DE102011006817B4

DE102011006817B4 - Verfahren zur vollautomatischen Segmentierung eines Organs, insbesondere des Nierenparenchyms, aus Volumendatensätzen der medizinischen Bildgebung

Info

Publication number: DE102011006817B4
Application number: DE102011006817.1A
Authority: DE
Inventors: Oliver Gloger
Original assignee: Siemens AG
Current assignee: Siemens Healthcare GmbH
Priority date: 2011-04-06
Filing date: 2011-04-06
Publication date: 2014-07-17
Anticipated expiration: 2031-04-07
Also published as: US20120257805A1; US8666134B2; DE102011006817A1

Abstract

Verfahren zur Segmentierung eines Organs, insbesondere des Nierenparenchyms, in Volumendatensätzen der medizinischen Bildgebung, bei dem – auf Basis von Segmentierungsergebnissen aus Trainingsdatensätzen – ein interessierender Bereich innerhalb eines aufgezeichneten Volumendatensatzes festgelegt wird, der das Organ mit höchster Wahrscheinlichkeit enthält, und – ein Wahrscheinlichkeitsdatensatz generiert wird, in dem jedem Voxel des Volumendatensatzes auf Basis seiner Intensitätswerte und den Segmentierungsergebnissen aus den Trainingsdatensätzen eine Wahrscheinlichkeit zugeordnet wird, zu dem Organ zu gehören, – auf den Wahrscheinlichkeitsdatensatz im interessierenden Bereich ein Schwellwertverfahren angewendet wird, durch das ein Organbereich vom Hintergrund getrennt wird, um einen binären Datensatz zu erhalten, in dem Voxel des Hintergrunds und Voxel außerhalb des interessierenden Bereichs einen anderen Wert aufweisen als Voxel des Organbereichs, – Durchführen einer schrittweisen Erodierung des Organbereichs im binären Datensatz bis zu einer vorgebbaren Anzahl von Schritten, bei der – bei jedem Schritt ausgehend von einer äußeren Begrenzung des Organbereichs eine Schicht des Organbereichs abgetragen wird, – bei einer Aufspaltung des Organbereichs in mehrere Teilbereiche bei einem Schritt jeweils nur einer der Teilbereiche, der mit höchster Wahrscheinlichkeit das Organ beinhaltet, für die weitere Erodierung ausgewählt wird, – wobei der Teilbereich, der mit höchster Wahrscheinlichkeit das Organ beinhaltet, jeweils anhand geometrischer Merkmale in zumindest einer Schicht des binären Datensatzes ausgewählt wird, die aus den Trainingsdatensätzen bekannt sind, – in dem Wahrscheinlichkeitsdatensatz die Wahrscheinlichkeitswerte von Voxeln der im binären Datensatz abgespaltenen Teilbereiche verringert werden, so dass ein korrigierter Wahrscheinlichkeitsdatensatz erhalten wird, und – auf Basis des korrigierten Wahrscheinlichkeitsdatensatzes eine Segmentierungstechnik eingesetzt wird, um das Organ aus dem Wahrscheinlichkeitsdatensatz und damit auch aus dem Volumendatensatz zu segmentieren.

Description

Die vorliegende Erfindung betrifft ein vollautomatisches Verfahren zur Segmentierung eines Organs, insbesondere des Nierenparenchyms, aus Volumendatensätzen der medizinischen Bildgebung, insbesondere aus Volumendatensätzen der Magnetresonanztomographie.
Eine Segmentierung von Organen in Bilddatensätzen der medizinischen Bildgebung ist sowohl für klinische Anwendungen als auch für die biomedizinische Forschung erforderlich. Gerade für epidemiologische Fragestellungen ist eine manuelle Segmentierung und Auswertung zu zeitaufwendig. Hier müssen möglichst vollautomatische Verfahren zum Einsatz kommen, die eine 3D-Segmentierung des Organs aus den medizinischen Volumendatensätzen ermöglichen, um dann bspw. eine automatische Berechnung des Organvolumens vornehmen zu können. Viele bekannte Segmentierungstechniken erfordern jedoch noch immer eine Interaktion mit einem Benutzer, um ein zufrieden stellendes Segmentierungsergebnis zu erhalten.
Die DE 10 2009 038 436 A1 beschreibt ein Verfahren zur Segmentierung eines Organs in Volumendatensätzen der medizinischen Bildgebung, bei dem auf Basis von Segmentierungsergebnissen aus Trainingsdatensätzen ein interessierender Bereich innerhalb eines aufgezeichneten Volumendatensatzes festgelegt wird, der das Organ mit höchster Wahrscheinlichkeit enthält, und ein Wahrscheinlichkeitsdatensatz generiert wird, in dem jedem Voxel des Volumendatensatzes auf Basis seiner Intensitätswerte und den Segmentierungsergebnissen aus den Trainingsdatensätzen eine Wahrscheinlichkeit zugeordnet wird, zu dem Organ zu gehören. Auf den Wahrscheinlichkeitsdatensatz wird im interessierenden Bereich ein Schwellwertverfahren angewendet, durch das ein Organbereich vom Hintergrund getrennt wird, um einen binären Datensatz zu erhalten, in dem Voxel des Hintergrunds und Voxel außerhalb des interessierenden Bereichs einen anderen Wert aufweisen als Voxel des Organbereichs.
Ein besonderes Problem stellt die Segmentierung des Nierenparenchyms in Volumendatensätzen der Magnetresonanz (MR)-Tomographie dar. Hier sind bisher MR-Volumendatensätze erforderlich, die unter Gabe von Kontrastmittel aufgezeichnet wurden, im Folgenden auch als kontrastmittelangereicherte MR-Datensätze bezeichnet, um ein zufrieden stellendes Segmentierungsergebnis zu erhalten.
So beschreiben S-E Yuksel et al., „A Kidney Segmentation Framework for Dynamic Contrast Enhanced Magnetic Resonance Imaging”, Journal of Vibration and Control 2007, 13 (9–10): 1505–1516, ein Verfahren zur Nierensegmentierung, bei dem Vorwissen über die Nierenform eingesetzt wird. Es wird ein deformierbares Modell genutzt, das vorzeichenbehaftete Abstandskartendichten mit Grauwertverteilungen kombiniert, die mit einem Erwartungsmaximierungsalgorithmus berechnet wurden. Das Verfahren erfordert jedoch kontrastmittelangereicherte MR-Datensätze.
Aus T. Kohlberger et al., „Organ Segmentation with Level Sets Using Local Shape and Appearance Priors”, in: Guang-Zhong Yang et al., editor, 2009, London, UK, Springer, 34–42, ist ein Verfahren zur Segmentierung der Niere in Datensätzen der Computertomographie (CT) bekannt, das Vorwissen über die Nierenform in Kombination mit einer Level-Set-Methodik einsetzt.
Die bekannten Verfahren zur Segmentierung des Nierenparenchyms in MR-Datensätzen erfordern bisher immer die Aufzeichnung von kontrastmittelangereicherten Bilddatensätzen. Native MR-Datensätze können bisher nicht genutzt werden. Verfahren zur Segmentierung aus CT-Datensätzen können andererseits aufgrund der unterschiedlichen Bildeigenschaften nicht ohne weiteres auf MR-Datensätze übertragen werden. Alle bekannten Techniken erfordern zudem eine Interaktion, die für eine vollautomatische Segmentierung für epidemiologische Studien nicht durchführbar ist.
