-
Technisches Gebiet
-
Die
Erfindung betrifft ein Verfahren und System zum Berechnen eines
Vesselness-Maßes
und eine Gefäßmodellierung
mittels dieses Vesselness-Maßes.
-
Die
Segmentierung und Modellbildung von vaskulären Strukturen aus kontrastverbesserter
(CE = Contrast Enhanced) Herzcomputertomographieangiographie (CTA
= Computer Tomography Angiography)/Herzmagnetresonazangiograhie
((MRA = Magnetic Resonance Angiographie) ist oft eine notwendige Aufgabenstellung
bei der Diagnose, Behandlungsplanung und Folgestudien. Während jüngste technologische Fortschritte
in Bilderfassungsvorrichtungen, wie neue Multidetektor CT-Maschinen,
eine Erhöhung
der räumlichen
Auflösung
von Bilddaten erlaubt, ist eine genaue und zeitnahe Segmentierung
und Modellierung von Blutgefäßen immer
noch eine Herausforderung in vielen Anwendungen. Beispielsweise
kann sich der Intensitätskontrast
drastisch entlang von Gefäßen ändern; Gefäße können sich
nahe heller Strukturen, wie beispielsweise Knochen oder andere Gefäße berühren; ein
einzelner Gefäßbaum kann
große
und kleine Gefäße haben, auf
Grund einer signifikanten Ausmaßänderung;
und die lokale Gefäßstruktur
kann von einer röhrenförmigen Form
abweichen, auf Grund des Vorhandenseins von pathologischen Bedingungen,
wie beispielsweise Stenose.
-
Es
gibt eine breite Vielfalt von Gefäßsegmentierungs- und Modellierungsalgorithmen,
die von einem Basisschwellenwerten (Thresholding oder Schwellenwert
bilden) und Regionenwachsen bis zu komplexeren verformbaren Modelltechniken
reichen, wie beispielsweise das Modellieren von Gefäßen direkt
aus einem Bild heraus, beispielsweise ohne einen expliziten Segmentierungsschritt.
Traditionell werden binäre
Gefäßmasken durch
einen Gefäßsegmentierungsalgorithmus
erzeugt, der beispielsweise beschrieben ist in A. Chung und J. A.
Noble; „Statistical
3D vessel segmentation using a Rician distibution”; in MICCAI,
Seiten 82-89, 1999; K. Siddiqi und A. Vasilevskiy; „3d flux
maximizing flows”;
in International Workshop an Energy Minimizing Methods in Computer
Vision, 2001; und D. Nain, A. Yezzi und G. Turk; „Vessel
segmentation using a shape driven flow”; in MICCAI, 2004.
-
Mittellinienmodelle
von binären
Gefäßmasken
können
extrahiert werden durch Algorithmen des kürzesten Pfads, wie beispielsweise
beschrieben in B. B. Avants und J. P. Williams; „An adaptive minimal path generation
technique for vessel tracking in CTA/CE-MRA Volumenbildern. In ”Medical
Image Computing and Computer-Assisted Intervention”; MICCAI,
Seiten 707-716, 2000; und T. Deschamps und L. Cohen. „Fast extraction
of minimal paths in 3d images and applications to virtual endoscopy”; Medical
Image Analysis, 5(4): 281-299, 2001.
-
Alternativ
können
die Gefäßmittellinien
direkt aus Bildern konstruiert werden, indem Vesselness (ein Vesselness-Maß) verwendet
wird, wie beispielsweise beschrieben in T. M. Koller, G. Gerig und
G. S. und D. Dettwiler; „Multiscale
detection of curvilinear structures in 2-d and 3-d image data”, in ICCV,
Seiten 846-869, 1995; A. F. Frangi, W. J. Niessen; K. L. Vincken
und M. A. Viergever, „Multiscale
vessel enhancement filtering”, in
MICCAI, Seiten 82-89, 1989; und O. Wink, W. J. Niessen und M. A.
Viergever, „Multiscale
vessel tracking”, IEEE
Trans. In Medical Imaging, 23(1): 130-133, 2004, medialness Filter,
wie beschrieben in beispielsweise S. Aylward, S. Pizer, E. Bullitt
und D. Eberly, „Intensity
ridge and widths for 3d object segmentation and description”, in IEEE
Proc. Workshop MMBIA, Seiten 131-138, 1996; und S. Aylward und E.
B. E. ”Initialization,
noise, singularities, and scale in height-ridge traversal for tubular
objects centerline extraction”,
TMI, 21(2): 61-75, 2002 oder superellipsoids, wie beschrieben beispielsweise
J. A. Tyrell, E. di Tomaso, D. Fuje, R. Tong, K. Kozak, E. B. Brown,
R. Jain und B. Roysam, „Robust
3-d modeling of vasculature imagery using superellipsoids”, IEEE
Transactions in Medical Imaging, 2006. Oberflächenmodelle können dann
gewonnen werden aus der Skalierungsinformation, die in diesen Filtern
enthalten ist.
-
Im
Allgemeinen werden Gefäßoberflächenmodelle,
sowie Mittellinienmodelle für
die Visualisierung und Quantifizierung von vaskulären Strukturen
benötigt.
Traditionell wird eine Skalierungsinformation, die auf Mittellinien
gespeichert ist, verwendet, um die Oberflächenmodelle zu rekonstruieren.
In realen Anwendungen jedoch sind derartige Konstruktionen oft nicht
genau genug, um Gefäßpathologien
zu quantifizieren (messen), da sie aus Berechnungsgründen aus
einfachen Modellen geschätzt
werden. Insbesondere, da kleine Gefäße, wie Koronararterien eine
genaue Oberflächenrekonstruktion
bei Sub-Voxel-Level (Nebenvoxelniveau) benötigen.
-
Die
US 6 947 040 B2 betrifft
Bildgebungssysteme und speziell ein System und ein Verfahren zum
Segmentieren von medizinischen 2D Strukturen mittels Mean-Shift
basierter Strahlausbreitung.
-
DE 10 2006 017 113
A1 betrifft die Bestimmung von Gefäßgrenzen in einem medizinischen
Bild, wobei Kanten, die sich auf Gefäßgrenzen beziehen genau detektiert
werden, während
Kanten, die mit anderen Strukturen, welche nichts mit der Gefäßgrenze
zu tun haben, verknüpft
sind, nicht berücksichtigt
werden.
-
K.
Krissian, G. Malandain, N. Ayarke R. Vaillant, Y. Trousset, ”Model-based
Multiscal Detection of 3D Vessels” IEEE Workshop an Biomedical
Image Analysis, 1998, pp. 202 offenbart eine modellbasierte multiscalare
Detektion von 3D Gefäßen, wobei
das Modell die Auswahl eines Kriteriums erlaubt, das auf den Eigenvektoren
der Hessian-Matrix basiert, um einen Nebensatz von interessienden
Punkten nahe dem Gefäßzentrum
auszuwählen.
-
Aufgabe
der Erfindung ist die Schaffung eines effektiven Verfahrens und
Systems zum Berechnen eines Vesselness-Maßes und einer Gefäßmodellierung
mittels dieses Vesselness-Maßes.
-
Die
Lösung
der Aufgabe ist den Patentansprüchen
1, 8 und 12 zu entnehmen. Vorteilhafte Weiterbildungen der Erfindung
sind in den Unteransprüchen
angegeben.
