Für die Planung von Hüftoperationen ist eine genaue Analyse der patientenindividuellen Geometrie erforderlich. Dabei ist vor allem die Oberflächenstruktur der Hüftpfanne (Acetabulum) als Kontaktregion zum Femurkopf von besonderem Interesse.

Ziel dieser Arbeit ist es, die verschiedenen Unterstrukturen des Actetabulum (fossa acetabuli, incisura acetabuli, ...) in einem 3D Oberflächenmodell zu erkennen. Dabei kann auf den Ergebnissen der Arbeit "Automatische Erkennung des Acetabulum in 3D-Pelvis Modellen" von Lurz Jurek Leonhardt aufgebaut werden. Mit der Detektion der Substrukturen des Acetabulums sollen die dort vorgestellten Methoden, bspw. im Bereich der incisura, weiter verbessert werden.

In klinischen Prozessen spielt die tomographische Bildgewinnung heutzutage eine immer größere Rolle. Die dabei gewonnen Schichtbilddaten sind jedoch nur der erste Schritt eines komplexen Verarbeitungsprozesses. Eine auch heute noch schwierige Aufgabe ist die sogenannte Segmentierung, bei der bestimmte Substrukturen (Organe, Knochen, ...) identifiziert werden. Als besonders vielversprechend haben sich dabei Algorithmen gezeigt, die anwendungsspezifisches Modellwissen mit einbeziehen (modelbasierte Segmentierung).

Die Medizin hat im letzten Jahrhundert in Form von bildgebenden Verfahren ein bedeutendes Hilfsmittel erhalten. Basierend auf verschiedenen physikalischen Eigenschaften, bilden sie die innere Anatomie eines Patienten auf diskrete Volumendaten ab: Es entstehen dreidimensionale Bilder, auf denen unterschiedliche Gewebearten durch variierende Grauwerte dargestellt werden.

Eine Schlüsselrolle in der Auswertung dieser Bilder fällt der Segmentierung zu, einem Prozess, der relevante Objekte (z.B. Knochen) identifiziert und voneinander abgrenzt. Eine häufig verwendete Klasse von fortgeschritteneren Segmentierungsverfahren basiert auf den sogenannten "Deformable Models". Dabei wird ein Dreiecksnetz im Bild platziert und fortlaufend unter Krafteinwirkung verformt, bis das gesuchte Objekt bestmöglich ausgefüllt wird. Anschaulich lässt sich dieser Vorgang etwa mit dem Aufblasen eines Luftballons vergleichen, dessen Wachstum durch die Bildinformationen beeinflusst wird. Erschwert wird dies jedoch durch die üblicherweise schlechte Qualität medizinischer Aufnahmen, die oftmals dazu führt, dass das Modell nicht die gewünschte Form annimmt.

Eine Möglichkeit das Verfahren robuster zu gestalten, liegt in der Kombination mit Statistical Shape Models (SSM). Um diese aufzustellen, werden Trainingsobjekte untersucht, die durch korrespondierende Punktmengen beschrieben sind. Nach einer statistischen Analyse der Punktpositionen, wird eine Wissensbasis darüber erstellt, wie Objekte eines Typs üblicherweise geformt sind und auf welche Weise einzelne ihrer Merkmale variieren. Dieses Wissen kann unter anderem dazu genutzt werden, die Wahrscheinlichkeit beliebiger Objekte zu bestimmen oder neue zu generieren, die der Trainingsmenge ähneln. Basierend darauf kann ein Deformable Model so gesteuert werden, dass es sich nur auf eine Weise verformt, die statistisch gesehen plausibel ist.

In der vorliegenden Arbeit wird das bestehende YaDiV Deformable Model Framework um eine eigene SSM Komponente erweitert und deren Verbesserungspotential evaluiert.

