Computergestützte Diagnosevon Lungenerkrankungen/

Exploration von CT-Thoraxdaten

Tobias Mönch,

Matthias Keil,

CV 8. Sem

2

Gliederung

1. Einleitung2. Bildgebung

Digitales Roentgen• Bildfilterung• Subtraktion

Computer Tomographie3. Einfache Visualisierungsmethoden

Maximum Intensity Projection Volumerendering

4. Fortgeschrittene Visualisierungsmethoden Oberflächendistanzbilder Anatomische Reformatierung

5. Einteilung der Lunge in Segmente Fissuren Bronchien Blutgefäße & Bronchien

3

Einleitung

Anatomie der Lunge

4

Einleitung

Digitale Bildgebung der Lunge:

– Erkennung pulmonaler Erkrankungen (Veränderungen)

• Globale Berechnung der Stärke der Erkrankung

• Einteilung in Segmente

• Periphere und Homogene Veränderungen

• Struktur und Funktion

5

Einleitung

– Lokalisation und Prozessdiagnose (Tumore)

• Röntgen: Überlagerung von Strukturen

• CT: 3 dimensionale Sicht

– Verlaufskontrolle (Behandlung)

• Auflösung sehr wichtig

• Berechnung von Volumen

6

Einleitung

– Präoperative Behandlungsplanung

• Lokalisation und Nachbarschaft

• Volumenbestimmung

7

Einleitung

– Berechnung von Lungenparametern (Segmentabhängig)

• Globale Berechnung ungenau

• Mittlere Lungendichte

• Emphysem Index

8

Digitales Röntgen (CR)

• Elektronische Photoplatte / Speicherfolie– Seit 1981 (Fuji)– Hohe Empfindlichkeit (1/10 der Dosis)– Bis 10 Aufnahmen je Sekunde– Hohe Auflösung

• 10 Linienpaare / mm

– Digitale Verarbeitung

9

CR- Bildfilterung

• Bildverbesserung– Unsharp Matching

• Highpass-Filterung

• Resultierendes Bild gewichtet auf Original addiert

• Kleine Strukturen und Kanten werden verstärkt– z.B. Pulmonalarterien

• Rauschanfällig

10

CR- Bildfilterung

• Kontrastanhebung– Wavelettransformation

• Multiscale Repräsentation

• Gradienten verstärken

• Senkrecht zu Kanten

• Inverse Transformation

• Regionen werden mit Kanten verstärkt

• Rauschunterdrückung

11

CR- Subtraktion

• Verlaufskontrolle– Tumorwachstum / Ansprechen auf Behandlung

• Besser als „Side by Side“ Vergleiche• Registrierung (Überlappung)

– Anatomische Landmarken

– Geometrische Verformung

• Volumenänderung im Subtraktionsbild

12

Computertomographie (CT)• Schichtbildverfahren• Fächerförmige Strahlen

– In parallele Geometrie umrechnen

• Projektionen messen• 1-D Fouriertransformation

– Frequenzraumrepräsentation

• 2-D Rücktransformation– Ortsraumrepräsentation

http://www.iap.uni-bonn.de/P2K/tomography/auto_rib_cage.html

13

Computertomographie (CT)

• Spiral CT:– Kontinuierliche Abtastung– Schnelle Aufnahme– Geringe Artefakte– Umrechnung der Messdaten in Ebenenprojektion– Interpolation

• Hounsfield Einheiten:– H = 1000 ( - w)/(w - a)

• Artefakte:– Bewegung– Metall– Partialvolumeneffekt

14

SARS-Severe Acute Respiratory

Syndrome• In Röntgenaufnahmen schlecht diagnostizierbar• HRCT als Lösung

http://www.droid.cuhk.edu.hk/web/atypical_pneumonia/atypical_pneumonia.htm

15

Einfache Visualisierungsmethoden

• Bereits Standardverfahren– In Visualisierungssoftware integriert– Vom Arzt ausgeführt

• Maximum Intensity Projection• Distance MIP

Lokalisation und Prozessdiagnose

• Volume RenderingPräoperative Behandlungsplanung

16

Maximum Intensity Projection

• Lunge vorsegmentieren– Schwellwertverfahren– Keine hellen Strukturen außerhalb der Lunge