Die Aufgabe der vorliegenden Erfindung besteht darin, ein Verfahren zur vollautomatischen Segmentierung eines Organs, insbesondere des Nierenparenchyms, in Volumendatensätzen der medizinischen Bildgebung anzugeben, das sich auch für eine vollautomatische 3D-Segmentierung des Organs aus nativen MR-Datensätzen eignet.
Die Aufgabe wird mit dem Verfahren gemäß Patentanspruch 1 gelöst. Vorteilhafte Ausgestaltungen des Verfahrens sind Gegenstand der abhängigen Patentansprüche oder lassen sich der nachfolgenden Beschreibung sowie dem Ausführungsbeispiel entnehmen.
Bei dem vorgeschlagenen Verfahren wird zunächst auf Basis von Segmentierungsergebnissen aus Trainingsdatensätzen, die durch manuelle Segmentierung einer Vielzahl von Volumendatensätzen unterschiedlicher Patienten erhalten werden, ein interessierender Bereich des hier zu segmentierenden Volumendatensatzes festgelegt, der das Organ mit höchster Wahrscheinlichkeit enthält. Weiterhin wird auf Basis der Segmentierungsergebnisse aus den Trainingsdatensätzen unter Anwendung des Bayes-Theorems ein Wahrscheinlichkeitsdatensatz generiert, in dem auf Basis seiner Intensitätswerte jedem Voxel des hier zu segmentierenden Volumendatensatzes eine Wahrscheinlichkeit zugeordnet wird, zu dem Organ zu gehören. Auf diesen Wahrscheinlichkeitsdatensatz wird im interessierenden Bereich ein Schwellwertverfahren angewendet, durch das ein Organbereich vom Hintergrund getrennt wird, um dadurch einen binären Datensatz zu erzeugen, in dem Voxel des Hintergrunds und Voxel außerhalb des interessierenden Bereichs einen anderen Wert aufweisen als Voxel des Organbereichs. Unter dem Organbereich wird hierbei der dreidimensionale Bereich verstanden, der mit hoher Wahrscheinlichkeit das Organ enthält. Je nach Durchführung dieses Verfahrensschrittes haben dann die Voxel des Organbereichs in dem binären Datensatz bspw. den Wert 1 und die restlichen Voxel den Wert O. In dem binären Datensatz wird anschließend eine schrittweise Erodierung des Organbereichs durchgeführt. Bei jedem Schritt dieser Erodierung wird ausgehend von der jeweils verbleibenden äußeren Begrenzung des Organbereichs eine Schicht dieses Bereichs abgetragen. Tritt durch diese Abtragung bzw. Erodierung eine Aufspaltung des Organbereichs in mehrere (Teil-)Bereiche auf, so wird jeweils nur einer der Bereiche für die weitere Erodierung ausgewählt, der mit höchster Wahrscheinlichkeit das Organ beinhaltet. Die Erodierung wird bis zu einer vorgebbaren Anzahl von Schritten durchgeführt, vorzugsweise mit Hilfe einer vorzeichenbehafteten Abstandsfunktion. Der (Teil-)Bereich, der jeweils mit höchster Wahrscheinlichkeit das Organ beinhaltet, wird dabei in zumindest einer Schicht des binären Datensatzes anhand geometrischer Merkmale erkannt, die aus den Trainingsdatensätzen bekannt sind. So kann bspw. bei der Segmentierung der Niere die in einigen Schichten erkennbare Hufeisenform der Niere als Merkmal herangezogen werden, durch die der die Niere beinhaltende Bereich bestimmt wird. Durch die schrittweise Erodierung werden somit nicht zum Organ gehörige Bereiche abgespalten, die in der Regel über schmale Brücken in den Bild- bzw. Volumendatensätzen mit dem Organ verbunden sind. Die abgespaltenen Bereiche werden im Wahrscheinlichkeitsdatensatz lokalisiert und deren Wahrscheinlichkeitswerte in diesem Wahrscheinlichkeitsdatensatz verringert, um dadurch die Zuverlässigkeit der späteren Segmentierung zu erhöhen. Durch die Verringerung der Wahrscheinlichkeitswerte der abgespaltenen Bereiche im Wahrscheinlichkeitsdatensatz wird ein korrigierter Wahrscheinlichkeitsdatensatz erhalten. Auf Basis dieses korrigierten Wahrscheinlichkeitsdatensatzes wird dann eine Segmentierungstechnik eingesetzt, um das Organ aus dem korrigierten Wahrscheinlichkeitsdatensatz zu segmentieren. Damit wird auch die Segmentierung aus dem korrespondierenden Volumendatensatz erhalten. Alle Schritte des vorgeschlagenen Verfahrens, die nach der Trainingsphase durchgeführt werden, können vollständig automatisiert erfolgen.
In einer vorteilhaften Ausgestaltung wird für jeden abgespaltenen (Teil-)Bereich des binären Datensatzes die Anzahl der Erodierungsschritte gespeichert, nach denen die Abspaltung des jeweiligen Bereiches erfolgt ist. Die Wahrscheinlichkeitswerte der Voxel dieser Gebiete im Wahrscheinlichkeitsdatensatz werden dann um einen Faktor verringert, der von der Anzahl der Schritte bis zur Abspaltung des jeweiligen Bereiches abhängt. Hierbei werden die Wahrscheinlichkeitswerte in Bereichen, die nach einer geringeren Anzahl an Schritten abgespalten werden, starker verringert als in Bereichen, die nach einer höheren Anzahl von Schritten abgespalten werden.
Bei dem Verfahrensschritt der Erodierung wird der Bereich, der mit höchster Wahrscheinlichkeit das Organ beinhaltet, vorzugsweise anhand der geometrischen 2D-Form in einer der Schichten des binären Datensatzes erkannt, indem ein Ähnlichkeitsmaß zwischen der jeweiligen durch Erodierung erhaltenen geometrischen 2D-Form und einer aus den Trainingsdatensätzen erstellten charakteristischen geometrischen 2D-Form des Organs berechnet wird. Der Bereich mit dem höchsten Ähnlichkeitsmaß wird dann jeweils weiter erodiert.
Bei der Erodierung werden somit sukzessiv 3D-Bereiche abgespalten, die Übersegmentierungen bilden. Dabei wird jeweils der 3D-Bereich identifiziert, welcher das zu segmentierende Organ enthält. Diese Technik nutzt vorzugsweise trainierte 2D-Formen aus charakteristischen Schichtbereichen des Organs, bspw. bei der Niere aus den mittleren transversalen Nierenbereichen, die hufeisenähnliche Formcharakteristiken aufweisen. Auch die Milz oder die Schilddrüse weisen bspw. in bestimmten Schnittebenen charakteristische 2D-Formen auf (ausgefranste Hufeisenform bzw. Schmetterlingsform). Auf Grundlage des vorgeschlagenen Verfahrens werden ähnliche, benachbarte Gewebestrukturen, die einen geringen Konnektivitätsgrad zum Organ aufweisen, enttarnt. Dieser Schritt verfeinert durch die gesammelten Erkenntnisse den Wahrscheinlichkeitsdatensatz und liefert als Ergebnis sukzessiver 3D-Bereichsabspaltungen auch eine ideale Startoberfläche für die vorzugsweise eingesetzte finale 3D-Level-Set-Segmentierung.
