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