Praktikumsbericht

”Bildanalyse von radiologischen Datensatzen aus den

Bereichen Rechtsmedizin und HNO-Heilkunde “

Jeanette CordesOtto-von-Guericke-Universitat Magdeburg

Fakultat fur Informatik, Institut fur Simulation und GraphikBetreuer: Prof. Dr.-Ing. Bernhard Preim

Wintersemester 2003/2004

2

Inhaltsverzeichnis

1 Motivation 5

2 Medizinischer Hintergrund 6

2.1 Klinische Fragestellungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6

2.1.1 Rechtsmedizin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6

2.1.2 Halslymphknotenausraumung . . . . . . . . . . . . . . . . . . . . . . 7

2.2 Anatomie des Menschen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8

2.2.1 Thorax-und-Abdominalraum . . . . . . . . . . . . . . . . . . . . . . . 8

2.2.2 Hals-Nacken-Region . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10

2.3 Radiologische Bildaufnahmetechniken . . . . . . . . . . . . . . . . . . . . . . 12

2.3.1 Computertomographie . . . . . . . . . . . . . . . . . . . . . . . . . . 12

2.3.2 Magnetresonanztomographie . . . . . . . . . . . . . . . . . . . . . . . 13

3 Bildanalyse 14

3.1 Das DICOM-Format . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14

3.2 Vorverarbeitung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

3.2.1 Anonymisierung der Datensatze . . . . . . . . . . . . . . . . . . . . . . 15

3.2.2 Medianfilter . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

3.2.3 Sigmafilter . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

3.2.4 Diffusionsfilter . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

3.3 Segmentierungsverfahren . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

3.3.1 Region Growing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17

3.3.2 Wasserscheidentransformation . . . . . . . . . . . . . . . . . . . . . . 17

3.3.3 Live Wire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18

3.4 Die Bildanalyse- und Visualisierungsbibliothek . . . . . . . . . . . . . . . . . 19

3.4.1 HepaVision . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20

3.4.2 InterventionPlanner . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21

3.5 Anwendung und Beurteilung der Bildanalyseverfahren fur den Thorax-und-Abdominalraum . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22

3.5.1 Lunge . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22

3.5.2 Leber . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25

3.5.3 Nieren . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26

3

3.5.4 Mediastinum . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27

3.5.5 Entwurf in ILAB fur das Organslicing . . . . . . . . . . . . . . . . . . 29

3.6 Anwendung und Beurteilung der Bildanalyseverfahren fur die Hals-Nacken-Region . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30

3.7 Aufgetretene Probleme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33

3.8 Quantitative Analyse von medizinischen Bilddaten . . . . . . . . . . . . . . . 35

4 Fallbeispiele 38

4.1 Beispiele aus der Rechtsmedizin . . . . . . . . . . . . . . . . . . . . . . . . . . 38

4.1.1 Fall 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38

4.1.2 Fall 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39

4.1.3 Fall 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40

4.1.4 Fall 4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41

4.2 Beispiele aus der HNO-Heilkunde . . . . . . . . . . . . . . . . . . . . . . . . . 43

4.2.1 Fall 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44

4.2.2 Fall 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47

4.2.3 Fall 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48

4.2.4 Fall 4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49

5 Zusammenfassung/Fazit 50

4

1 Motivation

Heutzutage gewinnt die Bildanalyse, auch in der Medizin, immer mehr an Bedeutung. Die zuverarbeitenden Datenmengen werden aufgrund der fortschreitenden Technik standig großerund dienen zur Verbesserung der Diagnostik und Therapieplanung. Es sollen, zum Beispiel,Strukturen uber die Zeit verglichen, einzelne Strukturen visualisiert und quantitativ ana-lysiert werden. Zu diesen Zwecken gibt es immer schnellere und bessere Algorithmen, mitdenen sich die Objekte sehr realitatsnah, ohne großen Interaktionaufwand segmentieren undauch (halb-)automatisch vermessen lassen. In meinem Praktikum habe ich hierzu zwei The-men bearbeitet.

Virtuelle Autopsie

Leichen mit Verdacht auf einen unnaturlichen Tod oder mit ungeklarter Todesursache wer-den heutzutage in den meisten Fallen einer Autopsie unterzogen. Es muss geklart werden,woran diese Menschen gestorben sind. Die Rechtsmediziner schneiden dazu den Leichnamauf und entnehmen die Organe. Diese werden dann in Scheiben geschnitten und genauer aufmogliche Ursachen, die zum Tod gefuhrt haben konnten, untersucht.Zur Zeit gibt es ein System, mit dessen Hilfe die Autopsie virtuell durchgefuhrt werdenkann. Virtopsy r© wurde vom Institut fur Rechtsmedizin in Bern entwickelt. Es werdenMagnetresonanz-, Spektroskopie- oder Computertomographien-Aufnahmen vom Korper desToten gemacht und mit deren Hilfe die Anatomie moglichst realistisch dreidimensional re-konstruiert. Diese Rekonstruktion dient den Rechtsmedizinern zur Bestimmung der Todes-ursache und soll helfen, Fehldiagnosen zu reduzieren.Im Rahmen meines Praktikums habe ich verschiedene Methoden zur Segmentierung derrelevanten Organe, die Aufschluss uber die Todesursache geben konnten, auf ihre Eignunggetestet. Es soll eine neue Form der virtuellen Autopsie entstehen. Der Anwender soll nichtmehr nur die Organe anschauen konnen, er soll auch Informationen, wie Große, Ausdehnung,Volumen und Masse erhalten. Ein ihn interessierendes Organ soll ausgewahlt werden konnenund anschließend, unter Einbeziehung der originalen Daten, soll es eine Moglichkeit geben,wie bei einer realen Autopsie, das Organ ”aufzuschneiden“und sich die inneren Schichtenanzuschauen.

Planung von HNO-chirurgischen Eingriffen

In Deutschland erkranken pro Jahr ca. 8000 Manner und 2100 Frauen an Tumorenin Mund, Nase und Kiefer 1, wobei sich oft Metastasen in den Lymphknoten bilden, diein CT-Bildern schwer erkennbar sind. Es sollen in diesem Zusammenhang, die fur eineNeck-Dissection (Halslymphknotenausraumung) wichtigsten Strukturen aus CT- oder MRT-Datensatzen segmentiert werden. Bei einer Neck-Dissection gibt es mehrere Behandlungs-konzepte. Es muss entschieden werden, ob alle Lymphknotengruppen entfernt werden und imschlimmsten Fall auch einige andere Strukturen (Vene, Muskeln, Nerven). Die dreidimen-sionalen Segmentierungsergebnisse sollen bei der Entscheidung helfen, ob eine Operationsinnvoll ist oder nicht, eventuelle Metastasen fur den Arzt besser sichtbar zu machen unddarzustellen, inwieweit das umliegende Gewebe oder andere Strukturen infiltriert sind.

1Quelle: http://www.dkfz-heidelberg.de, 02.12.2003

5

2 Medizinischer Hintergrund

2.1 Klinische Fragestellungen

2.1.1 Rechtsmedizin

Heute wird bei jeder zehnten Leiche eine Autopsie durchgefuhrt, um die genaue Todesursachezu klaren. Dazu muss der Rechtsmediziner den Leichnam außerlich auf Gewalteinwirkungenoder eventuelle Krankheitssymptome, die zum Tod gefuhrt haben konnten, untersuchen.Anschließend wird, in den meisten Fallen, mit einem Skalpell der Korper geoffnet und eswerden die inneren Organe untersucht. Dazu werden diese entnommen und es wird gepruft,ob das Gewebe in irgendeiner Art Veranderungen aufweist, die zum Beispiel auf Tumorenoder ahnliches deuten und zum Tode gefuhrt haben konnten. Die Angehorigen haben dasRecht, wenn es sich nicht um eine unklare Todesursache handelt, einer Autopsie, die dieArzte in einigen Fallen aus wissenschaftlichem Interesse durchfuhren, zu widersprechen. Indiesen Fallen kann eine Biopsie durchgefuhrt werden. Eine Biopsie ist ein minimal-invasiverEingriff, bei dem mit einer kleinen Nadel Gewebeproben entnommen werden, die histolo-gisch und zytotoxisch analysiert werden. Der Rechtsmediziner muss allerdings einen Verdachthaben, was den Tod verursacht haben konnte und welche Organe er deshalb genauer unter-suchen sollte. Es besteht die Gefahr, dass er etwas Relevantes ubersieht.Die Radiologen und Rechtsmediziner der Universitatsklinik Magdeburg fanden es hilfreich,eine virtuelle Autopsie als Erganzung zur herkommlichen Diagnose zur Verfugung zu haben.Ihre Vorstellung ist ein System, was auf der Grundlage von CT- oder MRT-Schichtbilddatendes gesamten Korpers, eine dreidimensionale Rekonstruktion der Leiche erstellt. Es sollenrelevante Organe und pathologische Prozesse hervorgehoben werden konnen und Informa-tionen, wie Große, Ausdehnung, Volumen, Masse, uber diese angegeben werden. Außerdemwunschen sie sich ein realitatsnahes, virtuelles Aufschneiden und Anschauen der entspre-chenden Organe. Die Daten mussen in verschiedenen Eben angezeigt werden konnen. Dabeiist vor allem die Sicht der Daten von koronar wichtig, weil die Rechtsmediziner die Leichenhauptsachlich aus dieser Sicht untersuchen.

Abbildung 1: Sichten auf die 2D-Daten: axial, sagittal, koronar

Mit diesem System konnten, auch bei einer abgelehnten Autopsie, postmortale Befundeerstellt werden. Durch die Schnitte, die in verschiedenen Richtungen gelegt werden konnen,werden zum Beispiel auch kleine Frakturen der Wirbelsaule sichtbar, die kein Arzt bei ei-ner Autopsie gesucht bzw. gefunden hatte. Verlaufe von Stich- und Schussverletzungen, ver-steckte Knochenbruche (langer zuruckliegende oder verheilte, die keine außeren Spuren mehrbesitzen) und Verletzungen oder Veranderungen des Gehirns, auch nach langerer Liegezeit,sind erkennbar. Und eine Suche nach Fremdkorpern und Gasansammlungen im gesamtenKorper ist moglich. Eine Schwierigkeit besteht darin, dass die virtuelle Autopsie auf CT-

6

oder MRT-Schichtbildern basiert, die aufgrund der fehlenden Moglichkeit der Kontrastmit-telgabe, einen schlechten Kontrast aufweisen. Auch unterscheiden sich die Organe und Gewe-bestrukturen teilweise von denen von Lebenden. Ein positiver Aspekt ist die hohe Auflosungder Schichtbilddaten. Ihr sind nur technische Grenzen gesetzt, weil die Strahlendosis hohergewahlt werden kann, es keine Bewegungsartefakte gibt und somit die Schichtdicke und derSchichtabstand sehr gering sind.