-
Gemäß einem
Ausführungsbeispiel
der vorliegenden Erfindung enthält
ein Verfahren zum Berechnen eines Vesselness-Maß: Initialisieren einer Mehrzahl
von Strahlen von einem Zentrumspunkt eines Gefäßes aus und Sammeln eines Intensitätsprofils
des Gefäßes und
eines Hintergrunds des Gefäßes entlang
jedes Strahls; Modellieren jedes Intensitätsprofils durch Teilen des
Intensitätsprofils
in ein erstes, zweites und drittes Intervall, wobei das erste Intervall
einen Intensitätswert
innerhalb des Gefäßes darstellt,
das zweite Intervall einen Intensitätswert außerhalb des Gefäßes darstellt,
und das dritte Intervall einen Intensitätswert zwischen einer Grenze
des Gefäßes und
dem Hintergrund darstellt; für
jeden Strahl, Gewinnen einer Differenz zwischen dem entsprechenden
ursprünglich
gemessenen Intensitätsprofil
und dem entsprechenden modellierten Intensitätsprofil des ursprünglich gemessenen
Intensitätsprofils,
wobei die Differenz ein Passmaß des
Strahls ist; und Summieren der Passmaße für jeden Strahl, wobei der Kehrwert
der Gesamtsumme das Vesselness-Maß ist.
-
Das
Vesselnesss-Maß stark
am Zentrums des Gefäßes ist,
rapide nahe einer Grenze des Gefäßes abfällt und
ist in einem nicht Gefäßbereich
schwach. Das Gefäß ist beispielsweise
ein Blutgefäß.
-
In
einem Ausführungsbeispiel
der vorliegenden Erfindung enthält
ein Verfahren zum Extrahieren einer lokalen Mittelachsendarstellung
des Gefäßes die
Schritte: Platzieren eines ersten und eines zweiten Ausgangspunkts
(Seed Point) in einem Bild, das ein Gefäß enthält, wobei der erste und der
zweite Ausgangspunkt in der Nähe
eines Beginns und eines Endes einer Mittellinie des Gefäßes platziert
werden; Darstellen des Bilds als diskreten Graph, der Knoten und
Kanten aufweist, wobei der erste Ausgangspunkt ein Quellenknoten
ist, und der zweite Ausgangspunkt ein Zielknoten ist; und Finden
eines kostengünstigsten
Pfads (Minimum-Cost-Path) zwischen dem ersten und dem zweiten Ausgangspunkt,
indem die Kosten von Kanten zwischen dem ersten und dem zweiten
Ausgangspunkt berechnet werden, wobei die Kosten jeder Kante reziprok zu
dem berechneten Vesselness-Maß der
Kante sind.
-
Das
Vesselness-Maß einer
Kante wird orthogonal zu der Kante berechnet. Fronten breiten sich
schnell in Richtung eines Zentrums des Gefäßes aus und langsam in Richtung
von Wänden
des Gefäßes. Das
Gefäß ist beispielsweise
ein Blutgefäß.
-
In
einem Ausführungsbeispiel
der vorliegenden Erfindung enthält
ein Verfahren zur Gefäßbaummodellierung
die Schritte: Berechnen von kostengünstigsten Wegen oder Pfaden
von einer einzelnen Quelle, die in einem Gefäß eines Gefäßbaums lokalisiert ist; und
Berechnen von Mittellinien des Gefäßbaums durch Verwenden einer
akkumulativen Kostenkarte von kostengünstigsten Pfaden, wobei die
Mittellinien den jeweiligen Gefäßen in dem
Gefäßbaum entsprechen,
wobei das Berechnen der kostengünstigsten
Pfade von einer einzelnen Quelle aus die Schritte enthält: Platzieren
eines Ausgangspunkts in einem Bild, das den Gefäßbaum enthält; Darstellen des Bilds als
einen diskreten Graph, der Knoten und Kanten enthält, wobei
Kosten jeder Kante reziprok zu dem berechneten Vesselness-Maß der Kante
berechnet werden; Starten einer kostengünstigsten Ausbreitung von dem
Ausgangspunkt durch ein erstes Setzen von akkumulativen minimalen
Kosten an dem Ausgangspunkt auf Null und auf Unendlich an jedem
anderen Punkt in dem Graph; Darstellen von diskreten Fronten, die
sich ausbreiten durch Minimieren eines akkumulierten Vesselness-Maßes, wobei
die diskreten Fronten Pixel sind, die bereits untersuchte Pixel
von Pixeln trennen, die noch nicht untersucht worden sind; Berechnen
der kostengünstigsten
Ausbreitung von der Quelle für
eine erste Anzahl von Iterationen durch Berechnen von akkumulierenden
minimalen Kosten und Setzen von Stopppunkten der diskreten Fronten
als neue Quellen; und erneutes Berechnen von akkumulativen minimalen
Kosten für
jede neue Quelle durch Ausbreiten von Fronten von den neuen Quellen
für eine
zweite Anzahl von Iterationen, wobei, wenn die neu berechneten akkumulativen
minimalen Kosten unterhalb eines ersten Schwellenwerts liegen, die
kostengünstigste
Ausbreitung gestoppt wird und Pixel, die den diskreten Fronten,
die gestoppt worden sind, entsprechen, als Senken dargestellt werden.
-
Die
erste Anzahl an Iterationen ist größer als die zweite Anzahl an
Iterationen.
-
Das
Berechnen von Mittellinien des Gefäßbaums durch Verwenden einer
akkumulativen Kostenkarte der kostengünstigsten Pfade enthält die Schritte:
Berechnen einer Distanz von dem ursprünglich platzierten Ausgangspunkt
zu den Senken; Ordnen der Senken basierend auf ihren entsprechend
berechneten Distanzen; Auswählen
eines Pixels, das die größte Distanz
hat, und Zurückverfolgen
bis der ursprünglich
platzierte Ausgangspunkt erreicht ist, oder bis ein vorher detektierter
Pfad erreicht ist, um einen Mittellinienpfad zu Detektieren; Berechnen
einer Distanz der detektierten Mittellinie und Zuordnen der detektierten
Mittellinie zu ihrer entsprechenden Senke, Bestimmen eines Radius
entlang der detektierten Mittellinie, die zu einem maximalen Vesselness-Maß entlang
der detektierten Mittellinie korrespondiert; Setzen einer Herausragung
des ausgewählten
Pixels durch Teilen der Distanz der Mittellinie durch den Radius;
Entfernen des ausgewählten
Pixels von der geordneten Liste; und wenn die geordnete Liste leer
ist, Auswählen
von Pixeln, deren Herausragung größer als ein zweiter Schwellenwert
ist, wobei die Mittellinien zwischen den ausgewählten Pixeln und dem ursprünglich platzierten
Ausgangspunkt jeweiligen Gefäßen in dem
Gefäßbaum entsprechen.
-
Das
Gefäß ist ein
Blutgefäß.
-
In
einem Ausführungsbeispiel
der vorliegenden Erfindung enthält
ein System zum Berechnen eines Vesselness-Maßes: eine Speichervorrichtung
zum Speichern eines Programms; und einen Prozessor, der mit der
Speichervorrichtung in Verbindung ist, wobei der Prozessor mit dem
Programm betrieben wird, zum Durchführen der obigen Verfahrensschritte.
-
Die
vorangegangenen Merkmale sind für
ein repräsentatives
Ausführungsbeispiel
und helfen beim Verständnis
der Erfindung. Es soll verstanden werden, dass sie nicht als Einschränkungen
der Erfindung betrachtet werden sollen, oder als Beschränkung auf Äquivalente
zu den Ansprüchen.