Das vorgeschlagene Verfahren ermöglicht eine vollautomatische 3D-Segmentierung beispielsweise des linken und rechten Nierenparenchyms auf nativen MR-Datensätzen. Darüber hinaus kann eine vollautomatische Volumetrie des linken und rechten Nierenparenchyms erfolgen, was für epidemiologische und medizinische Zwecke besonders wertvoll ist. Die 3D-Segmentierung liefert auch ein 3D-Organmodell des betreffenden Patienten/Probanden, welches für chirurgische Zwecke, bspw. zur Operationsplanung oder für bestimmte Beratungsmöglichkeiten in der individualisierten Medizin gezielt genutzt werden kann. Das Verfahren lässt sich auch auf andere Datensätze der medizinischen Bildgebung übertragen, bspw. auf Datensätze der Computertomographie.
Die 3D-Segmentierung erfolgt beim vorgeschlagenen Verfahren vorzugsweise durch eine 3D-Level-Set-Segmentierung, bei der als anfängliches Null-Level-Set die aus dem binären Datensatz erhaltene Oberfläche des nach dem letzten Erodierungsschritt erhaltenen Bereiches genutzt wird, der das Organ mit hoher Wahrscheinlichkeit enthält. Bei dieser Level-Set-Methode werden in bekannter Weise trainierte 3D-Organformen bei der Segmentierung eingesetzt. Die Segmentierung wird beim vorgeschlagenen Verfahren jedoch nicht auf dem Volumendatensatz, sondern auf dem daraus gewonnenen korrigierten bzw. verfeinerten Wahrscheinlichkeitsdatensatz durchgeführt.
Vorzugsweise wird die bestehende Level-Set-Segmentierung dabei um eine Steuerungseigenschaft ergänzt, sich an den äußeren Organkanten anzulagern. Dazu werden innerhalb der Level-Set-Segmentierung Anziehungskräfte konstruiert, die mit Hilfe von Richtungseigenschaften der Level-Set-Normalen und der Kanteninformationen definiert werden. Diese definierten Anlagerungs- bzw. Anziehungskräfte unterstützen und verbessern die Segmentierungsqualität des vorgeschlagenen Verfahrens. Im Falle der Segmentierung des Nierenparenchyms wird für die Festlegung der Kanten bzw. Oberfläche des Organs vorzugsweise ein weiterer Wahrscheinlichkeitsdatensatz generiert, der die Wahrscheinlichkeiten beinhaltet, mit denen die Voxel des Volumendatensatzes zum Nierenkortex gehören. Dieser Wahrscheinlichkeitsdatensatz wird in gleicher Weise wie der Wahrscheinlichkeitsdatensatz für das Nierenparenchym auf Basis der Trainingsdatensätze mit Hilfe des Bayes-Theorems erzeugt, wobei in diesem Fall in den Trainingsdatensätzen zusätzlich der Nierenkortex manuell segmentiert wurde. Die äußeren Kortex-Kanten werden in diesem Datensatz automatisiert bestimmt und als äußere Begrenzung bzw. Kanten des Nierenparenchyms bei der Level-Set-Segmentierung genutzt. Anstelle eines Wahrscheinlichkeitsdatensatzes kann für die Festlegung der Kanten auch ein anderer Datensatz genutzt werden.
Allgemein werden bei diesem Schritt äußere Kanten des Organs mit Hilfe von Skalarprodukten erkannt, die die Richtungsinformation der beiden Gradientenarten, des Gradienten der Wahrscheinlichkeitswerte der Organkante sowie des Gradienten der vorzeichenbehafteten Abstandsfunktion, ausnutzen. Durch die Bildung des Skalarproduktes werden störende Kanten in dem Wahrscheinlichkeitsdatensatz herausgefiltert, so dass im Wesentlichen nur die Organkanten erkannt werden. Diese Organkanten werden dann zur Anlagerung des Null-Level-Sets mit Hilfe von Stopptermen und Anziehungskräften verwendet. Als Level-Set-Methode wird vorzugsweise eine Technik eingesetzt, wie sie bspw. in der Veröffentlichung von D. Cremers et al., „Kernel Density Estimation and Intrinsic Alignment for Shape Priors in Level Set Segmentation”, International Journal of Computer Vision 2006, 69 (3): 335–351, beschrieben ist. Diese auf Energieminimierung basierende Technik wird vorzugsweise mit den obigen Stopp- und Anziehungstermen ergänzt.
Speziell für die Anwendung der Segmentierung des Nierenparenchyms wird vor den Erodierungsschritten vorzugsweise noch ein Schritt zur Entfernung eines Teils der Leber durchgeführt. Hierbei wird aus dem Vorwissen einer analysierten Kortexdickenverteilung der Niere (aus den Trainingsdatensätzen) ein Distanzschwellwert auf dem A-posteriori-Datensatz bzw. Wahrscheinlichkeitsdatensatz des Kortex bestimmt. Mit einer speziellen Distanztransformations-Methode wird auf Grundlage von vorzeichenbehafteten Abstandsfunktionen der Leberteil im Positions-Wahrscheinlichkeitsraum der rechten Niere entfernt, um eine bessere spätere Segmentierung zu ermöglichen. Einzelheiten zu diesem Schritt können dem nachfolgenden Ausführungsbeispiel entnommen werden.
Das vorgeschlagene Verfahren wird nachfolgend anhand eines Ausführungsbeispiels in Verbindung mit den Zeichnungen nochmals näher erläutert. Hierbei zeigen:
1 eine schematische Darstellung des grundsätzlichen Verfahrensablaufs in einer Ausgestaltung des vorgeschlagenen Verfahrens;
2 ein transversales MR-Schichtbild nach einer Rauschreduktion, das die beiden Nieren zeigt;
3 ein Beispiel für die interessierenden Bereiche für linke und rechte Niere;
4 eine Schicht des Wahrscheinlichkeitsdatensatzes des Nierenparenchyms in den interessierenden Bereichen (hohe Wahrscheinlichkeiten jeweils in weiß);
5 eine Schicht des Wahrscheinlichkeitsdatensatzes des Nierenkortex (hohe Wahrscheinlichkeiten jeweils in weiß);
6 ein Beispiel für die Funktion M_ctx (oben links), M_elr (oben rechts) und M_lr (unten links) für eine ausgewählte transversale Schicht sowie das Resultat nach der Abspaltung des Leberteils (unten rechts);
7 ein Beispiel für die hufeisenförmigen Geometrien von inneren transversalen Nierenschichten für linke und rechte Niere (obere Reihe) sowie leicht erodierte Formen (untere Reihe);
8 eine transversale Schicht von P_crpc (links) sowie die verbleibenden 3D-Bereiche im linken und rechten interessierenden Bereich nach dem letzten Erodierungsschritt (rechts).
Im Folgenden wird das vorgeschlagene Verfahren anhand der Segmentierung des Nierenparenchyms in nativen Datensätzen der MR-Tomographie nochmals näher erläutert. Hierbei werden zusätzliche Verfahrensschritte durchgeführt, um ein optimales Segmentierungsergebnis zu erhalten, die jedoch nicht in jedem Falle erforderlich sind. Weiterhin wird auch die Datenaufnahme sowie die Trainingsphase beschrieben, die jedoch nur vorzugsweise Bestandteil des vorgeschlagenen Verfahrens sind. Das vorgeschlagen Verfahren nutzt die Information aus Trainingsdatensätzen, die in dieser Weise gewonnen wurden.
Bei dem hier beschriebenen Beispiel wurden einkanalige MR-Datensätze von 50 Probanden aufgezeichnet bzw. ausgewählt und in diesen Datensätzen das Nierenparenchym manuell segmentiert. Die binären Masken des linken und rechten Nierenparenchyms wurden abgespeichert. Aus 30 dieser MR-Datensätze wurde zusätzlich der Nierenkortex in der linken und rechten Niere segmentiert, um entsprechende binäre Kortex-Masken zu erhalten. Weiterhin wurden binäre Nierenmark-Masken durch Subtraktion der Kortex-Masken von den Parenchym-Masken erzeugt.
