Knowledge-based segmentation of calvarial tumors with automatic parameter screening

Popovic, Aleksandra; Aach, Til

doi:urn:nbn:de:hbz:82-opus-22540

Knowledge-based segmentation of calvarial tumors with automatic parameter screening = Wissensbasierte Segmentierung von Schädeltumoren mit automatischem Parameter-Screening

Popovic, Aleksandra (Author)

2007 & 2008

Verantwortlichkeitsangabevorgelegt von Aleksandra Popovic

ImpressumAachen : Publikationsserver der RWTH Aachen University 2007

UmfangXII, 132 S. : Ill., graph. Darst.

Aachen, Techn. Hochsch., Diss., 2007

Prüfungsjahr: 2007. - Publikationsjahr: 2008

Genehmigende Fakultät
Fak06

Hauptberichter/Gutachter
Aach, Til (Thesis advisor)

Tag der mündlichen Prüfung/Habilitation
2007-12-19

Online
URN: urn:nbn:de:hbz:82-opus-22540
URL: https://publications.rwth-aachen.de/record/50050/files/Popovic_Aleksandra.pdf

Einrichtungen

Lehrstuhl für Medizintechnik (419410)

Inhaltliche Beschreibung (Schlagwörter)
Medizintechnik (Genormte SW) ; Bildverarbeitung (Genormte SW) ; Dreidimensionale Bildverarbeitung (Genormte SW) ; Neurochirurgie (Genormte SW) ; Ingenieurwissenschaften (frei) ; Computer unterstützte Chirurgie (frei) ; Roboter unterstützte Chirurgie (frei) ; Level Sets (frei) ; Wissensbasierte Bildverarbeitung (frei) ; medical image processing (frei) ; neurosurgery (frei) ; computer and robot assisted surgery (frei) ; level sets (frei) ; knowledge-based image processing (frei)

Thematische Einordnung (Klassifikation)
DDC: 620
ccs: J.3 LIFE A

Kurzfassung
Die vorliegende Arbeit befasst sich mit dem Problem der automatischen Segmentierung von Schädeltumoren aus Computer-Tomographie-Bildern und offenen Fragen im Bereich der Validation der Segmentierung medizinischer Bilder. Die Motivation dieser Arbeit liegt in der Entwicklung des CRANIOSystems für die computer- und robotergestützte Craniotomie (in Entwicklung am Lehrstuhl für Medizintechnik, Helmholtz-Institut für Biomedizinische Technik der RWTH Aachen). Schädeltumore bestehen aus verschiedenen Gewebetypen, erzeugen eine große Bandbreite von Bildintensitäten, zeigen schwache Konturgrenzen und weisen oft isolierte knöcherne Inseln im Weichgewebe auf. Dies macht die Modellierung und Segmentierung von Schädeltumoren zu einer herausfordernden Aufgabe. Im ersten Teil der Arbeit werden gebräuchliche statistische und geometrische Maße zur Validierung vorgestellt und analysiert. Hierauf folgt eine Anfoderungsanalyse für ein anwendungsorientiertes Bewertungskriterium. Zum Schluss wird ein neues statistisches Validierungsmaß vorgeschlagen und evaluiert. Bildintensität und Form von Schädeltumoren werden analysiert um Informationen zu erhalten, die für wissensbasierte Segmentierungsalgorithmen verwendet werden können. Verschiedene Modelle zur Beschreibung von Intensitätsverteilung werden vorgestellt und statistisch verglichen. Die Modelle werden in einen wissensgesteuerten Segmentierungsalgorithmus integriert, der auf einem Level-Set Framework basiert. Eine innovative Level-Set Speed-Function wird vorgeschlagen, welche Bildinformationen und a-priori-Wissen verbindet. Der Einfluss der Modellierungsmethoden auf das Segmentierungsergebnis wird untersucht, gefolgt von einer klinischen Studie mit zehn Patienten. Die größte Hürde für die Nutzung automatischer Segmentierungsalgorithmen in der medizinischen Praxis ist ihre Unfähigkeit, sich an biologische und Bild-Variationen anzupassen. Zur Lösung dieses Problems werden Segmentierungsalgorithmen durch inhärente Parameter gesteuert. In dieser Arbeit wird ein Rahmen für ein automatisches statistisches Parameter-Screening vorgeschlagen und validiert. Zum Abschluss werden einige praktische Überlegungen für die Integration der vorgeschlagenen Methoden in ein medizinisches System sowie Richtlinien für die weitere Arbeit gegeben. In der Arbeit werden drei Beiträge entwickelt: eine medizinisch orientiertes Maß zur Segmentierungsvalidierung, ein wissensbasierte Verbesserung des Level-Set-Algorithmus sowie einen Rahmen für ein automatisches Parameter-Screening.

This thesis addresses the problem of automatic segmentation of calvarial tumors from Computed Tomography (CT) images and open issues related to validation in the medical image segmentation. The motivation for this work is based on the development of the CRANIO system for computer and robot assisted craniotomy under development at the Chair of Medical Engineering, Helmholtz-Institute for Biomedical Engineering, RWTH Aachen University. Calvarial tumors comprise different tissue types, occupy a wide range of image intensities, have frail borders, and may often exhibit isolated islands of the bone within the soft tissue. Therefore, modeling and segmentation of the calvarial tumors is a challenging task. In the first part of the thesis, commonly used statistical and geometrical validation metrics are presented, followed by feature analysis and definition of requirements for an application oriented figure-of-merit. Finally, a novel statistical metric is proposed and evaluated. Intensity and shape appearance of calvarial tumors is analyzed to obtain information that might be used in a knowledge-guided segmentation algorithm. Different intensity distribution models are presented and statistically compared. The models are integrated in a knowledge-driven segmentation algorithm, based on the level set variational framework. A novel level set speed function, combining image and a priori knowledge terms is proposed. The impact of modeling approaches on the outcome is investigated, followed by a clinical validation study. The major obstacle for using automated segmentation algorithms in medical practice is their incapability to capture the biological and image quality variability. To overcome this problem, segmentation algorithms are guided with an inherent parameter set. In this thesis, a framework for an automatic statistical parameter screening is proposed and validated. Finally, some practical considerations for the integration of the proposed methods in a medical system and guidelines for the further work are given. This work offers three major contributions: a medically-oriented segmentation validation metric, a knowledge-guided extension of the level set segmentation framework, and an automatic parameter screening algorithm.

Fulltext:
PDF