Folglich soll die Zusammenfassung der Merkmale bei der Bestimmung
von Äquivalenten
herangezogen werden. Zusätzliche
Merkmale der Erfindung werden durch die folgende Beschreibung in
Verbindung mit den beigefügten
Zeichnungen und Ansprüchen
offensichtlich.
-
1 zeigt
ein multiskalares Querschnittsgefäßmodelbilden gemäß einem
Ausführungsbeispiel
der vorliegenden Erfindung;
-
2 zeigt
Vesselness-(Filter)Antworten entlang zweier unterschiedlicher Strahlen
gemäß einem Ausführungsbeispiel
der vorliegenden Erfindung;
-
3 zeigt
eine Vesselness-Antwort eines Punkts, wenn Vesselness-Filter auf
unterschiedliche Orientierungen angewendet werden gemäß einem
Ausführungsbeispiel
der vorliegenden Erfindung;
-
4 verdeutlicht
einen diskreten Graphen, wobei Vesselness-Filter orthogonal zu Rändern angewendet
werden gemäß einem
Ausführungsbeispiel
der vorliegenden Erfindung;
-
5 zeigt
berechnete lokale Zentrumsachsmodelle zwischen zwei benutzerplatzierten
Ausgangspunkten gemäß einem
Ausführungsbeispiel
der vorliegenden Erfindung;
-
6 verdeutlicht
die Recheneffizienz eines Gefäßbaumextraktionsalgorithmus
gemäß einem
Ausführungsbeispiel
der vorliegenden Erfindung;
-
7 verdeutlicht
einen Zweigentfernungsprozess gemäß einem Ausführungsbeispiel
der vorliegenden Erfindung;
-
8 verdeutlicht
Mittellinienmodelle von zwei Koronararterien in Computertomographieangeograhpie
(CTA) und einer Zerebralarterie in einem dreidimensionalen (3D)
Röntgenbild
gemäß einem
Ausführungsbeispiel
der vorliegenden Erfindung;
-
9 zeigt
zweidimensionale (2D) Gefäßquerschnittsgrenzen,
die gemäß einem
Ausführungsbeispiel der
vorliegenden Erfindung gewonnnen werden;
-
10 zeigt
ein Mittellinien- und Querschnittsmodell und Oberflächenmodelle
für periphere
Arterien mit starken Klassifikationen in CTA gemäß einem Ausführungsbeispiel
der vorliegenden Erfindung;
-
11A, 11B zeigen
Ergebnisse, die gewonnen werden von einem Durchführen des Gefäßbaummodellierens
gemäß einem
Ausführungsbeispiel
der vorliegenden Erfindung;
-
12 zeigt
ein System, in das Ausführungsbeispiele
der vorliegenden Erfindung implementiert werden können;
-
13 zeigt
ein Verfahren zum Berechnen eines Vesselness-Maßes aus einem 2D Querschnittsmodell
eines Gefäßes gemäß einem
Ausführungsbeispiel
der vorliegenden Erfindung;
-
14 zeigt
ein Verfahren zum Extrahieren einer Lokalzentrumsachsendarstellung
eines Gefäßes gemäß einem
Ausführungsbeispiel
der vorliegenden Erfindung; und
-
15A und 15B verdeutlichen
ein Verfahren für
ein Gefäßbaummodellieren
gemäß einem
Ausführungsbeispiel
der vorliegenden Erfindung.
-
Präsentiert
wird hier ein robustes und genaues Verfahren zum Extrahieren einer
Zentrumsachsdarstellung und von Oberflächenmodellen von Blutgefäßen in der
kontrastverbesserten (CE)-Herzcomputertomographieangeograhpie
(CTA = Computed Tomography Angiography)/Herzmagnetresonazangeographie
(MRA = Magnetic Resonance Angiograhpy). In diesem Verfahren wird
eine lokale Zentrumsachsendarstellung von Gefäßen konstruiert durch den kostengünstigsten
Pfaddetektionsalgorithmus (Minimum-Kosten-Weg Detektionsalgorithmus).
Die Kosten von Kanten eines diskreten Graph, der von dem Algorithmus
verwendet wird, werden berechnet durch eine neue Vesselness-Filter
Technik, die auf multiskalaren Querschnittsgefäßgrenzen und Intensitätsmodellen
basiert. Eine vollständige
Gefäßmittelliniendarstellung
wird dann konstruiert durch das neue Verwenden der lokalen Modellierungstechnik,
die eine Ausbreitung dazu zwingt auf den vaskulären Strukturen (Gefäßstrukturen)
zu stehen. Das Verfahren konstruiert Mittellinienmodelle sehr schnell
und genau. Zusätzlich ist
das Verfahren in der Lage Mittellinienrepräsentationen von Bereichen zu
konstruieren, wo Gefäße starke Pathologien
enthalten, wie beispielsweise Stenose, ohne zusätzliche Benutzerinteraktionen
und übermäßige Berechnungen.
Zusätzlich
zu den Mittelliniendarstellungen wird eine Gefäßoberflächenmodellierungstechnik eingeführt, die
zweidimensionale (2D) Querschnittsgrenzsegmentierungen entlang Mittellinien
verwendet. Die Genauigkeit des Verfahrens zum Extrahieren einer
Zentrumsachsendarstellung und Oberflächenmodellen von Blutgefäßen ist
für verschiedene
Datensätze
verdeutlicht, enthaltend unterschiendliche Typen von Gefäßen, wie
Koronar-, Karotide (Halsschlagader)-, Peripher-, etc.
-
Vesselness-Maß aus 2D Querschnittsmodellen
-
In
diesem Abschnitt wird eine neue Technik präsentiert (siehe 1310-1340 gemäß 13)
zum Berechnen eines Vesselness-Maßes, das auf einem multiskalaren
Querschnittsgefäßmodellieren
basiert. Blutgefäße in CTA/MRA
haben typischerweise kreisförmig/elliptische
Formen in Querschnittsansichten, obwohl lokale Änderungen der Gefäße auf Grund
des Vorhandenseins von benachbarten Gefäßen oder pathologischen Bedingungen
nicht ungewöhnlich
sind. Idealerweise enthält
ein 2D Querschnittsgefäßprofil
eine kreisrunde/elliptische helle Scheibe, umgeben von einem dunklen
Ring (siehe (a) in 1). Gemäß der Erfindung verwendet das
Vesselness-Maß diese
Rundheitsannahme und das Intensitätsprofil. Speziell wird eine
Anzahl von Strahlen von dem Zentrumspunkt initialisiert und die
Intensitätsprofile
entlang der Strahlen werden gesammelt. Typische Intensitätsprofile
eines Gefäßes und
dessen unmittelbarer Hintergrund entlang eines Strahls beginnend von
dem Zentrum aus, ist in (b) von 1 gezeigt.
Dieses eindimensionale (1D) Gefäßintensitätsmodell
ist ferner unterteilt in drei Intervalle RI,
RO, RB, wie genauer
in (c) von 1 gezeigt. Speziell ist die
innere Region eines Gefäßes entlang
eines Strahls (RI) dargestellt durch eine
helle Intensitätsregion,
deren Größe von der Größe des Gefäßes abhängt. Ähnlich ist
die äußere Region
(RO) eines Gefäßes entlang eines Strahls dargestellt
durch eine dunkle Intensitätsregion,
deren Größe von dem
Vorhandensein benachbarter Strukturen abhängt. Die Grenzregion zwischen
dem Gefäß und dem
Hintergrund (RB) ist beschrieben durch ein
Gaußsches Profil.
