DE212011100130U1

DE212011100130U1 - Auf gleicher Ebene und interaktiv stattfindende Oberflächennetz-Anpassung

Info

Publication number: DE212011100130U1
Application number: DE212011100130U
Authority: DE
Original assignee: Philips Intellectual Property and Standards GmbH
Current assignee: Philips GmbH
Priority date: 2010-08-05
Filing date: 2011-08-01
Publication date: 2013-06-24
Anticipated expiration: 2021-08-02
Also published as: WO2012017375A3; US9715754B2; WO2012017375A2; US20130135305A1

Abstract

Prozessor (308) oder von einem Computer lesbares Medium (310), der bzw. das programmiert ist zur Durchführung des invertierbaren Deformierens eines Oberflächennetzes eines diagnostischen Bildes durch automatisches Justieren eines Krümmungsradius eines Deformationskerns, wobei die Programmierung Folgendes umfasst: Empfangen einer Benutzereingabe in Bezug auf einen Startpunkt ps für eine zu deformierende Kontur auf einem Oberflächennetz, das über einem diagnostischen Bild liegt; und Justieren einer Deformationskrümmung auf einen Abstand zwischen dem Startpunkt ps und einem Endpunkt pe auf derartige Weise, dass die Deformationskrümmung entsprechend dem Abstand zwischen dem Startpunkt ps und dem Endpunkt pe justiert wird.

Description

Die vorliegende Erfindung findet insbesondere Anwendung in medizinischen Bildgebungssystemen. Es ist jedoch zu beachten, dass die beschriebene(n) Technik(en) auch für andere Arten von Bildgebungssystemen, Therapieplanungssystemen und/oder anderen diagnostischen oder Segmentierungsanwendungen eingesetzt werden kann bzw. können.
In der Strahlentherapie werden die Zielregionen und die gefährdeten Organe in CT- oder MR-Datensätzen abgegrenzt. Derartige Segmentierungen werden typischerweise durch geschlossene Netze, binäre Bilder oder Konturstapel dargestellt. Es werden Werkzeuge für die interaktive Segmentierung sowie automatische Verfahren für die Abgrenzung benutzt. Oft ist jedoch eine manuelle Korrektur der erzeugten Segmentierungen erforderlich.
Für die Planung der Strahlentherapie werden häufig interaktive Techniken zur Manipulation von Oberflächenabgrenzungen angewendet. Eine Technik zum lokalen Deformieren einer als ein Netz beschriebenen Oberfläche umfasst das Transformieren der Netzknoten mithilfe eines virtuellen Werkzeugs mit einer durch eine Gauss-Funktion definierten Oberflächenform. Diese Technik wird durch einen Skalierungs- oder Radiusparameter parametrisiert. Obwohl der Skalierungsparameter justierbar ist, wird der Skalierungs- oder Radiusparameter während der Interaktion auf einem festen Wert gehalten. Die resultierende Deformation ist nicht invertierbar und das resultierende Netz kann verzerrt oder sich selbst schneidend sein.
Die Technik zum interaktiven Deformieren von Segmentierungen nutzt eine räumliche Transformation T, die eine Gauss-Funktion in Abhängigkeit vom Startpunkt p_s und vom Endpunkt p_e einer Maus-Interaktion anwendet, so dass: T: R^d → R^d; und T(p):= p + exp(–(p – p_s)²/r²)(p_e – p_s); mit der räumlichen Dimension d = 3 (oder d = 2 bei 2D-Segmentierungen). Der Parameter r spezifiziert den lokalen und globalen Einfluss der Transformation. Typischerweise kann dieser Parameter in der Benutzeroberfläche manuell justiert werden. Wenn der Radius r ein Festwert ist oder in der Benutzeroberfläche auf einen bestimmten Wert eingestellt wurde, wird die resultierende Deformation nicht invertierbar sein, wenn der Abstand von Start- und Endpunkt einen bestimmten Wert überschreitet. In diesen Fällen treten künstliche Effekte auf, einschließlich Kollisionen von Grenzen oder „selbst-überlappende” Segmentierungen, was zu einer nicht-intuitiven und schlecht steuerbaren Benutzerinteraktion führt.
Zusätzlich wird in vielen medizinischen Anwendungen eine 3D polygonale, oft dreieckige, Oberflächennetz-Darstellung der anatomischen Struktur verwendet, zum Beispiel Formendarstellung, modellbasierte Segmentierung, Volumenvisualisierung, usw. Das feine, auf gleicher Ebene stattfindende Bearbeiten eines 3D dreieckigen Oberflächennetzes zur Benutzerinteraktion und Korrektur ist jedoch ein komplexes Problem. Es wird zu einer noch größeren Herausforderung, wenn die Netzauflösung begrenzt ist, was in der Tat der Fall ist, weil eine Zunahme der Netzauflösung den Rechenaufwand erhöht und die Möglichkeit zur Ausführung der Anwendung in Echtzeit verringert.
Die Organabgrenzung anhand von volumetrischen Bildern ist ein integraler Bestandteil der Strahlenonkologieplanung. Ziel ist es, die Strahlendosis für das Tumorvolumen zu maximieren und gleichzeitig die Strahlenbelastung des gesunden Gewebes von benachbarten Organen zu minimieren. Um dies zu erreichen, muss der die Strahlentherapie planende Arzt mehrere Stunden mit dem Konturieren/Abgrenzen (manuell auf 2D-Schichtbildern mit einfachen Zeichenwerkzeugen am Computer) des Tumorvolumens und der gefährdeten Organe im volumetrischen Bildsatz verbringen. Der Aufwand der manuellen Organabgrenzung hat mit den Fortschritten in Richtung einer intensitätsmodulierten und 4D adaptiven Planung, die die täglichen Änderungen in der Patientenanatomie berücksichtigt, weiter zugenommen. Daher war die Entwicklung von robusten und schnellen automatisierten Segmentierungs-/Konturierungstechniken von entscheidender Bedeutung für den Erfolg der Strahlentherapieplanung.
Die automatisierte Segmentierung von volumetrischen Bildsätzen in der Strahlentherapieplanung ist ein anspruchsvolles Problem. Insbesondere die Grenze zwischen verschiedenen Weichgewebeorganen könnte selbst für einen geschulten menschlichen Beobachter aufgrund des mangelhaften Weichgewebekontrasts von CT-Scans schwierig zu erkennen sein. Auch die Organform kann sehr variabel sein. Es ist nachgewiesen, dass die Segmentierung von derart schwierigen Fällen nicht alleine auf der Basis von Bildinhalten erfolgen kann (siehe z. B. Kass M, Witkin A, Terzopoulos D. Snakes: Active contour models. Int J Corp Vis 1988; 1: 321–331. Siehe auch Collins DL, Peters TM, Dai W, et al. Model-based segmentation of individual brain structures from MRI data. In: Robb R, editor. Visualization in Biomedical Computing (VBC'92). Vol. 1808, Chapel-Hill, NC: SPIE; 1992. S. 10–23). Vorherige Informationen über die interessierende Region (region of interest, ROI) bzw. das Organ, zum Beispiel Formintensitätsbereich, Gradientenmagnitude und -richtung usw., sind extrem hilfreich, um eine genaue Segmentierung zu erreichen.
Die modell-basierte Segmentierung erfasst derartige vorherige Informationen über die interessierende Region und wird erfolgreich bei der Strahlentherapieplanung für die Organabgrenzung eingesetzt. Die modell-basierte Segmentierungstechnik nutzt ein polygonales Oberflächennetz als von einer Population volumetrischer medizinischer Datensätze abgeleitete deformierbare Organmodelle, um die Form eines Organs/einer interessierenden Region zu modellieren. Diese Modelle werden entweder manuell oder automatisch initialisiert, um das Oberflächennetz in den Zielbilddaten ungefähr über der interessierenden Region zu positionieren. Nach dem Initialisieren wird das Oberflächennetz-Modell automatisch an die anatomische Grenze der interessierenden Region angepasst (siehe z. B. V. Pekar, TR McNutt, MR Kaus, "Automated model-based organ delineation for radiotherapy planning in prostatic region", International Journal of Radiation Oncology Biology Physics. 60(3), 973–980, 2004). Diese deformierbaren Organmodelle werden meistens als 3D dreieckige Oberflächennetze dargestellt. Die Vorteile von dreieckigen Netzdarstellungen bestehen darin, dass vorheriges Wissen auf einfache Weise unter Verwendung von statistischen Punktverteilungsmodellen (engl. point distribution models, PDM) aufgenommen werden könnte, dass die 3D Visualisierung (Rendering) von dreieckigen Netzen sehr effizient durch Oberflächen-Rendering-Verfahren unter Verwendung von standardmäßiger Graphik-Hardware erfolgen könnte, und dass sie in Nachfolgeuntersuchungen automatisch für eine Grenzen-Kartierung (Mapping) zwischen Organoberflächen sorgen könnte, was für die Bildregistrierung bei der adaptiven Strahlentherapie nützlich sein kann (siehe z. B. C. Lorenz, N. Krahnstover, "3D Statistical Shape Models for Medical Image Segmentation," 3dim, pp. 0414, Second International Conference on 3-D Imaging and Modeling (3DIM '99), 1999. Siehe auch MR Kaus, V. Pekar, C. Lorenz, R. Truyen, S. Lobregt und J. Weese, "Automated 3-D PDM construction from segmented images using deformable models", IEEE TMI, 22(8), 1005–1013, 2003).