2.1.2 Halslymphknotenausraumung

Die Metastasen in den Lymphknoten, die sich bei Tumoren der Hals- und Nackenregion oftbilden, sind auch mit Hilfe bildgebender Verfahren nur sehr schwer nachweisbar und dia-gnostizierbar. Nicht selten werden sie nicht einmal bei einem sagittalen Schnitt durch denLymphknoten erkannt.Um die Uberlebenschance eines Patienten zu erhohen, mussen die Arzte entscheiden, welcheLymphknotengruppen und einbezogenen Strukturen sie entfernen sollten, um eine fortschrei-tende Metastasierung aufzuhalten. Die Diagnose fallen sie anhand von CT- und MR-Datenund dann wird entschieden, welches Behandlungskonzept angewandt wird:

• ”Wait-and-See“: Bei diesem Konzept, werden keine Lymphknoten entfernt. Der Arzt,der sehr erfahren sein sollte, beobachtet den Patienten und den Krankheitsverlauf.Dazu sind viele Kontrolluntersuchungen notig.

• ”Radikale Neck-Dissection“: Diese Art der Neck-Dissection wird selten angewandt.Zusatzlich werden zu den ipsilateralen Lymphknotengruppen der Halsregion auch ei-nige andere Strukturen (Vene, Muskel, Nerv) entfernt bzw. unterbunden. Die Folgenfur den Patienten sind Funktionsstorungen im Gesichts- und Schulterbereich.

• ”Modifizierte Radikale Neck-Dissection“: Es werden dieselben Lymphknotengruppenwie bei der Radikalen Neck-Dissection ausgeraumt, allerdings wird eine von den nicht-lymphatischen Strukturen erhalten, um die Spatfolgen zu reduzieren.

• ”Selektive Neck-Dissection“: Bei der Selektiven Neck-Dissection, wird mindestens eine,der bei den anderen Dissections entfernten Lymphknotengruppen nicht entfernt.

Es gibt keine festgelegten Richtlinien, wann welche Methode eingesetzt wird, aber vieleLeitlinien aus Lehrbuchern [LWD]. Laut Dr. Gero Strauß (Oberarzt an der Universitatskli-nik Leipzig) wird heute immer noch in den meisten Fallen erst am offenen Patienten einBehandlungskonzept gewahlt. Das bedeutet allerdings eine unnotige Belastung fur den Pa-tienten, wenn festgestellt wird, dass eine erfolgreiche Operation nicht moglich ist. Außerdemkann der Stoffwechsel des Tumors durch diesen Eingriff angeregt werden und er wachst. DerPatient wird einfach unnotigen Risiken ausgesetzt, die zu vermeiden waren, wenn praope-rativ eine sicherere Diagnose gestellt werden konnte. Um die Arzte bei der Diagnose zuunterstutzen, sollen die fur solch eine Operation relevanten Strukturen segmentiert (halb-automatisch, wenn moglich automatisch) und ihre dreidimensionale Beziehung zueinanderdargestellt werden. So erhalt der Mediziner einen Eindruck, von der patientenspezifischenAnatomie und kann besser beurteilen ob eine Operation machbar und sinnvoll ist.

7

2.2 Anatomie des Menschen

In den folgenden beiden Abschnitten wird die Anatomie, der fur die Arbeit wichtigen, Re-gionen des menschlichen Korpers beschrieben.

2.2.1 Thorax-und-Abdominalraum

In den folgenden Abbildungen sind die wichtigsten Organe des menschlichen Korpers zusehen, die fur die Rechtsmediziner bei einer Untersuchung der Leiche interessant sind, umauf die Todesursache schließen zu konnen.Die Lunge, mit dem linken und dem rechten Lungenflugel, liegt im Brustraum und um-schließt das Mediastinum, welches das Herz enthalt.Die Leber grenzt von unten direkt an den rechten Lungenflugel und das Mediastinum. Einweiteres paariges Organ, die Nieren, befinden sich im Bauchraum.

Abbildung 2: Anatomie des Thorax-und Abdominalraumes (in Anlehnung an [RK88])

8

Abbildung 3: Anatomie des Thorax-und Abdominalraumes (in Anlehnung an [RK88])

9

2.2.2 Hals-Nacken-Region

Der Hals ist das Verbindungsstuck zwischen Kopf und Rumpf. Durch ihn verlauft die Wir-belsaule mit dem Ruckenmark. Der Hautmuskel des Halses wird Platysma genannt. An derlinken und der rechten Seite des Halses befindet sich je ein großer Muskel (m. sternocleido-mastoideus), der dazu dient, den Kopf zur Seite und nach hinten zu neigen und zu drehen.An seinem Vorderrand verlauft die Halsschlagader (Aorta carotis communis), die sich dannin die Aorta carotis externa, die das Hals- und Kopfgebiet versorgt und in die Aorta carotisinterna, die das Gehirn mit Blut versorgt, teilt. Um diese Gefaße verlauft eine Bindegewebs-schicht, in der sich auch die Vena jugularis interna befindet. Dieses Gewebe wird durch einenMuskel ( M. omohyoideus) geformt, wodurch das Blut, was aus dem Gehirn kommt, auf sei-nem Weg zum Herzen besser die Vene passieren kann. Das ist nicht seine einzige Funktion, erist auch fur die Senkung des Zungenbeins zustandig. Gehoben und fixiert wird das Zungen-bein durch den Muskel digastricus und der nervus hypoglossus (siehe Abb.4 (12))versorgtdie Zungenbeinmuskulatur. Der XI-te Hirnnerv, der nervus accessorius (siehe Abb.4 (11)),ist der Schulter- und Nackennerv und ist fur die Versorgung des Sternocleidomastoideus unddes oberen Trapezius (ebenfalls ein Muskel) verantwortlich.

Abbildung 4: Anatomie der Hals-Nacken-Region [WM87]

10

Die Speichendrusen, die je paarig unterhalb der Ohren liegen, dienen dazu, den Mundzu befeuchten und die Nahrung aufzuweichen und vorzuverdauen. Die großten Drusen sinddie Ohrspeicheldruse (Gl. parotidea, siehe Abb.5 (7)) und die Unterkieferspeicheldrusen (Gl.submandibularis, siehe Abb.5 (10)).

Abbildung 5: Gefaßsystem und Speicheldrusen [McC00]

Der Korper ist außer mit Blutgefaßen auch noch mit Lymphbahnen durchzogen. Die Auf-gabe dieses Systems ist es, Fette aus dem Darm abzutransportieren und Zellzwischenraumevon uberschussiger Flussigkeit zu befreien. Die Lymphkapillaren verlaufen parallel zu denvenosen Blutgefaßen und vereinigen sich immer weiter zu großeren Lymphbahnen, die sichschließlich in den Lymphknoten treffen und von dort gesammelt weitergefuhrt werden. Da-bei fungieren die Lymphknoten als Filter, die die Lymphflussigkeit (Lymphe) reinigen. Inihnen werden die Lymphozyten gebildet, die zusammen mit den Makrophagen (Fresszellen)Fremdkorper, abgestorbene Zellen und Krankheitserreger beseitigen. Die einzelnen Knotensind etwa linsengroß und normalerweise von außen nicht zu ertasten. Bei Infektionskrank-heiten, Leukamie oder bosartigen Tumoren konnen sie anschwellen.

Abbildung 6: Nodi lymphatici cervicalis (Lymphknoten der Hals-Nackenregion)[McC00]

11

2.3 Radiologische Bildaufnahmetechniken

Die Grundlage fur die radiologisch bildgebenden Verfahren, war 1895 die Entdeckung derRontgenstrahlung, deren physikalischen Eigenschaften genutzt werden konnen, um den mensch-lichen Korper und seine Funktion darzustellen. Zwei, auf dieser Grundlage, entwickelte mo-derne Verfahren sind die Computertomographie und die Magnetresonanztomographie. BeideBildaufnahmetechniken sind Schnittbildverfahren und unterscheiden sich in den Eigenschaf-ten der entstehenden Bilder. Darauf wird in den folgenden Abschnitten etwas naher einge-gangen.

2.3.1 Computertomographie

Der erste Schnittbildscanner (CT-Scanner) wurde 1971 von Geofrey N. Hounsfield entwickelt[GP98]. Er diente erst nur zur Untersuchung des Schadels, wurde aber rasch weiterent-wickelt, so dass der gesamte menschliche Korper untersucht werden konnte. Damit war esmoglich, viele Erkrankungen zu diagnostizieren, deren Diagnose vorher mit Schwierigkeitenoder mit einer erheblich großeren Strahlenbelastung fur den Patienten verbunden waren. Beieiner Computertomographie wird der Korper des Patienten aus verschiedenen Richtungen(schichtweise) mit Rontgenstrahlung bestrahlt. Mit einem Detektor wird gemessen, wievielStrahlung wieder aus dem Korper austritt, und daraus die lokale Rontgenschwachung furjeden Punkt des Korpers berechnet. Der berechneten Schwachung wird ein Dichtewert zuge-ordnet und anschließend grauwertkodiert als Bild dargestellt. Jeder Bildpunkt entspricht, jenach Schichtdicke und Auflosung, einem (meistens anisotropen) Voxel, mit einer bestimmtenGroße. Die Einheit der Rontgenschwachung ist nach dem Erfinder des ersten CT-ScannersHounsfield benannt. Bei der Zuordnung Dichtewert- Grauwert werden hohe Hounsfieldwerteauf helle und kleine bzw. negative Hounsfieldwerte auf dunkle bis schwarze Grauwerte ab-gebildet. Beispiele [Weg92]:

Struktur/Organ: Knochen Nieren Leber Wasser Lunge LuftHE: 1000 20- 40 50- 60 0 -500- -800 -1024

Mit einem CT lassen sich, ahnlich gut wie beim konventionellen Rontgen, Knochen, Thorax,Organe und große Gefaße darstellen. Ein Problem ist allerdings der geringe Weichteilkon-trast, der auch durch elektronische Kontrastverstarkung nur unbefriedigend ausgeglichenwerden kann. Ein weiterer Nachteil ist die Strahlenbelastung fur den Patienten.