-
Mathematisch
kann das Gefäßmodell
entlang eines Strahls wie folgt dargestellt werden:
wobei
R der Radius ist, und I
V und I
O die
Intensitätswerte
sind, die jeweils das Innere und das Äußere eines Gefäßes darstellen.
Die Intensitätsdaten
I, die von einem Original CTA/MRA Datensatz entlang eines Strahls gewonnen
werden, sollten zu dem Profil des 1D Intensitätsgefäßmodells V passen, wenn die
beobachteten Daten I von einem Gefäß gewonnen werden. Speziell
wird gemäß der Erfindung
die Differenz zwischen dem gemessenen Intensitätsprofil I und dem Gefäßmodell
V als Passmaß in
den Vesselness-Kriterien verwendet.
-
Das
Passmaß f
i entlang eines Strahls ist gegeben durch
wobei
f(x) = u(I
V – I(x)), g(x) = u(I(x) – I
O) und u(x) ist eine Schrittfunktion. γ
1, γ
2 und γ
3 sind
Gewichtungen für die
unterschiedlichen Intervalle. Klassifikationen werden nicht separat
modelliert und sind innerhalb von Gefäßen über die Verwendung von f(x)
enthalten. Ähnliche
sind sehr dunkle Regionen, wie beispielsweise Luft in Lungen, in
der Hintergrunddarstellung über
g(x) enthalten. Dann ist das Vesselness-Maß VM(x, y, z) eines Punkts
gegeben aus der Summierung derartiger Passmaße entlang aller Stahlen
, wobei N die Gesamtanzahl
an Strahlen ist.
-
Gemäß der Erfindung
enthält
das Gefäßintensitätsmodell
zwei wichtige Werte, nämlich
IV und IO. Diese Werte
spielen eine wichtige Rolle bei der Genauigkeit des Vesselness-Maßes. Gemäß der Erfindung
werden diese Werte lokal geschätzt
mit großer
Genauigkeit, indem 2D Querschnittsgrenzen in vielen Richtungen berechnet
werden, wie beschrieben in beispielsweise H. Tek, A. Ayvaci und
D. Comaniciu, „Multi-scale
vessel boundary detection”,
in Workshop of CVBIA, Seiten 388-398, 2005 (auf diese Druckschrift
wird hier Bezug genommen), und unter Verwendung der Grenze, die
die beste Passung auf einen elliptischen Fourier Deskriptor liefert,
wie in 9 gezeigt. Es soll erwähnt werden, dass dieser Algorithmus
2D Grenzen detektiert und die Intensitäten des Gefäßes und dessen Umgebungen klassifiziert,
durch ein Multi-Scan-Mean-Shift
Filtern, wie beschrieben in beispielsweise D. Comaniciu und P. Meer, „Mean shift:
A robust approach toward feature space analysis”, IEEE Trans. PAMI, 24(5):
603-619, 2002 (auf die Offenbarung wird hier Bezug genommen). Speziell erzeugt
das Mean-Shift-Filtern ein diskontinuierliches bewahrendes Glätten, das
dann IV und IO spezifiziert.
-
Die
Technik zum Berechnen eines Vesselness-Maßes, die hier präsentiert
wird, hat zwei Hauptbeiträge.
Erstens sind ihre Antwortcharakteristiken sehr nahe an den Antwortcharakteristiken,
die von einem idealen Vesselness-Filter erwartet werden können. Speziell
gibt das vorgeschlagene Vesselness-Maß starke Antworten am Zentrum
eines Gefäßes, die
Antworten fallen rapide ab in Richtung Gefäßgrenzen und sehr kleine Antworten
werden erhalten in nicht Gefäßbereichen
(siehe (a) in 2). Darüber hinaus hat das Vorhandensein einer
hellen Struktur keinen starken Einfluss auf die Antworten. Im Gegensatz
zu Hessian basierten Techniken gibt der Ansatz gemäß der Erfindung
eine sehr viel geringere Antwort zwischen zwei benachbarten Gefäßen, was
eine bessere Trennung benachbarter Gefäße zur Folge hat über Segmentierungsalgorithmen
unter Verwendung derartiger Maße
(siehe (b) in 2). Zweitens erfordert die Technik
gemäß der Erfindung
kein Schätzen
der Gefäßrichtung.
Andere Techniken verwenden Eingenvektoren des Hessian, um die Gefäßrichtung
zu bestimmen. Helle Strukturen nahe des Gefäßes, das von Interesse ist,
können
jedoch einen fehlerhaften Effekt auf die Richtung des Gefäßes haben,
und folglich auf das Vesselness-Maß. Die Filtertechnik gemäß der Erfindung
erzeugt sehr gute Antworten, wenn diese von orthogonalen Ebenen
aus berechnet werden. Die Antwort fällt rapide ab, wenn sie von
schrägen
Ebenen aus berechnet werden (siehe (a) in 3), was
in Übereinstimmung
ist mit einem idealen Vesselness-Filter.
-
Lokale Zentrumsachse von einer
graphbasierten Optimierung
-
In
diesem Abschnitt wird ein Algorithmus präsentiert (siehe 1410-1430 gemäß 14)
zum robusten und schnellen Extrahieren einer Lokalzentrumsachsendarstellung
von Gefäßen. Diese
lokale Technik wird dann verwendet als Basis für das Modellieren eines vollständigen Gefäßbaums.
Speziell basiert der Ansatz auf einem graphbasierten kostengünstigsten
Pfad (oder Frontausbreitungs-)Detektionsalgorithmus, der bezüglich einer
Vesselness-Karte, die von dem Algorithmus gewonnen wird, arbeitet.
-
Es
sei G = (N, E) ein diskreter Graph, wobei N und W jeweils Knoten
und Kanten darstellen. Im Allgemeinen sind die kürzesten Wege gemäß Dijkstra
sehr populär
beim Finden des kostengünstigsten
Pfads zwischen einer Quelle Ns und einem
Ziel Ng. In diesem Abschnitt wird ein derartiger
Algorithmus verwendet zum Berechnen von diskreten Pfaden, die als
lokale Zentrumsachsdarstellung von Gefäßen in medizinischen Bildern
vorgeschlagen werden. Die Optimierung erfolgt für diesen diskreten Graph G,
wobei die Kosten von Kanten C(E) gewählt werden, um reziprok zu
dem Vesselness-Maß zu
sein, beispielsweise C(Eij) = 1,0/VM(Eij). Das Vesselness-Maß eines
Graphrands wird orthogonal zu der Kante berechnet, wie in 4 gezeigt.
-
Zusammenfassend
gesagt breitet der Dijkstra Algorithmus (oder Frontausbreitungsalgorithmus)
Fronten in dem diskreten Bereich aus und weist minimale kumulative
Kostenmaßen
den Knoten zu ϕ(N) und behält die Historie der Ausbreitung
von der Quelle zu dem Ziel H(N), die bei der Konstruktion des kostengünstigsten Pfads
verwendet wird. Die akkumulative Kostenkarte ϕ und H werden
konstruiert durch eine explizite diskrete Frontausbreitung, wobei
die Ausbreitung immer erfolgt von dem minimalen Wert zu dem Nachbarknoten.
Beispielsweise sei angenommen, dass der Knoten Nj von
einer Front besucht wird, die von dem Knoten Ni kommt, über der
Kante zwischen diesen, Eij, wie in 4 gezeigt.
Es sei erwähnt,
dass alle nicht besuchten Knoten initialisiert werden als ϕ(Nj) = ∞.