Die zweidimensionale Hufeisenform im Inneren der transversalen Schichten des linken und rechten Nierenparenchyms ist ein charakteristisches geometrisches Merkmal des Nierenparenchyms und wird für die spätere vollautomatische Segmentierung genutzt. Die entsprechenden Schichten der Trainingsdatensätze, in denen diese Hufeisenform erkennbar ist, werden von Experten extrahiert und separat gespeichert. Die entsprechende geometrische Form wird mittels Fourierdeskriptoren beschrieben wie sie bspw. in C. Zahn et al., „Fourier descriptors for plane closed curves”, IEEE Transactions an Computers 1972, 21 (3): 269–281, erläutert sind. Da Rotations- und Skalierungsunterschiede zwischen den Hufeisenformen der unterschiedlichen MR-Datensätze klein sind, werden lediglich die translatorisch invarianten Fourierdeskriptoren der Hufeisenformen abgespeichert, indem ihr erster Fourierdeskriptor auf 0 gesetzt wird. Gewebe-charakteristische MR-Intensitätsverteilungen sowie die Positionen und Formen der Nierenparenchymas in den Datensätzen werden aus den segmentierten Daten erzeugt. Die Nierenform wird durch eine trainierte vorzeichenbehaftete Abstandsfunktion der segmentierten Bereiche repräsentiert und bei der späteren Level-Set-Segmentierung genutzt. Weiterhin wird die Dicke des Gebietes, das den Kortex repräsentiert, aus den 30 erzeugten binären Kortex-Masken bestimmt.
1 zeigt in schematischer Darstellung einen Überblick über das vorgeschlagene Verfahren, das in diesem Beispiel in die soeben beschriebene Trainingsphase und die anschließende Anwendungsphase untergliedert ist. Die Anwendungsphase umfasst dabei die folgenden Schritte:

1. Die Bestimmung der interessierenden Bereiche: Die aus der Trainingsphase gewonnenen binären Masken werden kombiniert, um die interessierenden Bereiche für die linke und die rechte Niere getrennt voneinander zu erzeugen, in denen mit höchster Wahrscheinlichkeit die Niere enthalten ist. Die spätere Segmentierung des Nierenparenchyms wird in diesen interessierenden Bereichen durchgeführt.
2. Erzeugung des Wahrscheinlichkeitsdatensatzes: Likelihood-Funktionen und A-priori-Wahrscheinlichkeiten für gewebespezifische Intensitäten werden aus den Trainingsdaten abgeleitet und für die Berechnung von A-posteriori-Wahrscheinlichkeiten für Parenchym und Kortexgewebe genutzt. Hierbei wird jeweils ein Wahrscheinlichkeitsdatensatz für das Parenchym und ein Wahrscheinlichkeitsdatensatz für den Kortex erzeugt. Diese Wahrscheinlichkeitsdatensätze werden in den folgenden Schritten verfeinert und dienen in ihrer verfeinerten Form für die spätere Level-Set-Segmentierung als Basis.
3. Schwellwertbildung: Ein empirisch bestimmter Schwellwert wird genutzt, um die parenchymartigen Gewebebereiche in den interessierenden Bereichen vom Hintergrund zu trennen. Dadurch werden binäre Datensätze generiert. Aufgrund der klar unterscheidbaren Wahrscheinlichkeitswerte für die unterschiedlichen Gewebetypen kann der gleiche Schwellwert genutzt werden, um kortexartiges Gewebe im Wahrscheinlichkeitsdatensatz für den Kortex vom Hintergrund zu trennen.
4. Entfernung eines Leberteils: Da die interessierenden Bereiche in der Regel einen Teil der Leber mit Intensitäten enthalten, die ähnlich denen in den Kortexgebieten sind, wird die erwartete Dicke des Kortex genutzt, um diese Lebergebiete zu entfernen.
5. Verfeinerung des Wahrscheinlichkeitsdatensatzes auf Basis einer Abstandstransformation: Ein Erodierungsprozess wird zur Trennung des Parenchyms von anderen Strukturen genutzt, mit denen es fälschlicherweise verbunden sein kann. Falls während der Erodierung Bereiche abgespalten werden, wird der Bereich, der mit höchster Wahrscheinlichkeit das Parenchym enthält, aufgrund der charakteristischen Hufeisenform bestimmt und weiter erodiert. Die Wahrscheinlichkeitswerte der abgespaltenen Bereiche bzw. Segmente werden um einen Faktor im Wahrscheinlichkeitsdatensatz reduziert, der von der Art der Verbindung zwischen den abgespaltenen Segmenten abhängt. Die erodierte Parenchymform dient auch als Startoberfläche für die nachfolgende Level-Set-Segmentierung.
6. Level-Set-Segmentierung unter Nutzung der Information über die geometrische Form: Die vorangehenden Schritte verbessern die Segmentierungsergebnisse und den Informationsgehalt der erzeugten Datensätze für die Segmentierung des Parenchyms, können jedoch noch immer fälschliche Segmentierungen enthalten. Daher wird in der Level-Set-Segmentierung der verfeinerte Wahrscheinlichkeitsdatensatz als Daten-Term mit einem Form-Term kombiniert. Der Form-Term nutzt das Vorwissen über die dreidimensionale Form des Parenchyms, wie sie in den in der Trainingsphase erhaltenen Parenchym-Masken enthalten ist.
7. Ausschluss zystischer Volumen: Obwohl die Wahrscheinlichkeitswerte für zystisches Parenchymgewebe gering sein sollten, kann der Form-Term bewirken, dass die Segmentierung noch Zysten enthält. Daher wird eine Schwellwerttechnik eingesetzt, um zystisches Parenchymgewebe von gesundem Parenchymgewebe zu trennen. Der Schwellwert wird identisch dem Schwellwert aus Schritt 3 gewählt.
8. Parenchymvolumetrie: Das Segmentierungsergebnis repräsentiert eine binäre Maske, die für eine interpolierte Oberflächenerzeugung genutzt werden kann. Das Resultat wird auf den schichtweise visualisierbaren originalen MR-Volumendatensätzen dargestellt, um die Segmentierungsqualität zu analysieren. Das Parenchymvolumen kann dann leicht mit Hilfe der 3D-Segmentierungsergebnisse berechnet werden.

Im Folgenden wird auf diese einzelnen Schritte näher eingegangen.
Vorzugsweise wird zur Rauschunterdrückung in dem aufgezeichneten MR-Volumendatensatz eine Kanten erhaltende anisotrope Diffusion durchgeführt, um die MR-Intensitäten innerhalb der unterschiedlichen Gewebetypen zu homogenisieren und die Kanten zu erhalten, die für die Unterscheidung zwischen den unterschiedlichen Gewebetypen (Kortex und Nierenmark) wichtig sind. Für das Verfahren werden derartige rauschreduzierte MR-Volumendatensätze mit fettgesättigter Gewichtung eingesetzt, da diese die beste Unterscheidung zwischen Nierenmark und Kortex liefern. 2 zeigt ein Beispiel für eine Schicht eines derartigen MR-Volumendatensatzes nach der Rauschreduzierung, in dem die linke und die rechte Niere erkennbar sind.
