Höherdimensionale Modelle zur Segmentierung biologischer Strukturen

Bredno, Jörg; Oberschelp, Walter

doi:urn:nbn:de:hbz:82-opus-3111

Höherdimensionale Modelle zur Segmentierung biologischer Strukturen

Bredno, Jörg (Author)

2002

Verantwortlichkeitsangabevorgelegt von Jörg Bredno

ImpressumAachen : Publikationsserver der RWTH Aachen University 2002

UmfangVIII, 211 S. : Ill., graph. Darst.

Aachen, Techn. Hochsch., Diss., 2002

Genehmigende Fakultät
Fak01

Hauptberichter/Gutachter
Oberschelp, Walter (Thesis advisor)

Tag der mündlichen Prüfung/Habilitation
2002-03-21

Online
URN: urn:nbn:de:hbz:82-opus-3111
URL: https://publications.rwth-aachen.de/record/56903/files/Bredno_Joerg%20.pdf

Einrichtungen

Fakultät für Mathematik, Informatik und Naturwissenschaften (100000)

Inhaltliche Beschreibung (Schlagwörter)
Biowissenschaften, Biologie (frei)

Thematische Einordnung (Klassifikation)
DDC: 570

Kurzfassung
Viele Aufgaben der medizinischen Bildverarbeitung benötigen eine robuste Segmentierung von Bildmaterial. Informationen über Position und Umriss dargestellter Objekte erlauben eine nachfolgende Extraktion relevanter Informationen. Die Segmentierung wird dadurch erschwert, dass viele bildgebende Diagnosegeräte höherdimensionales Bildmaterial (bewegte Bilder, Volumendatensätze, Mehrkanalmessungen) liefern. Ein neu konzipiertes Modell kann auf Bildmaterial beliebiger Dimension Objekte beliebigen Erscheinungsbildes segmentieren. Zunächst werden modellbasierte Verfahren zur Segmentierung kategorisiert. Ausgehend von dieser Kategorisierung werden Anforderungen an ein Modell zur robusten Segmentierung medizinischer Bilder formuliert. Ein diesen Anforderungen entsprechendes Ballon-Modell wird vorgestellt. Das Modell kann durch eine allgemeine Formulierung in Bildräumen beliebiger Dimension instanziert werden. Objekte werden durch Simplex-Komplexe repräsentiert. In einer mechanischen Simulationsrechnung wird das Modell durch unterschiedliche Einflüsse deformiert, um sich signifikanten Strukturen im Bild anzunähern. Bei der Berechnung von Bildeinflüssen werden Bildwerte auch auf Mehrkanalbildern in Untermengen auswertet, die dieselbe Dimension haben wie der Bildraum selbst. Das Ballon-Modell wird hybrid mit einem statistischen formbasierten Modell verknüpft. Formwissen aus einem automatisch generierten Point-Distribution-Model wird genutzt, um gerichtete Formkräfte zu ermitteln. Im Zusammenspiel aller Kräfte ergibt sich dabei ein Segmentierungsergebnis, ohne dass eine initiale Kontur vorgegeben werden muss. Schnitte von Simplexen untereinander zeigen Inkonsistenzen in der Objektrepräsentation an. Dieses Problem vieler aktiver Konturen wird im vorliegenden Modell gelöst, indem die Schnitte detektiert und anschließend korrigiert werden. Dabei werden adaptiv Topologieänderungen der Kontur oder die Trennung in mehrere Einzelobjekte durchgeführt. Eigens entwickelte Methoden erlauben den Transfer in die klinische Diagnostik. Die Parametrierung des Modells kann auf Basis einer manuellen Segmentierung eines exemplarischen Bildes automatisch trainiert werden. Für heterogene Bildmengen können mehrere exemplarische Bilder gewählt werden, aus denen nach einer globalen Texturanalyse für jedes zu segmentierende Bild ein individueller Parametersatz ermittelt wird. Kontextfreie Experimente auf synthetischem Bildmaterial erfassen die Leistungsfähigkeit der Segmentierung unter variablen Bedingungen und die Abhängigkeit einer Segmentierung von der Parameterwahl. Für kontextbasierte Experimente auf realem Bildmaterial, für das keine valide Referenzsegmentierung vorliegt, wurde eine Methode zur Erzeugung von Silberstandards entwickelt. Damit können realistisch texturierte synthetische Bilder mit a-priori bekannter Objektkontur erzeugt werden. Exemplarisch wurde das Modell zur Segmentierung von immunohistochemisch gefärbten Mikroskopien von Nervenzellen, Computertomographien der Wirbelsäule nach Bandscheibenvorfall, einer Magnetresonanztomographie des schlagenden Herzens und laryngoskopischen Farbvideosequenzen eingesetzt. Die Robustheit der Segmentierung konnte dabei jeweils quantifiziert werden.

Many tasks in medical image processing require the robust segmentation of images. Information on the position and contour of objects allows the subsequent extraction of relevant quantitative information. This task is difficult due to actual imaging modalities that provide multi-dimensional (volumetric, time-variable, and multichannel) images. A newly formulated model is able to segment objects with arbitrary occurrence in images of any dimension. Model based segmentation methods are categorized. Subsequently, it is possible to formulate specifications that a model must meet for the robust segmentation of medical images. According to these specifications, a balloon-model is introduced. Objects are represented by a simplicial complex. Using mechanic simulations, this model is deformed to adapt to significant structures in an image. For the computation of image influences in single- and multichannel images, subsets of the same dimension as the image space itself are taken into account. The balloon-model is combined with a shape-based model. Shape knowledge from an automatically generated point distribution model is used to compute directed shape forces. The combination of all forces results in a segmentation result even if an initial contour is not given. The intersection of simplexes forms an inconsistency of the contour. This frequent problem for active contours is solved by methods that detect and correct such intersections. If necessary, these methods adaptively change the topology of objects. Further methods were developed to allow the transfer into clinical routine. The required parameter setting can be trained based on an exemplary segmentation. For heterogeneous image sets, more than one exemplary segmentation can be given. Then, an individual parameter set is computed for each image using global texture features and their similarity to prototype images. Non-contextual experiments on synthetic image material quantify the quality of segmentations for varying image properties and the dependency of the model on parameter choices. For contextual tests on medical images, usually no valid reference segmentation is known. Therefore, a silver-standard method to create synthetic images with realistic textures and contours was developed. The model was exemplary applied to immunohistochemically stained micrographs of neurons, CTs of vertebrae following prolaps of intervertebral discs, a MR of the beating heart, and laryngoscopic color video sequences. The robustness of segmentations was quantified in all applications.

OpenAccess:
PDF
(additional files)