• Skip to main content
  • Skip to footer

Der Virtuelle Körper

  • 3D-Navigatoren
  • Simulatoren
  • Galerie
    • Methoden
  • Über
    • Publikationen
  • Kontakt
  • Deutsch
    • English
    • Français
    • 日本語

Interaktive 3D-Segmentation von medizinischen Bildern

Ein 3D-Datensatz aus der Computertomographie (CT) oder der Magnetresonanztomographie (MRT) enthält in der Regel eine große Anzahl verschiedener anatomischer Strukturen. Um eine bestimmte Struktur zu visualisieren oder zu bearbeiten, müssen wir wissen, welche Voxel zu ihr gehören. Die Identifizierung und Kennzeichnung anatomischer Strukturen in medizinischen Bildern wird als Segmentation (auch Segmentierung) bezeichnet.

Die automatische Segmentation medizinischer Bilder stellt seit Jahrzehnten eine große Herausforderung dar. Es wurden zahlreiche Ansätze veröffentlicht, die für bestimmte bildgebende Verfahren, Aufnahmeparameter und anatomische Strukturen gut funktionieren. Eine robuste, allgemeine Lösung ist jedoch nach wie vor nicht verfügbar.

Überraschenderweise gilt dies sogar für die moderne KI. Zwar haben Deep-Learning-Ansätze bei verwandten Aufgaben wie der Erkennung von Läsionen in der Mammographie-Früherkennung hervorragende Ergebnisse erzielt, doch die Klassifikation von Millionen von Voxeln ist weitaus schwieriger. Ein weiteres ernstes Problem ist die begrenzte Verfügbarkeit hochwertiger, von Experten annotierter Trainingsdaten. Daher ist eine praktische Lösung erforderlich.

Methoden

Die Grundidee des Paradigmas der interaktiven Segmentation besteht darin, einfache, aber schnelle vom Computer ausgeführte Operationen mit den unübertroffenen Erkennungsfähigkeiten des menschlichen Beobachters zu kombinieren [1]. Die Ergebnisse werden sofort in 3D-Ansichten und orthogonalen Schnittbildern visualisiert, so dass sie im nächsten Schritt korrigiert oder weiter verfeinert werden können.

Klassifikation

Regionen werden zunächst anhand von unteren und oberen Intensitätsschwellenwerten definiert. Zu diesem Zweck markiert ein Experte auf einem oder mehreren Schnittbildern einen typischen Bereich des Zielorgans. In der Regel reichen bereits wenige grobe Striche aus. Es ist auch möglich, Bereiche zu markieren, die nicht berücksichtigt werden sollen. Nach einer statistischen Analyse der Stichproben werden alle Voxel im Volumen, die in den resultierenden Intensitätsbereich fallen, erfasst und als farbige dreidimensionale Maske dargestellt.

Zusammenhängende Komponenten und mathematische Morphologie

Bei Weichgewebe aus CT- oder MRT-Aufnahmen befinden sich in der Regel viele Objekte innerhalb desselben Intensitätsbereichs. Diese sind häufig durch dünne Brücken mit ähnlichen Intensitätswerten miteinander verbunden, oft entlang der Objektgrenzen.

Um diese Strukturen weiter voneinander zu trennen, wird eine Kombination aus einer 3D-Analyse verbundener Komponenten und 3D-morphologischen Operationen verwendet:

  • Zusammenhangskomponenten-Analyse: Alle Teile der Maske, die im 3D-Raum miteinander verbunden sind, werden in einer Farbe dargestellt, während andere Teile unterschiedliche Farben erhalten. Die gewünschte Komponente wird durch Anklicken ausgewählt und damit zur neuen Maske gemacht, während die anderen Komponenten verworfen werden.
  • Erosion: Die äußerste Voxelschicht der Maske wird abgetragen, wodurch diese etwas ausgedünnt und kleine Brücken entfernt werden. Die Zusammenhangskomponenten-Analyse und die Erosion werden wiederholt angewendet, bis das Zielobjekt isoliert ist.
  • Dilatation (Dilation): Das Zielobjekt wird durch wiederholte Dilatation (größtenteils) in seine ursprüngliche Form zurückversetzt, wobei die zuvor erodierten Schichten wieder hinzugefügt werden.

Mit diesem Ansatz ist die Segmentation größerer Strukturen wie beispielsweise des Gehirns aus MRT-Aufnahmen in der Regel eine Sache von wenigen Minuten.

Pufferlogik

Darüber hinaus stehen verschiedene 3D-Puffer zur Verfügung, in denen Zwischenmasken gespeichert und mithilfe von Operationen wie voxelweiser UND-, ODER- oder NICHT-Verknüpfung kombiniert werden können.

3D-Bearbeitung

In einigen Fällen müssen anatomische Strukturen getrennt werden, die in radiologischen Bildern keinerlei Unterschiede aufweisen, wie beispielsweise benachbarte Gyri oder Blutversorgungsgebiete. Für diese Fälle stehen Werkzeuge zum Volumenschnitt zur Verfügung.

Multispektrale Klassifikation

Ellipsoide im Farbraum für die Klassifikation verschiedener GewebetypenDas Paradigma der interaktiven Segmentation eignet sich auch für nicht-skalare Bilder, wie beispielsweise die Vollfarbdaten des Visible Human-Projekts. In diesem Fall wird die Klassifikation auf der Grundlage von Intensitätsbereichen auf eine Klassifikation im RGB-Farbraum erweitert [2].

Das Verfahren funktioniert ähnlich wie bei Grauwertbildern, bei denen die zu untersuchenden Strukturen zunächst von einem Experten markiert werden. Anstelle von Helligkeitswerten werden jedoch RGB-Tupel berücksichtigt. Diese bilden aufgrund der Korrelation der Farbkomponenten in der Regel einen Cluster mit ellipsoider Form. Dieser wird durch ein parametrisiertes Ellipsoid approximiert.

Anwendungen

Die interaktive Segmentation liefert nicht nur Objektmarken für jedes Voxel, sondern auch Intensitätsschwellen bzw. Farbellipsoide für jedes segmentierte Objekt. In Verbindung mit unserem Visualisierungsalgorithmus ermöglichen diese eine 3D-Visualisierung mit Subvoxel-Genauigkeit, was zu äußerst detaillierten und präzisen 3D-Darstellungen führt.

Das Paradigma der interaktiven Segmentation wurde im VOXEL-MAN-Visualisierungssystem implementiert und wird seit 1992 bei allen unseren Projekten verwendet. Es ist auch in der App VOXEL-MAN My Cases enthalten, mit der klinische Fälle in die VOXEL-MAN chirurgischen und zahnmedizinischen Simulatoren importiert werden können.

Literatur

  1. Karl Heinz Höhne, William A. Hanson: Interactive 3D segmentation of MRI and CT volumes using morphological operations. Journal of Computer Assisted Tomography 16 (2), 1992, 285-294.
  2. Segmentation of the Visible Human for high-quality volume-based visualizationThomas Schiemann, Ulf Tiede, Karl Heinz Höhne: Segmentation of the Visible Human for high-quality volume-based visualization. Medical Image Analysis 1 (4), 1997, 263-271.

Footer

Copyright © 2026 virtual-body.org

  • Impressum
  • Datenschutz­