 der 6 durch geringfügiges Verschieben der inneren Rippenpositionen 28 in Richtung der Außenseite des Körpers bestimmt.
Die Rippenmittelpunkte 29 (6) werden dann als Stützstellen für eine kubische Spline-Interpolation 30 (6) verwendet. Wenn in einem Sektor oder Bereich des Untersuchungsobjekts nicht genügend Stützstellen für die Spline-Interpolation 30 vorhanden sind, wird überprüft, ob in benachbarten Schichtbildern der Bilddaten Rippenmittelpunkte gefunden wurden, welche verwendet werden können. Wenn benachbarte Schichtbilder derartige Rippenmittelpunkte bereitstellen, werden diese Rippenmittelpunkte durch Interpolation der entsprechenden Rippenmittelpunkte verwendet. Wenn auch in den benachbarten Bildschichten keine Rippenmittelpunkte in diesem Bereich gefunden wurden, wie beispielsweise in dem oberen Bereich der 6, wo keine Rippen vorhanden sind, werden Punkte der Grenze 24 zwischen Fettgewebe und Muskelgewebe als Ersatz hergenommen, wie beispielsweise in 6 der Bildpunkt 31. Dies verhindert, dass die Spline-Interpolation durch die Leber verläuft.
Bildpunkte, welche auf der Spline-Interpolation liegen, werden nun als Hintergrundsaatpunkte definiert. Diese Information verhindert eine Segmentierung der Leber in den Umgebungsbereich von Muskel- und Fettgewebe (Verfahrensschritt 21 der 2).
In den Darstellungen der 6–11 sind die rechte Seite und die linke Seite gegenüber üblichen anatomischen Darstellungen vertauscht, so dass die Leber in den Figuren auf der linken Seite dargestellt ist. In der Beschreibung werden dagegen rechts und links im anatomischen Sinne verwendet, so dass beispielsweise in 7 die Leber als in der rechten Hälfte der Bilddaten des Untersuchungsobjekts angeordnet beschrieben wird, obwohl sie in der 7 als der schraffierte Bereich auf der linken Seite dargestellt ist.
Nachfolgend wird Bezug nehmend auf die 7–10 erläutert werden, wie Bildpunkte bestimmt werden, welche zur Leber gehören und somit als Lebersaatpunkte verwendet werden können.
Um zu verhindern, dass fehlerhafte Lebersaatpunkte bestimmt werden, wird die Suche auf Bildschichten beschränkt, welche einen großen Anteil von Lebergewebe aufweisen. Diese Schichten werden durch Zählen der Anzahl von Luftbildpunkten in dem rechten vorderen Bereich, welcher von der Brustkorb-Spline-Interpolation eingeschlossen ist, bestimmt. Dazu wird das anatomische Vorwissen verwendet, dass oberhalb der Leber Luft innerhalb der Lunge und unterhalb der Leber etwas Luft innerhalb des Darms vorhanden ist.
Ein Signalwertehistogramm wird aus Bildpunkten in dem vorderen (in 7 oben) und rechten hinteren (in 7 links unten) Teil des Abdomens, welcher von der kubischen Spline-Interpolation eingeschlossen ist, erstellt, wie in 7 durch die Linie 32 dargestellt. Es wird angenommen, dass die Hounsfield-Werte der Leber und des Magens Gauß-Verteilungen unterliegen. Somit werden Mittelwert und Varianz dieser Gauß-Verteilungen durch eine bimodale Verteilungsanalyse bestimmt. Um zu verhindern, dass eine bimodale Analyse angewendet wird, wenn kein Magen sichtbar ist, werden die Spitzen in dem Histogramm gezählt. Wenn nur eine einzige Spitze vorhanden ist, wird nur die Gauß-Verteilung der Leber bestimmt. Mittelwert und Varianz der Gauß-Verteilung der Leber werden verwendet, um den Signalwertebereich der Leberbildpunkte zu definieren.
Ausgehend von einem Bildpunkt der Spline-Interpolation, welcher sich möglichst weit rechts im Körper befindet, wie zum Beispiel der Punkt 33 in 8, wird die Suche nach Leberbildpunkten, welche als Lebersaatpunkte verwendet werden können, begonnen. Der Radius wird schrittweise verringert und die Bildpunkte werden daraufhin überprüft, ob sie innerhalb eines Bereichs liegen, welcher aus den Histogrammdaten (Mittelwert und Varianz) berechnet wurden. Wenn sie diese Bedingung erfüllen, werden sie als Lebersaatpunkte definiert. Dann wird der Polarkoordinatenwinkel iterativ im Uhrzeigersinn und gegen den Uhrzeigersinn geändert. So werden weitere Leber saatpunkte bei konstantem Radius und verändertem Winkel definiert, wie durch die Linien 34 in 8 dargestellt. Die Suche nach Lebersaatpunkten bei konstantem Radius und verändertem Winkel endet, wenn entweder ein Bildpunkt nicht innerhalb des aus den Histogrammdaten berechneten Bereichs liegt oder der Winkel den Rippenmittelpunkt der letzten sichtbaren Rippe, wie in 9 durch die Linie 35 dargestellt, erreicht hat. Wenn durch Verändern des Winkels keine weiteren Lebersaatpunkte gefunden werden, wird durch Verringern des Radius weiter in proximaler Richtung gesucht, bis keine weiteren Lebersaatpunkte innerhalb des durch Linie 32 in 7 begrenzten Bereichs gefunden wurden.
