Deutsche Forschungsgemeinschaft

Integrierte 4D-Segmentierung und Registrierung räumlich-zeitlicher Bilddaten

Die Einführung tomographischer 4D-Bilddaten hat die räumlich-zeitliche Er­fas­sung dynamischer physiologischer Prozesse wie der Herz- oder Lungen­bewegung er­möglicht, jedoch steht die Ausnutzung ihres Potenzials in Diagnostik und Therapie erst am Anfang. Für eine umfassende diagnostische und therapeutische Nutzung der räumlich-zeitlichen Bildinformationen in den 4D-Daten ist einerseits eine Abgrenzung der relevanten Strukturen in den Bilddaten (Segmentierung) und andererseits die ex­pli­zite Modellierung der abgebildeten Bewegungsabläufe (Registrierung) notwendig. Klassische Ansätze versuchen beide Probleme unabhängig voneinander zu lösen. Registrierung und Segmentierung hängen jedoch wechselseitig voneinander ab.

Ziel des Projektes ist die Entwicklung von Methoden zur simultanen Seg­mentierung und Bewegungsschätzung in räumlich-zeitlichen Bilddaten, durch die die wechselseitige Abhängigkeit der Segmentierung und Registrierung voneinander berücksichtigt wird. Durch ge­eig­nete Nebenbedingungen wird verfügbares physiologisches Vorwissen über die Dy­namik der Bewegung in diesen Ansatz  integriert. Die Bereitstellung von Methoden zur automatischen Bestimmung geeigneter Verfahrensparameter soll die flexi­ble An­pas­sung des entwickelten Seg­mentierungs-/Registrierungsmodells an kon­krete medi­zi­ni­sche Pro­blem­stel­lun­gen ermöglichen. Spezielle Interaktionsmechanismen erlauben die be­nutzer­ge­steuerte Anpas­sung des Segmentierungs- bzw. Registrie­rungs­­er­geb­nisses.

Die Grundidee der hier verfolgten Ansätze wird nachfolgend beispielhaft illustriert (siehe Abbildung). Betrachtet werden zwei 3D-Bilder einer zeitlichen Sequenz (Referenz- und Target-Bild genannt), wobei eine Segmentierung des Referenzbildes als bekannt vorausgesetzt wird. Berechnet wird nun zum einen eine Bewegungsschätzung, resp. Registrierung von Referenz- und Target-Bild, zum anderen eine Segmentierung des Target-Bildes. Ein zusätzlich definierter Kraftterm  koppelt dabei die beiden Verfahren, indem eine möglichst hohe Übereinstimmung der Target-Segmentierung und der mit der Bewegungsschätzung transformierten Referenzsegmentierung gefordert wird.

Die entwickelten Methoden werden zur simultanen Segmentierung und Bewegungs­feld­schätzung der Lunge und der Leber eingesetzt und anhand klinischer 4D-CT-Bilddaten evaluiert.

Das Projekt wird von der Deutschen Forschungsgemeinschaft gefördert (DFG:  EH 224/3-1).

Ausgewählte Publikationen:

  1. A. Schmidt-Richberg, H. Handels, J. Ehrhardt:
    Integrated Segmentation and Non-linear Registration for Organ Segmentation and Motion Field Estimation in 4D CT Data.
    Methods Inf Med, 48(4): 334–339, Jan 2009.
  2. A. Schmidt-Richberg, J. Ehrhardt, R. Werner, H. Handels
    Direction-Dependent Regularization for Improved Estimation of Liver and Lung Motion in 4D Image Data.
    In: SPIE Medical Imaging 2010, San Diego, USA, Vol. 7623, 76232Y, 2010.
  3. A. Schmidt-Richberg, J. Ehrhardt, R. Werner, H. Handels
    Slipping Objects in Image Registration: Improved Motion Field Estimation with Direction-dependent Regularization.
    In: G.-Z. Yang et al. (eds.): Medical Image Computing and Computer-Assisted Intervention - MICCAI 2009, London, LNCS Vol. 5761, 755–762, 2009.
  4. J. Ehrhardt, A. Schmidt-Richberg, H. Handels
    Simultaneous Segmentation and Motion Estimation in 4D-CT Data Using a Variational Approach.
    In: J.M. Reinhardt et al. (eds.): Image Processing, SPIE Medical Imaging 2008, San Diego, Vol. 6914, 37-1–37-10, 2008.
  5. J. Ehrhardt, A. Schmidt-Richberg, H. Handels
    A Variational Approach for Combined Segmentation and Estimation of Respiratory Motion in Temporal Image Sequences.
    IEEE International Conference on Computer Vision 2007, ICCV 2007, Rio de Janeiro, Brazil, CD-ROM-Proceedings, IEEE Catalog Number CFP07198-CDR (ISBN 978-1-4244-1631-8), 2007. 