Modell-basierte Segmentierungstechniken haben die Organabgrenzung bei der Strahlentherapieplanung erheblich unterstützt, indem sie den manuellen Aufwand reduziert haben. Diese Techniken sind zwar ziemlich genau, jedoch könnte das Ergebnis der automatischen Segmentierung möglicherweise nicht immer korrekt sein. Die automatische Segmentierung könnte aufgrund der Anziehung zu falschen Grenzen ungenau sein, was aufgrund einer mangelhaften Modellinitialisierung oder einer schwachen Bildmerkmal-Reaktion an korrekten Stellen der Fall sein kann. Auch wenn die Oberfläche der interessierenden Region in den volumetrischen Datensätzen nicht gut definiert ist, ist das angepasste Netz möglicherweise ungenau oder unsicher. Damit ein Segmentierungsansatz in der klinischen Praxis akzeptabel ist, ist es von entscheidender Bedeutung, dass korrigierende Eingaben vom Benutzer berücksichtigt werden. Hierfür sind 3D Netzbearbeitungstechniken erforderlich, die das Oberflächennetz deformieren können, um das vom Benutzer gewünschte Segmentierungsergebnis zu erzeugen, d. h. die durch den Benutzer markierte Grenze der interessierenden Region (siehe z. B. Yogish Mallya, Prashant Kumar, "Shape Constrained Mesh Editing For Delineating Anatomical Structures in Volumetric Datasets" IEEE International Advance Computing Conference (IACC'10), 2010).
Obwohl die zugrundeliegende Darstellung der interessierenden Region ein 3D dreieckiges Oberflächennetz ist, ist der Benutzer meistens an den Konturen der interessierenden Region interessiert, die die Grenze der interessierenden Region auf einem gegebenen Schichtbild darstellen (weil der klinische Benutzer den volumetrischen Bildsatz Schicht für Schicht, z. B. die axiale, koronale oder sagittale Schichtansicht, auswertet). Diese Konturen der interessierenden Region werden erlangt, indem die Linien-Ebenen-Gleichung zwischen der betrachteten Bildebene und den Kanten der dreieckigen Netzzellen gelöst wird, die die Bildebene schneiden. Wenn das Ergebnis der automatischen Segmentierung nicht korrekt ist, ist eine Untergruppe von Netzeckpunkten (Steuerpunkten) auf derartige Weise zu deformieren, dass die neue Grenze der interessierenden Region, die auf der betrachteten Bildebene resultiert, mit der vom Benutzer gewünschten Korrektur übereinstimmt.
Die Auflösung des Netzes, d. h. die Anzahl von Netzeckpunkten und die Größe der dreieckigen Netzzellen (Kanten von Dreiecken), ist im Vergleich zu der Bildauflösung von CT-Bildern sehr gering, um eine gute Echtzeit-Leistung der modell-basierten Segmentierung und Rendering-Techniken zu gewährleisten. Die geringe Auflösung des Oberflächennetzes begrenzt die Fähigkeit zur Feinbearbeitung auf gleicher Ebene, weil sich die Kanten der dreieckigen Zellen über mehr als eine Bildebene erstrecken. Dies stellt eine interessante Anforderung an Netzbearbeitungstechniken dar, die darauf abzielen, eine Feinbearbeitungsfähigkeit nur in der betrachteten Bildebene (wie das Bearbeiten von binären Masken) zu erreichen, d. h. die Deformation der Netzeckpunkte sollte so erfolgen, dass die Grenze der interessierenden Region auf der betrachteten Bildebene korrigiert wird, aber die Grenze der interessierenden Region auf den benachbarten Bildebenen intakt bleibt. Die Verschiebung eines Eckpunkts in dem Netz mit geringer Auflösung hat einen 3D Bearbeitungseffekt, weil die Konturen der interessierenden Region auf den benachbarten Schichtbildern aufgrund der Verschiebung der gemeinsamen Dreieckkanten, die diese mehreren Bildebenen schneiden, modifiziert werden. Die Verwendung eines Oberflächennetz-Modells mit sehr hoher Auflösung ist keine praktisch durchführbare Lösung, weil der Zeitaufwand und die Einbußen bei der Genauigkeitsleistung unakzeptabel sind.
Darstellungen der interessierenden Region, die auf dreieckigen Oberflächennetz-Modellen basieren, sind in einer Vielzahl von 3D medizinischen Anwendungen sehr nützlich. Zum Beispiel nutzt Pinnacle, eine Strahlungsonkologie-Produktreihe von Philips für die Planung der Strahlentherapie, Organmodelle auf der Basis von 3D dreieckigen Oberflächennetzen zur Darstellung anatomischer Strukturen. Sie liefert eine Möglichkeit zur automatischen Segmentierung von komplexen anatomischen Strukturen, und diese Oberflächennetz-Modelle können bequemerweise im Laufe der Behandlung auf neue aufeinander folgende Bildsätze des Patienten ausgebreitet werden (unter Verwendung von Bildregistrierungstechniken), wodurch der Aufwand der manuellen Konturierung reduziert wird. Das Erreichen einer auf gleicher Ebene stattfindenden 2D Bearbeitung mit Oberflächennetz-Modellen mit begrenzter Auflösung ist jedoch ein komplexes Problem und begrenzt die Nutzbarkeit für Anwendungsfälle mit auf gleicher Ebene stattfindender Bearbeitung. Wenn der klinische Benutzer mit kritischen anatomischen Strukturen zu tun hat, zum Beispiel mit Stammhirn, Rückenmark, usw., benötigt er für eine genaue Segmentierung eine präzise Steuerung der auf gleicher Ebene stattfindenden Bearbeitung. Obwohl die auf einem Netz mit geringer Auflösung basierende Darstellung der interessierenden Region in vielen Hinsichten vorteilhaft ist (rechnerisch effizient, geeignet für gute Leistung der automatischen modell-basierten Segmentierung, schnelles Rendering usw.), begrenzt sie die Fähigkeit zur Feinabstimmung (auf gleicher Ebene stattfindende 2D Bearbeitung), die in kritischen Fällen von entscheidender Bedeutung ist.
Es besteht ein nicht erfüllter Bedarf in der Technik nach Systemen und Verfahren, die die oben genannten Unzulänglichkeiten überwinden.
Gemäß einem Aspekt umfasst ein Verfahren des invertierbaren Deformierens eines Netzes zur Segmentierung eines diagnostischen Bildes durch automatisches Justieren eines Krümmungsradius eines Deformationskerns das Empfangen einer Benutzereingabe in Bezug auf einen Startpunkt p_s für eine zu deformierende Kontur auf einem Oberflächennetz, das über einem diagnostischen Bild liegt, und das Justieren einer Deformationskrümmung auf einen Abstand zwischen dem Startpunkt p_s und einem Endpunkt p_e auf derartige Weise, dass die Deformationskrümmung entsprechend dem Abstand zwischen dem Startpunkt p_s und dem Endpunkt p_e justiert wird.
Gemäß einem weiteren Aspekt umfasst ein System, das das invertierbare Deformieren eines Netzes zur Segmentierung eines diagnostischen Bildes durch automatisches Justieren eines Krümmungsradius eines Deformationskerns ermöglicht, eine Anzeige, auf der einem Benutzer ein diagnostisches Bild mit einem überlagerten Segmentierungs-Oberflächennetz präsentiert wird, und eine Benutzereingabevorrichtung, über die ein Benutzer einen Startpunkt p_s für eine zu deformierende Kontur auf dem Oberflächennetz eingibt. Das System umfasst weiterhin einen Prozessor (308), der eine Deformationskrümmung auf einen Abstand zwischen dem Startpunkt p_s und einem Endpunkt p_e auf derartige Weise justiert, dass die Deformationskrümmung der Kontur entsprechend dem Abstand zwischen dem Startpunkt p_s und dem Endpunkt p_e justiert wird.
Gemäß einem weiteren Aspekt umfasst ein Verfahren des Durchführens einer auf gleicher Ebene stattfindenden Bearbeitung eines Oberflächennetzes, das einer interessierenden Region in einem diagnostischen Bild überlagert ist, das Empfangen einer Benutzereingabe in Bezug auf eine ausgewählte Kontur auf einem Oberflächennetz, das einer interessierenden Region in einem diagnostischen Bild überlagert ist, das Identifizieren einer Untergruppe von Oberflächennetz-Dreiecken proximal zu der ausgewählten Kontur, und das Definieren des Oberflächennetzes, damit es besser mit einem Teil des diagnostischen Bildes übereinstimmt. Das Verfahren umfasst weiterhin das iterative Unterteilen der Dreiecke in der identifizierten Untergruppe, um die Auflösung des Oberflächennetzes in einer Region der ausgewählten Kontur zu erhöhen, und das Ausführen eines FLC-Algorithmus (Fuzzy Line Change), um das Oberflächennetz zu bearbeiten, sobald die Auflösung der Untergruppe der Oberflächennetz-Dreiecke einen vorgegebenen Schwellenwert überschritten hat.
