Statistical Models for Segmentation from MR Localizer Images

In dieser Dissertation werden Methoden zur Segmentierung anatomischer Strukturen in Planungsbildern der Magnetresonanztomographie (MRT), sogenannten Localizer-Bildern, vorgestellt. Localizer sind schnelle MR-Scanprotokolle zur Untersuchungsplanung. Segmentierungen anatomischer Strukturen aus diesen Bildern können für Anwendungen zur vollautomatischen Untersuchungsplanung, z.B. Organlokalisierungen, Schichtpositionierungen, Sequenzanpassungen, etc. verwendet werden. Da Localizer-Bilder nicht hinsichtlich Bildqualität sondern hinsichtlich Messzeit und Abdeckung optimiert sind, sind modellbasierte statistische Verfahren für die Segmentierung vorteilhaft. Zwei Methoden werden vorgestellt: Die erste ist eine Methode zur Rekonstruktion von Leberform, -position und -orientierung aus einer Serie von wenigen 2D-Planungsschichtbildern mit großem Schichtabstand. Dazu wird ein Active Shape Model aus manuellen Lebersegmentierungen von 3D Trainingsbildern erstellt, das die durchschnittliche Leberform und die Hauptkomponenten seiner Varianz beschreibt. Korrespondierende Landmarkenpunkte auf der Oberfl äche werden durch Remeshing mit Hilfe konformer Abbildungen in der sphärischen Domäne initialisiert und verfeinert durch Optimierung eines Korrespondenzmaßes, welches auf Minimum Description Length (MDL) basiert und die Kompaktheit des generierten statistischen Modells beschreibt. Die Segmentierung der Leber aus den gestapelten 2D-Schichtbildern erfolgt durch durch die Berechnung derjenigen Modellinstanz des Active Shape Models, welche bestmöglich die Bilddaten beschreibt. Man erreicht dies durch iterative Berechnung optimaler Verschiebungen der Landmarken. Die optimalen Verschiebungen beruhen auf Grauwertprofilen in den Bildern und einer normalisierten lokalen Statistik der Grauwertverteilungen in den Trainingsbildern. Die Instanz des Active Shape Models, die die gefundenen Verschiebungen der Landmarken am besten repräsentiert, wird durch eine Projektion auf den Linearraum des Active Shape Models gefunden. Daraus erhält man eine gültige Modellinstanz, die die Verschiebungen der Landmarken bestmöglich beschreibt. Die Ergebnisse der Segmentierung aus generierten Localizer-Bildern werden mit den manuellen Segmentierungen mittels 4 Fehlermetriken verglichen. Die Ergebnisse zeigen, dass die Methode gegenüber Lebersegmentierungen mittels Active Shape Models aus 3D Daten konkurrenzf ähig ist, wenn auch mit geringerer Präzision aufgrund der geringeren Bildqualität. Die zweite Methode, die in dieser Dissertation vorgestellt wird, ist ein automatisches, anatomisches Labeling oder eine Multiorgansegmentierung anatomischer Strukuturen in FastView- Bildern. FastView ist ein modernes MR-Protokoll, welches 3D Localizer-Bilder produziert, indem 2D-Schichten während kontinuierlichem Vorschub des Patiententisches gemessen werden. Die Segmentierung basiert auf einem statistischen Atlas des menschlichen Körpers, der aus einer Gruppe repräsentativer FastView Datensätze gewonnen wird. Der Atlas enthält einerseits ein statistisches Deformationsmodell, das verwendet werden kann, um unbekannte Datensätze auf die durchschnittliche Körperform des Atlas zu verformen. Zusätzlich enthält der Atlas ein statistisches Modell der Grauwertverteilungen, das verwendet werden kann, um gültige Atlasbilder zu erzeugen. Beide statistischen Modelle können verwendet werden, um einen unbekannten Datensatz auf den Atlas zu registrieren, indem die Modellinstanzen des Deformationsfeldes und des Atlas berechnet werden, welche die Ähnlichkeit zwischen dem Atlas und dem, durch das Deformationsfeld verformten, unbekannten Bilddatensatz maximiert. Das Labeling des unbekannten Datensatzes erhält man dann aus der Propagierung der anatomischen Labels des Atlas auf den registrierten Datensatz. Da der Registrierungsprozeß die Optimierung einer Multiparameter-Zielfunktion mit vielen Freiheitsgraden und die Berechnung ihrer Ableitungen erfordert, und da jede Auswertung der Kostenfunktion eine 3D-Verformung der Eingabe erfordert, müssen Strategien zur Verbesserung der Laufzeit in Betracht gezogen werden. Dazu wurden das statistische Deformationsmodell und das statistische Grauwertmodell komplett auf die GPU (Graphics Processing Unit) portiert, was die Berechnung der kompletten deformierbaren Registrierungen mit Grafikhardwarebeschleunigung erlaubt. Die Hardwarebeschleunigung umfaßt somit die gesamte Berechnungskette der Registrierungen inklusive der Erzeugung der Instanzen des Deformationsfeldes und der Grauwertverteilungen, welche die Auswertung der linearen Modelle durch Matrixmultiplikationen und Vektoradditionen erfordert. Die Laufzeiten des Registrierungsprozesses sind etwa 10-30s, was der Größenordnung der Dauer der Bildakquisition selbst entspricht. Diese Laufzeiten erlauben auch einen praktischen Einsatz in der klinischen Routine. Die Validierung der atlas-basierten Segmentierungen erfolgt durch manuelles Setzen korrespondierender Landmarken an definierbaren Punkten in den Eingabebildern und im Atlas. Die Abweichungen der Landmarken im Atlas von den registrierten Landmarken im Bilddatensatz werden als Fehlerkriterium für die Güte der Methode verwendet und mit der Reproduzierbarkeit der manuellen Markierung von Landmarken verglichen.