General model-based segmentation strategy for holistic analysis of tomographic medical image data in 3D radiology
Gerald Adam Zwettler · 2014
Die prazise und bevorzugt vollautomatisch durchgefuhrte Segmentierung von tomographischen Patientendatensatzen ist fur die quantitative Analyse und computergestutzte Diagnostik unabdingbar, um etwa den Krankheitsverlauf bewerten zu konnen oder multi-modale Bildgebung zu ermoglichen. Modellbasierte Verfahren, wie Active Appearance Models (AAM) oder Level Sets, ermoglichen prazise und automatisierte Segmentierungen in spezifischen diagnostischen Domanen. Die Adaptierung auf andere Zielstrukturen bedingt jedoch erheblichen Anpassungsaufwand in Bezug auf die Parametrierung bzw. eine grose und umfassende Anzahl an Referenzsegmentierungen, um die a priori Modelle trainieren zu konnen. Ferner zielt der Stand der Technik an Segmentierungskonzepten auf die Verarbeitung spezifischer Zielstrukturen ab. Die generische Segmentierung samtlicher in den tomographischen Datensatzen befindlicher Strukturen bleibt jedoch ungelost. Diese Arbeit realisiert einen generischen Segmentierungsansatz, der es erlaubt, fur eine definierte diagnostische Domane automatisierte Segmentierungen des kompletten Volumsdatensatzes zu erstellen. Die anatomischen Strukturen werden dabei mittels hierarchischer Topologie modelliert und das assoziierte statistische a priori Modell wird anhand einer kleinen Anzahl an erforderlichen Referenzsegmentierungen trainiert. Die Segmentierung umfasst dabei einer Fragmentierung der Voxel in zusammengehorige Regionen, sodass die Zuteilung zu den vordefinierten anatomischen Strukturen als Feature-basiertes Klassifizierungsproblem definiert werden kann. Da der Bedarf an Referenzsegmentierungen mit 10-20 Datensatzen gering ist, kann die Anpassung fur andere Bildgebungsmodalitaten bzw. Anatomien ohne grosen Aufwand und vollautomatisch erfolgen, da auch die probaten Features fur die jeweilige Domane automatisiert selektiert werden. Die Vorsegmentierung erfolgt als Wasserscheidentransformation, wobei zur signifikanten Steigerung der Robustheit und Ergebnisgenauigkeit, nebst Gradienten, auch Konfidenz-Schwellwerte fur die Intensitatsprofile sowie Nachbarschaftsadjazenz miteinbezogen werden. Die Konfidenz-Intervalle werden dabei dynamisch anhand des lokal im Volumen vorherrschenden Kontrastniveaus errechnet, sodass eine homogene Granularitat der Segmentierungen erwirkt wird. Durch morphologisches Opening als Nachverarbeitungsschritt konnen Artefakte und invalide Verbindungen korrigiert werden. Fur die vorsegmentierten Regionen werden nachfolgend n=30 lokale Features in Bezug auf die erzielbare Klassifizierungsgenauigkeit, i.e. predictability, evaluiert. Die lokalen Features umfassen dabei intensitatsbasierte Auswertungen, statistische Kenngrosen, geometrische Aspekte sowie Metriken, die von der co-occurrence Matrix errechnet werden konnen. Fur die statistische Verteilung der Feature-Werte, die von Regionen einer anatomischen Klasse abgeleitet werden, wird eine Gauss'sche Verteilung angenommen, sodass die predictability etwa gemay cumulated probability density function (CPDF), multivariate probability density function (MVPDF) oder eines multidimensionalen Histogramms errechnet werden kann. Neben den lokalen Features werden auch m=13 Meta-Features definiert, die nicht fur einzelne Regionen errechnet, sondern anhand der Menge aller Regionen einer Klasse bestimmt werden, die der jeweiligen anatomischen Struktur zugewiesen