Gemäß einem weiteren Aspekt umfasst ein System, das das auf gleicher Ebene stattfindende Bearbeiten eines Oberflächennetzes, das einer interessierenden Region in einem diagnostischen Bild überlagert ist, ermöglicht, eine Benutzereingabevorrichtung, über die eine Kontur auf einem Oberflächennetz ausgewählt wird, das einer interessierenden Region in einem diagnostischen Bild überlagert ist, welches einem Benutzer auf einer Anzeige präsentiert wird, und einen Prozessor, der eine Untergruppe von Oberflächennetz-Dreiecken proximal zu der ausgewählten Kontur identifiziert. Der Prozessor definiert zusätzlich das Oberflächennetz, damit es besser mit einem Teil des diagnostischen Bildes übereinstimmt, unterteilt die Dreiecke in der identifizierten Untergruppe iterativ, um die Auflösung des Oberflächennetzes in einer Region der ausgewählten Kontur zu erhöhen, und führt einen FLC-Algorithmus (Fuzzy Line Change) aus, um das Oberflächennetz zu bearbeiten, sobald die Auflösung der Untergruppe von Oberflächennetz-Dreiecken einen vorgegebenen Schwellenwert überschritten hat.
Gemäß einem weiteren Aspekt umfasst ein Verfahren des Bearbeitens eines Oberflächennetzes das Legen eines Oberflächennetzes über eine Region eines diagnostischen Bildes, wobei das Oberflächennetz deformiert wird, damit es besser mit einer Region des diagnostischen Bildes übereinstimmt. Das Deformieren des Oberflächennetzes umfasst mindestens entweder das Deformieren eines Abschnitts des Oberflächennetzes, indem der Abschnitt mit einem virtuellen Werkzeug verschoben wird, wobei sich die Deformationskrümmung mit einem Maß der Verschiebung ändert, oder das Unterteilen eines Abschnitts des Oberflächennetzes, um eine Auflösung zu verbessern, mit der der Abschnitt des Oberflächennetzes mit der Region des diagnostischen Bildes übereinstimmt.
Ein Vorteil besteht darin, dass das Deformieren der Kontur des Oberflächennetzes invertierbar ist.
Ein weiterer Vorteil besteht darin, dass die Auflösung des Oberflächennetzes erhöht wird.
Noch weitere Vorteile der vorliegenden Erfindung werden dem Fachkundigen beim Lesen und Verstehen der nachfolgenden detaillierten Beschreibung deutlich werden.
Die Erfindung kann die Form verschiedener Komponenten und Anordnungen von Komponenten sowie verschiedener Prozessabläufe und Anordnungen von Prozessabläufen annehmen. Die Zeichnungen dienen lediglich zum Veranschaulichen verschiedener Aspekte und sind nicht als die Erfindung einschränkend auszulegen. Es zeigen:
1 ein Verfahren zum automatischen Justieren des Radius r einer Transformation und zum Sicherstellen, dass die resultierende Transformation invertierbar ist;
die 2A–2D verschiedene Ansichten einer interaktiven Segmentierungsanwendung, in der ein Festwert λ = 1,8 verwendet wird;
die 3A–3C die Ergebnisse des Transformieren einer 1D Funktion mit λ = 0,4 und λ = 1,8;
4 ein Verfahren, das die auf gleicher Ebene stattfindende Bearbeitung eines diagnostischen Bildes unter Verwendung einer Vorgehensweise der iterativen und selektiven Unterteilung ermöglicht;
5A die Segmentierungs-/Konturierungsergebnisse für eine 2D Schichtbildansicht. Es ist ein Netz der interessierenden Region (ROI) dargestellt, durch das eine betrachtete Bildebene verläuft;
5B die Kontur der interessierenden Region entlang der gesamten Schnittlinie des Netzes (nicht abgebildet) mit der Bildebene;
6 ein den Thorax von oben nach unten darstellendes CT-Bild, das segmentiert wurde. Um eine Grenze der interessierenden Region um eine interessierende Region herum zu korrigieren, zeichnet der Benutzer eine Freihandlinie;
7 ein den Schädel von oben nach unten darstellendes CT-Bild, in dem eine FLC-Technik (Fuzzy Line Change) verwendet wurde, um die Untergruppe von Netzeckpunkten zu identifizieren und auf eine vom Benutzer gezeichnete Kontur aufzurasten;
8 ein diagnostisches Bild mit einer automatisierten Segmentierungskontur und einer vom Benutzer gezeichneten Konturlinie;
die 9A–9C mehrere Schichten des diagnostischen Bildes;
die 10A–10C die drei Nachbearbeitungsschichten N – 1, N bzw. N + 1 nach dem Bearbeiten des Schichtbilds N unter Verwendung einer Netzbearbeitungstechnik;
die 11A und 11B ein Beispiel eines bearbeiteten Netzes, wobei das Deformieren der Netzeckpunkte zu langen Dreieckkanten führt, die die Form der Kontur der interessierenden Region auf den benachbarten Bildebenen modifizieren;
12 mehrere Szenarien, in denen Netzdreiecke unterteilt werden;
13 das Ergebnis der selektiven Unterteilung für eine Untergruppe von dreieckigen Netzzellen;
die 14A–14C Einzelbilder N – 1, N bzw. N + 1 nach dem Bearbeiten mit Hilfe der hier beschriebenen auf gleicher Ebene stattfindenden Netzbearbeitungstechnik, bei der ausgewählte Netzdreiecke unterteilt werden, während benachbarte oder angrenzende Netzdreiecke unangetastet bleiben;
15 ein System, das gemäß verschiedenen hier beschriebenen Aspekten die Reversibilität und die Deformierung eines 3D Oberflächennetzes sowie eine die Netzauflösung erhöhende Unterteilung der Oberflächennetz-Dreiecke ermöglicht;
16 eine beispielhaftes Krankenhaussystem, das eine Vielzahl von Bildgebungsvorrichtungen umfassen kann, zum Beispiel CT, MRT, PET, SPECT, Varianten hiervon, oder dergleichen, welche Bildgebungsdaten erzeugen, die durch einzelne oder gemeinsam genutzte Rekonstruktionsprozessoren rekonstruiert werden, um 3D Bilddarstellungen zu erzeugen.
Um die oben genannten Probleme zu überwinden, wird eine Technik beschreiben, mit deren Hilfe ein Skalierungsparameter eines Segmentierungswerkzeugs in Abhängigkeit von dem Abstand zwischen Start- und Endpunkten einer vom Benutzer ausgewählten Linie oder Kurve automatisch justiert wird, so dass die resultierenden Segmentierungsnetzdeformationen invertierbar sind, wodurch sich eine besser steuerbare und suggestivere Benutzerinteraktion ergibt. Außerdem schaffen weitere Aspekte eine Benutzer-Bearbeitungstechnik für ein Oberflächennetz, die eine Vorgehensweise der iterativen selektiven Unterteilung zur lokalen Erhöhung der Netzauflösung nutzt und das Netz deformiert, um die vom Benutzer gewünschte Bearbeitung zu erreichen. Das bedeutet, dass die beschriebenen Systeme und Verfahren die Schaffung einer auf gleicher Ebene stattfindenden Bearbeitung (2D Bearbeitung) ermöglichen, zum Beispiel durch Verwenden von binären Masken mit Oberflächennetzen. Die Benutzeroberfläche ist unkompliziert und intuitiv; der klinische Benutzer zeichnet eine Freihandkurve, um die korrekte Grenze der interessierenden Region auf der betrachteten Bildebene zu markieren. Es wird eine Strategie zur lokalen Netzunterteilung und -deformation formuliert, um eine auf gleicher Ebene stattfindende Netzbearbeitung zu erreichen.
1 veranschaulicht ein Verfahren zur automatischen Justierung des Radius r einer Transformation und zum Sicherstellen, dass die resultierende Transformation invertierbar ist. Zum Beispiel kann ein Radius eines Gauss-Kern, der verwendet wird, um eine Netzkontur zu deformieren, spontan als eine Funktion einer Magnitude der Mausbewegung (oder der Bewegung einer anderen Eingabevorrichtung) durch den Benutzer justiert werden. Gemäß dem Verfahren verwendet bei 10 ein Benutzer eine Benutzereingabevorrichtung (zum Beispiel eine Tastatur, eine Maus, einen Taststift, usw.), um einen Startpunkt p_s und einen Endpunkt p_e für eine zu deformierende Linie oder einen zu deformierenden Bereich in einem diagnostischen Bild auszuwählen. Das diagnostische Bild kann ein Computertomographie-Bild (CT), ein Magnetresonanzbild (MR), ein Nuklearbild (zum Beispiel ein Positronenemissionstomographie-Bild (PET), ein Einzelphotonenemissions-Computertomographie-Bild (SPECT), usw.) sein. Bei 12 wird der Radius r der Deformation mit dem Ausmaß der Mausbewegung gekoppelt, d. h. dem Abstand von p_s zu p_e. Gemäß einem Beispiel klickt ein Benutzer mit einer Maus oder einem Taststift auf den Startpunkt p_s für eine zu deformierende Linie oder Kontur (oder wählt den Startpunkt p_s auf andere Weise an), zieht den Cursor über eine bestimmte Strecke und lässt dann die Maustaste am Endpunkt p_e los. Bei einer anderen Ausführungsform klickt der Benutzer jeweils auf den Startpunkt und auf den Endpunkt und es wird automatisch eine Linie generiert, die die beiden Punkte miteinander verbindet. Je kleiner die Mausbewegung ist (d. h. je kleiner der Abstand zwischen dem Startpunkt und dem Endpunkt ist), desto lokaler erfolgt die Deformation.