Abbildung 7: Beispiel CT des Bauch-raumes

Abbildung 8: Beispiel CT des Brustrau-mes

12

2.3.2 Magnetresonanztomographie

Im Gegensatz zur Computertomographie, wird bei der Magnetresonanztomographie keineschadigende Strahlung in den Korper eingebracht, und es sind keine Nebenwirkungen be-kannt. Dadurch kann sie beliebig oft bei einem Patienten eingesetzt werden. Es entstehenhochaufgeloste Bilder, die je nach verwendeter MR-Sequenz, einen guten Weichteilkontrastbesitzen. Mit dieser Art Tomographie lassen sich sehr gut Tumoren diagnostizieren und dieHirnfunktion oder andere Funktionen des Korpers untersuchen. Es ist ein sehr flexibles Ver-fahren, denn je nachdem welche Anforderungen der Mediziner an die entstehenden Bilderstellt, konnen eine Vielzahl von Parametern variiert werden. Bei dieser Untersuchungsme-thode wird ausgenutzt, dass der menschliche Korper viele Wasserstoffatomkerne besitzt. Sieund andere Atomkerne mit ungerader Protonen- oder Neutronenanzahl besitzen einen Ei-gendrehimpuls und wenn sie einem Magnetfeld ausgesetzt werden, richten sie sich entlangder Feldlinien aus. Das Magnetfeld muss homogen und stufenweise regelbar sein und ist ent-weder horizontal oder vertikal ausgerichtet. Befindet sich ein Patient in solch einem Magne-tresonanztomographen, richten sich die Protonen (Wasserstoffatomkerne) in seinem Korperentlang des Magnetfeldes aus. Dann werden Hochfrequenzwellen im Kurzwellenbereich aus-gestrahlt, die die Protonen zum kreiseln anregen. Werden diese Wellen ausgeschaltet, kehrendie Protonen wieder in die Ausgangslage zuruck und entsenden dabei elektromagnetischeImpulse, die durch die Spulen des Tomographen empfangen werden. Uber einen Computerwerden diese Signale mit komplexen mathematischen Berechnungen in Bilder umgewandelt.Jedes Organ besitzt eine unterschiedliche Dichte von Wasserstoffprotonen und kann dadurchdifferenziert werden. Je nach Einstellung der Parameter entstehen Bilder in denen Wasserhell und Fett dunkel (T2-Wichtung) oder umgekehrt (T1-Wichtung) erscheinen. Weil lei-der auch Implantate, wie Schrittmacher metallisch sind und auf Magnetstrahlung reagieren,ist es in diesen Fallen empfehlenswert, sich fur ein anderes bildgebendes Verfahren zu ent-scheiden. Ein Herzschrittmacher kann in seiner Funktion gestort werden oder metallischeGegenstande konnen anfangen im Korper herumzuwandern. Zahnfullungen fuhren zu Arte-fakten, eine Bildaufnahme ist aber trotzdem moglich.Durch die eingesetzten Spulen sind die Bilder, im Gegensatz zum CT, sehr inhomogen. InMRT-Bildern ist es wegen der Aufnahmesituation und -einstellungen unmoglich, fur ein Or-gan oder Gewebe einen festen Grauwertbereich zu definieren.

Abbildung 9: Beispiel MRT des Kopfes(axiale Sicht), T1-gewichtet

Abbildung 10: Beispiel MRT des Kopfes(axiale Sicht), T2-gewichtet

13

3 Bildanalyse

3.1 Das DICOM-Format

Seit 1995 ist DICOM (”Digital Imaging and Communications in Medicine“) der formaleStandard in der medizinischen Bildverarbeitung zur herstellerunabhangigen Kommunikationvon medizinischen Bildern und bildbezogenen Informationen. DICOM dient, unter anderem,zur Beschreibung von Datenformaten fur medizinische Bilder und bildbezogene Daten. EineDICOM-Datei besteht aus einem Header und den eigentlichen Bild-Daten. Im Header be-finden sich DICOM-Tags, die die Informationen in Gruppen und Elemente unterteilen unddiese verschlusseln. Es gibt eine bestimmte Anzahl von Attributen, die Informationen uberden untersuchten Patienten (Name, Geburtsdatum, Große, Gewicht...), die Untersuchungs-methode (Datum der Untersuchung, Fragestellung, eingestellte Parameter, Kalibrierung,Strahlendosis, Kontrastmittel...) und die entstehenden Bilder (Auflosung, Fensterung) zu-sammensetzen. Fur jede Modalitat/Bildaufnahmetechnik gibt es Vorschriften, welche Attri-bute angegeben werden mussen und welche optional sind. Somit erhalt der Mediziner nebenden eigentlichen Bilddaten weitere Informationen zum Patienten, dem benutzten Bildauf-nahmeverfahren und den Parametern, welche fur die Interpretation der Bilder notwendigsind. Neben diesen Festlegungen zur Speicherung der Bilddaten, ist auch die Kommunika-tion dieser Daten (netzwerkorientierte Dienste) zwischen verschiedenen Applikationen undGeraten oder Abfrage eines Bilderarchivs definiert. 2

Abbildung 11: DICOM-Header (DicomTagViewer von ILAB)

Abbildung 11 zeigt den ersten Teil von einem DICOM-Header eines CT-Datensatzes(zu erkennen an der Angabe hinter der Gruppe und dem Element: (00008,0060))mit einemGerat von Siemens. Das 20. Element der 8. Gruppe gibt Auskunft uber das Datum derBildaufnahme. In diesem Format sind weiter unten die Angaben zum Patienten, weitereInformationen zur Bildaufnahme und zum Bild zu finden.

2Quelle: http://dicom.offis.de/index.php.de, 11.02.2004

14

3.2 Vorverarbeitung

In diesem Abschnitt werden einige Arbeitsschritte erlautert, die fur eine Aufarbeitung derDaten notig sind, zum Beispiel die Anonymisierung, damit kein Ruckschluss auf den Patien-ten moglich ist. Der zweite Teil der Vorverarbeitung ist der Einsatz von Bildverarbeitungs-filtern, die die Qualitat der Daten verbessern konnen.

3.2.1 Anonymisierung der Datensatze

Da die Radiologen mit dem Weiterreichen von Patientendaten, auch die Schweigepflichtubertragen, mussen die DICOM-Bilder, die personliche Angaben uber den Patienten enthal-ten anonymisiert werden. Das heißt, es werden alle Informationen, die eine Zuordnung derDaten zu einer bestimmten Person ermoglichen entfernt.Dazu wurde ein Tool mit dem Namen ”anonDicom“verwendet, bei dem man mehrere Op-tionen zur Verfugung hat, Informationen aus den DICOM-Daten zu entfernen bzw. zu uber-schreiben. Es konnen optional der Patientenname, die Patienten-ID, das Geburtsdatum, dieAufnahmezeit und das -datum durch Pseudoangaben ersetzt und weitere patientenbezogeneDaten (Gewicht, Große...) geloscht werden.Die vorliegenden Datensatze wurden alle jeweils auf diese Weise anonymisiert.

3.2.2 Medianfilter

Der Medianfilter ist ein nichtlinearer Rangordnungsfilter. Diese Filter ordnen die Pixel unterder Filtermaske und der neue Grauwert fur jeden Pixel ergibt sich aus dieser Sortierung.Der neue Wert berechnet sich aus dem Durchschnittsgrauwert seiner Umgebung, unter Ein-beziehung seines ursprunglichen Wertes.

f(x, y) = median{g(s, t)}, (s, t)εS(xy) (1)

Dadurch werden die lokalen Unterschiede von Grauwerten verringert, die zum Beispieldurch Rauschen entstehen und keine relevanten Informationen enthalten. Aber die Kantendes Bildes bleiben erhalten.[GW02]

Abbildung 12: Originalbild/ Medianfilter 3x3/ Medianfilter 9x9

3.2.3 Sigmafilter

Der Sigmafilter arbeitet ahnlich wie ein Gauss-Glattungs-Filter. Der aktuelle Pixel wirddurch den Mittelwert der Nachbarpixel ersetzt, wobei Nachbarpixel aus der Rechnung aus-geschlossen werden, deren Intensitat stark von der des betrachteten Pixels abweicht. Diese

15

entscheidende Intensitat muss vorher in einem Toleranzfeld definiert werden. Der Sigmafil-ter reduziert Rauschen und verstarkt bzw. verbessert Regionen, wobei Kanten und dunneLinien erhalten bleiben.

Abbildung 13: Originalbild/ Sigmafilter mit Faktor 2/ Sigmafilter mit Faktor 5

3.2.4 Diffusionsfilter

Wie in der Physik bedeutet auch in der Bildverarbeitung Diffusion Konzentrationsausgleich.Hier bezieht sich dieser Ausgleich auf die Grauwerte. Diffusion ist die Beziehung zwischenzeitlicher und raumlicher Ableitung der Konzentrationsverteilung der Grauwerte. Da die Be-rechnung sehr komplex ist, wird der Algorithmus nur angenahert und es wird die Diffusionals eine Folge von kleinen Zeitschritten berechnet. Dabei wird die Konzentration fur jedenPunkt, aus der im vorherigen Schritt vorliegenden, Konzentration berechnet. Die Diffusions-formel fur eine Dimension 3:

∂u

∂t=

∂

∂x

(k

∂u

∂x

)(2)

Diffusionsfilter werden wegen ihrer Eigenschaften zum Glatten von Grauwertbildern ver-wendet, das Rauschen wird entfernt. Man unterscheidet zwischen linearen und nichtlinearenDiffusionsfiltern. Die linearen Filter haben den Nachteil, dass sie eine konstante Diffusitatbesitzen, wodurch auch Kanten zerstort werden. Dagegen besitzen die nichtlinearen Filtereine gehemmte Diffusion an Kanten, wodurch sie erhalten werden.

3.3 Segmentierungsverfahren

Fur die Segmentierung von Objekten aus Bilddaten gibt es verschiedene Ansatze. Es existie-ren Algorithmen die regionenbasiert arbeiten, zum Beispiel das Regionenwachstum, wobeiEigenschaften, wie Grauwerte oder Textur als Zusammengehorigkeitskriterium ausgenutztund danach die Objekte bestimmt werden. Kantenbasierte Verfahren (Live Wire, Wasser-scheidentransformation) nutzen das Vorhandensein von Objektgrenzen, die glatt, zusam-menhangend und geschlossen sind, und ermitteln mit Hilfe der Gradienten ein Objekt. Eineandere Moglichkeit ein Objekt zu detektieren und zu extrahieren, ist die Suche nach Formen.Dabei werden entweder dynamische Form-Modelle benutzt (Aktive Konturen), die sich dergesuchten Struktur unter Einfluss bestimmter Bedingungen anpassen oder statistische Mo-delle erstellt, die Formvariationen der gesuchten Struktur enthalten (durch Trainingsdaten)und mittels Optimierung sich ihr annahern.Fur die Segmentierung der genannten Fragestellungen wurden einige regionen- und kanten-basierte Ansatze getestet.

3Quelle: http://www.st.cs.uni-sb.de/edu/perspektiven/weickert.pdf, 04.02.2004

16

3.3.1 Region Growing

Das Region Growing ist ein Verfahren, welches benachbarte Pixel ahnlicher Intensitat zu ei-ner Region zusammenfasst. Zur Segmentierung wird nur ein Startpunkt und ein Schwellwertvom Benutzer gewahlt. Der Schwellwert gibt ein Homogenitatskriterium fur den Grauwert-bereich an, in dem der Grauwert der betrachteten Pixel liegen muss, damit sie zur segmen-tierten Region gehoren. Vom Startpunkt aus werden alle Nachbarpixel betrachtet, die, wennsie innerhalb des gewahlten Schwellwertes liegen, als zur Region zugehorig bestimmt werden.

erg(x, y) ={

1 : Istartpunkt − I(x, y) < Schwellwert0 : sonst

(3)

Fur alle Pixel, die diese Bedingung erfullen, werden wiederum die angrenzenden Pixel un-tersucht. Das Verfahren stoppt, wenn alle Bildpunkte als zugehorig bestimmt wurden, oderkeine mehr der Region zugeordnet werden konnen.

3.3.2 Wasserscheidentransformation

Bei der Wasserscheidentransformation werden die Grauwerte eines Bildes als Erhebungenentsprechender Hohe aufgefasst. Man geht von einem Grauwertgebirge aus, bei dem einObjekt durch zusammenhangende Becken reprasentiert wird. Ganz wie in der Natur, beginntman nun dieses Gebirge zu fluten und das Wasser sammelt sich in den lokalen Minima.Zwischen diesen Minima werden Wasserscheiden errichtet, die ein uberfluten, und somitverschmelzen von verschiedenen Objekten, verhindern. Zu Beginn der Transformation liegteine starke Ubersegmentierung vor, kleine und flache Becken sollten noch durch weiteresFluten verschmelzen, weil sie keine eigenstandigen Objekte darstellen.