Projektteam:

Dipl.-Inf. Alexander Schmidt-Richberg
Dr. Jan Ehrhardt
Prof. Dr. Heinz Handels

 

IconIntegr4DSegmentierung.png
Erstellt am 1. Juni 2010 - 17:02. Zuletzt geändert am 26. Juni 2014 - 15:44.

Erweiterte statistische Formmodelle mit probabilistischen Punktkorrespondenzen zur wissensbasierten 3D-Segmentierung medizinischer Bildobjekte

Das Ziel dieses Projektes ist die Entwicklung von modell- und wissensbasierten Methoden zur Formanalyse sowie zur automatischen 3D-Segmentierung diagnostisch und therapeutisch relevanter Bildobjekte in räumlichen Bildern. Die Einbeziehung von Vorwissen über die Form und den Kontext zu segmentierender Bildstrukturen ermöglicht eine robustere Segmentierung von solchen Strukturen, die unscharfe Kanten oder inhomogene Intensitäten aufweisen.

Durch den hier verfolgten probabilistischen Modellierungsansatz soll die Möglichkeit zur Repräsentation der natürlichen 3D-Formvariabilität medizinischer Bildstrukturen in statistischen Formmodellen deutlich erhöht und eine optimierte Ausnutzung der Forminformationen auch bei kleinen Trainingsmengen ermöglicht werden. Das probabilistische Modell soll in einen flexiblen Segmentierungsalgorithmus integriert werden, der auch für komplexe Segmentierungsprobleme wie Organe mit nichtsphärischer Topologie bzw. Multi-Objekt-Segmentierung anwendbar ist. Die neuen Methoden werden an klinisch relevanten Segmentierungsproblemen aus dem Bereich der Strahlentherapie und der computergestützten Operationsplanung evaluiert.

Probabilistisches Statistisches Formmodell der Niere. (a) zeigt die mittlere Form. (b-e) zeigen die Formvariationen entlang des ersten (b,c) und entlang des zweiten (d,e) Variationsmodes.

Das Projekt wird durch die Deutsche Forschungsgemeinschaft gefördert (DFG: HA 2355/7-1).

Ausgewählte Publikationen:

  1. Hufnagel, H., Pennec, X., Ehrhardt, J., Handels, H. and Ayache, N. (2007). Shape Analysis Using a Point-Based Statistical Shape Model Built on Correspondence Probabilities. Proceedings of the MICCAI'07: 959-967.
  2. Hufnagel, H., Pennec, X., Ehrhardt, J., Ayache, N. and Handels, H. (2008). "Generation of a Statistical Shape Model with Probabilistic Point Correspondences and EM-ICP." International Journal for Computer Assisted Radiology and Surgery (IJCARS) 2(5): 265-273.
  3. Hufnagel, H., Ehrhardt, J., Pennec, X., Ayache, N. and Handels, H. (2009a). "Computing of Probabilistic Statistical Shape Models of Organs Optimizing a Global Criterion." Methods of Information in Medicine 48(4): 314-319.
  4. Hufnagel, H., Ehrhardt, J., Pennec, X., Schmidt-Richberg, A. and Handels, H. (2009b). Level Set Segmentation Using a Point-Based Statistical Shape Model Relying on Correspondence Probabilities. Proc. of MICCAI Workshop Probabilistic Models for Medical Image Analysis (PMMIA'09): 34-44.
  5. Hufnagel, H., Ehrhardt, J., Pennec, X. and Handels, H. (2009c). Application of a Probabilistic Statistical Shape Model to Automatic Segmentation. World Congress on Medical Physics and Biomedical Engineering, WC 2009, München: 2181-2184.
  6. Hufnagel, H., Ehrhardt, J., Pennec, X., Schmidt-Richberg, A. and Handels, H. (2010a). Coupled Level Set Segmentation Using a Point-Based Statistical Shape Model Relying on Correspondence Probabilities. Proc. SPIE Symposium on Medical Imaging 2010: 6914 6914T6911-6914T6918.

Projektteam:

Dipl.- Inf. Heike Hufnagel
Dr. Jan Ehrhardt
Prof. Dr. Heinz Handels

Kooperationspartner:

Prof. Dr. Nicholas Ayache
Dr. Xavier Pennec
INRIA, Institut National de Recherche en Informatique et en Automatique, Epidaure Group, Sophia Antipolis Cedex, Frankreich

 

Stat_Form_ICON-80.jpg
Erstellt am 11. Mai 2010 - 15:44 von Hufnagel. Zuletzt geändert am 4. Juli 2014 - 12:36.

4D Medical Image Computing zur modellbasierten Analyse atmungsbedingter Tumor- und Organbewegungen

Atmungsbedingte Bewegungen stellen eines der Hauptprobleme der Strahlentherapie thorakaler und abdominaler Tumoren dar. Räumlich-zeitliche Bilddaten, auch 4D-Bilddaten genannt, haben der Strahlentherapie die Möglichkeit eröffnet, die räumlich-zeitliche Bewegung und Verformung von Tumoren und inneren Organen während der Atmung zu erfassen. In diesem Projekt werden unter Verwendung von artefaktreduzierten, räumlich und zeitlich hochaufgelösten 4D-CT-Datensätzen Methoden zur Modellierung, Analyse und Visualisierung dieser Bewegungen entwickelt. Die Methoden sollen als Grundlage einer Verbesserung der strahlentherapeutischen Behandlung durch Einbeziehung der räumlich-zeitlichen Tumorbewegung und Organdeformationen dienen.