Wenn die Front an Ni geringere Kosten bringt
für Nj, beispielsweise (ϕ(Ni)
+ C(Eij) < ϕ(Nj)), werden die kumulativen Kosten und die
Historie bei Nj wie folgt aktualisiert: ϕ(Nj) = ϕ(Ni) + C(Eij) (3)
H(Nj) = Ni
(3) und Nj eingefügt
in die explizite Frontliste, wobei die Knoten gemäß ihrem
kumulativen Kostenmaß ϕ sortiert sind.
Diese explizite Frontausbreitung endet, wenn die Ausbreitung den
Zielknoten Ng erreicht. Der kostengünstigste
Pfad zwischen der Quelle und dem Ziel kann einfach aus der Historienkarte
H bestimmt werden.
-
Der
Hauptbeitrag dieses kostengünstigsten
Pfadfindealgorithmus ist die Verwendung eines Vesselness-Maßes als
Kosten von Kanten E und ihre orthogonale Berechnung zu den Kanten,
ein Beispiel davon ist in 4 gezeigt.
In der Tat ist diese orthogonale Berechnung der Schlüsselfaktor
für die
Genauigkeit und für die
Recheneffizienz, da die Kosten, die für Gefäßquerschnitte erhalten werden,
sehr klein sind. In anderen Worten, Fronten breiten sich auf Grund
dieser Tatsache sehr viel schneller in Richtung Zentrum der Gefäße aus und
sehr viel langsamer in Richtung Gefäßwände. In der Tat kann der Mittellinienextraktionsalgorithmus auch
als ein Minimumkosten-Querschnittsebenenschätzalgorithmus angesehen werden.
Bilder (a) und (b) gemäß 5 verdeutlichen
die Mittellinien, die gewonnen werden zwischen zwei Ausgangspunkten
von diesem Algorithmus. Speziell ist zu beachten, dass das Vorhandensein
von einem benachbarten Gefäß nicht
den Effekt der Zentrumsachsdarstellung beeinträchtigt.
-
Gefäßbaumextraktions- und Oberflächenmodellieren
-
Die
meisten Mittellinienextraktionsalgorithmen sind designed, um mit
einem lokalen Segment eines Gefäßes zu arbeiten,
beispielsweise zwischen zwei Ausgangspunkten. Eine robuste und zeitnahe
Konstruktion eines vollständigen
Gefäßbaums ist
jedoch immer noch eine Herausforderung. Die Hauptquelle dieses Problems
stammt hauptsächlich
von dem Vesselness-Maß.
Die ideale Vesselness-Antwort sollte im Zentrum von Gefäßen sehr
groß sein,
sehr klein in Richtung Gefäßgrenzen
und null außerhalb
von Gefäßen. Es
ist jedoch fast unmöglich
derartige Vesselness-Filter zu designen. In der Realität geben
gefäßlose Strukturen
eine schwache aber relativ große
Vesselness-Antwort. Der Minimierungsalgorithmus, der oben erwähnt wurde,
akkumuliert die Vesselness-Maße
während
des Wachstumsprozesses. Zu Beginn breiten sich Fronten schneller innerhalb
der Gefäße aus,
aber diese Ausbreitung wird langsamer nach einer großen Anzahl
von Iterationen, und die Fronten beginnen in Richtung Gefäßgrenzen
zu wachen auf Grund der akkumulativen Natur des Algorithmus. Dies
Erweiterung Richtung Gefäßwand und
letztendlich außerhalb
des Gefäßes wird
signifikant, wenn sich ausbreitende Fronten Stenose oder Aneurysmen
antreffen, wo das Vesselness-Maß abfällt. Das
Bild (a) gemäß 6 verdeutlicht
dies im Bezug auf Koronardaten.
-
Man
beachte, dass der graphbasierte Minimierungsalgorithmus erfolgreich
ist bei dem lokalen Erfassen der Zentrumsachse. Im Folgenden wird
vorgeschlagen diesen Algorithmus iterativ zu verwenden bis ein gewünschter
Gefäßbaum erfasst
ist (siehe 1505-1575 gemäß 15A und 15B).
Speziell werden Fronten explizit dazu gebracht, nach einem bestimmten
Ausmaß von
Ausbreitung, das dem Lokalmodellieren entspricht, zu terminieren.
Die Ausbreitung startet neu von diesen gestoppten Voxel (Fronten)
aus, nachdem ihre kumulativen Kostenmaße ϕ basierend auf
einer lokalen Kostenberechnung neu eingestellt wurden. Idealerweise
sollte die Ausbreitung nur von denjenigen Voxeln im Zentrum der
Gefäße aus starten
und ein minimales Wachstum sollte von den Voxeln erfolgen, die nahe
den Gefäßgrenzen
oder außerhalb
der Grenzen sind. Das Klassifizieren der Fronten in zwei Klassen
ist jedoch sehr schwierig und gefährlich. In der Tat kann ein
Stoppen der Ausbreitung von bestimmten Voxeln aus ein Verpassen
(Auslassen) verschiedener wichtiger Zweige zur Folge haben.
-
In
dem Ansatz gemäß der Erfindung
werden das kumulative Kostenmaß von
diskreten Fronten reinitialisiert durch Messen des Ausmaßes von
Vesselness nahe diesen. Speziell startet eine temporäre individuelle
Frontausbreitung von jedem dieser Frontvoxel nur in Richtung ihrer
Ausbreitung, und die lokalen kumulativen Kosten ϕ0 werden berechnet durch Akkumulieren von
Kosten in derartigen lokalen Ausbreitungen. Dann werden die akkumulativen
Kostenmaße
von Fronten initialisiert von diesen lokalen kumulativen Kosten,
beispielsweise ϕ(Ni) = ϕ0(Ni), wobei Ni die gestoppten Fronten sind. Die Hauptidee
hier ist die Zuordnung von sehr kleinen kumulativen Kostenmaßen zu den
Voxeln, die im Zentrum der Gefäße sind,
und die Zuordnung sehr viel höherer
Werte für
andere Voxel. Es soll erwähnt
werden, dass wenn die Ausbreitung erneut von den gestoppten Fronten
aus startet, es nicht erlaubt ist die vorherigen untersuchten Bereiche
zu untersuchen. Dieser iterative lokale Minimum-Kosten-Pfaddetektionsalgorithmus
wird wiederholt bis das Konvergenzkriterium erreicht ist. Man beachte,
dass die temporäre
Ausbreitung von Fronten für
die Berechnung der lokalen kumulativen Kosten ϕ0 nicht notwendig ist, wenn sie nicht früher ausgebreitet
worden sind. Dieser Fall tritt sehr oft auf und reduziert die Rechenzeit
signifikant. In der gegenwärtigen
Implementierung der Erfindung, wird das lokale kumulative Kostenmaß ϕ0 verwendet, das bei Beginn jeder neuen Ausbreitung
gewonnen wird, um das Stoppkriterium zu bestimmen. Speziell, wenn
arg mini(ϕ0(Ni)) größer als
ein Schwellenwert ist, wird die Ausbreitung gestoppt. 6 vergleicht
diesen iterativen Algorithmus (siehe (b) in 6) mit dem
lokalen Algorithmus (siehe (a) in 6) nachdem
dieselbe Anzahl von Iterationen durchlaufen ist.