Abbildung 14: Schrittweises Verschmelzen von Regionen durch Flutung [SP]

Die Verschmelzung findet zwischen aneinandergrenzenden Becken mit ahnlichen mittle-ren Grauwerten statt. Dazu wird ein Schwellwert (Mask Threshold) definiert. Die Wasser-scheiden konnen auch mittels Include- bzw Excludepunkten gesetzt oder aufgehoben werden.Setzt der Nutzer einen weiteren Includepunkt, wird die Wasserscheide zu dieser Region auf-gehoben. Definiert er einen Excludepunkt, wird eine neue Wasserscheide gesetzt, die einuberfluten angrenzender Regionen verhindert (siehe Abbildung 15).

Abbildung 15: Prinzip nach Hahn et al.[HP]

17

Ein weiterer Parameter, auf den der Nutzer Einfluss hat, ist die Preflooding Height. DerWert der Preflooding Height bestimmt die Hohe (den Grauwert), bei der zwei aneinander-grenzende Cluster verschmelzen. Die gefundenen Regionen werden großer, je hoher dieserWert gewahlt wird.Eine Darstellung des mit der Wasserscheidentransformation segmentierten Bildes entsteht,wenn jedem Staubecken der mittlere Grauwert der zugehorigen Pixel zugeordnet wird.

3.3.3 Live Wire

Live Wire ist ein semiautomatisches Verfahren zur Segmentierung, das Objektgrenzen inBildern findet. Diese Objektgrenzen sind Kanten in den Bilddaten, die durch die Ableitungin x- und y-Richtung charakterisiert ist. Diese Ableitung nennt man Gradient, der die Rich-tung der starksten Steigung und dessen Betrag die Starke der Grauwertanderung angibt.Mittels Graphensuche wird in einem gewichteten Graphen, ausgehend vom Startpixel zujedem Pixel den kostengunstigsten Weg, mit Hilfe von Annahmen uber Grauwerte und Gra-dienten, berechnet. Die Knoten des Graphen sind die einzelnen Pixel, die Kanten beinhaltendie Kosten von einem Pixel zum nachsten, wobei von einer Achternachbarschaft ausgegan-gen wird. Der Graph wird so aufgespannt, dass große Gradienten, die in einem definiertenGrauwertbereich liegen, die geringsten Kosten verursachen. Damit soll erreicht werden, dassder gunstigste Pfad entlang nahe liegender Objektkanten verlauft.Fur die Pfadbestimmung werden folgende Berechnungen vorgenommen: Zuerst wird mit ei-nem Laplace-Filter nach Kanten gesucht. Jedem Pixel wird eine 1 zugewiesen, wenn er einKantenpixel ist und eine 0, wenn er nicht zu einer Kante gehort. Damit existiert aber nochkeine Information uber die Starke der vorliegenden Kanten. Um die Gradientenstarke zu be-rechnen, wird die erste Ableitung des Bildes, mittels eines Sobelfilters, in x- und y-Richtunggebildet. An Stellen mit einem hohen Wert befindet sich eine Kante. Da aber spater nacheinem Pfad minimaler Kosten gesucht werden soll, muss die Gradientenstarke umgekehrtwerden. Um zu verhindern, dass der gunstigste Pfad auf eine andere Kante uberspringt,werden Richtungswechsel, zum Beispiel an Kreuzungen von zwei Kanten, mit hohen Kostenbestraft. Konstante Richtungen sind also kostengunstiger, weil sie mit großerer Wahrschein-lichkeit auch zu einem Objekt gehoren. Live Wire ist ein Verfahren, das trainiert werdenkann. Um die Lernfunktion des Systems zu nutzen, muss der Anwender ein Teilstuck (32-64 Pixel)der Kante manuell bestimmen. Anhand dieses manuell segmentierten Teilstuckswird ein Histogramm der Gradientenstarken berechnet und die dynamische Kostenmap soangepasst, dass in Gebieten, die der Lernkante am ahnlichsten sind, die geringsten Kostenvorliegen. Diese Anpassung wird im Verlauf der Segmentierung, mit der aktuellen Kon-tur, immer wieder vorgenommen. Der Anwender setzt einen Startpunkt und fuhrt die sichaufbauende und an die Objektgrenze anschmiegende Konturlinie nahe der Objektgrenze ent-lang. Durch erneutes Setzen von Punkten, welches notig ist wenn die Konturlinie merklichvon der Objektgrenze abweicht, wird die bisher gezeichnete Konturlinie fixiert und ein neu-es Teilstuck begonnen. Mit einem abschließenden Mausklick wird das letzte Konturstuckmit dem Startpunkt verbunden und die Kontur geschlossen. Auch 3D-Objekte lassen sichmit diesem Verfahren segmentieren. Es werden die erste, die letzte und ca. jede 4. oder5. Schicht des Datensatzes halbautomatisch mit Live Wire segmentiert und die restlichenSchichten werden, anhand der vorhandenen Pixelintensitaten, interpoliert. [SPPa] [SPPb]In der Abbildung 16 ist ein Arbeitsablauf mit Live Wire dargestellt. Fur die Segmentie-rung der Leber in dieser Schicht sind, einschließlich des Startpunktes, drei Punkte durchBenutzerinteraktion einzugeben.

18

Abbildung 16: Beispiel fur die Segmentierung mit Live Wire

3.4 Die Bildanalyse- und Visualisierungsbibliothek

Bei der Segmentierung wurden hauptsachlich zwei Applikationen von ILAB4 benutzt, die inden folgenden Abschnitten noch etwas naher beschrieben werden. ILAB wird seit 1993 beiMeVis entwickelt und ist eine Softwareplattform, die zur schnellen Anwendungsentwicklungdient, in der alle bekannten Konzepte in einem einheitlichen System vereint sind [HLP]. ILABbedeutet ”Image LABoratory“, bei dem mit Hilfe einer graphischen Oberflache per Drag &Drop OpenInventor-Klassen und Bildverarbeitungsmodule zu einem Netzwerk verbundenwerden konnen.

Abbildung 17: ILAB-Netz zum Einlesen und Anzeigen eines Datensatzes

Ein simples Beispiel ist in Abb.17 zu sehen. Die beiden Module imgLoad und Simple-View3D wurden mittels Drag & Drop in den Arbeitsbereich eingefugt und zu einem Netzverbunden. Mit dem imgLoad-Modul kann eine Datei ausgewahlt werden, die anschließendim SimpleView3D volumengerendert zu sehen ist, gedreht, herangezoomt und mit Clipp-Ebenen bearbeitet werden kann.

19

3.4.1 HepaVision

HepaVision ist eine Anwendung zur praoperativen Planung, die fur zwei Arten von Lebe-roperationen notige Arbeitsschritte vereint. Zum einen konnen mit HepaVision moglicheLeber-Organspender, bei einer Lebendspende, auf ihre Eignung untersucht werden und zumanderen kann eine notwendige Resektion der Leber simuliert werden. Die Planung erfolgtan den jeweiligen Patientendaten, die in Form von CT-Schichtbildern im DICOM-Formatvorliegen. Je nach klinischer Fragestellung werden schrittweise nacheinander erst die Leber,dann die Gefaße und zum Schluss eventuelle Tumore semiautomatisch mit Benutzerinterak-tion segmentiert. Dafur wird fur die Leber ein Live-Wire-Algorithmus verwendet, der mittelseiner Kostenfunktion nach einem Pfad minimaler Kosten entlang von Kanten sucht und sodie Organgrenzen recht zuverlassig findet. Der Benutzer muss nur einige Punkte setzen,um die Leber auf einer CT-Schicht zu segmentieren und das auch nur auf jeder 4. oder 5.Schicht. Die anderen Schichten konnen interpoliert werden, so dass man schnell und ohnegroßen Aufwand das gesamte Organ abgegrenzt hat. Mehr zu Live Wire ist im Abschnitt3.3.3. zu lesen. Die Ergebnisse werden in einer XML-Datei abgespeichert, um dann die Pla-nung in anderen Anwendungen ausfuhren und bearbeiten zu konnen [BSL+].

Abbildung 18: HepaVision: ein Schritt bei der Segmentierung, die Lebersegmentierung. Indiesem Beispiel wurde allerdings ein Muskel des Halses segmentiert, da HepaVision auch furandere Bildanalyseaufgaben verwendet werden kann, die auf CT-Daten basieren.

Die HepaVision-Anwendung besteht aus einem großen 2D-Viewer auf der linken Seite,der die Schichten der Originaldaten, auf denen die Segmentierung ausgefuhrt wird, darstellt.Die obere rechte Seite ist fur die 2D-Darstellung der Kostenfunktion der aktuellen Schichtreserviert. Darunter befinden sich, die Bedienelemente fur die Segmentierung mit Live Wireund am unteren Rand sind die einzelnen Arbeitsschritte als eine Kette von verbundenenPunkten dargestellt. Der großte Punkt kennzeichnet den aktuellen Arbeitsschritt, die hellenPunkte alle aktuell ausfuhrbaren Teilschritte fur die geladenen Daten. Wenn ein Schritterfolgreich beendet und gespeichert wird, werden einer oder mehrere Punkte hell und damitausfuhrbar.

20

3.4.2 InterventionPlanner

Der InterventionPlanner wurde zur Unterstutzung der Operationsplanung bei Leberopera-tionen entwickelt und es wird das XML-File mit Segmentierungsergebnissen aus HepaVisiongeladen, um die Strukturen darzustellen und zu bearbeiten.Es werden die 2D-Schichtdaten prasentiert (siehe Abb.19 linke obere Ecke), durch die derAnwender blattern kann und in denen die Ergebnisse einer vorhergehenden Segmentierungfarblich, je Schicht, eingeblendet werden. So hat der Chirurg die Moglichkeit, die Ergeb-nisse anhand der Originaldaten auf ihre Richtigkeit zu uberprufen und ihnen so besser zuvertrauen. In der dreidimensionalen Darstellung (siehe Abb.19 linke Seite) konnen die vor-her segmentierten Strukturen und Organe aus verschiedenen, frei wahlbaren, Blickwinkelnbetrachtet oder herangezoomt werden. Sie konnen auch im Zusammenhang mit den volu-mengerenderten Originaldaten betrachtet werden, um ihre Lage besser beurteilen zu konnen.Weiterhin ist es moglich Applikatoren und Schnittebenen zu platzieren, die Organe zu ver-messen oder Resektionslinien einzuzeichnen. Es konnen Eingriffe zur thermischen Zerstorungvon Tumoren mittels dieser Applikatoren oder zur Resektion eines Lebertumors simuliertwerden. Der Arzt kann so an individuellen Patientendaten jede Operation gezielter planenund auch seine Ergebnisse mit den vorhandenen Dokumentationsmoglichkeiten (Screenshotsund Movies) festhalten.