Bei 14 wird die invertierbare Transformation T ausgeführt, um die Kontur oder Region entlang der Linie zwischen Start- und Endpunkt zu deformieren. Die Transformation ist aufgrund der Korrelation zwischen dem Abstand zwischen Start- und Endpunkt und dem Radius r der Deformationskrümmung invertierbar. Bei einer Ausführungsform ist die Transformation T invertierbar, wenn der Radius r größer ist als ein gegebener Faktor des Abstands von p_s zu p_e, so dass: r = λ||p_s – p_e||, wobei λ > √2·exp(–0,5) ≈ 0,86.
Der Endpunkt braucht nicht vorab zugewiesen zu sein. Stattdessen kann der Benutzer beginnen, das Deformierungswerkzeug vom Startpunkt ausgehend zu bewegen, und der Radius r kann sich kontinuierlich mit der Bewegung des Werkzeugs anpassen.
Die 2A–2D zeigen verschiedene Ansichten einer interaktiven Segmentierungsanwendung, bei der ein Festwert λ = 1,8 verwendet wird. In 2A ist eine Blase 30 in einem das Becken von oben nach unten darstellenden CT-Bild unter Verwendung einer herkömmlichen Technik mangelhaft segmentiert. Die Segmentierung 32 umschließt die Blase 30 nur locker. In 2B ist in einem CT-Bild der Seitenansicht des Beckens erneut zu sehen, dass die Segmentierung 32 die Blase 30 locker umschließt.
Im Gegensatz hierzu zeigt 2C eine eng anliegende Segmentierung 34 der Blase 30 in dem das Becken von oben nach unten darstellenden CT-Bild, wie sie mit den beschriebenen Systemen und Verfahren erreicht wird. In 2D ist dargestellt, wie die eng anliegende Segmentierung 34 die Blase 30 in einem CT-Bild der Seitenansicht des Beckens umschließt. Gemäß einer Ausführungsform wird die eng anliegende Segmentierung in 3D durchgeführt und in weniger als ca. 60 Sekunden berechnet.
Die 3A–3C zeigen die Ergebnisse des Transformierens einer 1D Funktion mit λ = 0,4 und λ = 1,8. In 3A ist ein 1D Beispiel für eine Deformation 50 einer Funktion unter Verwendung eines kleinen festen Gauss-Kerns dargestellt. 3B zeigt ein Beispiel einer Deformation 60 der gleichen Funktion, wobei λ = 0,4, in der eine beschädigte und nicht-eindeutige Verteilung 62 vorhanden ist. 3C zeigt eine Deformation 70 der gleichen Funktion, wobei λ = 1,8. In den 3B und 3C wird die Kerngröße automatisch justiert, so dass die resultierende Transformation invertierbar ist. Es ist zu beachten, dass das oben genannte Verhältnis λ eine ähnliche Bedeutung hat wie die CFL-Zahl in der numerischen Strömungsmechanik. Bei anderen radialen Basisfunktionen kann der Wert von λ anders sein.
Als eine Alternative zu einem festen skalaren Verhältnis λ kann das Verhältnis auch an die aktuelle Anzeigeauflösung (Zoomfaktor) angepasst werden oder in verschiedenen räumlichen Richtungen abhängig von der aktuellen Betrachtungsrichtung unterschiedlich angewendet werden.
Es ist zu beachten, dass die beschriebenen Systeme und Verfahren in dem Kontext der Strahlentherapieplanung implementiert werden können, wo interaktive Konturierungswerkzeuge oder interaktive Werkzeuge für das Manipulieren automatisch berechneter Netze verwendet werden. Die beschriebenen Techniken sind nicht von der räumlichen Dimension abhängig und können auch für die 2D-Bildmanipulation verwendet werden.
4 zeigt ein Verfahren, das die auf gleicher Ebene stattfindende Bearbeitung eines auf eine interessierende Region in einem diagnostischen Bild gelegten Oberflächennetzes unter Verwendung einer Vorgehensweise der iterativen und selektiven Unterteilung ermöglicht. Das Verfahren, das durch einen Prozessor ausgeführt werden kann und als eine Reihe von durch einen Computer ausführbaren Anweisungen auf einem von einem Computer lesbaren Medium gespeichert werden kann, schafft eine intuitive manuelle Bearbeitungsschnittstelle, wobei der Benutzer eine Freihandkurve oder -linie auf einer betrachteten Bildebene (zum Beispiel auf der Anzeige eines Computers oder einer Workstation) zeichnet oder die Kurve oder Oberfläche mit einem präzisen virtuellen Segmentierungswerkzeug manipuliert, um die die gewünschte anatomische Grenze der interessierenden Region bei 80 zu markieren. Bei 82 wird eine Untergruppe von Eckpunkten und Zellen eines Dreiecknetzes identifiziert, die zu deformieren sind, um die vom Benutzer gewünschte Bearbeitung zu erreichen. Die identifizierten Eckpunkte und Zellen werden zum Beispiel mit Hilfe eines FLC-Algorithmus (Fuzzy Line Change) auf die vom Benutzer gezeichnete Linie oder Kurve aufgerastet, was unter Bezugnahme auf 7 genauer beschrieben wird. Bei 84 werden die identifizierten Dreiecke mit Hilfe eines Kanten-Mittelpunkt-Kriteriums unterteilt. Es kann zum Beispiel eine lokale Unterteilungsstrategie ausgeführt werden, um sicherzustellen, dass sich die lokale Unterteilung von dreieckigen Zellen nicht auf die echte Dreieck-Konformität des Netzes auswirkt, d. h. alle resultierenden Zellen in dem Netz bleiben nach der Unterteilung dreieckig.
Bei 86 werden benachbarte Dreiecke der unterteilten Dreiecke identifiziert. Die benachbarten Dreiecke werden bei 88 unterteilt. Auf diese Weise wird eine iterative lokale Unterteilung einer identifizierten Untergruppe von Dreiecknetzzellen durchgeführt, um sicherzustellen, dass die Auflösung des Netzes in der vom Benutzer bearbeiteten Region des diagnostischen Bildes derartig beschaffen ist, dass sich die Bearbeitung nicht auf die Grenzen der interessierenden Region auswirkt, also die Segmentierungsergebnisse sich nicht auf die angrenzenden Bildebenen auswirken. Bei 90 wird eine Ermittlung in Bezug darauf vorgenommen, ob die Unterteilung der identifizierten Dreiecke ausreichend ist (d. h. über einem vorgegebenen Schwellenwert liegt). Bei einer Ausführungsform werden die interessierenden Netzdreiecke unterteilt, bis jeder Dreieck-Eckpunkt einem einzigen Bildpixel oder Voxel in dem diagnostischen Bild entspricht. Ist die Unterteilung nicht ausreichend, kehrt das Verfahren für eine fortgesetzte Iteration zu 82 zurück. Wenn die Granularität der unterteilten Dreiecke ausreichend fein ist, wird das Netz bei 92 mit Hilfe des FLC-Algorithmus weiter bearbeitet, bis der Benutzer mit der Bearbeitung zufrieden ist.
Bei einer Ausführungsform ist ein Stoppkriterium für die iterative lokale Unterteilung basierend auf der Kantenlänge der dreieckigen Zellen und dem Schichtbildabstand in der Orientierung des betrachteten Bildvolumens (axial, koronal, sagittal oder schräg) vorgesehen, durch das die Unterteilung gestoppt wird, wenn Unter-Dreiecke eine derartige Größe erreichen, dass jedes Unter-Dreieck einem einzigen Bildpixel entspricht oder ein einziges Bildpixel enthält. Die Deformation einer Untergruppe von Netzeckpunkten wird derartig durchgeführt, dass die neuen Konturen der interessierenden Region auf der bearbeiteten Bildebene mit der vom Benutzer gewünschten Korrektur übereinstimmen.
Bei einer weiteren Ausführungsform schafft das Verfahren eine selektive Unterteilung einer Untergruppe von identifizierten Netzdreiecken durch den FLC-Algorithmus, die iterativ ausgeführt wird, bis die Auflösung der ausgewählten Netzdreiecke kleiner oder gleich dem Schichtbildabstand in der betrachteten Bildorientierung ist. Dieses Merkmal stellt sicher, dass sich die Verschiebung von Netzeckpunkten nicht auf die Kontur der interessierenden Region auf angrenzenden Schichtbildern auswirkt, da sich die Dreieckkanten der unterteilten Dreiecke nicht über mehrere Schichten erstrecken.
5A zeigt die Segmentierungs-/Konturierungsergebnisse für eine 2D Schichtbildansicht. Es ist ein Netz 100 der interessierenden Region (ROI) dargestellt, durch das eine betrachtete Bildebene 102 verläuft. Eine Kontur 104 der interessierenden Region wird durch die Schnittlinie der dreieckigen Oberflächennetzdarstellung der interessierenden Region mit der betrachteten Bildebene erlangt. Die Kontur der interessierenden Region ist eine geordnete Gruppe von Schnittpunkten, die aus einer Linien-Ebenen-Schnittgleichung erlangt wurden. Die Kontur 104 der interessierenden Region stellt die Dreieckkanten des Netzes 100 dar, die die Bildebene 102 schneiden.