Hüftimplantate zählen zu den häufigsten orthopädischen Operationen. Für eine patientenindividuelle Planung von Implantat und Eingriff ist es notwendig, sowohl die Hüfte (Pelvis) als auch den Oberschenkelknochen (Femur) zu identifizieren. Von besonderem Interesse ist dabei die Kontaktregion, die aus dem Kopf des Femur (caput ossis femoris) und der Hüftpfanne (acetabulum) besteht.

Ziel dieser Arbeit ist es, das Acetabulum in gegebenen 3D-Pelvis Modellen zu identifizieren. Dafür sollen unterschiedliche Algorithmen untersucht, implementiert und verglichen werden.

Volumenkörper werden in der Computergrafik oft durch die Darstellung ihrer Oberfläche als Dreiecksnetz repräsentiert. Gerade bei komplexeren Objekten kann dabei die Dreieckszahl schnell mehrere Millionen erreichen, was auch heute noch eine Herausforderung für die Grafikkarte darstellt. Zwar existieren Verfahren, die ein Dreiecksnetz vereinfachen (= die Anzahl der Dreiekce reduzieren), dabei besteht jedoch immer die Gefahr, dass wichtige Details der Oberfläche Verloren gehen können oder schlimmstenfalls sogar Selbstüberschneidungen erzeugt werden. Eine interessante Alternative stellen die sogenannten Triangle-Strips dar. Bei dieser Datenstruktur, wird versucht, das Netz aus möglichst langen Dreiecks-Streifen zusammenzusetzen, bei der sich jeweilst zwei aufeinanderfolgende Dreiecke genau eine Kante teilen. Durch diesen Trick lässt sich im Idealfall der benöitgte Speicheraufwand auf 1/3 reduzieren. Das Problem der Findung einer solchen idealen Zerlegung ist jedoch N(P) vollständig. Daher existieren eine Vielzahl von Verfahren, die mit heuristischen Methoden versuchen, eine möglichst gute Triangle Strip Darstellung zu finden. Ziel dieser Arbeit ist es, verschiedene Verfahren aus dieser Kateogrie zu implementieren und für Dreiecksflächen aus medizinischen Anwendungen zu vergleichen. Zusätzlich soll ein eigenes Verfahren implentiert werden, bei dem der Augenmerk nicht in einer möglichst guten Strip Darstellung sondern der Erzeugung der Strip Struktur ohne nennenswerten Zeit- und Speicheraufwand liegt.

Im alltäglichen Leben ist die Hand einer der wesentlichsten Werkzeuge um mit der umgebenden Welt zu interagieren. Diese Interaktionsmöglichkeit wird bei der Arbeit mit Computern nur unzureichend über eingaben via Tastatur und Maus umgesetzt. Besonders bei Interaktionen mit einer dreidimensionalen Welt sind diese limitierten Werkzeuge ein großes Hinderniss für eine intuitive Steuerung. Natürlicher wäre eine Steuerung die die Bewegung der Hände mit einbeziehen würde. Dazu soll in dieser Bachelorarbeit der CyberGlove 2 Datenhandschuh zur Exploration einer dreidimensionalen Szene verwendet werden. Die Fingerstellung wird dabei über Widerstandssensoren im Handschuh gemessen und kann so zur Darstellung des Handmodells verwendet werden. Die Informationen über die Lage der Hand im Raum soll anschließend, durch am Kopf befestigte Kameras und Marker auf der Hand, rekonstruiert werden. Diese Arbeit soll in ein plattformunabhängiges Java-Framework integriert werden, dass die Darstellung dreidimensionaler Szenen mittels eines Head-Mounted-Displays ermöglicht soll. Die Darstellung wird in der Bachelorarbiet "Stereographische Visualisierung von 360° Aufnahmen auf einem Head Mounted Display (HMD)" durch Peter Denis implementiert. Durch die stereoskopsiche Darstellung der Szene gepaart mit der Interaktion durch die Hand soll so eine hohe Immersion erreicht werden, die ein intuitives Arbeiten in der virtuellen Szene erlaubt.