Bei der Anwendung einer Perfusionscomputertomographieuntersuchung können weitere Lebersaatpunkte definiert werden, indem die Veränderung der Signalwerte über der Zeit bestimmt werden, während ein Kontrastmittel das Gewebe durchströmt.
Ein Ansammeln des Kontrastmittels innerhalb des durchströmten Organs führt zu einem Erhöhen der durchschnittlichen Signalwerte der Bildpunkte über der Zeit. Dies trifft insbesondere auch für die Leber zu. Daneben können jedoch einige Bildpunkte ihre Intensität im Laufe der Zeit aufgrund einer Bewegung des Patienten (zum Beispiel durch Atmung) verändern. Deshalb werden Blöcke von Bildpunkten von einer Größe von 32 × 32 Bildpunkten innerhalb eines Bereichs, welcher von der Brustkorb-Spline-Interpolation eingeschlossen ist, auf Hounsfield-Wertänderungen überprüft, wie in 10 dargestellt. Der überprüfte Bereich ist wiederum auf den vorderen und hinteren rechten Bereich des Untersuchungsobjekts, wie durch die Linie 32 in 10 dargestellt, beschränkt. Die Quadrate in 10 stellen die Blöcke von Bildpunkten von 32 × 32 Bildpunkten dar.
Während der Perfusionscomputertomographieuntersuchung werden die Blöcke von Bildpunkten dahingehend untersucht, ob die Anzahl der Bildpunkte, welche über einem vorgegebenen Schwellenwert liegen, ansteigt. Der vorgegebene Schwellenwert kann beispielsweise im Bereich von –100 bis –150 Hounsfield-Einheiten liegen. Wenn die Anzahl der Bildpunkte, welche über dem vorgegebenen Schwellenwert liegen, beispielsweise mehr als 40% der gesamten Bildpunkte des Blocks von Bildpunkten umfasst, werden die Bildpunkte, welche über dem vorgegebenen Schwellenwert liegen, als mögliche Organbildpunkte markiert.
Ausgehend von einem Startbildpunktblock, welcher ein Bildpunktblock ist, der sich möglichst weit an der rechten Seite des Brustkorbs innerhalb der Linie 32 befindet, und welcher die oben beschriebenen Bedingungen (mindestens 40% der gesamten Bildpunkte des Blocks überschreiten den vorgegebenen Schwellenwert) erfüllt, wird ein Region-Growing-Verfahren gestartet. In 10 kann dieser Startbildpunktblock beispielsweise der mit Bezugszeichen 37 bezeichnete Bildpunktblock sein. Die Bildpunktblöcke 36, welche gemäß dem Region-Growing-Verfahren zu der Region des Startbildpunktblocks 37 gehören, sind in 10 schraffiert dargestellt. Die Bildpunkte dieser Bildpunktblöcke 36, 37 werden dann als weitere Lebersaatpunkte definiert, wenn sie den vorgegebenen Schwellenwert überschreiten.
Insbesondere bei Verwendung von Computertomographiedaten mit Hounsfield-Werten als Signalwerten können Bildpunkte, welche Luft oder andere Gase darstellen, oder Bildpunkte, welche Knochen darstellen, oder Bildpunkte, welche Fett darstellen, einfach aufgrund ihrer Hounsfield-Werte identifiziert werden und als Hintergrundsaatpunkte definiert werden, wie beispielsweise die Bildpunkte 40 der 11.
Mit den derart definierten Lebersaatpunkten und Hintergrundsaatpunkten wird ein Random-Walker-Verfahren angewendet, welches für jeden Bildpunkt eine Wahrscheinlichkeit bestimmt, mit welcher dieser Bildpunkt entweder zu der Leber oder zu dem Hintergrund gehört.