5B zeigt die Kontur 104 der interessierenden Region entlang der gesamten Schnittlinie des Netzes (nicht abgebildet) mit der Bildebene 102. Dies ist die Kontur, die der Benutzer bearbeiten wird.
6 zeigt ein den Thorax von oben nach unten darstellendes CT-Schicht- oder Ebenenbild 110, das segmentiert wurde. Um eine Grenze der interessierenden Region um eine interessierende Region 112 herum zu korrigieren, zeichnet der Benutzer eine Freihandkurve. Die durchgezogene Konturlinie 114 stellt das automatische Segmentierungsergebnis dar und die gestrichelte Konturlinie 116 stellt die Freihand-Bearbeitungseingabe des Benutzers oder den gewünschten Ort der Kontur der interessierenden Region dar. Alternativ verwendet ein Benutzer ein virtuelles Zieh- oder Schiebesegmentierungswerkzeug, um die automatische Segmentierungslinie oder die Freihandlinie näher zu der segmentierten Oberfläche oder Grenzfläche zu bewegen. Jeder Punkt auf der Kontur der interessierenden Region entspricht einem Paar oberer und unterer Netzeckpunkte, die eine Dreieckkante darstellen, welche die Bildebene schneidet. Um die vom Benutzer gewünschte Grenze 116 der interessierenden Region zu erreichen, werden diese Dreieckkanten auf derartige Weise justiert oder parallel zu der betrachteten Bildebene bewegt, dass die neue Netzschnittkurve mit der betrachteten Bildebene die vom Benutzer spezifizierte Grenze 116 der interessierenden Region ergibt. Daher kann die Kantenjustierung als einer zweistufiger Prozess betrachtet werden, der 1) einen Mechanismus zum Aufrasten der existierenden Kontur 114 der interessierenden Region auf der betrachteten Bildebene auf die vom Benutzer spezifizierte Grenze 116 der interessierenden Region identifiziert (ein 2D Problem), und 2) das Paar von Netzeckpunkten verschiebt, das den neuen Positionen der Konturpunkte der interessierenden Region entspricht (die Verschiebung erfolgt parallel zu der betrachteten Bildebene).
7 zeigt ein den Schädel von oben nach unten darstellendes CT-Bild 130, in dem eine FLC-Technik (Fuzzy Line Change) zur Identifizierung der Untergruppe von Netzeckpunkten und zum Aufrasten dieser Untergruppe von Netzeckpunkten auf eine vom Benutzer gezeichnete Kontur verwendet wird. Die Technik basiert auf kürzesten Abstands- und Krümmungsmaßen. Die auf der Kontur 132 der interessierenden Region zu den Endpunkten der vom Benutzer gezeichneten Kurve 134 nächstgelegenen Punkte werden als der Startpunkt p_s' und der Endpunkt p_e' bezeichnet. Die Start- und Endpunkte teilen die Kontur der interessierenden Region in zwei Abschnitte, nämlich im Uhrzeigersinn bzw. gegen den Uhrzeigersinn, wie in 7 dargestellt. Es wird eine Gruppe von Parametern (zum Beispiel Nähe, durchschnittlicher Abstand, kürzester Abstand, Umfang usw.) sowohl für den im Uhrzeigersinn als auch für den gegen den Uhrzeigersinn verlaufenden Abschnitt der Kontur der interessierenden Region in Bezug auf die vom Benutzer gezeichnete Kurve berechnet. Eine gewichtete Summe dieser Parameter entscheidet, welcher Abschnitt der Kontur der interessierenden Region (im Uhrzeigersinn oder gegen den Uhrzeigersinn) auf die vom Benutzer gezeichnete Kurve aufzurasten ist. In dem Beispiel aus 7 würde der gegen den Uhrzeigersinn verlaufende Abschnitt auf die vom Benutzer gezeichnete Kontur 134 aufgerastet. Die Untergruppe von Netzeckpunkten und die zugehörigen Netzdreieckzellen, die dem aufgerasteten Abschnitt der Kontur der interessierenden Region entsprechen, werden verschoben, um das gewünschte Bearbeitungsergebnis zu erzielen.
8 zeigt ein diagnostisches Bild 150 mit einer automatisierten Segmentierungskontur 152 (durchgezogene Linie) und einer vom Benutzer gezeichneten Konturlinie 154 (gestrichelte Linie). Die vom Benutzer gezeichnete Linie 154 wird verwendet, um die Segmentierung der interessierenden Region in dem Bild zu korrigieren. Da jedoch die Netzauflösung im Vergleich zu der Bildvolumenauflösung von CT-Datensätzen in der Strahlentherapieplanung begrenzt ist, führt die Netzbearbeitung zu unerwünschten Ergebnissen auf angrenzenden Bildebenen, wie in den 9A–C und 10A–C dargestellt.
Die 9A–C zeigen mehrere Schichten des diagnostischen Bildes aus 8. 9A zeigt Schicht N – 1 160, eine Bildschicht unmittelbar vor einer aktuellen Schicht, vor dem Bearbeiten. 9B zeigt die aktuelle Schicht N 170 vor dem Bearbeiten. Schicht N ist die betrachtete Bildebene. 9C zeigt Schicht N + 1 180, eine unmittelbar auf die betrachtete Bildschicht N folgende Bildschicht. Schicht N + 1 umfasst einen Vorsprung 182, der Gewebe enthält, das nicht zu der interessierenden Region gehört.
Die 10A–C zeigen die drei Nachbearbeitungsschichten N – 1 190, N 200 bzw. N + 1 210 nach dem Bearbeiten der Bildschicht N unter Verwendung einer Netzbearbeitungstechnik. Es ist zu beachten, dass das Bearbeiten von Schicht N eine Änderung in Schicht N + 1 verursacht hat, so dass der Vorsprung 182 (9C) nicht mehr vorhanden ist.
Die 11A und 11B zeigen ein Beispiel eines bearbeiteten Netzes 220, wobei das Deformieren der Netzeckpunkte zu langen Dreieckkanten führt, die die Form der Kontur der interessierenden Region auf den angrenzenden Bildebenen modifizieren. 11A zeigt das Netz vor dem Bearbeiten. 11B zeigt das Netz 220 nach dem Bearbeiten, wobei die Form der bearbeiteten Kontur der interessierenden Region verzerrt oder deformiert wurde, wie durch die länglichen oder gedehnten Dreiecke 222 dargestellt.
12 zeigt mehrere Szenarien, in denen Netzdreiecke unterteilt werden. Die selektive Unterteilung von Netzdreiecken ist kein triviales Problem. Die Unterteilung darf die Dreieck-Konformität des Netzes nicht beeinträchtigen, d. h. die Netzzellen müssen dreieckig bleiben. Die hellgrau schattierten Dreiecke müssen unterteilt werden, die unschattierten Dreiecke sind angrenzende Dreiecke. Der Unterteilungsalgorithmus stellt sicher, dass die sich nach der Unterteilung ergebenden neuen Netzzellen dreieckig bleiben, und zwar sowohl für die unterteilten Dreieckzellen als auch für die angrenzenden Dreieckzellen. Gleichzeitig wird die Kantenlänge der unterteilten Dreiecke nach jeder Unterteilung reduziert.
13 zeigt das Ergebnis der selektiven Unterteilung für eine Untergruppe von dreieckigen Netzzellen. In 13 ist ein Original-Netzmodell 240 dargestellt, wobei ein Ausschnitt 242 daraus ausgewählt wurde. Nach selektiver Unterteilung umfasst der Ausschnitt 242 eine Vielzahl von unterteilten Netzdreiecken 244.
Die 14A–C zeigen die Einzelbilder N – 1, N bzw. N + 1 nach der Bearbeitung unter Verwendung der hier beschriebenen auf gleicher Ebene stattfindenden Netzbearbeitungstechnik, bei der ausgewählte Netzdreiecke unterteilt werden, während benachbarte oder angrenzende Netzdreiecke unangetastet bleiben. Die vom Benutzer gewünschte Bearbeitung wird auf der betrachteten Bildebene N in 14B erreicht, während die Konturen der interessierenden Region auf den angrenzenden Bildebenen in den 14A und 14C intakt bleiben. Zum Beispiel wird der Vorsprung 182 in Schicht N + 1 nicht beeinflusst, während dies bei Verwendung der in Bezug auf 10C beschriebenen Netzbearbeitungstechnik der Fall war.
Es ist zu beachten, dass die hier beschriebenen Techniken in jeglichen geeigneten Anwendungen für die auf Dreiecknetzen basierende Bearbeitung der interessierenden Region verwendet werden können; sowohl für Anwendungsfälle mit 3D Bearbeitung als auch für Anwendungsfälle mit auf gleicher Ebene stattfindender 2D Bearbeitung. Die beschriebene selektive Unterteilung bietet eine flexible und recheneffiziente Möglichkeit zur Durchführung einer auf gleicher Ebene stattfindenden Bearbeitung. Sie kann auch für die Verfeinerung der lokalen Auflösung nützlich sein (z. B. von einem Netzausschnitt), um eine bessere Darstellung von Bereichen mit vielen Details in einem groben 3D Dreieck-Oberflächennetz-Modell einer interessierenden Region zu erhalten.