Während der Bildaufzeichnung in der Trainingsphase und der späteren Aufzeichnung des zu segmentierenden Volumendatensatzes werden die Probanden in ähnlicher Weise im Tomographen platziert. Die Nierenpositionen liegen dabei an ähnlichen Orten in den jeweiligen MR-Datensätzen. Die in der Trainingsphase erhaltenen Parenchymmasken werden genutzt, um zwei interessierende Bereiche für die linke und die rechte Niere zu bestimmen, die mit höchster Wahrscheinlichkeit die Niere enthalten. 3 zeigt ein Beispiel für diese interessierenden Bereiche bezüglich eines Schichtbildes.
Für die Erzeugung der Wahrscheinlichkeitsdatensätze P aus dem aufgezeichneten Volumendatensatz werden die MR-Intensitäten in die zwei Klassen rpc (Nierenparenchym) und bg (Hintergrund) eingeteilt. Likelihood-Funktionen p(I|rpc) und p(I|bg) werden mit einem Gaußschen Kernschätzer aus den Intensitätshistogrammen der Trainingsdaten geschätzt. Das Bayes-Theorem ergibt dann: P_rpc = P(rpc|I) = p(I|rpc) × pr(rpc) / p(I|rpc) × pr(rpc) + p(I|bg) × pr(bg)' wobei I = I(x, y, z) der MR-Intensität an der Position (x, y, z) im MR-Volumendatensatz entspricht. Die A-priori-Wahrscheinlichkeiten pr(rpc) des Parenchyms und pr(bg) des Hintergrunds werden bestimmt, indem deren Verhältnisse in den interessierenden Bereichen der aus der Trainingsphase erhaltenen Binärmasken bestimmt werden.
Zur Entfernung des Leberanteils im nächsten Schritt werden auch die Kortexwahrscheinlichkeiten benötigt. Diese werden aus den segmentierten Kortex-Masken (ctx) und Nierenmark-Masken (mdl) der Trainingsphase berechnet. Die A-priori-Wahrscheinlichkeiten pr(ctx), pr(mdl), pr(bg) werden nach ihrem Auftreten in dem kompletten MR-Volumendatensatz geschätzt, da dies für die Entfernung der Leber nicht alleine aufgrund der interessierenden Bereiche möglich ist.
P_ctx = P(ctx|I) = p(I|ctx) × pr(ctx) / p(I|ctx) × pr(ctx) + p(I|mdl) × pr(mdl) + p(I|bg) × pr(bg)
4 zeigt ein Schichtbild des erzeugten Wahrscheinlichkeitsdatensatzes P_rpc des Parenchyms in den interessierenden Bereichen. 5 zeigt eine Schicht des Wahrscheinlichkeitsdatensatzes P_ctx des Kortex. Hohe Wahrscheinlichkeiten sind hierbei jeweils in weiß dargestellt.
Die Leber und der Nierenkortex haben ähnliche Intensitäten in den MR-Volumendatensätzen. Da die Leber das größte abdominale Organ darstellt, kann die maximale Kortexdicke geringer angenommen werden als die räumliche Ausdehnung der Leber. Aus der Trainingsphase wurde die maximale Kortexdicke auf U = 14 mm abgeschätzt. Die nötige morphologische Information wird durch Anwendung einer Distanztransformation auf den segmentierten Vordergrundvoxeln erzeugt.
P_ctx wird einem Schwellwertverfahren unterzogen, um eine binäre Kortexmaske M_ctx(x, y, z) zu erzeugen. Eine implizite vorzeichenbehaftete Abstandsfunktion d_ctx(x, y, z) wird auf M_ctx(x, y, z) berechnet. Die vorzeichenbehaftete Abstandsfunktion enthält positive Abstandswerte innerhalb und negative Abstandswerte außerhalb des entsprechenden Bereiches. Die obere Grenze U der Kortexabstände wird als Schwellwert für die Abstandsfunktion d_ctx genutzt:
Die Maske M_elr repräsentiert ein erodiertes Lebergebiet und ist 0 für Voxel des Nierenkortex. Anschließend wird eine andere vorzeichenbehaftete Abstandsfunktion d_elr(x, y, z) auf Basis der Begrenzung von M_elr(x, y, z) berechnet. Nach Addition des vorher Subtrahierten Abstands U und Schwellwertbildung für d_elr(x, y, z)
wird die Maske M_lr(x, y, z) berechnet, die das Lebergebiet annähert. Dann wird M_lr(x, y, z) von M_ctx(x, y, z) subtrahiert und das Lebergebiet aus dem Wahrscheinlichkeitsdatensatz für das Parenchym durch entsprechende Maskierung entfernt.
6 zeigt hierbei ein Beispiel für die Funktion M_ctx im linken oberen Teil, wobei ein Schwellwert von 0,8·max(P_ctx) eingesetzt wurde. Im rechten oberen Teil der Figur ist M_elr, im linken unteren Teil M_lr für eine ausgewählte transversale Schicht zu erkennen. Der rechte untere Teil zeigt das Resultat des Wahrscheinlichkeitsdatensatzes des Parenchyms in dieser Schicht nach der Entfernung des Leberteils innerhalb der jeweiligen interessierenden Bereiche.
Dieser Schritt verfeinert den Wahrscheinlichkeitsdatensatz des Parenchyms. Er verhindert auch, dass bei der späteren Level-Set-Segmentierung ein Übergreifen auf die Leberteile erfolgen kann.
Selbst nach der Entfernung der Leber ist die Intensitätsverteilung für das Nierenparenchym noch nicht eindeutig und eine Anwendung einer Schwellwerttechnik auf den P_rpc Wahrscheinlichkeitsdatensatz kann noch immer falsche Segmentierungen ergeben. Daher wird beim vorgeschlagenen Verfahren eine zusätzliche morphologische Operation durchgeführt, bei der Teilbereiche, die mit hoher Wahrscheinlichkeit nicht zum Parenchym gehören, in den Wahrscheinlichkeitswerten verringert werden. Aufgrund unterschiedlicher geometrischer Form, Organgröße und abdominalem Fettanteil der Probanden, kann die Art der Oberflächenkontakte zwischen ihren abdominalen Organen stark unterschiedlich sein. Übergangsbereiche zwischen der Niere und angrenzenden Organen oder Gewebearten sind jedoch immer durch kleine brückenartige Strukturen gekennzeichnet. Der Zweck der hier eingesetzten morphologischen Operation besteht darin, die gegenwärtige geschätzte Struktur an diesen Stellen aufzubrechen. Information über die geometrische Form oder andere geometrische Merkmale des zu segmentierenden Organs wird dann für die Entscheidung genutzt, welche Teilbereiche bzw. Teilvolumina mit höchster Wahrscheinlichkeit das Nierenparenchym enthalten.
Nach der Erzeugung einer vorzeichenbehafteten Abstandsfunktion auf Basis des binären Wahrscheinlichkeitsdatensatzes für das Parenchym, der durch Anwendung einer Schwellwerttechnik auf P_rpc erhalten wird, wird die aktuelle Begrenzung des das Parenchym enthaltenden Volumens schrittweise in Schritten von 1 mm erodiert. Nach jedem Erodierungs- bzw. Schrumpfungsschritt wird geprüft, ob das rpc-Volumen in mehrere Teilvolumina aufgespalten wurde. Ist dies der Fall, so werden charakteristische geometrische Eigenschaften des Parenchyms genutzt, um zu entscheiden, welches dieser abgespaltenen Teilvolumina mit höchster Wahrscheinlichkeit das rpc-Volumen darstellt. Nur das wahrscheinlichste Volumen bzw. der wahrscheinlichste Bereich wird weiter erodiert. Die Erodierung wird nach zwölf Schritten beendet, so dass mit dieser Technik Kontaktbrücken entfernt werden können, die höchstens 24 mm breit sind. Aufgrund der konkaven Form des Nierenparenchyms ist diese obere Grenze für die Erodierung erforderlich, um eine Aufspaltung innerhalb des Nierenparenchyms zu vermeiden.
