Komplexe regionenbasierte Segmentierungsverfahren mit der Level Set Methode in der medizinischen Bildverarbeitung

Björn Scheuermann, Leibniz Universität Hannover, Diplomarbeit
10/2008

In vielen Bereichen der modernen Medizin dienen Bilddaten aus Röntgen-Geräten, Magnet-Resonanz-Tomographen, Computer-Tomographen sowie Sonographen der Diagnostik oder Operationsplanung.

Typischerweise sind diese Bilddaten häufig relativ kontrastarm und durch Bildrauschen gestört. Zudem ist die optimale Wahl des Bildausschnitts und der Richtung der Aufnahme nicht eindeutig zu bestimmen. Dem Betrachter wird es dadurch erschwert, relevante Informationen von irrelevanten Informationen zu unterscheiden. Durch diese Problematik können die relevanten Informationen meist nur von einem Experten manuell segmentiert werden.

Diese manuelle Segmentierung ist vor allem bei dreidimensionalen Volumendaten sehr zeitaufwändig, da sich der Experte durch mehrere dutzend oder sogar hunderte Schichtbilder beziehungsweise Datensätze arbeiten muss. Hier wäre ein effizientes Verfahren notwendig, dass mit geringem Bedarf an Benutzerinteraktion die relevanten Informationen findet und von den irrelevanten Daten trennt beziehungsweise alle Daten segmentiert, die unter einem bestimmten Homogenitätskriterium inhaltlich zusammen gehören. Diese semiautomatischen Verfahren sind daher Gegenstand aktueller Forschung.

Den oben genannten Kriterien übergeordnet ist das Kriterium der Robustheit gegenüber Bildstörungen und das Kriterium der Genauigkeit, weil ein (semi-) automatisches Verfahren das manuelle Verfahren nur dann vollständig ersetzen kann, wenn es zumindest eine ebenbürtige Genauigkeit bietet.

Zur Zeit existieren bereits eine Vielzahl von Verfahren, die unterschiedliche Ansätze verfolgen und es dem Benutzer erleichtern, die relevanten Informationen von irrelevanten zu trennen. Zu den Einfachsten solcher Verfahren gehören unter anderem die Min-Max Segmentierung und die Region-Grow Segmentierung, die kurz vorgestellt werden, da sie im Laufe der Arbeit zum Vergleich und zur sogenannten Vorsegmentierung verwendet werden. In meiner Studienarbeit wurden zwei regionenbasierte Verfahren implementiert und untersucht, die zur Segmentierung aktive Konturen (oder „Snakes“) verwenden und auf den Level Set Methoden aufbauen. Das erste Verfahren nutzt das sogenannte „edge-stopping“, wohingegen das zweite Verfahren auf einem „energy minimization“ Algorithmus basiert.

Ziel dieser Diplomarbeit ist die Optimierung und Weiterentwicklung der oben genannten Segmentierungsverfahren. Mit den entwickelten Algorithmen soll es dem Benutzer erleichtert werden, Volumendaten aus der medizinischen Praxis zu segmentieren, um so die relevanten Informationen schneller als bisher von den irrelevanten zu unterscheiden. Diesbezüglich ist eine Verbesserung der Laufzeiten der beiden Verfahren und eine Anpassung der Modelle an medizinische Volumendaten erforderlich.

Kontakt: Philipp Blanke