Das Random-Walker-Verfahren arbeitet bei der Segmentierung von Bilddaten folgendermaßen. Zunächst wird mit Hilfe einer Gewichtsfunktion für jede Kante zwischen zwei benachbarten Bildpunkten i und j ein Gewicht w_i,j bestimmt. Das Gewicht w_i,j ist umso größer, je ähnlicher die Signalwerte der beiden Bildpunkte i und j sind. Einige Bildpunkte der Bilddaten besitzen eine Markierung, welche anzeigt, dass dieser Bildpunkt mit hoher Zuverlässigkeit einem bestimmten Inhalt der Bilddaten, wie zum Beispiel der Leber oder dem Hintergrund, zugeordnet ist. Diese markierten Bildpunkte werden auch als Saatpunkte bezeichnet und werden in der vorliegenden Ausführungsform mit den zuvor erläuterten Verfahren bestimmt. Für alle Bildpunkte, welchen keine Saatpunktmarkierung zugeordnet ist, wird nun eine Wahrscheinlichkeit bestimmt, mit welcher sie zu einem der durch die Saatpunkte definierten Inhalte gehören.
Diese Wahrscheinlichkeit für einen Bildpunkt wird durch folgendes Gedankenmodell bestimmt: Ein Wanderer (Random-Walker) irrt ausgehend von dem Bildpunkt mit Zufallsbewegungen solange umher, bis er auf einen der Saatpunkte trifft. Die Wahrscheinlichkeit für eine Bewegungsrichtung des Wanderers ist dabei jedoch nicht isotrop, sondern wird durch die Kantengewichte w_i,j beeinflusst. Je höher das Kantengewicht w_i,j ist, umso höher ist die Wahrscheinlichkeit, dass der Wanderer bei seiner Zufallswanderung von Bildpunkt i zu Bildpunkt j wandert. Mit Hilfe einer statistisch ausreichenden Anzahl von Versuchen wird für einen bestimmten Bildpunkt die Wahrscheinlichkeit bestimmt, mit welcher der Wanderer zuerst auf einen bestimmten Saatpunkt, zum Beispiel einen Lebersaatpunkt oder einen Hintergrundsaatpunkt trifft. Diese Wahrscheinlichkeit wird für jeden Bildpunkt der Bilddaten bestimmt.
Anstatt tatsächlich derartige statistische Simulationen auszuführen, kann die Wahrscheinlichkeit für jeden Bildpunkt analytisch berechnet werden, wie beispielsweise in dem US-Patent Nr. 2006/0147126 A1 beschrieben. Somit liefert das Random-Walker-Verfahren für jeden Bildpunkt der Bilddaten eine Zugehörigkeitswahrscheinlichkeit zu der Leber bzw. dem Hintergrund.
Die Saatpunkte können neben ihrer Zugehörigkeitsinformation zu entweder der Leber oder dem Hintergrund weiterhin die eine Zugehörigkeitswahrscheinlichkeit zu entweder der Leber oder dem Hintergrund umfassen. Ein Random-Walker-Verfahren, welches ausgestaltet ist, um diese zusätzliche Zugehörigkeitswahrscheinlichkeit zu verwenden, kann diese Wahrscheinlichkeitsinformation nutzen, um eine zuverlässigere Segmentierung zu bestimmen.
11 zeigt das Ergebnis einer Segmentierung mit Hilfe des Random-Walker-Verfahrens, wobei die Zugehörigkeitswahrscheinlichkeiten der Bildpunkte der Bilddaten zu entweder der Leber oder dem Hintergrund folgendermaßen bestimmt wurden:
Um die Berechnungen zu beschleunigen, wird das Random-Walker-Verfahren in zwei Stufen durchgeführt, wobei in einer ersten Stufe das Random-Walker-Verfahren auf Bilddaten mit einer verringerten gröberen Auflösung ausgeführt wird. Die Initialisierung des Random-Walker-Verfahrens erfolgt in diesem Fall mit interpolierten Wahrscheinlichkeiten der Saatpunkte der gröberen Auflösung. Dies ist im Falle vieler Saatpunkte, wie sie wie zuvor beschrieben ermittelt wurden, genauer. Nun wird das Random-Walker-Verfahren auf den Bilddaten mit gröberer Auflösung durchgeführt. Die gröbere Auflösung kann beispielsweise durch Zusammenfassen und Interpolieren von jeweils 3 × 3 Bildpunkten der ursprünglichen Auflösung zu einem Bildpunkt der gröberen Auflösung erfolgen. Die Saatpunkte umfassen in diesem Fall zusätzlich eine Zugehörigkeitswahrscheinlichkeitsinformation zu der Leber bzw. dem Hintergrund. Dadurch kann das Random-Walker-Verfahren erheblich schneller berechnet werden.