Im vorliegenden Beispiel wird für die Entscheidung, welches der jeweils abgespaltenen Teilvolumina bzw. Teilbereiche nach einem Erodierungsschritt mit höchster Wahrscheinlichkeit das Nierenparenchym enthält, ein zweidimensionales geometrisches Merkmal des Nierenparenchyms genutzt, nämlich dessen hufeisenartige Form in den meisten transversalen Schichten. In der Trainingsphase wurde hierzu eine Anzahl von i = 1...50 Hufeisenformen erzeugt, die durch Vektoren F_i von Fourierdeskriptoren repräsentiert werden. Fourierdeskriptoren F_jk werden nun für jede zweidimensional verbundene Komponente j in allen Schichten aller Teilvolumina k berechnet. Da die nach Anwendung der Schwellwerttechnik erhaltenen geometrischen Formen des Nierenparenchyms das Nierenbecken enthalten können, wird für jede zweidimensional verbundene Komponente ein zweidimensionaler morphologischer Erodierungsprozess mit einem kleinen scheibenförmigen Strukturelement (3 × 3) durchgeführt, bevor ihre Fourierdeskriptoren bestimmt werden. Diese Strukturelemente werden eingesetzt, um kleine Übersegmentierungen (z. B. in das Nierenbecken, vgl. obere Reihe der 7, rechte Niere) für diesen speziellen Formvergleich zu vernachlässigen, welche die Formerkennung gegebenenfalls beeinträchtigen könnten.
Die Ähnlichkeit D(F_i, F_jk) wird dann als quadratischer Betrag der Differenz zwischen den Fourierdeskriptoren berechnet: D(F_i, F_jk) = |F_i – F_jk|²,
Die mittlere Unähnlichkeit D_mean(F_jk) aller trainierten F_i, i = 1...50 bis F_jk wird dann berechnet zu
Falls D_man(F_jk) unterhalb eines vorgegebenen Schwellwertes (in diesem Fall: 1,0) liegt, dann wird angenommen, dass die entsprechende Schicht zum 3D-Volumen k gehört, in dem das Nierenparenchym liegt. Das 3D-Volumen mit den meisten Schichten, für die das gilt, wird als wahrscheinlichstes 3D-Volumen angenommen, in dem das Nierenparenchym in dieser Erodierungsstufe liegt. Für alle anderen Teilvolumina wird die Anzahl der Erodierungsschritte gespeichert, die bis zur Abspaltung des jeweiligen Teilvolumens erforderlich waren.
7 zeigt hierzu in der oberen Reihe ein Beispiel für die Hufeisenform der linken und rechten Niere in transversalen Schichten. In der unteren Reihe sind leicht erodierte Formen erkennbar, wie sie bei der vorgeschlagenen Erodierung auftreten, wobei die Unähnlichkeitswerte D_mean in diesen Fällen zwischen den Formen der unteren und der oberen Reihe bei 0,67 (linke Niere) bzw. 0,36 (rechte Niere) betragen.
Nach Abschluss der Erodierungsschritte werden auf Basis dieser Informationen die Wahrscheinlichkeitswerte im Wahrscheinlichkeitsdatensatz P_rpc modifiziert. Hierbei werden harte Zuordnungen der Teilvolumina bzw. Teilbereiche zu dem Nierenparenchym oder zu Nicht-Parenchymgewebe vermieden, sondern lediglich die Wahrscheinlichkeitswerte modifiziert. Die Bereichstrennungen zwischen dem Nierenparenchym und dem Nicht-Parenchymgewebe treten öfter in den ersten Schritten des Erodierungsalgorithmus auf, da unterschiedliche Gewebetypen oft durch dünne brückenartige Strukturen verbunden werden. Daher wird beim vorgeschlagenen Verfahren eine Funktion genutzt, die die Nierenparenchym-Wahrscheinlichkeitswerte an den Positionen der abgespaltenen Bereiche entsprechend der Erodierungs- bzw. Schrumpfungsdistanz schwächt, bei der die Abspaltung auftrat. Für jeden abgespaltenen 3D-Bereich bzw. Teilvolumen L wird die folgende Funktion att_L für die entfernungsbasierte Schwächung der Wahrscheinlichkeitswerte im Wahrscheinlichkeitsdatensatz P_rpc des Parenchyms angewendet:
Der Faktor asd repräsentiert hierbei die Erodierungstiefe abhängig von der gewählten Schrittweite, bei der die Abspaltung des entsprechenden 3D-Bereichs erfolgte. Der Faktor msd repräsentiert die maximale Erodierungstiefe, die zur Vermeidung von Abspaltungen innerhalb der Niere genutzt wurde. Nach Multiplikation der Wahrscheinlichkeitswerte für die jeweiligen 3D-Bereiche L mit dem Faktor att_L in dem Wahrscheinlichkeitsdatensatz des Parenchyms wird ein verfeinerter bzw. korrigierter Wahrscheinlichkeitsdatensatz P_crpc(x, y, z) = att_L(x, y, z) × P_rpc(x, y, z) erhalten. In diesem verfeinerten Wahrscheinlichkeitsdatensatz sind 3D-Bereiche, die bis zum Erreichen der maximalen Erodierungstiefe msd nicht abgetrennt wurden, nicht geschwächt. Innerhalb dieser Erodierungstiefe abgetrennte Bereiche werden jedoch entsprechend der Erodierungstiefe geschwächt, bei denen sie abgespalten wurden.
8 zeigt hierbei im rechten Bild die verbleibenden Volumina jeweils im interessierenden Bereich nach Durchführung der Erodierungsschritte. Im linken Bild ist die entsprechende Schicht des verfeinerten bzw. korrigierten Wahrscheinlichkeitsdatensatzes dargestellt, in dem die abgespaltenen Bereiche in ihrem Wahrscheinlichkeitswert entsprechend reduziert wurden.
Dieser korrigierte Wahrscheinlichkeitsdatensatz P_crpc(x, y, z) wird nun für die anschließende 3D-Level-Set-Segmentierung als bilddaten-relevante Information genutzt. Hierbei wird eine Level-Set-Segmentierung auf Basis der Vorinformation über die geometrische Form genutzt, die P_crpc-Dateninformation mit Vorinformation über die geometrische Form des 3D-Parenchyms kombiniert, die in den Parenchymmasken der Trainingsphase enthalten ist. Die Einbeziehung der Vorinformation über die geometrische Form beschleunigt den Segmentierungsprozess und verringert die Anzahl lokaler Minima, die nicht das gewünschte Segmentierungsergebnis repräsentieren. Weiterhin wird die Begrenzung des wahrscheinlichsten rpc-Volumens nach dem letzten Erodierungsschritt als anfängliches Null-Level-Set für die 3D-Level-Set-Segmentierung genutzt.