15 zeigt ein System 300, das gemäß verschiedenen hier beschriebenen Aspekten die Reversibilität und die Deformierung eines 3D Oberflächennetzes sowie eine die Netzauflösung erhöhende Unterteilung der Oberflächennetz-Dreiecke ermöglicht. Das System umfasst eine Benutzeroberfläche 302, die entweder mit einem Nuklearbildaufnahmegerät 304, wie zum Beispiel einem Positronenemissionstomographie-Bildaufnahmegerät (PET) oder einem Einzelphotonenemissions-Computertomographie-Bildaufnahmegerät (SPECT), Ultraschall, oder mit einer Magnetresonanz-Bildgebungsvorrichtung (MRT) 306 oder beidem gekoppelt ist, wobei das Nuklearbildaufnahmegerät bzw. Magnetresonanz-Bildgebungsvorrichtung Bilddaten zur Segmentierung unter Verwendung der beschriebenen Techniken erzeugen. Bei einer Ausführungsform ist die Benutzeroberfläche mit einer Röntgenvorrichtung oder einem CT-Scanner 307 gekoppelt, der Bilddaten zur Segmentierung unter Verwendung der beschriebenen Techniken erzeugt. Das Bild kann auch aus einem Speicher, einem bildkombinierenden Prozessor, der Bilder von zwei oder mehr Modalitäten kombiniert, oder dergleichen abgerufen werden. Es ist jedoch zu beachten, dass die beschriebenen Systeme und Verfahren auf andere Bildgebungsmodalitäten anwendbar sind.
Die Benutzeroberfläche umfasst einen Prozessor 308, der vom Computer ausführbare Anweisungen zum Ausführen der verschiedenen hier beschriebenen Verfahren, Techniken usw. ausführt, und einen Speicher 310, der diese Anweisungen speichert, um ein Oberflächennetz für eine interessierende Region in einem diagnostischen Bild invertierbar zu deformieren sowie die Netzauflösung lokal zu erhöhen, indem die Oberflächennetzdreiecke selektiv unterteilt werden. Der Speicher kann zum Beispiel ein flüchtiger oder nicht-flüchtiger Speicher, Flash-Speicher, Direktzugriffsspeicher (RAM), Festwertspeicher (ROM), programmierbarer Festwertspeicher (PROM), löschbarer programmierbarer Festwertspeicher (EPROM), elektronisch löschbarer programmierbarer Festwertspeicher (EEPROM), eine Kombination aus einem oder mehreren der vorhergehenden Elemente oder irgendein anderes Datenspeichermedium sein, das geeignet ist, um die hier beschriebenen verschiedenen Aktionen und Verfahren auszuführen. Die Benutzeroberfläche umfasst zusätzlich eine Anzeige 312, auf der Bilder, anatomische Modelle und dergleichen einem Benutzer präsentiert werden, und eine Benutzereingabevorrichtung 314 (z. B. eine Tastatur, eine Maus, einen Taststift, eine Rollkugel, eine graphische Benuteroberfläche oder eine andere geeignete Eingabevorrichtung), über die der Benutzer Befehle eingibt, um ein oder mehrere anatomische Modelle oder Bilder auszuwählen, um ein oder mehrere Modelle so zu manipulieren, dass sie einem Bild entsprechen, usw.
Zum Beispiel sind in dem Speicher 310 Bilddaten 316 gespeichert, die durch ein oder mehrere der Bildaufnahmegeräte 304, 306, 307 erzeugt wurden. In dem Speicher sind zusätzlich ein oder mehrere vorgenerierte Oberflächennetz-Modelle 318 für verschiedene Organe und anatomische Strukturen gespeichert. In dem Speicher ist ein Werkzeugsatz 326 mit virtuellen Werkzeugen gespeichert, der es einem Benutzer ermöglicht, ein oder mehrere Oberflächenmodelle oder Konturen hiervon während der Segmentierung mit Hilfe von einem oder mehreren Segmentierungsalgorithmen 328 zu manipulieren (z. B. schieben, ziehen usw.). Bei einer Ausführungsform werden mehrere Modelle gleichzeitig angepasst.
In dem Speicher ist ein GKA-Algorithmus oder -Modul 330 (Gaussian Kernel Adjustment, Gauss-Kern-Anpassung) gespeichert, der bzw. das die Größe eines Gauss-Kerns anpasst, welcher verwendet wird, um eine Netzmodellkontur als eine Funktion der Magnitude der Mausbewegung oder der Bewegung eines anderen Eingabegeräts durch einen Benutzer zu deformieren, wie in Bezug auf die 1 bis 3 beschrieben. Zusätzlich ist in dem Speicher ein FLC-Algorithmus (fuzzy line change) 332 gespeichert, der durch den Prozessor ausgeführt wird, um Netzmodellkonturen auf eine vom Benutzer gezeichnete Kontur aufzurasten oder daran anzupassen, wie in Bezug auf die 4–14 beschrieben.
Das System 300 erlaubt eine 3D Manipulation eines konturierten Bildvolumenmodells, was seinerseits einem Benutzer erlaubt, Konturen eines Bildvolumenmodells wenn gewünscht immer nur in einer Ebene zu manipulieren statt in mehreren Ebenen. Zum Beispiel greift ein Benutzer auf den virtuellen Werkzeugsatz 326 zu und verwendet seine elektronisch definierten Werkzeuge, um die Modellkontur in zwei oder drei Dimensionen zu schieben, zu ziehen oder auf andere Weise zu justieren. Alternativ zeichnet der Benutzer einfach eine Linie oder Kurve (z. B. eine Kontur) auf das Netzmodell. Zum Beispiel definieren die virtuellen Werkzeuge Oberflächen von verschiedenen Radien, Formen und Größen, einschließlich eines einzelnen Punktes, die die Kontur drücken oder ziehen können, um ihre Form an die vom Benutzer gezeichnete Kontur anzugleichen. Der Benutzer kann das Werkzeug entlang der angezeigten Ebene oder in einem Winkel zu der angezeigten Ebene schieben oder ziehen.
Bezug nehmend auf 16 kann ein beispielhaftes Krankenhaussystem 400 eine Vielzahl von Bildgebungsvorrichtungen 401 umfassen, zum Beispiel CT, MRT, PET, SPECT, Varianten der oben genannten Vorrichtungen oder dergleichen, die Bildgebungsdaten erzeugen, welche durch einzelne oder gemeinsam genutzte Rekonstruktionsprozessoren 402 rekonstruiert werden, um 3D Bilddarstellungen zu erzeugen. Die Bilddarstellungen werden über ein Netzwerk 404 an einen zentralen Speicher 406 kommuniziert.
Bei einer mit dem Netzwerk verbundenen Station 410 umfasst die Benutzeroberfläche 302 den Prozessor 308, den Speicher 310, die Anzeige 312 und die Benutzereingabevorrichtung 314, wie in Bezug auf 15 beschrieben. Zusätzlich ist zu beachten, dass der Speicher 310 die verschiedenen Daten und Algorithmen (vom Computer ausführbare Anweisungen) enthält, die in Bezug auf 15 beschrieben wurden.
Ein Bediener benutzt die Eingabevorrichtung 314, um eine ausgewählte 3D Patientenbilddarstellung von dem zentralen Speicher in einen lokalen Speicher 412 zu verschieben. Vorgenerierte Referenznetzmodelle, die der ausgewählten 3D Patientenbilddarstellung entsprechen, können auch aus einem Modellatlas (nicht dargestellt), der in dem zentralen Speicher oder bei der Station 410 gespeichert ist, in den lokalen Speicher importiert werden und werden ausgewählt, um entweder automatisch oder manuell ungefähr an das (die) ausgewählte(n) Patientenbildvolumen angepasst zu werden. Ein Videoprozessor 414 legt die Referenzmodelle auf die Patientenbilddarstellung und zeigt die Referenzmodelle und die Patientenbilddarstellung mit überlagerten Orientierungspunkten auf der Anzeige 312 an. Der Bediener benutzt die Eingabevorrichtung, um eine oder mehrere Konturen auf dem Netzmodell zu manipulieren.
Bei einer Ausführungsform umfasst die Anzeige 312 eine Vielzahl von Ansichtfenstern 418. Zum Beispiel kann ein Patientenbild in einem ersten Ansichtfenster 418a angezeigt werden und ein ausgewähltes Modell, das einem interessierenden Volumen (zum Beispiel einer anatomischen Struktur, einem Tumor, usw.) entspricht, wird in einem zweiten Ansichtfenster 418b angezeigt. Ein drittes Ansichtfenster 418c präsentiert dem Bediener das Patientenbild, dem das ausgewählte Modell überlagert ist. Bei einer weiteren Ausführungsform werden drei orthogonale Ansichten (und optional eine perspektivische Ansicht) des Patientenbildes mit dem überlagerten Modell angezeigt. Der Bediener nutzt über die Eingabevorrichtung 314 virtuelle Werkzeuge, um Konturen des Modells derartig zu manipulieren (zum Beispiel zu schieben, zu ziehen, neu zu zeichnen, usw.), dass das Modell dem Patientenbild entspricht. Dieses Prozedur wird für alle Modelle und alle interessierenden Strukturen in dem Patientenbild wiederholt.