• z.B. Rippenknochen, Mediastinale Strukturen

• Projektion des 3D Datensatzes– Nur hellste Voxel dargestellt

• In Echtzeit möglich– Interaktive Rotation

17

Distance MIP

• Darstellung des Abstands des hellsten Voxels zur Oberfläche des Lungenvolumens in Projektionsrichtung

• Farbkodiert• Nur Voxelintensitäten über

bestimmtem Schwellwert

18

Volume Rendering

• Direkte Darstellung des 3D-Datensatzes• Ohne Graphik Primitive• Ablauf:

– Datenverbesserung

– Voxelshading (Phong)

parallel – Berechnung der Durchsichtigkeit (Klassifikation)

• Anhand der Grauwerte und der Gradienten

– Raycasting und undurchsichtiger Hintergrund

Pixelwert

19

Volume Rendering

• Echtzeitfähig• Slab Technik:

– Datensatz durch Clip-Ebenen einschränken

20

Volume Rendering

21

Fortgeschrittene Visualisierungsmethoden

• Vorgestellt von MeVis• Befundung von

– Rundherden (im Inneren der Lunge)– Pleuraständigen Tumoren (linsenförmig, rund)

• Erscheinen als Verdickung des Rippenfells

• Projektionsansichten der segmentierten Lunge– Region Growing und Wasserscheiden

• Oberflächendistanzbilder• Anatomische Reformatierung

22

Oberflächendistanzbilder

• Veränderungen der segmentierten Lungenoberfläche• Projektion des Abstandes Distanzbild• GradientenfilterungVeränderungen verstärkt

23

Anatomische Reformatierung

• Verschieben der Zeilen des Datensatzes• Oberfläche der Lunge in einer Schicht• Voxel darunter werden entsprechend mit verschoben

• Bei Tumoren ist Oberfläche nicht gleichmäßig• Unnatürliche Verschiebung der inneren Strukturen

24

Anatomische Reformatierung

25

Einteilung der Lunge in Segmente über Fissuren

• Fissuren:– Trennung zwischen Lungenlappen– Ca. 1 mm dicke Bindegewebsstrukturen– Unvollständig oder gar nicht sichtbar

26

Fissuren

• Erstellen der Lungenmaske– Segmentierung der Luftwege– Trennung der Lungenteile

• Gefäßsegmentierung– Region Growing mit

automatischem Startpunkt

27

Fissuren

• Distanztransformation– Entfernung jedes Voxels zum nächsten Blutgefäß

• Berücksichtigen von Fissuren– Gewichtete Addition von Distanzbild und Original– Anpassung an hoch- und niedrigaufgelöste Daten

28

Fissuren

• Lungenlappensegmentierung durch interaktive Wasserscheidentransformation– Finden von 3D-Bereichen, die durch lokale Maxima getrennt

werden– Hierarchische, markerbasierte WST– Schnelle Anzeige der Segmentierungsergebnisse nach

jedem Marker

29

Fissuren

• Fazit:– Robustes Verfahren– Geringer Interaktionsaufwand– Volumen stimmt zu >99% überein

30

Einteilung der Lunge in Segmenteüber den Bronchialbaum

• Segmentierung des Lungenparenchyms durch Region Growing

• Sigma-Filter– Rauschen unterdrücken– Kanten erhalten

• Verfolgung des Bronchialbaumes

31

Bronchialbaum

• Skelettierung der Struktur

• Interpretation als Graph– Knoten = Verzweigungspunkte– Kanten = Mittelachsen der Gefäße zwischen den

Verzweigungen

32

Bronchialbaum

• Segment alle Voxel, die näher am entsprechenden Teilbaum liegen

• Genauigkeit >70 %• Ursprünglich zur Segmentierung der Leber gedacht

33

• Finden der Hauptäste durch 3D-Region-Growing• Vorverarbeitung

– Vergrößern der Schichten (2x)– 13x13 Mexican Hat Filter– Luftwege dunkel– Blutgefäße hell– Kantenerhaltendes Region

Growing

Einteilung der Lunge in Segmenteüber Blutgefäße & Bronchien

34

• Nutzung von anatomischem Wissen– Luftwege und kleinere Blutgefäße verlaufen parallel– Erst Blutgefäße finden, dann in der Umgebung nach

Luftwegen suchen

• Vergeben von Vertrauenslevels– Blutgefäße (0.5 und 1.0)– Luftwege (0.4, 0.6, 0.8 und 1.0)