-
Obwohl
dieser iterative Minimierungsalgorithmus die kumulative Kostenkarte ϕ und
die Historienkarte H konstruiert, detektiert er nicht explizit die
Mittellinien von Gefäßbäumen, da
es keine benutzerplatzierten Endpunkte gibt. Man beachte, dass es
möglich
ist, einen kostengünstigsten
Pfad zwischen Frontpixeln und der Quelle zu detektieren (siehe (a)
in 7). Die meisten dieser Pfade entsprechen den Diskontinuitäten der
sich ausbreitenden Fronten. Es wird vorgeschlagen, dass die Bestimmung
der korrekten Pfade von ihrer Herausragung abhängt. Die Herausragung eines
Zweigs wird bestimmt aus der Größe des Zweigs
und der Größe eines
maximalen Vesselness-Filters entlang dieses Zweigs. Speziell wird
zuerst eine Front bestimmt, die die maximale Distanz von der Quelle
hat. Dieser erste Pfad wird als die diskrete Mittellinie markiert.
Dann wird eine iterative diskrete Pfaddetektion angewendet für jeden
Frontpunkt basierend auf dessen Abstand von der Quelle. Das Mittellinienverfolgen,
das die Historienkarte H verwendet, stoppt, wenn das Verfolgen eine
bereits detektierte Mittellinie erreicht. Dies ist in 7 dargestellt,
speziell zeigt (a) in 7 die Fronten und ihre zugehörigen kostengünstigsten
Pfade. Wie in (b) von 7 gezeigt, wird angenommen,
dass ein Pfad Pi von der Front Ni mit dem Maximalabstandswert startet. Da
die Pfade Pj und Pk später verfolgt
werden, stoppen sie, wenn sie den Pfad Pi erreichen.
In diesem Fall wird Pj behalten, da seine
Länge sehr
viel größer ist
als seine maximale Skalierung. Der Pfad Pk wird
jedoch zurückgeschnitten,
da dessen Skalierung und Länge
sehr ähnlich
sind. Dieses Kriterium arbeitet sehr gut bei der Bestimmung von
herausragenden Pfaden und beim Entfernen von Zweigen auf Grund der
Diskontinuitäten
auf den Fronten. 8 zeigt Mittellinienmodelle,
die von diesem Algorithmus erhalten werden ((a) und (b)) in 8 zeigen
zwei Koronararterien in CTA und (c) in 8 zeigt
eine Zerebralarterie in einem 3D geröntgtem Bild. Die Ergebnisse
in 8 wurden gewonnen über eine einzelne Ausgangspunktplatzierung.
Der Algorithmus hat ungefähr
20 Sekunden auf einem 2,8 GHz PC gebraucht, um diese Mittellinienmodelle
zu gewinnen.
-
Gefäßoberflächenmodellieren über 2D Querschnittsgrenzen
-
Die
Zentrumsachsendarstellung ist für
sich selbst genommen wichtig bei der Konstruktion einer kurvenmultiplanaren
Rekonstruktionsvisualisierung (MPR = Mulitplanar Reconstruction),
die in kritischen Anwendungen populär ist. Die Gefäßoberflächendarstellung
zusätzlich
zu den Mittellinien wird jedoch benötigt bei der Quantifizierung
von Pathologien, Stentplanung und Folgestudien. Traditionell werden
Gefäßoberflächenmodelle
erzeugt durch die Skalierungsinformation, die in der Mittelliniendarstellung
enthalten ist. In S. Aylward und E. B. E. „Initialization, Noise, Singularities
and Scale in Height-Ridge Traversal for Tubular Object Centerline Extraction”, TMI,
21(2): 61-75, 2002 wird beispielsweise jedem Mittellinienpunkt eine
Skalarinformation zugeordnet, die dann verwendet wird, um die Gefäßgrenzen
zu konstruieren. Ähnlich
werden den Mittellinienpunkten gemäß der Erfindung ebenfalls einer
Skalierung zugeordnet, die die maximale Vesselness-Antwort gibt. Diese
Skalarinformation ist jedoch nicht genau genug, um vollständig die
Gefäßoberflächenmodelle
darzustellen, da sie designed sind, um recheneffizient zu sein,
beispielsweise weniger genau. In dem Folgenden wird vorgeschlagen
die Gefäßoberflächenmodelle
mit Sub-Voxel 2D Querschnittsmodellen zu konstruieren.
-
Kürzlich ist
ein robustes und genaues Verfahren für Gefäßquerschnittsgrenzen präsentiert
worden, siehe H. Tek, A. Ayvaci und D. Comaniciu, „Multi-Scale
Vessel Boundary Detection”,
in Workshop of CVBIA, Seinen 388-398, 2005; und M. A. Gulsun und
H. Tek, „3d
Construction of Coronary Arteries”, in International Workshop
an Computer Vision for Intravascular and Intracardiac Imaging, MICCAI,
2006 (auf die Offenbarung wird hier Bezug genommen). Speziell werden
die Querschnittsgrenzen genau und robust berechnet durch Verwendung
eines Minimum Mean Cycle Optimierungsalgorithmus, wie beispielsweise
beschrieben ist in I. Jermyn und H. Ishikawa, „Globally Optimal Regions
and Boundaries as Minimum Ratio Cycles”, IEEE Trans. PAMI, 23(10):
1075-1088, 2001 (auf diese Offenbarung wird hier Bezug genommen),
wodurch ein neuer zyklischer Graph betrieben wird. Die Hauptidee
hinter dem Minimum Mean Cycle Algrorithmus ist das Finden eines Zyklus
(Kontur) in einem Graph derart, dass dessen Durchschnittskosten
minimiert werden. Die Durchschnittskosten eines Zyklus entsprechen
der Division der Summe aller Kantengewichtungen auf dem Zyklus durch
ihre Länge,
die Anzahl von Kanten auf dem Zyklus. Die Sub-Voxelgenauigkeit wird
garantiert durch die Verwendung einer Kostenfunktion, die berechnet
wird von den Multi-Scale Means Shift basierten Kantenantworten, wie
sie beispielsweise beschrieben werden in D. Comaniciu und P. Meer, „Mean Shift:
A Robust Approach toward Feature Space Analysis”, IEEE Trans. PAMI, 24(5):
603-619, 200; und H. Tek, A. Ayvaci und D. Comaniciu, „Multi-Scale
Vessel Boundary Detection”,
in Workshop of CVBIA, Seiten 388-398, 2005. 9 verdeutlicht die
Querschnittsgrenzdetektionsergebnisse von dem vorgeschlagenen Algorithmus
für Koronargrenzen,
karotide Arterien mit starken Verkalkungen.
-
9 zeigt
speziell die 2D Querschnittsgrenzen, die von dem Algorithmus gewonnen
werden, der beschrieben ist in M. A. Gulsun und H. Tek, „3D Construction
of Coronary Arteries”,
in International Workshop an Computer Vision for Intravascular and
Intracardiac Imaging, MICCAI, 2006, für drei unterschiedliche Fälle: Koronar
(siehe (a)), Verkalkung (siehe (b)) und Zweig (siehe (c)). Wie man
sehen kann erzeugt dieser Algorithmus genaue Sub-Voxelergebnisse,
selbst wenn die Voxel Rauschen enthalten, auf Grund von Pathologien,
die in der Nähe
von anderen hellen Strukturen sind.
-
Das
Gefäßoberflächenkonstruktionsverfahren
gemäß der Erfindung
basiert auf dieser 2D Querschnittssegmentierung. Speziell werden
genaue Sub-Voxelgefäßquerschnittsgrenzen
an verschiedenen Orten eines gegebenen Mittellinienmodells konstruiert.