Bei einer weiteren Ausführungsform benutzt der Bediener, um das Referenzmodell an die Form von einer oder mehreren der anatomischen Strukturen in dem Patientenbild anzugleichen, die Eingabevorrichtung zum Neuzeichnen oder Anpassen von einem oder mehreren Abschnitten einer Kontur in dem Referenznetzmodell. Nachdem der Bediener die Kontur oder Grenze an einen gewünschten Ort auf dem Patientenbildvolumen positioniert hat, „genehmigt” der Bediener die neu positionierte Grenze oder Kontur, wodurch die Aktualisierung der Netzmodellkontur ausgelöst wird. Der Prozess der Genehmigung durch den Benutzer und der Aktualisierung des Netzmodells wird iterativ wiederholt, bis der Benutzer der Meinung ist, dass die Referenzmodellsegmentierung dem Patientenbildvolumen ausreichend entspricht. Der Benutzer kann dann die Genehmigung für die gesamte Modellsegmentierung auf dem Patientenbildvolumen geben.
Die vom Benutzer genehmigten Modelle können in dem zentralen Speicher 406 oder dem lokalen Speicher 412 gespeichert werden oder direkt in einem anderen Prozess verwendet werden. Zum Beispiel kann eine Therapieplanungsstation (zum Beispiel Strahlung, Ablation, usw.) 430 die genehmigten Patientenmodelle benutzen, um eine Therapiesitzung zu planen. Nachdem die Planung zur Zufriedenheit des Bedieners erfolgt ist, wird die geplante Therapie an eine Therapievorrichtung 432 übertragen, die die geplante Sitzung implementiert. Weitere Stationen können die geformten Konturen, Modelle, usw. gegebenenfalls in verschiedenen anderen Planungsprozessen verwenden.
Die Erfindung wurde unter Bezugnahme auf mehrere Ausführungsformen beschrieben. Es ist offensichtlich, dass dem Fachmann nach der Lektüre und dem Verstehen der vorhergehenden detaillierten Beschreibung Abwandlungen und Abänderungen einfallen werden. Die Erfindung ist so auszulegen, dass sie alle derartigen Abwandlungen und Abänderungen insofern beinhaltet, als sie im Rahmen der angefügten Ansprüche oder Entsprechungen davon liegen.
ZITATE ENTHALTEN IN DER BESCHREIBUNG
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
Zitierte Nicht-Patentliteratur

Kass M, Witkin A, Terzopoulos D. Snakes: Active contour models. Int J Corp Vis 1988; 1: 321–331 [0007]
Collins DL, Peters TM, Dai W, et al. Model-based segmentation of individual brain structures from MRI data. In: Robb R, editor. Visualization in Biomedical Computing (VBC'92). Vol. 1808, Chapel-Hill, NC: SPIE; 1992. S. 10–23 [0007]
V. Pekar, TR McNutt, MR Kaus, ”Automated model-based organ delineation for radiotherapy planning in prostatic region”, International Journal of Radiation Oncology Biology Physics. 60(3), 973–980, 2004 [0008]
C. Lorenz, N. Krahnstover, ”3D Statistical Shape Models for Medical Image Segmentation,” 3dim, pp. 0414, Second International Conference on 3-D Imaging and Modeling (3DIM '99), 1999 [0008]
MR Kaus, V. Pekar, C. Lorenz, R. Truyen, S. Lobregt und J. Weese, ”Automated 3-D PDM construction from segmented images using deformable models”, IEEE TMI, 22(8), 1005–1013, 2003 [0008]
Yogish Mallya, Prashant Kumar, ”Shape Constrained Mesh Editing For Delineating Anatomical Structures in Volumetric Datasets” IEEE International Advance Computing Conference (IACC'10), 2010 [0009]

Claims

Prozessor (308) oder von einem Computer lesbares Medium (310), der bzw. das programmiert ist zur Durchführung des invertierbaren Deformierens eines Oberflächennetzes eines diagnostischen Bildes durch automatisches Justieren eines Krümmungsradius eines Deformationskerns, wobei die Programmierung Folgendes umfasst: Empfangen einer Benutzereingabe in Bezug auf einen Startpunkt p_s für eine zu deformierende Kontur auf einem Oberflächennetz, das über einem diagnostischen Bild liegt; und Justieren einer Deformationskrümmung auf einen Abstand zwischen dem Startpunkt p_s und einem Endpunkt p_e auf derartige Weise, dass die Deformationskrümmung entsprechend dem Abstand zwischen dem Startpunkt p_s und dem Endpunkt p_e justiert wird.
Prozessor (308) oder von einem Computer lesbares Medium (310) nach Anspruch 1, wobei die Krümmung durch einen Gauss-Deformationskern definiert wird.
Prozessor (308) oder von einem Computer lesbares Medium (310) nach Anspruch 1 oder 2, wobei ein Benutzer zum Definieren der Kontur einen ersten Punkt mit Hilfe einer Eingabevorrichtung auswählt, der als der Startpunkt p_s identifiziert wird, einen Cursor zieht, um die zu deformierende Kontur zu schieben oder zu ziehen, und den Cursor an einem zweiten Punkt loslässt, der als der Endpunkt p_e identifiziert wird.
Prozessor (308) oder von einem Computer lesbares Medium (310) nach einem der vorhergehenden Ansprüche, wobei die Programmierung weiter Folgendes umfasst: Empfangen einer Benutzereingabe, die sich auf eine ausgewählte Kontur auf einem Oberflächennetz (100, 220, 240, 318) bezieht, das einer interessierenden Region in einem diagnostischen Bild überlagert ist; Identifizieren einer Untergruppe (242) von Oberflächennetzdreiecken proximal zu der ausgewählten Kontur; Definieren des Oberflächennetzes, damit es besser mit einem Teil des diagnostischen Bildes übereinstimmt; iteratives Unterteilen der Dreiecke in der identifizierten Untergruppe (242), um die Auflösung des Oberflächennetzes in einer Region der ausgewählten Kontur zu erhöhen; und Ausführen eines FLC-Algorithmus (Fuzzy Line Change, FLC) (332), um das Oberflächennetz (100, 220, 240, 318) zu bearbeiten, sobald die Auflösung der Untergruppe (242) der Oberflächennetz-Dreiecke einen vorgegebenen Schwellenwert überschritten hat.
Prozessor (308) oder von einem Computer lesbares Medium (310) nach Anspruch 4, wobei der vorgegebene Schwellenwert einer Auflösung von mindestens einem Dreieck-Eckpunkt pro Voxel in dem diagnostischen Bild entspricht.
Prozessor (308) oder von einem Computer lesbares Medium (310) nach einem der vorhergehenden Ansprüche, wobei die Krümmung durch einen Radius r definiert wird, wobei: r = λ||p_s – p_e||, wobei λ > √2·exp(–0,5) ≈ 0,86.
System, das das invertierbare Deformieren eines Oberflächennetzes zur Segmentierung eines diagnostischen Bildes durch automatisches Justieren eines Krümmungsradius eines Deformationskerns ermöglicht, wobei das System Folgendes umfasst: eine Anzeige (312), auf der einem Benutzer ein diagnostisches Bild mit einem überlagerten Segmentierungs-Oberflächennetz präsentiert wird; eine Benutzereingabevorrichtung (314), über die ein Benutzer einen Startpunkt p_s für eine zu deformierende Kontur auf dem Oberflächennetz eingibt; und einen Prozessor (308), der eine Deformationskrümmung auf einen Abstand zwischen dem Startpunkt p_s und einem Endpunkt p_e auf derartige Weise justiert, dass die Deformationskrümmung der Kontur entsprechend dem Abstand zwischen dem Startpunkt p_s und dem Endpunkt p_e justiert wird.
System nach Anspruch 7, wobei die Krümmung durch einen Gauss-Deformationskern definiert wird.
System nach Anspruch 7 oder 8, wobei der Benutzer zum Definieren der Kontur einen ersten Punkt mit Hilfe einer Eingabevorrichtung (314) auswählt, der als der Startpunkt p_s identifiziert wird, einen Cursor zieht, um die zu deformierende Kontur zu schieben oder zu ziehen, und den Cursor an einem zweiten Punkt loslässt, der als der Endpunkt p_e identifiziert wird.
System nach einem der Ansprüche 7 bis 9, wobei: der Benutzer eine Kontur auf einem Oberflächennetz (100, 220, 240, 318) auswählt, das einer interessierenden Region in einem diagnostischen Bild überlagert ist, welches einem Benutzer auf einer Anzeige präsentiert wird; und der Prozessor: der eine Untergruppe (242) von Oberflächennetz-Dreiecken proximal zu der ausgewählten Kontur identifiziert; das Oberflächennetz definiert, damit es besser mit einem Teil des diagnostischen Bildes übereinstimmt; die Dreiecke in der identifizierten Untergruppe (242) iterativ unterteilt, um die Auflösung des Oberflächennetzes (100, 220, 240, 318) in einer Region der ausgewählten Kontur zu erhöhen; und einen FLC-Algorithmus (Fuzzy Line Change) (332) ausführt, um das Oberflächennetz zu bearbeiten, sobald die Auflösung der Untergruppe (242) von Oberflächennetz-Dreiecken einen vorgegebenen Schwellenwert überschritten hat.