Die Level-Set-Methode stellt ein flexibles Form- und Oberflächenpropagationsmodell dar, das für 2D- und 3D-Segmentierung genutzt werden kann. Im vorliegenden Verfahren wird die auf Kerndichteschätzung basierende Form-Repräsentation in Kombination mit der vorgeschlagenen Energie-Minimierungsstrategie genutzt. Diese Technik basiert auf der bereits oben genannten Veröffentlichung von Cremers et al.. Diese nutzen ein Energiefunktional, das einen Formterm E_shape und einen bildbezogenen Term E_image als Energiefunktionale enthält, wobei α ein Gewichtungsparameter ist, um den Einfluss der Vorinformation über die Form und der Bildinformation während des Segmentierungsprozesses zu führen: E(ϕ) = α·E_image(ϕ) + E_shape(ϕ)
Im vorliegenden Beispiel wird der bildbezogene Term durch ein bereichsbezogenes Funktional ersetzt, wie es beispielsweise aus T. F. Chan et al., „Active contours without edges”, IEEE Transactions an Image Processing 2001, 10(2): 266–277, bekannt ist. Die Form-Energie wird als eine translations- und skalierungsinvariante Formähnlichkeitsformulierung mittels Heaviside-Funktionen von formbezogenen vorzeichenbehafteten Abstandsfunktionen Φ definiert. Die translatorische Invarianz wird durch eine intrinsische Anpassung basierend auf Formschwerpunkten durchgeführt.
Im vorliegenden Beispiel wird ähnlich der Veröffentlichung von Cremers et al. die folgende mittels Gradientenabstiegsverfahren erzeugte Level-Set-Gleichung für die 3D-Segmentierung des Nierenparenchyms genutzt:
Anstelle des Original-Volumendatensatzes wird beim vorliegenden Verfahren der verfeinerte Wahrscheinlichkeitsdatensatz P_crpc für die Durchführung der Segmentierung genutzt. Dieser verfeinerte Wahrscheinlichkeitsdatensatz ermöglicht eine automatische Initialisierung der Level-Set-Segmentierung. Die Oberfläche, die nach dem letzten Erodierungsschritt im binären Datensatz das verbleibende rpc-Volumen umgibt, dient als anfängliches Null-Level-Set für die vorzeichenbehaftete Abstandsfunktion, da es eine geeignete erste Schätzung der gesuchten Begrenzung des Nierenparenchyms darstellt. Zur Beschleunigung des Segmentierungsprozesses wird die Level-Set-Segmentierung innerhalb der interessierenden Bereiche für die linke und rechte Niere getrennt durchgeführt.
Zur Vermeidung der Bewegung des Null-Level-Set in Nicht-Parenchymgewebe werden beim vorliegenden Verfahren zusätzliche Funktionen bzw. Terme in die obige Gleichung für die 3D-Segmentierung des Nierenparenchyms eingeführt. Diese führen zu einer Anpassung an die äußere Kortex-Begrenzung. Da andere Gewebe höhere Kortex-Wahrscheinlichkeitswerte aufweisen können, müssen die relevantesten Kanten der Kortex-Wahrscheinlichkeitsverteilung herausgefiltert werden. Hierzu werden beim vorliegenden Verfahren vorteilhaft die Normalenrichtungen des Level-Sets genutzt. Nach Initialisierung der Null-Level-Set-Oberfläche sind die Isonormalen der vorzeichenbehafteten Abstandsfunktion hauptsächlich in Richtung innerhalb des Nierenbereichs gerichtet. Die relevanten äußeren Kortex-Begrenzungen OE_ctx aus dem Wahrscheinlichkeitsdatensatz P_ctx für den Kortex werden mit Hilfe des folgenden Skalarproduktes extrahiert: OE_ctx(x, y, z) = ∇ϕ(x, y, z)·(∇P_ctx(x, y, z))^T
∇P_ctx repräsentiert hierbei die Gradienten der Kortex-Wahrscheinlichkeitsverteilung. Die Annäherung des Null-Level-Set an das gesuchte Segmentierungsergebnis während der Propagation verbessert inkrementell den Filtereffekt dieses Skalarproduktes und betont damit die Kortex-Kanten und unterdrückt Kanten von Nicht-Parenchymgewebe.
Für die Level-Set-Segmentierung wird dann eine Stopp-Funktion g gebildet, die das Stoppen des Null-Level-Set an den Kortex-Kanten gewährleistet. Diese Stopp-Funktion führt zu kleinen Werten an den Kortex-Kanten und beeinflusst die Segmentierung an Nicht-Kortex-Kanten nicht:
Zusätzlich wird eine Anziehungskraft F definiert, die das Null-Level-Set zu den gefilterten Kortex-Kanten zieht, falls das Null-Level-Set nahe dieser Kortex-Kanten ist. Dies wird durch Berechnung des Skalarprodukts der Gradienten der vorzeichenbehafteten Abstandsfunktion und der Gradienten der Stopp-Funktion g erreicht: F(x, y, z) = ∇g(x, y, z)·(∇ϕ(x, y, z))^T
Diese beiden Funktionen bzw. Terme werden in die Gleichung für die Energieoptimierung eingefügt, so dass folgende Gleichung für die Level-Set-Propagation erhalten wird:
Der Faktor β stellt hierbei einen Gewichtungsfaktor dar. In jedem Propagationsschritt wird der Anpassungseffekt durch die Stopp-Funktion und die Anziehungsfunktion entsprechend der momentanen vorzeichenbehafteten Abstandsfunktion aktualisiert.
Abhängig von den Gradientenrichtungen kann es vorkommen, dass anfänglich auch Nicht-Kortex-Kanten am Beginn des Level-Set-Segmentierungsprozesses stärker betont werden. Während der Propagation verringert sich jedoch der Einfluss dieser Nicht-Kortex-Kanten in der Stopp-Funktion und der Anziehungsfunktion. Hauptsächlich aufgrund des Einflusses der Formoptimierung konvergiert das Null-Level-Set gegen die korrekten Begrenzungen des äußeren Kortex. Die Richtungsunterschiede zwischen den beiden unterschiedlichen Gradiententypen an Nicht-Kortex-Kanten wachsen während der Propagation, so dass daraus eine Schwächung der Skalarprodukte resultiert und entsprechend den Einfluss der Stopp-Funktion und der Anziehungsfunktion an den Nicht-Kortex-Kanten verringert. Mit dieser Technik der zusätzlichen Stopp- und Anziehungsterme wird das Segmentierungsergebnis deutlich verbessert.
Mit dem vorgeschlagenen Verfahren wird eine vollautomatische 3D-Segmentierung des linken und rechten Nierenparenchyms auf MR-Datensätzen ohne Kontrastmittelinjektion ermöglicht. Darüber hinaus kann eine vollautomatische Volumetrie des linken und rechten Nierenparenchyms erfolgen, was für epidemiologische und medizinische Zwecke besonders wertvoll ist.