Die Ergebnisse für die Bildpunkte mit der gröberen Auflösung werden dann für eine Berechnung des Random-Walker-Verfahrens auf der ursprünglichen Auflösung verwendet. Wenn für einen Bildpunkt der gröberen Auflösung eine Leberzugehörigkeitswahrscheinlichkeit von 60% oder mehr bestimmt wurde, so werden die entsprechenden Bildpunkte der ursprünglichen Auflö sung als weitere Lebersaatpunkte definiert. Alternativ wird nur einer der ursprünglichen Bildpunkte, zum Beispiel der mittlere der ursprünglichen Bildpunkte, als neuer Lebersaatpunkt definiert. Für Bildpunkte der gröberen Auflösung, für welche eine Leberzugehörigkeitswahrscheinlichkeit von weniger als 40% bestimmt wurde, werden die entsprechenden Bildpunkte der ursprünglichen Auflösung als Hintergrundsaatpunkte definiert. Alternativ kann auch hier wiederum nur der mittlere Bildpunkt der ursprünglichen Auflösung als Hintergrundsaatpunkt definiert werden. Ferner können die zuvor vorgeschlagenen Grenzwerte von 60% bzw. 40% entsprechend der speziellen Anforderungen einer speziellen Anwendung verändert werden. Zusätzlich können die Saatpunkte eine Zugehörigkeitswahrscheinlichkeitsinformation zu der Leber bzw. dem Hintergrund aufweisen, welche von einem geeignet veränderten Random-Walker-Verfahren für eine verbesserte Segmentierung verwendet wird.
Nun wird das Random-Walker-Verfahren mit den zusätzlichen Lebersaatpunkten und Hintergrundsaatpunkten auf der ursprünglichen Auflösung der Bilddaten ausgeführt. Durch die stark erhöhte Anzahl von Saatpunkten kann diese Berechnung des Random-Walker-Verfahrens deutlich beschleunigt werden.
Als Gewichtsfunktion zur Bestimmung der Kantengewichte w_i,j wird vorzugsweise die folgende Gleichung verwendet:
Dabei ist n ein Skalierungswert, welcher in Abhängigkeit von einer gewählten Funktion f(g_i – g_j) und einem Signalwertbereich, zum Beispiel einem Hounsfield-Wertbereich, der Bildpunkte gewählt. Δd ist ein Abstand zwischen den Bildpunkten i und j, welcher insbesondere bei Bilddaten, welche mehrere Schichtbilder umfassen, in Abhängigkeit der Bildpunkte i und j unterschiedlich sein kann. So ist der Abstand Δd zwischen zwei Bildpunkten i und j innerhalb eines Schichtbilds bei spielsweise im Bereich von 0,2 mm bis 2 mm, wohingegen der Abstand Δd zwischen zwei Bildpunkten i und j von zwei unterschiedlichen Bildschichten beispielsweise im Bereich von 1 mm bis 3 mm oder sogar noch größer sein kann. Der Wert c ist ein Skalierungswert, welcher in Abhängigkeit einer Bewegung des Untersuchungsobjekts zwischen zeitlich versetzten Bestimmungen der Bildpunkte i und j gewählt wird. Insbesondere wenn die Bildpunkte i und j in unterschiedlichen Bildschichten angeordnet sind, kann bei zeitlich versetzten Aufnahmen der Bildschichten eine Bewegung des Untersuchungsobjekts zu Fehlern führen. Je größer die Wahrscheinlichkeit einer Bewegung des Untersuchungsobjekts zwischen zeitlich versetzten Bestimmungen der Bildpunkte i und j ist, umso größer wird der Skalierungswert c gewählt, um das Kantengewicht w_i,j dementsprechend zu verringern. Der Wert β ist ein Normierungsfaktor, welcher in Abhängigkeit eines Kontrastbereichs der Bilddaten gewählt wird. Die Funktion f(g_i – g_j) ist eine Funktion zum Bestimmen des Unterschieds zwischen den Signalwerten g_i und g_j der Bildpunkte i bzw. j. Die Funktion f kann beispielsweise die einfache Betragsfunktion f(g_i – g_j) = |g_i – g_j| sein, was zu einer besseren Ausdehnung der Lebersaatpunkte führt. Alternativ kann eine Funktion f(g_i – g_j) = (g_i – g_j)² verwendet werden, welche empfindlicher auf Signalwertgradienten reagiert und eine bessere Segmentierung liefert, wenn viele Lebersaatpunkte vorhanden sind. Der Skalierungswert n kann beispielsweise im Bereich von 300 bis 400 gewählt werden, vorzugsweise 360, wenn als Funktion f die Betragsfunktion verwendet wird. Wird als Funktion f die Quadratdifferenzfunktion verwendet, kann der Skalierungswert n beispielsweise in einem Bereich von 50 bis 120, vorzugsweise 60, verwendet werden.