Abbildung 19: InterventionPlanner, links oben: Ansicht der Original-2D-Daten mit Einblen-dung der Segmentierung, links unten: 3D-Ansicht des Segmentierungsergebnisses, rechts:Liste der segmentierten Strukturen

21

3.5 Anwendung und Beurteilung der Bildanalyseverfahren fur denThorax-und-Abdominalraum

In den folgenden Abschnitten, werden die Verfahren des Region Growings, der Wasserschei-dentransformation und des Live Wire auf ihre Eignung fur die verschiedenen Problemstel-lungen getestet. Dabei wird auf jedes Organ in einem separaten Abschnitt eingegangen, weildie Gute der Ergebnisse sehr stark von den organspezifischen Grauwerten abhangt.Die Bildanalyse der Leichendatensatze gestaltet sich generell schwieriger, da die CT- Schicht-bilddaten oft sehr verrauscht sind. Das ist der Grund, warum dieses Gebiet, im Gegensatzzur Analyse von CT-Daten von lebenden Patienten, noch nicht so ausfuhrlich untersuchtworden ist.Die im Kapitel 3.3 naher beschriebenen Filter, wurden auf ihre Eignung als Vorverarbeitungzur Verbesserung der Ergebnisse der Rechtsmedizindatensatze gepruft. Leider konnte derDiffusionsfilter nur bedingt getestet werden, weil er in ILAB noch nicht stabil lauft (sieheKapitel 3.7. Aufgetretene Probleme).

3.5.1 Lunge

Das schnellste Verfahren um bei den vorliegenden Datensatzen die Lunge zu segmentieren,ist das Region Growing. Die oberen und unteren Schwellwerte brauchen nur einmal gewahlt,ein Startpunkt gesetzt werden und das Lungengewebe wird bestimmt. Dieses Ergebnis istallerdings nicht ganz fehlerfrei, denn es entstehen einige Locher in der Lunge, weil das Gewebeals nicht zugehorig gewahlt wird. Zu einer groben Bestimmung der Form ist dieses Verfahrensicher geeignet, aber um ein genaues Volumen und eine realitatsnahe Darstellung zu erhalten,ist es ungeeignet.

Abbildung 20: Segmentierung der Lunge mit Region Growing, rechts: Ergebnis der Segmen-tierung

In der Abbildung ist zu erkennen, dass das Ergebnis an der rechten Seite unvollstandigist. Diese Locher lassen sich auch mit der Wahl von anderen Schwellwerten, ohne großeAuslaufe, nicht verhindern.

Ein weiteres Verfahren, was getestet wurde, ist die Wasserscheidentransformation. Dortsind zwei Parameter einzustellen, ein Schwellwert und die Hohe der Uberflutungsgrenze.Anschließend definiert der Benutzer Punkte, die geflutet werden sollen und Punkte, die

22

nicht zum Objekt gehoren. Das setzen dieser Punkte geht recht schnell und somit ist auchdieses Verfahren nicht sehr zeitaufwandig. Das Lungengewebe wird vollstandig erfasst undweist keine großen fehlenden Bereiche, wie beim Region Growing, auf. Allerdings ist esschwer, die Punkte so zu setzen, dass die Wirbelsaule komplett ausgeschlossen wird (siehefolgende Abbildung). Die genauen Organgrenzen werden also nicht immer korrekt erkannt.Deshalb ist die Darstellung schon realitatsnaher als beim Region Growing, aber noch nichtausreichend.

Abbildung 21: Segmentierung der Lunge mit Wasserscheidentransformation, rechts: Ergebnisder Segmentierung

Wird nach der Anwendung eines Diffusionsfilters die Wasserscheidentransformation furdie Lunge ausgefuhrt, wirkt das Segmentierungsergebnis in den 2D-Daten auf den erstenBlick viel besser. Die Grenzen sind regelmaßiger und glatter, kleine Locher geschlossen undeinige Objekte, die vorher als zugehorig bestimmt wurden, es aber nicht sind, werden nichtgeflutet. Allerdings wird das Auslaufen in angrenzende Regionen nicht verhindert, sondern,trotz der kantenerhaltenden Eigenschaft des Filters, eher begunstigt. Diese Auslaufe sindhaufig auch nicht durch das Setzen von Excludepunkte zu korrigieren, weil man dadurchauch einen Teil des zu segmentierenden Objekts loscht. Deshalb ist in diesem Fall eineSegmentierung ohne den Diffusionsfilter zu empfehlen.

Abbildung 22: links: Segmentierung der Lunge ohne Filter, rechts: Segmentierung mit Dif-fusionsfilter

Das Beispiel oben zeigt den Vergleich der beiden Ergebnisse, mit und ohne Diffusionsfilterals Vorverarbeitung. Beim Betrachten ist kein großer Unterschied der beiden entstandenenVolumina zu erkennen.

23

Dagegen sind bei der Anwendung eines Sigmafilters (9x9) schon Unterschiede auffallig.Ein großer Teil der falschlicherweise segmentierten Wirbelsaule entfallt bei der Wasserschei-dentransformation durch die Vorverarbeitung mit diesem Filter.

Abbildung 23: links: Segmentierung der Lunge ohne Filter, rechts: Segmentierung mit Sig-mafilter

Ein Medianfilter bringt keine sichtbaren Vorteile oder Nachteile bei der Segmentierung.Er erhoht nur die Rechenzeit und wird darum auch nicht weiter beschrieben.

Fuhrt man die Segmentierung mit Live Wire durch, bedeutet das einen hoheren Inter-aktionsaufwand. In jeder vierten Schicht muss halbautomatisch die Kontur der Lunge ein-gezeichnet werden, die restlichen Schichten werden interpoliert. Der Nutzer hat zusatzlichdie Moglichkeit einer Korrektur der Linien, so dass die Grenzen des Organs genau bestimmtwerden. Dieses Verfahren bedeutet fur den Anwender einen hoheren Aufwand als bei denanderen genannten Verfahren, aber am Ende erhalt er ein korrekt segmentiertes Ergebnis,was nicht nur einen ungefahren Eindruck von der Form vermittelt, sondern ein sehr realitats-nahes Modell, mit dessen Hilfe sich auch das Volumen genau bestimmen lasst. Der Einsatzvon Filtern bei Live Wire bringt keine merklichen Vorteile bei der Segmentierung, weil dasSegmentierungsverfahren sehr gut die Kanten erkennt und auch variabel auf Anderungen inder Kantenstarke reagiert (lernfahig, siehe Kapitel 3.3.3. Live Wire ).

Abbildung 24: Segmentierung der Lunge mit Live Wire auf zwei Schichten, rechts: Ergebnisder Segmentierung

24

3.5.2 Leber

Das erste getestete Verfahren zur Segmentierung der Leber ist das Region Growing. DieGrauwerte der Umgebung der Leber sind allerdings denen der Leber so ahnlich, dass eskeinen unteren und oberen Schwellwert gibt, der ausgehend vom Startpunkt innerhalb derLeber, diese korrekt segmentiert. Es kommt immer zu großen Auslaufen in die angrenzen-den Organe. Diese schwerwiegenden Fehler lassen sich auch mit Hilfe der zur Verfugungstehenden Vorverarbeitungsfilter nicht so eindammen, dass ein zufriedenstellendes Ergebnisentsteht (siehe folgende Abbildung).

Abbildung 25: Segmentierung der Lunge mit Region Growing auf zwei Schichten, rechts:Ergebnis der Segmentierung

Ahnlich erfolglos wie das Region Growing, ist die Anwendung der Wasserscheidentrans-formation fur die Leber. Versucht man auf einer der zweidimensionalen Schichten eine guteSegmentierung, durch Setzen von Include- und Excludepunkten, zu erreichen, ist das Er-gebnis der angrenzenden Schichten komplett anders (siehe folgende Abbildung), weil großeTeile des Lebergewebes nicht geflutet werden. Auch durch das Plazieren von sehr vielendieser Punkte, wird nie ein Ergebnis erreicht, was der Form der Leber auch nur annaherndentspricht.

Abbildung 26: Segmentierung der Lunge mit Wasserscheidentransformation, rechts: Ergebnisder Segmentierung

25

Dagegen liefert die Segmentierung mit Live Wire zufriedenstellende Ergebnisse. Der Auf-wand ist zwar wieder etwas hoher, liegt aber in einem annehmbaren Rahmen (5-10 Minutenpro Organ). Die unklaren Ubergange von zwei Strukturen erschweren dem Anwender die kor-rekte Bestimmung der Organgrenzen, machen es aber, dank der Adaptivitat des Verfahrens,nicht unmoglich die Leber zu bestimmen.

Abbildung 27: Segmentierung der Lunge mit Live Wire auf zwei Schichten, rechts: Ergebnisder Segmentierung

3.5.3 Nieren

Das Region-Growing-Verfahren versagt bei den Nieren, genau wie bei der Segmentierung derLeber. Es gibt keine Einstellungen, bei denen das Ergebnis akzeptabel ist. Das Verfahrenlauft in die gesamte Korperregion aus (siehe Ergebnisbeispielbild).

Abbildung 28: Segmentierung der Niere mit Region Growing, rechts: Ergebnis der Segmen-tierung

26

Die Wasserscheidentransformation hingegen, liefert bei einem enormen Interaktionsauf-wand (es mussen weit uber 100 Punkte gesetzt werden) die grobe Form der Nieren alsErgebnis. Zu einer quantitativen Analyse der Organe ist es allerdings immer noch ungeeig-net.

Abbildung 29: Segmentierung der Niere mit Wasserscheidentransformation, rechts: Ergebnisder Segmentierung

Das beste Segmentierungsergebnis, liefert wieder das Live-Wire-Verfahren in HepaVisionvon ILAB. Durch die Lernfunktion, wird die Kostenfunktion fur die Kanten den Grauwertenangepasst und wenn das Ergebnis dann noch immer nicht gut genug ist, hat der Nutzer dieMoglichkeit, die Konturen manuell zu verbessern.

Abbildung 30: Segmentierung der Niere mit Live Wire auf zwei Schichten, rechts: Ergebnisder Segmentierung

3.5.4 Mediastinum

Fur das Mediastinum ist weder das Region Growing noch die Wasserscheidentransforma-tion geeignet. Die Grenze zur Leber ist selbst fur Arzte nur schwer zu erkennen, weil dieGrauwerte von Mediastinum und Leber im gleichen Bereich liegen. Beim Regionenwachstumlauft das Ergebnis immer in die gesamte Korperregion aus und bei der Wasserscheidentrans-formation waren nahezu unendlich viele Punkte, die durch den Benutzer gesetzt werdenmussten notig, um auch nur annahernd die Form des Mediastinums zu erreichen. Auch eineVorverarbeitung durch Filter verbessert die Situation nicht.

27

Abbildung 31: Segmentierung des Mediastinums mit Region Growing, rechts: Ergebnis derSegmentierung

Abbildung 32: Segmentierung des Mediastinums mit Wasserscheidentransformation, rechts:Ergebnis der Segmentierung

Mit Live Wire besteht das Problem der unklaren Grenze zwischen Mediastinum undLeber selbstverstandlich auch, aber hier hat der Anwender mehr Einfluss auf das Ergebnisund mit ein bisschen Erfahrung, ist das Erkennen nicht unmoglich. Es ist mehr Interaktionnotig als bei einigen anderen Organen, weil an dieser Stelle die Kontur fast manuell (nichtmehr halbautomatisch wegen der geringen Kantenstarke) eingezeichnet werden muss, aberdas auch nicht auf jeder Schicht, da der Rest recht zuverlassig interpoliert wird.