Zuverlässige Segmentierung ist eine der wichtigsten und zugleich komplexesten Aufgaben in der modernen Volumen Analyse. Besonders im Bereich der Medizin sind bildgebende Verfahren heute ein integraler Bestandteil des klinischen Alltags geworden, was zur Folge hat das ein hoher Prozentsatz der Arbeitszeit auf die Nachbearbeitung bzw. Strukturfindung aufgewendet werden muss. Hier setzen (teil-) automatisierte, modellbasierte Verfahren an. Eine prominente Klasse der modellbasierten Segmentierungsverfahren ist der "Deformable Model" Ansatz. Grundidee ist die Verwendung eines initiales Modells, üblicherweise durch ein 3D Netz repräsentiert, welches in einem iterativen Verfahren an die zu findende Kontur angepasst wird und sich in jedem Schritt ausbreitet oder schrumpft, vergleichbar mit einem Ballon in den (lokal) Luft hingepumpt oder abgelassen wird.

Ziel dieser Arbeit ist es, unter Verwendung des am Welfenlab entwickelte YaDiV Deformable Model Framework (YDMF) angepasste Modelle für die knöchernen Strukturen im Bereich des menschlichen Kniegelenks (Patella, Femur, Tibia) zu entwickeln. Als Volumendaten werden MRT-Aufnahmen zum Einsatz kommen, was eine zusätzliche Herausforderung an das Modell darstellt, da die Differenzierung von knöchernen Strukturen durch Weichgewebe in MRT-Aufnahmen erschwert wird.

Als erster Schritt soll ein Modell für die Patella entwickelt werden, welches mit anatomischen Landmarken versehen wird und durch eine lokal und global angepassten Expansions- bzw. Erosionskraft die Strukturfindung ermöglicht. Das Modell soll mit einer geringen Auswahl an Datensätzten trainiert und anschließend durch die Anwendung in neuen Aufnahmen evaluiert werden. Die gewonnen Erkenntnisse sollen dann für die Modellierung der Femur bzw. Tibia Modelle genutzt werden, bei denen die zusätzliche Herausforderung besteht, das hier oft nur eine Teilabdeckung im Aufnahmebereich besteht.

Wie viele Flecken sind hier zu sehen?

Oft übersehen wird dabei die Frage, ob die darstellbaren Farb- oder Grauwerte auch optisch auseinandergehalten werden können. Im DICOM Standard wurden dazu umfangreiche Untersuchungen durchgeführt und für die medizinische Befundung spezielle Monitore und Kalibrierungstechniken gefordert. Wie aber sieht es auf normalen LCD Monitoren aus, die z.B. in der präoperativen Planung verwendet werden?

Der Begriff Segmentierung beschreibt die Auswahl von Voxeln in einem Volumendatensatz entsprechend einem vom Benutzer gewählten Homogenitätskriterium. Ein einfaches Verfahren könnte z.B. alle Voxel zwischen einer unteren oder oberen Intensitätsschranke segmententieren (Min-Max-Verfahren). Sollen komplexere Formen erkannt werden, kommen meist modellbasierte Verfahren zum Einsatz. Ein Beispiel für eine solche, komplexe Form, stellt die knöcherne Augenhöhle (Orbita) dar. Ziel dieser Masterarbeit war es, modellbasierte Verfahren anhand des klinisch relevanten Beispiels der Orbita-Segmentierung zu untersuchen. Die  entwickelten Algorithmen sind jedoch allgemeiner und auch für andere Anwendungsfälle einsetzbar. Ein Hauptaugenmerk lag dabei auf dem Deformable Model  Ansatz. Dabei wird ein zur gesuchten Segmentkontur topologisch äquivalentes Startmodell schrittweise "aufgeblasen" und durch geeignete innere oder äußere Parameter (Formerhaltung, Gradienten,  ...) gebremst. Zur Demonstration des Verfahrens wurde ein Modul für die von Karl-Ingo Friese geschriebene Software YaDiV entwickelt werden, das die Visualisierung und Kontrolle der Evolutionssparameter in jedem Schritt erlaubt.