11 zeigt Bilddaten einer Schicht eines Untersuchungsobjekts, welche mit Hilfe des zuvor beschriebenen Random-Walker-Verfahrens segmentiert wurden. Als Lebersaatpunkte für das Raudom-Walker-Verfahren wurden die Lebersaatpunkte auf den Linien 34 sowie in den Bildpunktblöcken 36 verwendet, welche wie zuvor beschrieben bestimmt wurden. Als Hinter grundsaatpunkte wurden Bildpunkte auf der Spline-Interpolation 30, welche wie zuvor beschrieben definiert wurden, sowie Hintergrundsaatpunkte 40 innerhalb des Brustkorbs, welche wie zuvor beschrieben aufgrund ihrer Hounsfieldwerte ermittelt wurden, verwendet. Das Random-Walker-Verfahren arbeitet dabei auf den dreidimensionalen Daten der mehreren Bilddatenschichten.
Das Random-Walker-Verfahren wurde dann auf alle Bildpunkte 38 angewendet, welche sich innerhalb der Spline-Interpolation 30 befinden und nicht als Lebersaatpunkte oder Hintergrundsaatpunkte definiert waren. Durch das Random-Walker-Verfahren wird diesen Bildpunkten jeweils eine Zugehörigkeitswahrscheinlichkeit zu der Leber bzw. dem Hintergrund zugeordnet. Durch Festlegen eines vorbestimmten Schwellenwerts, beispielsweise 50%, werden alle Bildpunkte, die eine Leberzugehörigkeit von 50% oder mehr aufweisen, als Leberbildpunkte definiert und alle Bildpunkte, welche eine Leberzugehörigkeitswahrscheinlichkeit von weniger als 50% aufweisen, als Hintergrundbildpunkte definiert.
11 zeigt das Ergebnis der Segmentierung. Alle Bildpunkte, welche sich innerhalb des Linienzugs 39 befinden, wurden von den Random-Walker-Verfahren als Leberbildpunkte definiert. Alle Bildpunkte, welche sich außerhalb des Linienzugs 39 befinden, wurde von dem Random-Walker-Verfahren als Hintergrundbildpunkte definiert. Damit ist die Segmentierung der Bilddatenschicht abgeschlossen.
Nach dieser automatischen Segmentierung kann ein Benutzer die Ergebnisse beurteilen. Mit Hilfe einfacher Werkzeuge, wie zum Beispiel einem elektronischen Pinsel und einem elektronischen Radiergummi, kann der Benutzer zusätzliche Saatpunkte setzen oder löschen. Dabei können sowohl Saatpunkte, welche Hintergrundsaatpunkte darstellen, als auch Saatpunkte, welche Lebersaatpunkte darstellen, gelöscht bzw. zusätzlich eingegeben werden. Nachdem der Benutzer die Saatpunkte korrigiert hat, kann mit Hilfe des Random-Walker-Verfahrens eine erneute Seg mentierung der Bilddaten durchgeführt werden. Diese Schritte können wiederholt werden, bis zufriedenstellende Ergebnisse erzielt werden. Dabei ist keine vollständige Neuberechnung notwendig. Nachdem der Benutzer die Saatpunktinformation verändert hat, kann das Raudom-Walker-Verfahren wieder gestartet werden und eine verbesserte Segmentierung berechnen. Um die Berechnungszeit zu verringern, kann die vorhergehende Lösung der linearen Gleichungen des Random-Walker-Verfahrens verwendet werden, um die nachfolgende Berechnung zu initialisieren. Dies ist möglich, da die Lösung bereits für die meisten Bildpunkte korrekt ist. Mit diesem Ansatz kann die Zeit für ein Zusammenwirken mit dem Benutzer reduziert werden.
Durch die Anwendung der beschriebenen Techniken ist es möglich, eine robuste Lebersegmentierung zu erzeugen. Es werden nur wenige Annahmen über die Form und Größe der Leber verwendet. Deshalb ist es möglich, eine gute Segmentierung auch bei ungewöhnlichen Leberformen und Größen zu erreichen. Geringfügige Signalwertunterschiede, welche beispielsweise durch einen Lebertumor entstehen, beeinträchtigen die Segmentierungsergebnisse nicht. Darüber hinaus können Perfusionscomputertomographien unter Berücksichtigung der gesamten Bildinformation segmentiert werden.