Claims

Verfahren zur Segmentierung eines Organs, insbesondere des Nierenparenchyms, in Volumendatensätzen der medizinischen Bildgebung, bei dem – auf Basis von Segmentierungsergebnissen aus Trainingsdatensätzen – ein interessierender Bereich innerhalb eines aufgezeichneten Volumendatensatzes festgelegt wird, der das Organ mit höchster Wahrscheinlichkeit enthält, und – ein Wahrscheinlichkeitsdatensatz generiert wird, in dem jedem Voxel des Volumendatensatzes auf Basis seiner Intensitätswerte und den Segmentierungsergebnissen aus den Trainingsdatensätzen eine Wahrscheinlichkeit zugeordnet wird, zu dem Organ zu gehören, – auf den Wahrscheinlichkeitsdatensatz im interessierenden Bereich ein Schwellwertverfahren angewendet wird, durch das ein Organbereich vom Hintergrund getrennt wird, um einen binären Datensatz zu erhalten, in dem Voxel des Hintergrunds und Voxel außerhalb des interessierenden Bereichs einen anderen Wert aufweisen als Voxel des Organbereichs, – Durchführen einer schrittweisen Erodierung des Organbereichs im binären Datensatz bis zu einer vorgebbaren Anzahl von Schritten, bei der – bei jedem Schritt ausgehend von einer äußeren Begrenzung des Organbereichs eine Schicht des Organbereichs abgetragen wird, – bei einer Aufspaltung des Organbereichs in mehrere Teilbereiche bei einem Schritt jeweils nur einer der Teilbereiche, der mit höchster Wahrscheinlichkeit das Organ beinhaltet, für die weitere Erodierung ausgewählt wird, – wobei der Teilbereich, der mit höchster Wahrscheinlichkeit das Organ beinhaltet, jeweils anhand geometrischer Merkmale in zumindest einer Schicht des binären Datensatzes ausgewählt wird, die aus den Trainingsdatensätzen bekannt sind, – in dem Wahrscheinlichkeitsdatensatz die Wahrscheinlichkeitswerte von Voxeln der im binären Datensatz abgespaltenen Teilbereiche verringert werden, so dass ein korrigierter Wahrscheinlichkeitsdatensatz erhalten wird, und – auf Basis des korrigierten Wahrscheinlichkeitsdatensatzes eine Segmentierungstechnik eingesetzt wird, um das Organ aus dem Wahrscheinlichkeitsdatensatz und damit auch aus dem Volumendatensatz zu segmentieren.
Verfahren nach Anspruch 1, bei dem die Wahrscheinlichkeitswerte der Voxel der im binären Datensatz abgespaltenen Teilbereiche im Wahrscheinlichkeitsdatensatz um einen Faktor verringert werden, der von der Anzahl der Erodierungsschritte bis zur Abspaltung des jeweiligen Teilbereiches abhängt, wobei die Wahrscheinlichkeitswerte in Teilbereichen, die nach einer geringeren Anzahl an Schritten abgespalten werden stärker verringert werden als in Teilbereichen, die nach einer höheren Anzahl von Schritten abgespalten werden.
Verfahren nach Anspruch 1 oder 2, bei dem der Wahrscheinlichkeitsdatensatz unter Anwendung des Bayes-Theorems erzeugt wird.
Verfahren nach einem der Ansprüche 1 bis 3, bei dem die schrittweise Erodierung mit Hilfe einer vorzeichenbehafteten Abstandsfunktion erfolgt.
Verfahren nach einem der Ansprüche 1 bis 4, bei dem der Teilbereich, der mit höchster Wahrscheinlichkeit das Organ beinhaltet, anhand der geometrischen 2D-Form in zumindest einer Schicht des binären Datensatzes erkannt wird, indem ein Ähnlichkeitsmaß zwischen der jeweiligen durch Erodierung erhaltenen geometrischen 2D-Form und einer aus den Trainingsdatensätzen erstellten, charakteristischen 2D-Form des Organs berechnet wird.
Verfahren nach einem der Ansprüche 1 bis 5, bei dem im Falle einer Segmentierung des Nierenparenchyms als Organ ein weiterer Wahrscheinlichkeitsdatensatz generiert wird, in dem jedem Voxel des Volumendatensatzes auf Basis seiner Intensitätswerte und den Segmentierungsergebnissen aus den Trainingsdatensätzen eine Wahrscheinlichkeit zugeordnet wird, zu dem Nierencortex zu gehören.
Verfahren nach Anspruch 6, bei dem – auf den weiteren Wahrscheinlichkeitsdatensatz im interessierenden Bereich ein Schwellwertverfahren angewendet wird, durch das ein Kortexbereich vom Hintergrund getrennt wird, um einen binären Datensatz zu erhalten, in dem Voxel des Hintergrunds und Voxel außerhalb des interessierenden Bereichs einen anderen Wert aufweisen als Voxel des Kortexbereichs, – aus Vorwissen einer analysierten Kortexdickenverteilung der Niere aus den Trainingsdatensätzen ein einer maximalen Kortexdicke entsprechender Distanzschwellwert bestimmt wird, – mit Hilfe des Distanzschwellwerts auf Grundlage einer vorzeichenbehafteten Abstandsfunktion bezüglich des Nierenkortex ein Leberbereich innerhalb des Kortexbereichs des binären Datensatzes identifiziert wird, und – der Leberbereich vor dem Durchführen der schrittweisen Erodierung aus dem Wahrscheinlichkeitsdatensatz des Nierenparenchyms entfernt wird.
Verfahren nach einem der Ansprüche 1 bis 7, bei dem als Segmentierungstechnik eine 3D-Level-Set-Segmentierung eingesetzt wird, bei der Vorinformation über die geometrische Form des Organs bei der Segmentierung genutzt wird, wobei als erstes Null-Level-Set die Oberfläche des nach allen Erodierungsschritten im binären Datensatz erhaltenen Teilbereiches genutzt wird, der mit höchster Wahrscheinlichkeit das Organ beinhaltet.
Verfahren nach Anspruch 8, bei dem die 3D-Level-Set-Segmentierung mit Hilfe einer vorzeichenbehafteten Abstandsfunktion Φ(x, y, z) mit folgender Gleichung erfolgt:
wobei E_image ein den Bildinhalt repräsentierendes Energiefunktional, E_shape ein die geometrische Form des Organs repräsentierendes Energiefunktional und α einen Gewichtungsparameter darstellen.
Verfahren nach Anspruch 8, bei dem in eine Gleichung für die 3D-Level-Set-Segmentierung zusätzlich eine Stoppfunktion g(x, y, z) und eine Anziehungsfunktion F(x, y, z) integriert werden, wobei die Stoppfunktion ein Stoppen des Null-Level-Set an einer äußeren Begrenzung OE(x, y, z) des Organs und die Anziehungsfunktion eine Anziehungskraft dieser äußeren Begrenzung auf das Null-Level-Set bewirken.
Verfahren nach Anspruch 10, bei dem speziell die äußere Begrenzung OE(x, y, z) des Organs bei gleichzeitiger Unterdrückung innerer Organbegrenzungen aus einem Skalarprodukt eines Gradienten der im Wahrscheinlichkeitsdatensatz oder einem weiteren Datensatz mit dieser Begrenzung enthaltenen Werte und eines Gradienten einer vorzeichenbehafteten Abstandsfunktion Φ(x, y, z) für das Organ berechnet/extrahiert wird.
Verfahren nach Anspruch 10 oder 11, bei dem die Stoppfunktion
gewählt wird.
Verfahren nach Anspruch 12, bei dem die Anziehungsfunktion F(x, y, z) = ∇g(x, y, z)·(∇ϕ(x, y, z))^T gewählt wird.
Verfahren nach einem der Ansprüche 10 bis 13, bei dem die 3D-Level-Set-Segmentierung mit folgender Gleichung erfolgt:
wobei E_image ein den Bildinhalt repräsentierendes Energiefunktional, E_shape ein die geometrische Form des Organs repräsentierendes Energiefunktional und α und β Gewichtungsparameter darstellen.
Verfahren nach einem der Ansprüche 10 bis 14, bei dem im Falle einer Segmentierung des Nierenparenchyms die äußere Begrenzung OE(x, y, z) des Organs aus einem Skalarprodukt eines Gradienten der in einem Wahrscheinlichkeitsdatensatz für den Nierencortex enthaltenen Wahrscheinlichkeitswerte und eines Gradienten einer vorzeichenbehafteten Abstandsfunktion Φ(x, y, z) des Organs erhalten wird.