Ein 3D Gefäßoberflächenmodell
wird dann aus diesen 2D Konturen konstruiert. Speziell werden aufeinanderfolgende
2D Konturen verwendet, um die lokale Triangulationsoberfläche zu konstruieren,
indem die entsprechenden Punkte jeder Kontur gefunden werden, beispielsweise
Punkte, die einander am nahesten sind. Die Oberflächenmodelle,
die von diesem vorgeschlagenen Algorithmus konstruiert werden, sind
in 10 gezeigt. Speziell zeigt 10 die
Mittellinien und Querschnittsmodelle in (a) und Oberflächenmodelle
(b) für
periphere Arterien mit starken Verkalkungen im Fall von CTA.
-
Validierungen und Diskussionen
-
Der
Algorithmus gemäß der Erfindung
ist erfolgreich für
mehr als 50 Datensätze
getestet worden für die
Konstruktion von Koronarmodellen, Karotidmodellen, Aortamodellen
und Peripherarterienmodellen. In den erfolgten Experimenten hat
ein Benutzer oft einen einzelnen Ausgangspunkt an einer Arterie,
die von Interesse ist, platziert, und der Algorithmus war in der
Lage Ergebnisse in weniger als 30 Sekunden auf einem 2,8 GHz PC
zu erzeugen. Beispielsweise hat es durchschnittlich 22 Sekunden
für eine
Mittellinienextraktion des linken Koronararterienbaums für 10 unterschiedliche
Datensätze
gedauert. Die 11A und 11B verdeutlichen einige
Ergebnisse, die von dem Algorithmus gemäß der Erfindung gewonnen wurden.
-
In
den 11A und 11B sind
die Mittellinien und die segmentierten Gefäße in einem erweiterten Gefäßvisualisierungstool
(Gefäßvisualisierungswerkzeug)
gezeigt. Speziell vereinigt diese Visualisierung den Mittellinienbaum
und die Intensitäten
auf konstruierten Gefäßoberflächenmodellen
(triangulare Maschenstruktur) mit den Originaldaten, mit der Einschränkung, dass
die segmentierten Gefäße immer
sichtbar sind. Dieser Typ von Visualisierung erlaubt es dem Benutzer
die Gefäße sehr
schnell zu lesen. Basierend auf den erfolgten Experimenten reduzieren
die Fehler in Oberflächen-
und Mittellinienmodellen signifikant die Qualität dieser Visualisierung. Durch
Verwendung des Mittellinien- und Oberflächenmodells gemäß der Erfindung
kann eine derartige Visualisierung in realen Anwendungen verwendet
werden, ohne dass eine fehlerhafte Stenose erzeugt wird.
-
Bei
den Visualisierungen gemäß den 11A und 11B werden
die Computeroberflächenmodelle mit
ihren Originalintensitäten
mit den Originaldaten vereinigt, mit der Einschränkung, dass die segmentierten Gefäße immer
sichtbar sind. Beispielsweise, in den 11A und 11B: (a) zeigt den Mittellinienbaum für eine Halsschlagader
(Karotide); (b) zeigt die Fusion des Karotideoberflächenmodells
mit den Originaldaten; (c) zeigt die Fusion der Koronaroberflächenmodelle
beim Volumenwiedergeben nach einer Herzisolierung; (d) zeigt die
Fusion von Koronaroberflächenmodellen
beim Volumenwiedergeben nach einer Herzisolierung; (e) zeigt das
Oberflächenmodell
eines Koronarbaums enthaltend den Stent; (f) zeigt die Fusion von
Intensitätswerten
auf dieser Koronaroberfläche
mit den Originaldaten; (g) zeigt das Oberflächenmodell einer Halsschlagader
von MS-235 verbesserter MRA, die beides Arterien und Venen hervorhebt;
und (h) zeigt die Binärmaske von
Koronararterien.
-
Es
ist eine Validierung durchgeführt
worden für
die Genauigkeit der Mittellinien und der Querschnittsgrenzen. Im
Allgemeinen ist das Erzeugen einer Grundwahrheit für Mittellinienmodelle
des Gefäßes schwierig und
kann für
einen Experten extrem zeitaufwändig
sein. Um die Aufgabe des Experten zu vereinfachen ist ein manuelles
Gefäßmittellinienerzeugungstool
designed worden, bei dem der Benutzer zuerst einen Ausgangspunkt
in dem Zentrum von Gefäßen platziert.
-
Als
zweites erzeugt das Tool orthogonale und tangentiale 2D Bilder,
indem neu platzierte und vorher platzierte Ausgangspunkte verwendet
werden. Drittens korrigiert der Expertenbenutzer den Ort von Ausgangspunkten,
wenn sie nicht korrekt sind. Mit diesem Werkzeug (Tool) braucht
ein Experte ungefähr
30 Minuten, um Mittellinien eines typischen Koronardatensatzes zu
erzeugen. Bei den erfolgten Validierungen erzeugte ein Experte Mittellienienbäume für 20 Koronardatensätze, 3 Karotidedatensätze, 3 Peripherdatensätze und
2 Aortadatensätze.
Der Algorithmus gemäß der Erfindung
war in der Lage alle Hauptgefäßzweige
in allen Experimenten zu erfassen. Bei der Koronarvalidierung war
der Algorithmus in der Lage 95% der expertenkonstruierten Koronarbäume zu extrahieren.
In allen anderen Datensätzen
war dieses Verhältnis
bei 100%. Zusätzlich zu
der Anzahl an Zweigen, die extrahiert worden sind, sind die Orte
der Mittellinien bezüglich
des durchschnittlichen Radius der Gefäße verglichen worden. Der Algorithmus
gemäß der Erfindung
war sehr gut bei Aortenarterien, Karotidearterien und Peripherarterien,
wo Durchschnittsfehler kleiner als 15% waren. Da die Koronararterien
einen relativ kleinen Bereich belegen, war dieser Fehler bei ungefähr 20%,
was oft weniger als einer Voxelgröße entspricht. Die Tabelle
1 verdeutlicht einige der Validierungsergebnisse in tatsächlichen
Millimeter für
5 unterschiedlichen Datensätzen,
die Pathologien enthalten. Speziell verdeutlicht die Tabelle 1 den Fehler
in mm zwischen den berechneten und expertenkonstruierten Gefäßmittellinienbäumen für 5 unterschiedliche
Patienten. Die Darstellung (x ± y);
z beschreibt: x der Durchschnittsfehler, y die Standardabweichung
und z der maximale Fehler.
| Patient
1 | Patient
2 | Patient
3 | Patient
4 | Patient
5 |
Art
des Gefäßes | karotid | koronar | koronar | koronar | peripher |
pathologische Gegebenheiten | Kalkablagerung | Stent,
Kalkablagerung | nichts | Plaque | Kalkablagerung |
Fehler | (0,5 ± 0,21); 1,08 | (0,35 ± 0,17); 1,19 | (0,38 ± 0,27); 1,67 | (0,39 ± 0,22); 1,39 | (0,64 ± 0,42); 3,59 |
-
Zusätzlich zu
den Mittellinienvalidierungen sind die Querschnittsresultate mit
expertenerzeugten Ergebnissen für
Datensätze
verglichen worden, die Koronararterien, Halsschlagarterien, Aortaarterien
und Peripherarterien enthalten. Im Allgemeinen sind die Validierungsstudien
der Querschnittsgrenzen von Koronararterien ziemlich schwierig.