ZITATE ENTHALTEN IN DER BESCHREIBUNG
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
Zitierte Patentliteratur

- US 2006/0147126 A1 [0004, 0004, 0083]

Claims

Verfahren zur Segmentierung von Bilddaten zur Erkennung einer Leber von einem Untersuchungsobjekt, wobei die Bilddaten mehrere Bildpunkte umfassen, denen jeweils ein Signalwert zugeordnet ist, wobei das Verfahren umfasst: – Bestimmen von Bildpunkten (26–29), welche eine Rippe (25) darstellen, als Rippenbildpunkte (26–29), – Bestimmen von Bildpunkten (30), welche einen Bereich innerhalb eines Brustkorbs (38) eingrenzen, mit Hilfe der Rippenbildpunkte (26–29), – Bestimmen mindestens eines Bildpunkts (34), welcher einen Bildpunkt der Leber darstellt, als einen Leberbildpunkt innerhalb von Bildpunkten, welche sich in dem Bereich innerhalb des Brustkorbs (38) befinden, – Definieren der Rippenbildpunkte (26–29) und der Bildpunkte (30), welche den Bereich innerhalb des Brustkorbs (38) eingrenzen, als Hintergrundsaatpunkte (26–30), – Definieren des mindestens einen Leberbildpunkts (34) als Lebersaatpunkte (34) und – Bestimmen einer Wahrscheinlichkeit für jeden Bildpunkt eines Bereichs innerhalb des Brustkorbs (38), ob der Bildpunkt zu der Leber gehört oder nicht, mit Hilfe eines Random Walker Verfahrens und der Lebersaatpunkte (34) und der Hintergrundsaatpunkte (26–30).
Verfahren nach Anspruch 1, wobei die Bilddaten mehrere Bilddatenschichten umfassen, welche in anatomischer Reihenfolge des untersuchten Objekts angeordnet sind, wobei das Bestimmen von Bildpunkten (26–29), welche eine Rippe (25) darstellen, getrennt für verschiedene Schichten der Bilddaten durchgeführt wird.
Verfahren nach Anspruch 1 oder 2, wobei das Bestimmen von Bildpunkten (26–29), welche eine Rippe (25) darstellen, ferner die Schritte umfasst: – Bestimmen von Bildpunkten, welche sich innerhalb des Untersuchungsobjekts befinden, und Bildpunkten, welche sich außerhalb des Untersuchungsobjekts befinden, um eine erste Grenze (23), welche eine Hautoberfläche des Untersuchungsobjekts darstellt, zu bestimmen, – Bestimmen von Bildpunkten, welche sich innerhalb eines Fettgewebes und der Hautoberfläche des Untersuchungsobjekts befinden, und Bildpunkten, welche sich innerhalb eines Muskelgewebes unter dem Fettgewebe des Untersuchungsobjekts befinden, um eine zweite Grenze (24) zwischen dem Fettgewebe und dem Muskelgewebe basierend auf der ersten Grenze (23) zu bestimmen, – Bestimmen von Bildpunkten (26), welche eine Rippe (25) darstellen, in nur einem vorbestimmten Bereich (d_s), welcher sich von der zweiten Grenze (24) zur Mitte des Untersuchungsobjekts hin erstreckt.
Verfahren nach Anspruch 3, wobei die Ausdehnung des vorbestimmten Bereichs (d_s), welcher sich von der zweiten Grenze (24) zur Mitte des Untersuchungsobjekts hin erstreckt, in Abhängigkeit von dem Ort der Bildpunkte gewählt wird.
Verfahren nach einem der vorhergehenden Ansprüche, wobei das Bestimmen von Bildpunkten (30), welche den Bereich innerhalb des Brustkorbs (38) eingrenzen, ein Verbinden der Rippenbildpunkte (26–29) mit einem geschlossenen Linienzug umfasst, wobei Bildpunkte, die auf dem geschlossenen Linienzug liegen, als Hintergrundsaatpunkte (26–30) definiert werden.
Verfahren nach einem der vorhergehenden Ansprüche, welches ferner die Schritte umfasst: Bestimmen einzelner Rippen (25) durch Zusammenfassen von zusammenhängenden Bildpunkten (26), welche zu genau einer Rippe (25) gehören, und Bestimmen einer Mitte (29) einer jeden einzelne Rippe (25) und Bestimmen eines Bildpunkts (29) für jede einzelnen Rippe, welcher der Mitte der Rippe (29) entspricht, als Rippenmittelpunkt (29).
Verfahren nach Anspruch 6, wobei das Bestimmen von Bildpunkten (30), welche einen Bereich innerhalb des Brustkorbs (38) eingrenzen, ein Verbinden der Rippenmittelpunkte (29) mit einer Spline-Interpolation (30) umfasst, wobei Bildpunkte, die auf der Spline-Interpolation (30) liegen, als Hintergrundsaatpunkte definiert werden.
Verfahren nach einem der vorhergehenden Ansprüche, wobei ein Signalwerthistogramm der Signalwerte der Bildpunkte, welche sich innerhalb des Brustkorbs (38) befinden, bestimmt wird und wobei Bildpunkte mit einem Signalwert innerhalb einer vorgegeben ersten Varianz eines ersten Maximums des Signalwerthistogramms als Hintergrundsaatpunkte (40) definiert werden und Bildpunkte mit einem Signalwert innerhalb einer vorgegeben zweiten Varianz eines zweiten Maximums des Signalwerthistogramms als Lebersaatpunkte (34) definiert werden.