System nach einem der Ansprüche 7 bis 10, wobei die Krümmung durch einen Radius r definiert wird, wobei: r = λ||p_s – p_e||, wobei λ > √2·exp(–0,5) ≈ 0,86.
Prozessor (308) oder von einem Computer lesbares Medium (310), der bzw. das programmiert ist, um das Verfahren nach einem der Ansprüche 9 bis 11 auszuführen.
System, das das auf gleicher Ebene stattfindende Bearbeiten eines Oberflächennetzes (100, 220, 240, 318) ermöglicht, das einer interessierenden Region in einem diagnostischen Bild überlagert ist, wobei das System Folgendes umfasst: eine Benutzereingabevorrichtung, über die eine Kontur auf einem Oberflächennetz (100, 220, 240, 318) ausgewählt wird, das einer interessierenden Region in einem diagnostischen Bild überlagert ist, welches einem Benutzer auf einer Anzeige präsentiert wird; und einen Prozessor, der: eine Untergruppe (242) von Oberflächennetzdreiecken proximal zu der ausgewählten Kontur identifiziert; das Oberflächennetz definiert, damit es besser mit einem Teil des diagnostischen Bildes übereinstimmt; die Dreiecke in der identifizierten Untergruppe (242) iterativ unterteilt, um die Auflösung des Oberflächennetzes (100, 220, 240, 318) in einer Region der ausgewählten Kontur zu erhöhen; und einen FLC-Algorithmus (Fuzzy Line Change) (332) ausführt, um das Oberflächennetz zu bearbeiten, sobald die Auflösung der Untergruppe (242) der Oberflächennetz-Dreiecke einen vorgegebenen Schwellenwert überschritten hat.
System nach Anspruch 13, wobei der vorgegebene Schwellenwert einer Auflösung von mindestens einem Dreieck-Eckpunkt pro Voxel in dem diagnostischen Bild entspricht.
System nach einem der Ansprüche 13 oder 14, wobei der FLC-Algorithmus (332) Dreieck-Eckpunkte in dem Oberflächennetz (100, 220, 240, 318) mit einem kürzesten Abstand zu den jeweiligen Punkten auf der ausgewählten Kontur identifiziert und die identifizierten Eckpunkte zu den jeweiligen nächstgelegenen Punkten auf der ausgewählten Kontur bewegt.
Prozessor (308) oder von einem Computer lesbares Medium (310), der bzw. das programmiert ist zur Ausführung des auf gleicher Ebene stattfindenden Bearbeitens eines Oberflächennetzes (132, 100, 220, 240, 318), das einer interessierenden Region in einem diagnostischen Bild überlagert ist, wobei die Programmierung Folgendes umfasst: Empfangen einer Benutzereingabe, die mindestens eine von dem Benutzer gezeichnete Kontur (134) umfasst und sich auf eine Kontur auf einem Oberflächennetz (132, 100, 220, 240, 318) bezieht, das einer interessierenden Region in einem diagnostischen Bild überlagert ist; wobei das Oberflächennetz (132, 100, 220, 240, 318) einen Startpunkt p_s hat, der der Punkt ist, welcher einem Ende der vom Benutzer gezeichneten Kurve 134 am nächsten liegt, und einen Endpunkt p_e hat, der der Punkt ist, welcher dem anderen Ende der vom Benutzer gezeichneten Kurve 134 am nächsten liegt; Identifizieren von sowohl einem im Uhrzeigersinn als auch einem gegen den Uhrzeigersinn verlaufenden Abschnitt der Kontur auf dem Oberflächennetz (132, 100, 220, 240, 318), wobei beide Abschnitte an dem Endpunkt p_e beginnen und an dem Startpunkt p_s enden; Auswählen von entweder des im Uhrzeigersinn oder des gegen den Uhrzeigersinn verlaufenden Abschnitts der Kontur auf dem Oberflächennetz (132, 100, 220, 240, 318) basierend auf einer gewichteten Summe der folgenden Parameter in Bezug auf die vom Benutzer gezeichnete Kontur (134): Nähe, durchschnittlicher Abstand, kürzester Abstand, Umfang; Identifizieren einer Untergruppe (242) von Oberflächennetzdreiecken proximal zu der vom Benutzer gezeichneten Kontur; iteratives Unterteilen der Dreiecke in der identifizierten Untergruppe (242), um die Auflösung des Oberflächennetzes in einer Region der vom Benutzer gezeichneten Kontur zu erhöhen; und Ausführen eines FLC-Algorithmus (Fuzzy Line Change) (332), der das Verschieben der Untergruppe von Netzeckpunkten und der zugehörigen Netzdreieckzellen der iterativ unterteilten Dreiecke proximal zu der vom Benutzer gezeichneten Kontur (134) umfasst, sobald die Auflösung der Untergruppe (242) von Oberflächennetzdreiecken einen vorgegebenen Schwellenwert überschritten hat.
Prozessor (308) oder von einem Computer lesbares Medium (310) nach Anspruch 16, wobei der vorgegebene Schwellenwert einer Auflösung von mindestens einem Dreieck-Eckpunkt pro Voxel in dem diagnostischen Bild entspricht.
Prozessor (308) oder von einem Computer lesbares Medium (310) nach einem der Ansprüche 16 oder 17, wobei das Auswählen des im Uhrzeigersinn und des gegen den Uhrzeigersinn verlaufenden Abschnitts der Kontur auf dem Oberflächennetz (132, 100, 220, 240, 318) auf dem kürzesten Abstand zu der vom Benutzer gezeichneten Kontur (134) basiert und der FLC-Algorithmus die Untergruppe von Netzeckpunkten und die zugehörigen Netzdreieckzellen der iterativ unterteilten Dreiecke proximal zu der vom Benutzer gezeichneten Kontur (134) verschiebt.
System, das das auf gleicher Ebene stattfindende Bearbeiten eines Oberflächennetzes (132, 100, 220, 240, 318), das einer interessierenden Region in einem diagnostischen Bild überlagert ist, ermöglicht, wobei das System Folgendes umfasst: eine Benutzereingabevorrichtung, über die eine von dem Benutzer gezeichnete Kontur (134) empfangen wird, die sich auf eine Kontur auf einem Oberflächennetz (132, 100, 220, 240, 318) bezieht, das einer interessierenden Region in einem diagnostischen Bild überlagert ist, welches dem Benutzer auf einer Anzeige präsentiert wird; wobei das Oberflächennetz (132, 100, 220, 240, 318) einen Startpunkt p_s hat, der der Punkt ist, welcher einem Ende der vom Benutzer gezeichneten Kurve 134 am nächsten liegt, und einen Endpunkt p_e hat, der der Punkt ist, welcher dem anderen Ende der vom Benutzer gezeichneten Kurve 134 am nächsten liegt; und einen Prozessor, der sowohl einen im Uhrzeigersinn als auch einen gegen den Uhrzeigersinn verlaufenden Abschnitt der Kontur auf dem Oberflächennetz (132, 100, 220, 240, 318) identifiziert, wobei beide Abschnitte an dem Endpunkt p_e beginnen und an dem Startpunkt p_s enden; entweder den im Uhrzeigersinn oder den gegen den Uhrzeigersinn verlaufenden Abschnitt der Kontur auf dem Oberflächennetz (132, 100, 220, 240, 318) basierend auf einer gewichteten Summe der folgenden Parameter in Bezug auf die vom Benutzer gezeichnete Kontur (134) auswählt: Nähe, durchschnittlicher Abstand, kürzester Abstand, Umfang; eine Untergruppe (242) von Oberflächennetzdreiecken proximal zu der vom Benutzer gezeichneten Kontur identifiziert; die Dreiecke in der identifizierten Untergruppe (242) iterativ unterteilt, um die Auflösung des Oberflächennetzes (132, 100, 220, 240, 318) in einer Region der vom Benutzer gezeichneten Kontur zu erhöhen; und einen FLC-Algorithmus (Fuzzy Line Change) (332) ausführt, der das Verschieben der Untergruppe von Netzeckpunkten und der zugehörigen Netzdreieckzellen der iterativ unterteilten Dreiecke proximal zu der vom Benutzer gezeichneten Kontur (134) umfasst, sobald die Auflösung der Untergruppe (242) von Oberflächennetzdreiecken einen vorgegebenen Schwellenwert überschritten hat.
System nach Anspruch 19, wobei der vorgegebene Schwellenwert einer Auflösung von mindestens einem Dreieck-Eckpunkt pro Voxel in dem diagnostischen Bild entspricht.
System nach einem der Ansprüche 19 oder 20, wobei das Auswählen des im Uhrzeigersinn und des gegen den Uhrzeigersinn verlaufenden Abschnitts der Kontur auf dem Oberflächennetz (132, 100, 220, 240, 318) auf dem kürzesten Abstand zu der vom Benutzer gezeichneten Kontur (134) basiert und der FLC-Algorithmus die Untergruppe von Netzeckpunkten und die zugehörigen Netzdreieckzellen der iterativ unterteilten Dreiecke proximal zu der vom Benutzer gezeichneten Kontur (134) verschiebt.