Blutgefäße & Bronchien

35

Blutgefäße & Bronchien

• Einstufung der…– Blutgefäße nach…

• Größe

• Grauwert (auch relativ zur Umgebung)

– Luftwege nach…• Grauwert

• Nachbarschaft zu Blutgefäßen, deren Größe und Vertrauenslevel

• Vorhandensein einer Gefäßwand

• Relativer Grauwert zu umgebenden Regionen

36

Blutgefäße & Bronchien

37

Blutgefäße & Bronchien

• Aufbau des Bronchialbaums– A-Baum = Primärbaum– B-Baum = A-Baum und alle größeren

gefundenen Luftwege– C-Baum = alle Luftwege aus den CT-Schichten

• Nachbearbeitung des Baumes– Skelettierung– Füllen von Löchern– Löschen von geometrisch unmöglichen

Formen

38

Blutgefäße & Bronchien

• Weiterer Ansatz Fuzzy-Logic:– Repräsentation durch Sprachausdrücke

• HELLIGKEIT ist NIEDRIG

• ADJAZENZ ist HOCH

• VORHANDENSEIN_VON_WÄNDEN ist HOCH

Vorhandensein von Wänden

Helligkeit

Niedrig Mittel Hoch

Dunkel Mittel HochSehr Hoch

Mittel Niedrig Mittel Hoch

HellSehr

NiedrigNiedrig Mittel

39

Blutgefäße & Bronchien

• Wahrscheinlichkeitsermittlung über Fuzzy-Logic• Ergebnis: Einstufung von 0 bis 3• C-Baum besteht aus den mit 2-3 bewerteten

Luftwegen

40

Blutgefäße & Bronchien

• Fazit:– Getestet an Datensätzen von Hunde-Lungen– Gute bis sehr gute Übereinstimmungen

41

Literatur (1)

• S. Krass, D. Selle, D. Boehm, H.-H. Jend, A. Kriete, W. Rau, H.-O. Peitgen, „A method for the determination of bronchopulmonary segments based on HRCT data“

• M. Sonka, G. Sundaramoorthy, E. A. Hoffman, „Knowledge-Based Segmentation of Intrathoracic Airways from Multidimensional High Resolution CT Images“

• M. Sonka, W. Park, E. A. Hoffman, „Rule-Based Detection of Intrathoracic Airway Trees“

• W. Park, E. A. Hoffman, M. Sonka, „Fuzzy Logic Approach to Extraction of Intrathoracic Airway Trees from Three-Dimensional CT Images“

• J.-M. Kuhnigk, H. K. Hahn, M. Hindennach, V. Dicken, S. Krass, H.-O. Peitgen, „Lung lobe segmentation by anatomy-guided 3D watershed transform“

• J.-M. Kuhnigk, H. K. Hahn, M. Hindennach, V. Dicken, S. Kraß, H.-O. Peitgen, „3D-Lungenlappen-Segmentierung durch Kombination von Region Growing, Distanz- und Wasserscheiden-Transformation“

• http://www.mevis.de/projects/thorax/segments/segments.html (16.05.04)

42

Literatur (2)

• http://www.mevis.de/projects/thorax/radiography/chest.html (16.05.04)• http://www.droid.cuhk.edu.hk/web/atypical_pneumonia/

atypical_pneumonia.htm (16.05.04)• http://www.iap.uni-bonn.de/P2K/tomography (16.05.04)• http://dpi.radiology.uiowa.edu/spie/sonka/lung.html (16.05.04)• J. Lu, D. M. Healy Jr. and J. B. Weaver, „Contrast Enhancement of

Medical Images Using Multiscale Edge Representation“, SPIE vol. 2242 Wavelet Applications, pp. 711-719, 1994

• A. Polesel, G. Ramponi and V.J. Mathews, „Adaptive Unsharp Masking for Contrast Enhancement“, Proc. Fourth IEEE Intern. Conf. on Image Processing, ICIP-97, S.Barbara, CA, Oct.26-29, 1997

• Marc Levoy, „Display of Surfaces from Volume Data“, IEEE Computer Graphics and Applications,Vol. 8, No. 3, May, 1988, pp. 29-37

• S. Krass, D. Selle, A. Bödicker, W. Spindler, H. Seyffarth, H.-H. Jend, „Computergestützte Radiologie des Thorax“