Speziell können
sich die von dem Experten gezeichneten Konturen drastisch Ändern basierend
auf Fenster/Pegel (Window/Level)-Einstellungen
der Originalbilder. Zweitens ist beobachtet worden, dass die Konturen,
die von zwei unterschiedlichen Experten gewonnen wurden, einige
signifikante Fehler aufwiesen. In jedem Fall sind Validierungen
von 2D Querschnittsgrenzen für
14 unterschiedliche Patientendaten vorgenommen worden: 8 Koronar,
2 Halsschlagadern, 2 Peripherarterie und 2 Aorta. Speziell sind
für jeden Patienten
die detektierten Konturen mit den expertengezeichneten Konturen
an 20 unterschiedlichen Orten verglichen worden, oder ein Koronarzweig,
der Orte mit hohem Kalzium, mit Stent und sehr kleine Durchmesser
aufweist. In unseren Vergleichsexperimenten wird jede Kontur durch
48 Konturpunkte beschrieben. Ci soll einen
Punkt auf der expertenerzeugten Kontur darstellen. Ähnlich sei
der entsprechende Punkt auf der berechneten Kontur dargestellt durch C ^
i. Die Distanz zwischen den entsprechenden
Punkten, beispielsweise |Ci – C ^
i| sei das Fehlermaß. Man hat herausgefunden,
dass die durchschnittlichen Fehler für Koronargefäße in dem
Bereich von 0,25 mm oder weniger als eine Voxelgröße sind.
Der Durchschnitt des maximalen Fehlers ist 0,4 mm für diese
Datensätze.
Es wurden ebenfalls Stenosemessungen, die von dem Algorithmus gewonnen
wurden, mit denjenigen verglichen, die von einem Experten stammten.
Die Fehler, die gefunden wurden, waren relativ klein.
-
Das
oben diskutierte stellt einen neuen Algorithmus dar zum Extrahieren
einer Mittelachsdarstellung, sowie von Oberflächenmodellen für Blutgefäße. Die
Genauigkeit des Algorithmus ist erfolgreich demonstriert worden
für viele
CE-CTA/MRA Datensätze.
Basierend darauf wird erwartet, dass der Algorithmus erfolgreich bei
der Diagnose, Behandlungsplanung und Folgestudien von vaskulären Strukturen
verwendet wird.
-
Ein
System, in welchem Ausführungsbeispiel
der vorliegenden Erfindung implementiert werden können, wird
jetzt beschrieben.
-
Wie
in 12 gezeigt, enthält ein System 1200 eine
Erfassungsvorrichtung 1205, einen Personal Computer (PC) 1210 und
eine Benutzerkonsole 1215, die über ein drahtgebundenes oder
drahtloses Netzwerk 1220 verbunden sind. Die Erfassungsvorrichtung 1205 kann
eine CT Bildgebungsvorrichtung oder irgendeine andere dreidimensionale
(3D) Hochauflösungsbildgebungsvorrichtung
sein, wie beispielsweise Magnetresonanz (MR) Scanner oder Ultraschallscanner.
-
Der
PC 1210, der ein tragbarer oder Laptopcomputer sein kann,
ein medizinisches Diagnosebildgebungssystem oder eine PACS (Picture
Archiving Communications System) Datenverwaltungsstation, enthält eine
zentrale Verarbeitungseinheit (CPU) 1225 und einen Speicher 1230,
die mit einer Eingabevorrichtung 1250 und einer Ausgabevorrichtung 1255 verbunden
sind. Die CPU 1225 enthält
ein robustes Gefäßbaummodellierungsmodul 1245,
das Software enthält
zum Ausführen
von Verfahren gemäß Ausführungsbeispielen
der vorliegenden Erfindung. Obwohl innerhalb der CPU 1225 gezeigt,
kann das robuste Gefäßbaummodellierungsmodel 1245 außerhalb
der CPU 1225 angeordnet sein.
-
Der
Speicher 1230 enthält
einen Zufallszugriffspeicher RAM 1235 und einen Nur-Lese-Speicher (ROM) 1240.
Der Speicher 1230 kann eine Datenbank, ein Diskettenlaufwerk,
ein Bandlaufwerk, etc. oder eine Kombination davon enthalten. Das
RAM 1235 dient als Datenspeicher, der Daten speichert,
die während
der Ausführung
eines Programms in der CPU 1225 verwendet werden, und wird
als Arbeitsbereich verwendet. Der ROM 1240 dient als Programmspeicher
zum Speichern eines Programms, das in der CPU 1225 ausgeführt wird.
Die Eingabevorrichtung 1250 ist gebildet als beispielsweise
eine Tastatur, eine Maus etc., und die Ausgabevorrichtung 1255 ist
beispielsweise eine Flüssigkristallanzeige
(LCD), eine Katodenstrahlröhren(CRT)-Anzeige, Drucker,
etc.
-
Der
Betrieb des Systems 1200 kann durch die Benutzerkonsole 1215 gesteuert
werden, die eine Steuerung 1265, beispielsweise eine Tastatur
und eine Anzeige 1260 enthält. Die Benutzerkonsole 1215 kommuniziert
mit dem PC 1210 und der Erfassungsvorrichtung 1205,
so dass Bilddaten, die von der Erfassungsvorrichtung 1205 gesammelt
werden, durch den PC 1210 wiedergegeben und auf der Anzeige 1260 betrachtet werden
können.
Der PC 1210 kann konfiguriert sein, um Information zu bearbeiten
und anzuzeigen, die von der Erfassungsvorrichtung 1205 geliefert wird,
in Abwesenheit der Benutzerkonsole 1215, indem beispielsweise
die Eingabevorrichtung 1250 oder die Ausgabevorrichtung 1255 verwendet
werden, um bestimmte Aufgaben durchzuführen, indem die Steuerung 1265 und
die Anzeige 1260 verwendet werden.
-
Die
Benutzerkonsole 1215 kann ferner irgendein geeignetes Wiedergabesystem
und/oder Werkzeug und/oder eine Anwendung sein, die digitale Bilddaten
eines erfassten Bilddatensatzes (oder eines Teils davon) verarbeiten
kann, um Bilder zu erzeugen und auf der Anzeige 1260 anzuzeigen.
Spezieller kann das Bildwiedergabesystem eine Anwendung sein, die
ein Wiedergeben und eine Visualisierung von medizinischen Bilddaten
bereitstellt, und die auf einem Allzweckcomputer oder einem Spezialzweckcomputer
(Workstation) ausgeführt
werden kann. Der PC 1210 kann ebenfalls das oben genannte
Bildwiedergabesystem und/oder das Werkzeug und/oder die Anwendung
sein.
-
Es
soll verstanden werden, dass die vorliegende Erfindung in verschiedenen
Formen in Hardware, Software, Firmware, Spezialzweckprozessoren
oder einer Kombination davon implementiert werden kann. Gemäß einem
Ausführungsbeispiel
kann die vorliegende Erfindung in Software implementiert werden,
als Anwendungsprogramm, das auf einer Programmspeichervorrichtung
verkörpert
ist (beispielsweise auf einer Diskette, in einem RAM, CDROM, DVD,
ROM und Flashshpeicher). Das Anwendungsprogramm kann auf eine Maschine
hochgeladen und von dieser ausgeführt werden, die eine geeignete
Architektur aufweist.
-
Es
soll verstanden werden, dass, da gewisse Systemkomponenten und Verfahrensschritte
in den beigefügten
Figuren in Software implementiert werden können, die tatsächlichen
Verbindungen zwischen den Systemkomponenten (oder Prozessschritten)
abweichen können
in Abhängigkeit
von der Art und Weise, wie die vorliegende Erfindung programmiert
ist. Durch die hier gegebenen Lehren der vorliegenden Erfindung
ist ein Fachmann auf diesem Gebiet in der Lage diese und ähnliche
Implementierungen oder Konfigurationen der vorliegenden Erfindung
entsprechend abzuändern
und anzupassen.