Abbildung 33: Segmentierung des Mediastinums mit Live Wire, rechts: Ergebnis der Seg-mentierung

28

3.5.5 Entwurf in ILAB fur das Organslicing

Wie in der Einfuhrung schon erwahnt, soll es bei der virtuellen Autopsie die Moglichkeitgeben, sich die inneren Schichten eines bestimmten Organs anzuschauen. Fur diese Umset-zung, wurde in ILAB4 ein erster Entwurf eines Netzes erstellt. Dort ist es moglich, sich einzuvor segmentiertes Organ in einem Viewer anzeigen zu lassen und eine beliebig orientierteSchicht anzuschauen. Dazu wird eine im Raum gelegene Clipebene benutzt, die in alle Rich-tungen rotiert und verschoben werden kann und jeweils auf einer Seite den Teil des Organsabschneidet bzw. ausblendet und somit die Sicht ins Innere freigibt.Der rechte Teilbaum des Netzes dient dazu, die Clipebene direkt im Organ zu platzierenund nicht willkurlich im Raum. Dazu wird der Mittelpunkt des Organs berechnet und diePlane dorthin verschoben.

Abbildung 34: ILAB4-Netz zum Legen beliebiger Clipebenen durch ein Organ

29

3.6 Anwendung und Beurteilung der Bildanalyseverfahren fur dieHals-Nacken-Region

Die Grauwerte in den CT-Datensatzen der Hals-Nackenregion lassen sich auf den erstenBlick in zwei Bereiche teilen. Es sind sehr helle Strukturen zu erkennen, die Gefaße unddie Knochen, die einen Grauwert von 1200-2600 besitzen und im Bild fur den Betrachtereinheitlich weiß erscheinen. Dann gibt es die Muskeln, die in einer großen Anzahl im Hals zufinden sind, die alle einheitlich grau sind und in dem Bereich 100-1200 GW liegen. Es gibtalso zwischen den einzelnen Strukturen keine großen Kontraste, die bei einer Segmentierunghilfreich waren.

Abbildung 35: links: die Muskeln besitzen alle einen gleichen Grauwert, rechts: die Gefaßeund Knochen besitzen auch einen ahnlichen Grauwert

Es lassen sich mit dem Region-Growing-Verfahren die Gefaße, die einen hellen Grauwertbesitzen, gut segmentieren. Da aber die Knochen einen ahnlichen Grauwert haben, werdensie auch immer als zum Objekt gehorig ausgewahlt. Auch ist es nicht moglich, eine bestimm-te Vene oder Arterie zu selektieren, denn sobald sie eine Verbindung untereinander besitzen,werden sie durch das Regionenwachstum mit segmentiert. Ein ahnliches Problem tritt beiden Muskeln auf. Wird der Startpunkt fur das Wachstumsverfahren im M. sternocleido-mastoideus gewahlt, erhalt man als Ergebnis auch alle anderen Muskeln, weil sie in einemahnlichen Grauwertbereich liegen und aneinandergrenzen. Um eine bestimmte Struktur zusegmentieren, ist das konventionelle Region Growing also nicht geeignet. Anwendbar warees, wenn man vorher die interessierende Struktur grob eingrenzt und dann dieses Verfahrenanwendet. Das wurde aber doppelten Aufwand bedeuten, denn wenn man die Objektgren-zen gleich korrekt mit Live Wire bestimmt, erhalt man sofort ein gutes Ergebnis. In derAbbildung unten, ist links ein Segmentierungsversuch fur die Gefaße zu sehen. Diese werdenauch gut mit ihren Grenzen erkannt, allerdings werden auch Teile der Knochen segmentiert.In der Mitte sollte nur der M. sternocleidomastoideus segmentiert werden (dort ist der roteStartpunkt gesetzt), aber als Ergebnis sind alle Muskeln des Halses selektiert. Rechts ist derSegmentierungsversuche der Speicheldrusen, die etwas heller sind als die Muskeln, trotzdemlauft das Verfahren in die angrenzenden Strukturen (Muskeln). Auch die Vorverarbeitungmit Filtern brachte keine Verbesserungen, weil sich durch sie das Hauptproblem des geringenKontrasts auch nicht andert.

30

Abbildung 36: Segmentierung der Halsstrukturen mit Region Growing

Zur Segmentierung der umliegenden knocherner Strukturen wurde in einigen der Falledas Region Growing verwendet. Allerdings wurde vorher eine interessierende Region aus denDaten herausgeschnitten und nur dort das Regionenwachstum fur die Knochen angewandt,so dass es keine Auslaufe gab.Bei den vorliegenden MRT-Datensatzen liefern das Regionenwachstum und die Wasserschei-dentransformation, aufgrund der Inhomogenitaten der Bilddaten, noch schlechtere Ergeb-nisse.

Dagegen lassen sich fur die Segmentierung der Vena Jugularis bei der Wasserscheiden-transformation sehr gute Parameter finden (preflooding height: 111, mask threshold: 1172),bei der nur 28 Marker gesetzt werden mussten und folgendes Ergebnis entstand:

Abbildung 37: Segmentierung der v. jugularis mit Wasserscheidentransformation, rechts:Ergebnis

Durch einige Exclude-Punkte ließen sich andere Blutgefaße und Strukturen gut aus-schließen. Damit ist dieses Verfahren gut geeignet, in CT-Daten die großeren Blutgefaße zusegmentieren.

31

Fur den M. sternocleidomastoideus, als Beispiel fur die Muskeln, funktioniert das wie-derum nur mit erhohtem Aufwand. Die Uberflutungsgrenze muss hoch gewahlt werden, umAuslaufe zu verhindern. Deshalb sind viele Include-Punkte (im folgenden Beispiel waren es130) und auch einige Exclude-Punkte bei unklaren Objektgrenzen notwendig.

Abbildung 38: Segmentierung der v. jugularis mit Wasserscheidentransformation, rechts:Ergebnis

Das Ergebnis gibt dem Betrachter einen guten Eindruck der groben Form des Muskels,es ist aber nicht realitatsnah genug. Außerdem sind die Grenzen zu unregelmaßig und fureine Operationsplanung somit ganzlich ungeeignet.

Live Wire hat sich auch hier wieder als Verfahren erwiesen, welches die zuverlassigstenErgebnisse erzeugt. Es eignet sich selbstverstandlich nicht bei allen Strukturen gleich gut,weil die Grenzen bei den Muskeln zum Beispiel nicht immer klar sind. Aber es ist das einzigeVerfahren, mit dem man gut fast alle Strukturen segmentieren kann. Selbst die nicht immereinfach erkennbaren, vergroßerten Lymphknoten lassen sich mit ausreichend Benutzerinter-aktion selektieren.

Abbildung 39: segmentierte Lymphknoten und Schadelknochen

32

Bei den dunnen Gefaßen treten Probleme auf, weil sie von Schicht zu Schicht ihre Lagestark verandern konnen und dadurch nicht immer als zusammenhangend erkannt werden(siehe 3.7. Aufgetretene Probleme).

Abbildung 40: links: Segmentierung (Speicheldruse, Vene, Muskel) mit Live Wire, mitte:Segmentierungsergebnis M. sternocleidomastoideus, rechts: Vena jugularis

3.7 Aufgetretene Probleme

Bei der Bearbeitung der vorliegenden Datensatze mit Live Wire stellte sich heraus, dassMRT-Schichtbilder ungeeigneter sind als CT-Schichtbilder. Sie waren schwieriger zu segmen-tieren, weil sie, in den meisten Fallen, eine geringere Auflosung besaßen und einen relativgroßen Schichtabstand. Diese Faktoren konnten die Radiologen sicher bei der Bildaufnahmeberucksichtigen, allerdings sind die Grauwerte in den Bilddaten, bedingt durch die Auf-nahmetechnik, nicht ideal. Sie sind inhomogen und erschweren das Segmentieren mit allenVerfahren zusatzlich.Im folgenden Beispiel sind diese Inhomogenitaten gut zu erkennen. Der untere Bereich desNackens im Bild ist viel heller als der obere und das entspricht nicht der Realitat, sondernist bedingt durch das Bildaufnahmeverfahren.

Abbildung 41: Beispiel fur Inhomogenitaten bei MRT-Bildern (siehe Aufhellung im unterenBereich)

Eine weitere Beobachtung war, dass der Algorithmus, der in der Applikation HepaVisionverwendet wird, Probleme hat, schmale langliche Strukturen korrekt zu segmentieren. DieGefaße konnen in aufeinander folgenden Schichten stark ”hin-und-her springen“und ihre La-ge verandern. Sie werden deshalb oft nach der Interpolation nicht als eine zusammenhangen-de Struktur erkannt und unterbrochen dargestellt. Da HepaVision zur Segmentierung der

33

Leber entwickelt wurde und die Leber keine lange und schmale Struktur ist, ist diese Formdort sicher als unublich festgelegt und wird deshalb nicht erkannt.

Abbildung 42: Problemstelle der Arterie A. carotis

Desweiteren konnte der Diffusionsfilter, der gute Ergebnisse zu versprechen schien, inILAB nicht immer zur Vorverarbeitung der Halsdatensatze getestet werden, weil das ent-sprechende Modul nicht stabil lauft und oft zum Absturz des Systems fuhrte.Zur Dokumentation der Grauwerte und Großen der segmentierten Strukturen wurde furjeden Datensatz eine Statistik erstellt. Deshalb ist bei der Auswertung dieser Ergebnisseallerdings zu beachten, dass nicht alle Datensatze den gleichen Grauwertbereich besitzen.

34

3.8 Quantitative Analyse von medizinischen Bilddaten

Die quantitative Analyse der segmentierten Organe und Strukturen ist mit dem Interven-tionPlanner von ILAB moglich. Es wird zu jedem Segmentierungsergebnis das Volumenangegeben, welches durch Multiplikation der Voxelgroße mit der Anzahl der segmentiertenVoxel berechnet wird. Weiterhin ist es moglich, die Ausdehnung, Winkel, Abstande und mi-nimale Abstande zu messen. Vor allem fur das Volumen und die Ausdehnung der Organe imThorax-und-Abdominalraum gibt es festgelegte Normwerte fur alle Alters-, Gewichts- undKorpergroßenklassen. Die Vermessung der Organe kann Aufschluss uber mogliche Erkran-kungen oder Abnormalitaten liefern. Die minimale Abstandsmessung spielt bei der Analyseder Hals-Nacken-Region eine große Rolle. Dort ist es wichtig, zum Beispiel den minimalenAbstand eines Tumors zu den Blutgefaßen zu bestimmen. Wenn es nicht moglich ist, ihnmit entsprechendem Sicherheitsrand zu entfernen, ohne die Vene oder Arterien zu verletzen,ist eine Operation nicht sinnvoll.

Um bei der manuellen Messung von Abstanden die gewunschten Punkte besser selek-tieren zu konnen, ist es hilfreich Clipplanes zu benutzen. Durch sie entfernt man Details,die beim Setzen der Punkte im dreidimensionalen Raum storen. Durch die Clipplanes ander entsprechenden Stelle, erhalt man eine Ebene, auf der es leichter ist, einen Punkt zufestzulegen.