In der Ausarbeitung wurde der Einfluss unterschiedlicher Parametergewichtungen untersucht. Ein weiteres Ziel dieser Arbeit bestand in der automatisierten Bestimmung anatomisch interessanter Punkte und Größen (Winkel, Abstände, etc.) und einer Analyse der Segmentgüte.

Bildgebende Verfahren haben insbesondere in der medizinischen Anwendung eine große Verbreitung erfahren. So sind z.B. Computertomographie oder Magnet-Resonanz-Tomographie aus dem klinsichen Alltag nicht mehr wegzudenken. Um die gewonnen 3D-Daten auch 3-dimensional zu visualiseren, können unterschiedliche Methoden des Direct-Volume-Rendering verwendet werden. Die Algorithmen unterscheiden sich vor allem in Laufzeit und Bildqualität. Ein vergleichender Überblick über die gängigen Verfahren wird z.B. in der Diplomarbeit von Dominik Sarnow gegeben.

In der medizinische Diagnostik werden bei der Röntgenbildaufnahme oder Tomographie hingegen spezielle Graustufenmonitore ("Befundungsmonitore") verwendet, die bis zu 4096 unterschiedliche Graustufen darstellen können um z.B. Röntgenbilder oder CT-Aufnahmen beurteilen zu können. Dabei gilt schwarz als niedrigster und weiß als höchster Absoptionswert. Ein handelsüblicher PC kann auf einem RGB Monitor insgesamt 16,8 Millionen Farben darstellen, aber nur 256 Graustufen. Hier stellt sich die Frage, ob es wirklich nötig ist, mehr als 256 Abstufungen am Monitor darzustellen. Werden die Graustufen von normalen 8-Bit Monitoren genauso gut dargestellt, oder ist die Abstufung von 256 Grautönen für medizinische Anwendungen ein Muss, weil sonst 8-bit-Displays zu Fehldiagnosen oder unentdeckten Details führen könnten?

Um diese Fragen beantworten zu können, wurden in dieser Studienarbeit unterschiedliche Versuche durchgeführt. Es wurde untersucht, wieviele
RGB-Grauwerte das menschliche Auge überhaupt unterscheiden kann, welche Faktoren dabei eine Rolle spielen und ob es Unterschiede zwischen teuren
und preiswerten Monitoren in Hinsicht auf die Graustufendarstellung gibt.

Inhalt dieser Arbeit war die Implementierung und der Vergleich verschiedener Direct Volume Rendering Verfahren zur Visualisierung von Voxeldaten. In der Medizin werden 3D-Bildgebende Verfahren wie die Computertomographie  (CT) täglich eingesetzt, um eine digitale Repräsentation des Menschlichen Körpers oder Körperteilen zu gewinnen. Diese Daten werden üblicherweise als Voxeldaten gespeichert. Einen Voxel kann man sich als kleinen "Würfel" (quasi ein dreidimensionales Gegenstück zum 2D-Pixel) vorstellen. Jeder Voxel enthält einen zusätzlichen Wert, der bei der Computertomographie als Materialdichte interpretiertwerden kann - und bei der Visualisierung üblicherweise als Graustufe dargestellt wird. In dieser Arbeit werden verschiedene Verfahren Voxeldaten  zu visualisieren verglichen. Diese Verfahren lassen sich grob in 4 Kategorien einteilen.

• Ray Casting,
• Splatting,
• Shear Warp und
• Texture-Based Algorithmen.

Ziel der Arbeit war es,  mindestens ein Verfahren aus aus jeder Kategorie zu implementieren und hinsichtlich Laufzeit, Speicherverbrauch und optischem Eindruck zu vergleichen. Übergeordnetes Projekt: YaDiV

• Randflächenrekonstruktion von Volumenkörpern anhand diskreter Daten
  Karl-Ingo Friese, Leibniz Universität Hannover, Januar 2000.
• Flächenrekonstruktion aus Mengen diskreter Messpunkte
  Bijan Farajollahi, Leibniz Universität Hannover, Juni 1999.