Computergestützte Diagnose von Lungenerkrankungen/ Exploration von CT-Thoraxdaten

1. Computergestützte Diagnosevon Lungenerkrankungen/ Exploration von CT-Thoraxdaten Tobias Mönch, Matthias Keil, CV 8. Sem

2. Gliederung • Einleitung • Bildgebung • Digitales Roentgen • Bildfilterung • Subtraktion • Computer Tomographie • Einfache Visualisierungsmethoden • Maximum Intensity Projection • Volumerendering • Fortgeschrittene Visualisierungsmethoden • Oberflächendistanzbilder • Anatomische Reformatierung • 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 (m - mw)/(mw - ma) • 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 Rendering  Präoperative 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 • GradientenfilterungVeränderungen 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. Einteilung der Lunge in Segmenteüber Blutgefäße & Bronchien • Finden der Hauptäste durch 3D-Region-Growing • Vorverarbeitung • Vergrößern der Schichten (2x) • 13x13 Mexican Hat Filter • Luftwege  dunkel • Blutgefäße  hell • Kantenerhaltendes Region Growing

34. Blutgefäße & Bronchien • 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)

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

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“