Methodische Schwerpunkte des Projektes sind die Entwicklung und Evaluation von optimierten nicht-linearen Registrierungsverfahren zur möglichst genauen Schätzung von 3D-Bewegungsfeldern in 4D-Bilddaten und deren Nutzung zur Bewegungsanalyse und -modellierung von Tumoren und strahlentherapeutischen Risikoorganen (Abb.1 und 2). Auf Basis des verfügbaren Patientenkollektivs werden z.B. Interpatientenvariabilitäten hinsichtlich der auftretenden Bewegungen bestimmt. Hierbei werden die Lungenbewegungen in verschiedenen Lungenregionen betrachtet und regionenbezogene Analysen durchgeführt. Jeweilige Resultate werden genutzt, um z.B. die von dem bewegten Tumor während der Atmung überstrichenen Volumina für die unterschiedlichen Patienten zu vergleichen und Aussagen abzuleiten, ob es möglich ist, für unterschiedliche Lungenregionen typische Atemmuster zu identifizieren.

Das Projekt wird durch die Deutsche Forschungsgemeinschaft (DFG) gefördert (HA 2355/9-1).


Abb. 1: Visualisierung atmungsbedingter Bewegungen der Lunge, basierend auf einer Bewegungsfeldschätzung mittels optischer Fluss basierter Registrierung. Die Bewegungsamplitude ist farbkodiert dargestellt (rote Pfeile: Bewegungen von mehr als 20 mm). Abb. aus Handels et al., IJMI 76S, 433-9, 2007.


Abb. 2: Farbkodierte Visualisierung der Aufenthaltswahrscheinlichkeit von Lungentumoren von zwei Patienten, dargestellt je für ein koronares Schnittbild.

Ausgewählte Publikationen:

  1. Alexander Schmidt-Richberg, Jan Ehrhardt, René Werner, Heinz Handels
    Slipping Objects in Image Registration: Improved Motion Field Estimation with Direction-dependent Regularization
    In: G.-Z. Yang Hawkes D., Reuckert D., Noble A., Taylor C. (eds.), Medical Image Computing and Computer-Assisted Intervention - MICCAI 2009, Part I, LNCS 5761, Springer Verlag, Berlin, 755-762, 2009.
  2. H. Handels, R. Werner, T. Frenzel, D. Säring, W. Lu, D. Low, and J. Ehrhardt:
    4D Medical Image Computing and Visualization of Lung Tumor Mobility in Spatio-temporal CT Image Data, International Journal of Medical Informatics, 76S, S433-S439, 2007.
  3. J. Ehrhardt, R. Werner, T. Frenzel, W. Lu, D. Low,  H. Handels:
    Analysis of Free Breathing Motion Using Artifact Reduced 4D CT Image Data, In: P.W. Pluim, J.M. Reinhardt (eds.), SPIE Medical Imaging 2007: Image Processing, San Diego, Proc. SPIE, Vol. 6512, 1N1-1N11, 2007.
  4. R. Werner, J. Ehrhardt, T. Frenzel, W. Lu, D. Low, H. Handels:
    Analysis of Tumor-influenced Respiratory Dynamics using Motion Artifact Reduced Thoracic 4D CT Images. In: T. Buzug et al. (eds.), Advances in Medical Engineering, Springer Verlag, Berlin, 181-186, 2007.

Projektteam:

Dipl.-Inf. Dipl.-Phys. René Werner
Dr. Jan Ehrhardt
Dipl.-Inf. Alexander Schmidt-Richberg
Prof. Dr. Heinz Handels

Kooperationspartner:

Dr. rer. nat. Florian Cremers
Klinik und Poliklinik für Strahlentherapie und Radioonkologie
Universitätsklinikum Hamburg-Eppendorf (UKE)

Dr. med. Dr. rer. nat. Thorsten Frenzel
Ambulanzzentrum des UKE GmbH
Bereich für Strahlentherapie

Prof. Daniel Low and Dr. Wei Lu
Washington University in St. Louis, School of Medicine
St. Louis, MO, USA

 

lunagandtumor03.jpg
Erstellt am 7. Mai 2010 - 18:58. Zuletzt geändert am 26. Juni 2014 - 15:45.

Studium

Medizinische Informatik
an der Uni Lübeck studieren

Informationen für
Interessierte
u. Einsteiger

Anschrift

Institutssekretariat
Susanne Petersen

Tel+49 451 3101 5601
Fax+49 451 3101 5604


Gebäude 64 (Informatik)

Ratzeburger Allee 160
23538 Lübeck
Deutschland