wurden. Im Falle von sich uberlappenden lokalen Feature-Verteilungen kann mit Hilfe der Meta-Features ein hoheres Mas an Robustheit bewirkt werden. Die fur die jeweilige Segmentierungsdomane zweckmasigen Meta-Features, wie etwa erwarteter Voxel-Anteil oder Anzahl an zusammenhangenden Komponenten fur die jeweiligen anatomischen Strukturen, werden mittels umbrella Monte Carlo Integration automatisiert bestimmt. Neben der predictability der einzelnen lokalen und Meta-Features wird dabei auch deren Korrelation berucksichtigt. Fur die Klassifizierung selbst werden etablierte Verfahren des maschinellen Lernens, wie etwa neuronale Netze (NN), genetische Programmierung (GP) und Support Vector Machines (SVM) evaluiert. Um die Meta-Features miteinfliesen lassen zu konnen, wird das Konzept der Evolutionsstrategie (ES) adaptiert, um zielgerichtete Mutation und eine gute Balancierung zwischen lokaler und globaler Suchaspekte bewirken zu konnen. Die lokalen Features werden dabei fur die Allele der Regionen berechnet, wohingegen die Meta-Features fur Individuen, die jeweiligen Losungskandidaten, errechnet werden. Ergebnisse zeigen die Anwendbarkeit des vorgestellten Ansatzes fur die evaluierten Bildgebungsmodalitaten und diagnostischen Domanen. Fur das Training des a priori Modells sind lediglich 10-15 Referenzdatensatze erforderlich, um den Grosteil an anatomischer Variabilitat abdecken zu konnen. Die automatische domanenspezifsche Feature-Selektion konnte anhand unterschiedlicher Szenarien validiert werden. Sowohl die hybride Wasserscheiden Vorsegmentierung als auch die nachfolgend angewandte Evolutionsstrategie zur Klassifizierung erlauben Segmentierung mit hoher Genauigkeit. Ausgehend von prazisen Segmentierungsmasken, kann eine weitere anatomische Unterteilung anhand von medizinischer Atlanten erfolgen. Diese Arbeit prasentiert dabei mehrere Klassifizierungsstrategien, um bei der anatomischen Unterteilung die patientenspezifische anatomische Variabilitat miteinfliesen lassen zu konnen. Fur die hamodynamische Analyse gefasversorgter anatomischer Strukturen kann etwa fur die Leberlappenunterteilung nach Couinaud die vaskulare Topographie des jeweiligen Patienten miteinbezogen werden. Ein neuartiger Skeletonierungsansatz, basierend auf randomisierter Erosion, sowie anschliesend durchgefuhrte Graphanalyse ermoglichen die nachfolgende Zuteilung der Voxel mit Hilfe von randomisierter Dilation, um zwischen den zu differenzierten Strukturen glatte Schnittkanten zu bewirken. Das entwickelte modellbasierte Segmentierungskonzept wird fur unterschiedliche Bildgebungsmodalitaten und diagnostische Zielstrukturen evaluiert. Neben brainweb MRI Datensatzen werden auch anonymisierte CT Patientendatensatze des Abdomens und des Herzens verwendet. Um die Feature-Analyse bzw. die unterschiedlichen Klassifizierungsansatze sowie die Relevanz der Meta-Features quantitativ evaluieren zu konnen wurde im Zuge dieser Arbeit ein Simulator fur geometrische Reprasentierungen und 3D Intensitatsvolumina entwickelt. Die prasentierte generische Segmentierung-Methode Segmentierung von tomografischen Patientendatensatzen ermoglicht die automatische Anpassung an spezifische diagnostische Fragestellungen, wobei nur eine geringe Anzahl an Referenzsegmentierungen erforderlich ist. Die Segmentierungsergebnisse konnen bei der Entwicklung komplexer Segmentierungsansatze als Vergleichsbasis dienen bzw. zur automatischen Eruierung von Parametern und dadurch zum Training von a priori Modellen eingesetzt werden.