Verfahren nach einem der vorhergehenden Ansprüche, wobei die Bestimmung mit Hilfe des Random-Walker-Verfahrens eine erste grobe Bestimmung basierend auf Bilddaten einer ersten Auflösung, welche eine gröbere Auflösung als die ursprüngliche Auflösung hat, und eine zweite feine Bestimmung basierend auf den Ergebnissen der ersten groben Bestimmung und Bilddaten in der ursprünglichen Auflösung umfasst.
Verfahren nach Anspruch 9, wobei für die zweite feine Bestimmung Bildpunkte, für die bei der ersten Bestimmung eine vorbestimmte Mindestwahrscheinlichkeit für eine Zugehörigkeit zur Leber bestimmt wurde, als zusätzliche Lebersaatpunkte verwendet werden.
Verfahren nach Anspruch 9 oder 10, wobei die zweite feine Bestimmung Bildpunkte, für die bei der ersten Bestimmung eine vorbestimmte Mindestwahrscheinlichkeit für eine Zugehörigkeit zum Hintergrund bestimmt wurde, als zusätzliche Hintergrundsaatpunkte verwendet werden.
Verfahren nach einem der vorhergehenden Ansprüche, wobei die Bilddaten mehrere Bilddatenschichten umfassen, welche in anatomischer Reihenfolge des untersuchten Objekts angeordnet sind, wobei die Bildpunkte einer Bilddatenschicht in einem Polarkoordinatensystem adressiert werden, wobei der Ursprung des Polarkoordinatensystems näherungsweise in einem Schwerpunkt der Schicht des Untersuchungsobjekts angeordnet ist.
Verfahren nach einem der vorhergehenden Ansprüche, wobei eine Kantenwertfunktion w_i,j des Random-Walker-Verfahrens zwischen zwei benachbarten Bildpunkten i und j nach der Gleichung
bestimmt wird, wobei n ein Skalierungswert ist, welcher in Abhängigkeit von einer gewählten Funktion f und einem Signalwertebereich der Bildpunkte gewählt wird, Δd ein Abstand zwischen den Bildpunkten i und j ist, c ein Skalierungswert ist, welcher in Abhängigkeit einer Bewegung des Untersuchungsobjekts zwischen zeitlich versetzten Bestimmungen der Bildpunkte i und j gewählt wird, β ein Normierungsfaktor ist, welcher in Abhängigkeit eines Kontrastbereichs der Bilddaten gewählt wird, und f eine Funktion zum Bestimmen des Unterschieds zwischen den Signalwerten g_i und g_j ist.
Verfahren nach Anspruch 13, wobei für die Funktion f gilt: f(g_i – g_j) = |g_i – g_j|.
Verfahren nach Anspruch 13, wobei für die Funktion f gilt: f(g_i – g_j) = (g_i – g_j)².
Verfahren nach einem der vorhergehenden Ansprüche, wobei die Bilddaten Computertomographiedaten umfassen und die Signalwerte Hounsfield-Werte umfassen.
Verfahren nach einem der vorhergehenden Ansprüche, wobei Bildpunkte, welche Luft oder andere Gase darstellen, als Hintergrundsaatpunkte definiert werden.
Verfahren nach einem der vorhergehenden Ansprüche, wobei Bildpunkte, welche Knochen darstellen, als Hintergrundsaatpunkte (40) definiert werden.
Verfahren nach einem der vorhergehenden Ansprüche, wobei Bildpunkte, welche Fett darstellen, als Hintergrundsaatpunkte (40) definiert werden.
Verfahren nach einem der vorhergehenden Ansprüche, wobei Bildpunkte, welche eine Aorta darstellen, als Hintergrundsaatpunkte (40) definiert werden.
Verfahren nach einem der vorhergehenden Ansprüche, wobei die Bilddaten für jeden Bildpunkt mehrere Signalwerte umfassen, wobei die mehreren Signalwerte zeitlich aufeinanderfolgend erfasst werden, wobei das Verfahren umfasst: Definieren von Bildpunktblöcken (36), welche eine vorbestimmte Anzahl von Bildpunkten umfassen, welche sich in dem Bereich innerhalb des Brustkorbs (38) befinden, Durchführung einer Perfusion des Untersuchungsobjekts während die mehreren zeitlich aufeinanderfolgenden Signalwerte erfasst werden, Bestimmen eines Bildpunktblocks als einen Startbildpunktblock (37), in welchem die Anzahl der Bildpunkte, die einen vorbestimmten Schwellenwert überschreiten, während der zeitlich aufeinanderfolgenden Signalwerterfassung ansteigt, Definieren von Bildpunkten des Startbildpunktblocks (37), die den vorbestimmten Schwellenwert überschreiten, als Lebersaatpunkte.