Abbildung 43: Minimaler Abstand Pharynx(haut)-Tumor(weiß)/ Minimaler AbstandTumor(weiß)- Gefaß(blau)/ Ausdehnung Tumor

Das linke Bild der oberen Abbildung zeigt den minimalen Abstand des Tumors (weiß ein-gefarbt)und des Pharynx (hautfarben eingefarbt) von 0 mm. Das bedeutet, dass der Tumorin den Pharynx infiltriert ist, was auf den CT-Schichtbildaufnahmen schwierig zu erkennenist. Im mittleren Bild ist er minimale Abstand zwischen dem Tumor (weiß eingefarbt) unddem Gefaß (blau eingefarbt) dargestellt. Er betragt in diesem Fall nur 0,6 mm, ist damitdem Gefaß auch schon gefahrlich nahe und eine Resektion des Tumors, dessen Ausdehnungim rechten Bild zu sehen ist, mit ausreichend Sicherheitsrand nicht mehr moglich.

Die quantitative Analyse der segmentierten Organe der Rechtsmedizindatensatze erfolgtwie oben beschrieben. Vor allem fur die Organe von Babys und Kleinkindern, existiert eineVielzahl von Normwerten. Diese werden anhand der Korpergroße, des Gewichts oder desAlters bestimmt und in Tabellen oder Diagrammen festgehalten.

35

Fur die ersten drei Datensatze, wurden anhand des jeweils bekannten Alters oder derGroße die entsprechenden Normwerte bestimmt und in einer Tabelle mit den Segmentie-rungsergebnissen verglichen:

Tabelle 1: Gegenuberstellung der Normwerte und Ergebnisse der Segmentierung fur dieOrgane

Daten Organ Normwerte Ausdehnung & Volumen segm. Ausdehnung & VolumenKind1 Lange: 5,9 +- 0,52cm Lange: 5,48cm, Breite: 2,77cm5 M

rechte NiereVolumen: 13-30ml Volumen: 19,67Lange: 6,1 +- 0,46cm Lange: 5,36cm, Breite: 3,08cmlinke NiereVolumen: 13-30ml Volumen: 19,01mlSTL: 4,7 +- 1,14cm STL: 5,23cm

Leber MCL: 6,2 +- 1,68cm MCL: 6,77cmVolumen: - Volumen: 227,69mlLange: 3,71 +- 1,48cm Lange: 3,79cm

Milz Breite: 4,77 +- 1,94cm Breite: 5,29cmVolumen: 25ml Volumen: 24,02mlHohe: - Hohe: 7,8cmrechte LungeVolumen: - Volumen: 86,51mlHohe: - Hohe: 8,0cmlinke LungeVolumen: - Volumen:83,88ml

Herz/ Volumen Herz: 59-107ml Volumen Herz: ca. 61,81mlMediastinum Volumen Mediastinum: - Volumen Mediastinum: 96,85ml

Kind2 Lange: 5,0 +- 0,55cm Lange: 5,73cm, Breite: 2,35cm3 M

rechte NiereVolumen: 13-30ml Volumen: 19,74Lange: 5,0 +- 0,58cm Lange: 5,76cm, Breite: 2,50cmlinke NiereVolumen: 13-30ml Volumen: 20,62mlSTL: 3,86 +- 1,7cm STL: 3,0cm

Leber MCL: 5,54 +- 2,12cm MCL: 6,12cmVolumen: - Volumen: 261,92mlLange: 3,46 +- 1,02cm Lange: 2,54cm

Milz Breite: 4,46 +- 1,1cm Breite: 4,95cmVolumen: 10-12ml Volumen: 15,66mlHohe: - Hohe: 6,97cmrechte LungeVolumen: - Volumen: 141,64mlHohe: - Hohe: 7,12cmlinke LungeVolumen: - Volumen:163,09ml

Herz/ Volumen Herz: 40-72ml Volumen Herz: ca. 59,79mlMediastinum Volumen Mediastinum: - Volumen Mediastinum: 90,12ml

36

Daten Organ Normwerte Ausdehnung & Volumen segm. Ausdehnung & VolumenKind3 Lange: 5,3 +- 0,53cm Lange: 5,85cm, Breite: 2,95cm5-8 M

rechte NiereVolumen: 13-30ml Volumen: 23,84Lange: 5,6 +- 0,55cm Lange: 6,45cm, Breite: 2,2,6cmlinke NiereVolumen: 13-30ml Volumen: 23,34mlSTL: 3,86 +- 1,7cm STL: 3,08cm

Leber MCL: 5,54 +- 2,12cm MCL: 8,14cmVolumen: - Volumen: 300,06mlLange: 3,46 +- 1,02cm Lange: -

Milz Breite: 4,46 +- 1,1cm Breite: -Volumen: 10-12ml Volumen: -Hohe: - Hohe: 7,14rechte LungeVolumen: - Volumen: 97,96mlHohe: - Hohe: 6,92cmlinke LungeVolumen: - Volumen:126,83ml

Herz/ Volumen Herz: 59-107ml Volumen Herz: ca. 77,12mlMediastinum Volumen Mediastinum: - Volumen Mediastinum: 110,74ml

Quelle: [KS01], [PR91]

37

4 Fallbeispiele

4.1 Beispiele aus der Rechtsmedizin

Auf den folgenden Seiten, werden die Ergebnisse der Datensatze aus der Rechtsmedizin, zudenen keine Diagnosen bekannt sind, vorgestellt. Die Segmentierung wurde mit HepaVisionvon ILAB und die Betrachtung der Strukturen in 3D mit dem InterventionPlanner von ILABdurchgefuhrt. Zu jedem Fall werden die bekannten Patientendaten und Eigenschaften derSchichtbilddaten genannt und die Ergebnisbilder prasentiert.

4.1.1 Fall 1

Ein 5 Monate altes Madchen. Die Todesursache ist nicht bekannt. Die CT-Daten liegen vomgesamten Korper vor und besitzen eine Schichtdicke von 1 mm und einen Schichtabstandvon 0,8 mm.

Abbildung 44: Segmentierungsergebnisse: Lunge, Mediastinum, Nieren, Leber, Milz

Abbildung 45: Segmentierungsergebnisse: alle Organe ohne und mit Einblendung des Volu-menrenderings der Originaldaten

38

4.1.2 Fall 2

Dieser CT-Datensatz ist von einem 3 Monate alten Jungen. Er ist mit einem Schichtabstandvon 0,4 mm und einer Schichtdicke von 0,5 mm sehr hoch aufgelost.

Abbildung 46: Segmentierungsergebnisse: Lunge, Mediastinum, Nieren, Leber, Milz

Abbildung 47: Segmentierungsergebnisse: alle Organe ohne und mit Einblendung des Volu-menrenderings der Originaldaten

39

4.1.3 Fall 3

Bei diesen Datensatz handelt es sich auch um CT-Schichtbildaufnahmen, mit einemSchichtabstand von 0,8 mm. Er ist von einem Madchen, das ca. 60-70 cm groß ist und somitvermutlich zwischen 5-8 Monate alt.

Abbildung 48: Segmentierungsergebnisse: Lunge, Mediastinum, Nieren, Leber, Milz

Abbildung 49: Segmentierungsergebnisse: alle Organe ohne und mit Einblendung des Volu-menrenderings der Originaldaten

40

4.1.4 Fall 4

Der vorliegende CT-Datensatz wurde von einem Mann aufgenommen, der durch Stichwun-den im Brustraum zu Tode kam. Es sind auf den Bildern mehrere Stichkanale zu sehen.Wichtig fur die Rechtsmediziner ist, herauszufinden, welcher der Stiche zum Tod gefuhrthat. Das hat moglicherweise Einfluss auf das Strafmaß, wenn bekannt ist, wer von denTatern welchen Stich ausgefuhrt hat.Segmentiert wurde das Messer, welches noch im Brustkorb steckt, die Lunge, das Mediasti-num und das Blut im Brustraum.

Abbildung 50: Segmentierungsergebnisse in den 2D-Schichtdaten; rot: Blut, blau: Lunge,gelb: Mediastinum

Abbildung 51: Segmentierungsergebnisse in 3D; rot: Blut, blau: Lunge, gelb: Mediastinum,schwarz: Messer

41

Abbildung 52: Segmentierungsergebnisse in 3D, links Darstellung mit Knochen, rechts Dar-stellung mit Volumenrendering; rot: Blut, blau: Lunge, gelb: Mediastinum, schwarz: Messer

Durch die Einstiche, wurde die linke Lunge durch das austretende Blut verdrangt, ebensowie das Mediastinum etwas nach rechts geruckt ist. Ein Ziel fur die Zukunft bei diesemDatensatz ist, die Lage der Organe zu rekonstruieren, die sie vor den Verletzungen hatten.

42

4.2 Beispiele aus der HNO-Heilkunde

In den folgenden Abschnitten wird ein kurzer Uberblick uber die Ergebnisse der verschiede-nen HNO-Schichtbilddaten gegeben. Die Segmentierung von Strukturen und Organen erfolg-te, auch hier, ausschließlich mit HepaVision von ILAB und die Betrachtung der Strukturenin 3D mit dem InterventionPlanner von ILAB. Knocherne Strukturen wurden mit demRegion-Growing-Verfahren oder mit der Wasserscheidentransformation extrahiert. Bei derdreidimensionalen Darstellung der Strukturen, wurde die Farbgebung, nach Absprache mitDr. Gero Strauß und Frau Dr. Ilka Hertel, an die in anatomischen Lehrbuchern angelehnt.Die Mediziner sind diese Farben gewohnt und erkennen so die abgebildeten Strukturen leich-ter. Bis zur Fertigstellung der Studienarbeit wurden 9 Datensatze analysiert. Im Folgendenwird an 4 ausgewahlten Beispielen die Bildanalyse veranschaulicht.

Tabelle 2: Uberblick uber die segmentierten Strukturen je HNO-Datensatz:

Strukturen: CT- Daten 1 MRT-Daten 2 CT-Daten 3 CT-Daten 4a. carotis x xa. thyreoidea superiora. lingualisa. facialisv. jugularis x xv. facialisn. accessoriusn. hypoglossusn. vagusm. sternocleidomastoideus x xm. digastricus xm. omohyoideusgl. submandibularis x xgl. parotidea x xplatysmasnodi lymphatici cervicalisoropharynx xTumor/ Malignom x x xKnocherne Strukturen x x

43

Tabelle 3: Uberblick uber segmentierte Strukturen und benutztes Verfahren:

HNO-Datensatz Segmentierte StrukturenNr. 1 (hals-ct) a. carotis, v. jugularis,m. sternocleidomastoideus

m. digastricus, gl. parotis, gl. submandibularis[alles mit Live Wire]

Nr. 2 (hals2) oropharynx, -tumor, Gefaße, gl. parotis,m. sternocleidomastoideus

[alles mit Live Wire]Nr. 3 (gerhard3) Malignom

[ mit Live Wire],umliegende Knochen einschließlich sella turcica

[mit Region Growing]Nr. 4 (nnh) Tumor

[mit Live Wire]Siebbein

[Wasserscheidentransformation]

4.2.1 Fall 1

Ein CT-Datensatz mit der Auflosung 512x512x65 , wobei der Schichtabstand 3 mm betragt.Eine krankhafte Veranderung der Strukturen im Hals-Nackenbereich ist nicht bekannt. Esscheint aber eine Veranderung in der Region des Mundbodens und Zungengrunds zu geben.Auch sind viele Lymphknoten großer als normal. Es sollten Strukturen segmentiert werden,die fur eine Neck-Dissection relevant sind.

Abbildung 53: Segmentierungsergebnis: einzelne Strukturen des ersten Halsdatensatzes

Bild links: Muskeln: m. sternocleidomastoideus, m. digastricus, m. omohyoideusBild rechts: Gefaße: a. carotis, v. jugularis; Lymphknoten: nodi lymphatici cervicalisBild mitte: Speicheldrusen: gl. submandibularis, gl. parotis

44

Abbildung 54: Segmentierungsergebnis: alle Strukturen des ersten Halsdatensatzes, rechts:segmentierte Strukturen mit einem Volumenrendering, wobei durch das Setzen einer Clipe-bene das Volumenrendering nur auf der linke Seite zu sehen ist

Abbildung 55: Alle segmentierten Objekte, einschließlich Lymphknoten

45

Fur diesen Fall, wurde außerdem ein Diagramm ausgearbeitet, was die Lagebeziehun-gen der Hals-Strukturen zueinander wiedergibt. Dies soll eine Grundlage fur eine zukunftigemodellbasierte Segmentierung sein. Die Baumstruktur beschreibt, aus welchen Teilen einSchichtbild besteht und zeigt die hierarchischen Zusammenhange auf. Es wird die Lage dereinzelnen Strukturen zueinander beschrieben (umschließt, befindet sich oberhalb von, befin-det sich weiter hinten als..., befindet sich weiter innen als...) und deren Grauwert (minimaler,maximaler und mittlerer Grauwert).

Abbildung 56: Die Lagebeziehungen der Strukturen zueinander

46

4.2.2 Fall 2

Ein MRT-Datensatz mit der Auflosung 384x512x24 und einem Schichtabstand von 6,5mm.Der Befund ist eine Metastase eines Oropharynxkarzinoms auf der rechten Seite. Der Tumorschien praoperativ operabel zu sein, aber wahrend der Operation wurde festgestellt, dass erzu weit Richtung Schadelbasis gewachsen ist und eine metastasenbedingte Thrombosierungder Vene (v. jugularis) vorliegt. Der Tumor konnte deswegen nicht mit ausreichend Sicher-heitsrand entfernt werden, es wurden nur die vorhandenen Metastasen reduziert.Die Frage des operierenden Arztes war, ob die große Metastase durch eine Segmentierungdarstellbar ist und ob dies ein anderes Herangehen an den Tumor bewirkt hatte.Nachdem der Arzt die Segmentierungsergebnisse gesehen hatte, bestatigte er, dass er mitdiesen Bildern die Situation vorher hatte besser einschatzen konnen.

Abbildung 57: Segmentierungsergebnis: Oropharynxtumor

Bild links: Oropharynxtumor in einem sagittalen Schichtbild (grun umrandet)Bild rechts: Volumenrendering der Originaldaten mit Pharynx (haut) und Tumor (weiß)

Abbildung 58: Segmentierungsergebnis: Ubersicht uber die segmentierten Strukturen

47

Abbildung 59: Segmentierungsergebnis: Unterschied bei Segmentierung aus zwei Sichten

In der letzten Abbildung ist der Tumor, der aus zwei Ansichten segmentiert wurde,dargestellt. Der rote wurde aus axialer Sicht und der blaue aus sagitallen Schichtdatensegmentiert. Das Volumen vom roten Tumor betragt 18,84 ml und vom Blauen 15,09 ml.Den Unterschied kann man sich aus den unterschiedlichen Auflosungen der verschiedenenRichtungen erklaren.

4.2.3 Fall 3

Ein CT-Datensatz mit einer Auflosung von 512x512x47 und einem Schichtabstand von 2,5mm. Die Daten stammen von einem 70-jahrigen Patienten mit einer chronischen Nasenne-benhohlenentzundung, gefolgt von einer Polyposis nasi (Polypen). Im Bereich der Hypophyseund Sella wird der Knochen nicht mehr respektiert, deshalb besteht der Verdacht auf einMalignom.Die Daten sollten mit moglichst hoher Genauigkeit segmentiert und die knochernen Erosio-nen dargestellt werden.

Abbildung 60: Segmentierungsergebnis: Malignom

Bild links: Blick von hinten in den Schadel mit dem Malignom (rot)Bild rechts: Volumenrendering der Originaldaten mit Malignom (blau) und umliegenden

knochernen Strukturen (rot)

48

4.2.4 Fall 4

Dieser CT-Datensatz hat eine Auflosung von 512x512x56 und einen Schichtabstand von 2mm. Er stammt von einem jungen Patienten, welchen an einer zunachst isolierten Entzundungder rechten Stirnhohle gelitten hat. Die Entzundung hat dann die Stirnhohlenvorderwanddurchbrochen und zu einem Abszess unterhalb der Stirnhaut gefuhrt. Der Patient wurdeoperiert und dabei festgestellt, dass die Siebbeinzellen auf der rechten Seite mitbeteiligtsind und deshalb eine Operation von außen (endonasal) und von innen (extranasal) notigwurde.Dargestellt werden sollte bei diesem Fall die Ausbreitung der entzundlichen Flussigkeit (Ei-ter).

Abbildung 61: Segmentierungsergebnis: Eiter (ocker) und Siebbeinzellen (grau)

Abbildung 62: Segmentierungsergebnis: mit Volumenrendering und rechts mit Clipping derlinken Seite

49

5 Zusammenfassung/Fazit

In der Arbeit wurden einige Verfahren und Filter auf deren Eignung fur die Anwendung zurSegmentierung der relevanten Strukturen bei einer Neck-Dissection und der interessierendenOrgane bei einer virtuellen Autopsie getestet. Die Eigenschaften der segmentierten Struktu-ren (Form, Ausdehnung, Lage, Grauwert...) wurden statistisch festgehalten, um von dieserTestdatenmenge auf Moglichkeiten zur automatischen Segmentierung zu schließen.Wunschenswert fur die HNO-Arzte und Chirurgen einer Neck-Dissection, ware eine vollstandi-ge Automatisierung, der bis jetzt noch manuellen oder halbautomatischen Segmentierungs-verfahren. Das eigentliche Ziel dabei sollte die automatische Extraktion der Lymphknoten,deren Darstellung und anschließend eventuell sogar eine automatische Klassifikation sein.Als Grundlage zur automatischen Segmentierung der Lymphknoten konnte man ihre, inden meisten Fallen, runde Form benutzen (bei Wucherungen durch Metastasen besteht dieMoglichkeit, dass sie nicht mehr diese Form besitzen). Im Hals-Nacken-Bereich besitzen, bisauf die Speicheldrusen, deren Lage bekannt ist, die im Normalfall selten kleiner sind alsLymphknoten und unregelmaßiger geformt sind, sonst keine Strukturen eine ahnliche Form,so dass man auf dieser Tatsache gut aufbauen kann.Wichtig ist es auch noch, eine Benutzeroberflache zu schaffen, die es den Arzten und Chirur-gen ermoglicht, schnell, ubersichtlich und mit geringem Aufwand, anhand der segmentiertenDaten, die Operation zu planen.Das Ziel bei der virtuellen Autopsie sollte es sein, eine Applikation zu entwickeln, die allegewunschten Funktionen vereint. Fur das Slicing durch die Originaldaten in einem dreidi-mensional dargestelltem Organ, wurde schon ein Entwurf (siehe 3.5.5) in ILAB4 gemacht,welcher allerdings noch erweitert, verbessert und in eine benutzerfreundliche Anwenderober-flache integriert werden muss. Das Netz sollte so erweitert werden, dass nach einmaligemEinladen der Daten, eine Liste der segmentierten Organe vorliegt, aus der der Nutzer einihn interessierendes Organ auswahlen und bearbeiten kann.

50

Literatur

[BSL+] H. Bourquain, A. Schenk, F. Link, B. Preim, G. Prause, and H.O. Peitgen.HepaVision2- A software assistant for preoperative planning in living-related li-ver transplantation and oncologic liver surgery.

[GP98] Michael Galanski and Mathias Prokop. Ganzkorper-Computertomographie. GeorgThieme Verlag Stuttgart, 1998.

[GW02] Rafael C. Gonzales and Richard E. Woods. Digital Image Processing. secondedition. Prentice-Hall, Inc., 2002.

[HLP] H.K. Hahn, F. Link, and H.O. Peitgen. Concepts for Rapid Application Prototy-ping in Medical Image Analysis and Visualization. Proc SimVis-Simulation undVisualisierung SCS, Erlangen, 2003, pages 283–298.

[HP] H.K. Hahn and H.O. Peitgen. The Skull Stripping Problem In MRI Solved By ASingle 3D Watershed Transform. Medical Image Computing and Computer-Assi-sted Intervention (MICCAI’2000), Pittsburgh, Springer, 2000, pages 134–143.

[KS01] Theodore E. Keats and Christopher Sistrom. Altas of Radiologie Measurement.seventh edition. Mosby Inc., 2001.

[LWD] B.M. Lippert, J.A. Werner, and A.A. Dunne. Indikationen zur Halsoperation beinicht nachweisbaren Lymphknotenmetastasen, Teil 2. Neck dissection beim klini-schen N0-Hals. HNO, Springer-Verlag 2002, 4:370–379.

[McC00] Thomas O. McCracken. Der 3D Anatomie Altas. Visible Productions LLC, USA,deutsche Ubersetzung: Weltbild Verlag GmbH Augsburg, 2000.

[PR91] Holger Petterson and Hans Ringertz. Measurements in Petiatric Radiology. Sprin-ger Verlag London, 1991.

[RK88] Rauber and Kopsch. Anatomie des Menschen, Lehrbuch und Atlas, Band IV,Topographie der Organsysteme, Systematik der peripheren Leitungsbahnen. GeorgThieme Verlag Stuttgart, 1988.

[SP] T. Schindewolf and H.O. Peitgen. Interaktive Bildsegmentierung von CT- undMR-Daten auf Basis einer modifizierten Wasserscheidentransformation. Bildverar-beitung fur die Medizin, Springer-Verlag, Marz 2000, pages 92–96.

[SPPa] A. Schenk, G. Prause, and H.-O. Peitgen. Local Cost Computation for EfficientSegmentation of 3D Objects with Live Wire. Medical Imaging 2001: Image Proces-sing (San Diego, USA, 17.-23. February), M. Sonka, K.M. Hanson (Eds.), Pro-ceedings of SPIE, 4322:1357–1364.

[SPPb] A. Schenk, G. Prause, and H.-O. Peitgen. Optimierte Semi-automatische Segmen-tierung von 3D-Objekten mit Live Wire und Shape-Based Interpolation. Bildver-arbeitung fur die Medizin 2001, Lubeck, Springer Verlag.

[Weg92] O.H. Wegener. Ganzkorpertomographie. 2. vollig neubearbeitete Auflage. BlackwellWissenschafts-Verlag GmbH, Berlin, 1992.

[WM87] A. Waldeyer and A. Mayet. Anatomie des Menschen. de Gruyter, 1987.

51