Verfahren nach Anspruch 21, wobei ein Bildpunktblock (36) als Startbildpunktblock (37) definiert wird, wenn Anzahl der Bildpunkte, die einen vorbestimmten Schwellenwert überschreiten, während der zeitlich aufeinanderfolgenden Signalwerterfassung ansteigt und wenn die Anzahl der Bildpunkte, die einen vorbestimmten Schwellenwert überschreiten, einen vorbestimmten Anteil der gesamten Anzahl der Bildpunkte des Bildpunktblocks umfassen.
Verfahren nach Anspruch 22, wobei der vorbestimmten Anteil mindestens 40% umfasst.
Verfahren nach einem der Ansprüche 21–23, wobei das Verfahren ferner umfasst: Anwenden eines Region-Growing-Verfahrens auf die Bildpunktblöcke (36), wobei als Startpunkt des Region-Growing-Verfahrens der Startbildpunktblock (37) verwendet wird, Bestimmen von Bildpunktblöcken (36), welche gemäß dem Region-Growing-Verfahren zu dem Startbildpunktbock (37) gehören, und Definieren von Bildpunkten, welche zu den bestimmten Bildpunktblöcken (36) gehören und den vorbestimmten Schwellenwert überschreiten, als Lebersaatpunkte.
Verfahren nach einem der vorhergehenden Ansprüche, wobei die Lebersaatpunkte und die Hintergrundsaatpunkte ferner eine Zugehörigkeitswahrscheinlichkeitsinformation zu der Leber bzw. dem Hintergrund aufweisen, wobei die Zugehörigkeitswahrscheinlichkeitsinformation von dem Random-Walker-Verfahren zur Bestimmung der Wahrscheinlichkeit für jeden Bildpunkt eines Bereichs innerhalb des Brustkorbs (38), ob der Bildpunkt zu der Leber gehört oder nicht, verwendet wird.
Vorrichtung zur Segmentierung von Bilddaten zur Erkennung einer Leber von einem Untersuchungsobjekt, wobei die Bilddaten mehrere Bildpunkte umfassen, denen jeweils ein Signalwert zugeordnet ist, wobei die Vorrichtung umfasst: – ein Element zum Bestimmen von Bildpunkten (25–29), welche eine Rippe (25) darstellen, als Rippenbildpunkte (25–29), – ein Element zum Bestimmen von Bildpunkten (30), welche einen Bereich innerhalb eines Brustkorbs (38) eingrenzen, mit Hilfe der Rippenbildpunkte (26–29), – ein Element zum Bestimmen mindestens eines Bildpunkts (34, 37), welcher einen Bildpunkt der Leber darstellt, als einen Leberbildpunkt (34, 37) innerhalb von Bildpunkten, welche sich in dem Bereich innerhalb des Brustkorbs (38) befinden, – ein Element zum Definieren der Rippenbildpunkte (25–29) und der Bildpunkte (30), welche den Bereich innerhalb des Brustkorbs (38) eingrenzen, als Hintergrundsaatpunkte (25–30), – ein Element zum Definieren des mindestens einen Leberbildpunkts (34, 37) als Lebersaatpunkte (34, 37), und – ein Element zum Bestimmen einer Wahrscheinlichkeit für jeden Bildpunkt eines Bereichs innerhalb des Brustkorbs, ob der Bildpunkt zu der Leber gehört oder nicht, mit Hilfe eines Random-Walker-Verfahrens und der Lebersaatpunkte (34, 37) und der Hintergrundsaatpunkte (25–30).
Vorrichtung nach Anspruch 26, wobei die Vorrichtung zum Durchführen des Verfahrens nach einem der Ansprüche 1–25 ausgestaltet ist.
Computerprogrammprodukt, welches direkt in einen Speicher einer programmierbaren Verarbeitungseinheit einer Vorrichtung zur Segmentierung von Bilddaten ladbar ist, mit Programmmitteln, um alle Schritte eines Verfahrens nach einem der Ansprüche 1–25 auszuführen, wenn das Programm in der Verarbeitungseinheit ausgeführt wird.
Elektronisch lesbarer Datenträger mit darauf gespeicherten elektronisch lesbaren Steuerinformationen, welche derart ausgestaltet sind, dass sie bei Verwendung des Datenträgers in einer Verarbeitungseinheit einer Vorrichtung zur Segmentierung von Bilddaten das Verfahren nach einem der Ansprüche 1–25 durchführen.