Ein 3D-Datensatz aus der Computertomographie (CT) oder der Magnetresonanztomographie (MRT) enthält in der Regel eine große Anzahl unterschiedlicher anatomischer Strukturen. Um eine bestimmte Struktur zu visualisieren oder zu bearbeiten, müssen wir wissen, welche Voxel zu ihr gehören. Die Aufteilung des Bildvolumens in verschiedene Regionen, die realen anatomischen Objekten entsprechen, wird als Segmentation bezeichnet.
Die automatische Segmentation medizinischer Bilder stellt seit Jahrzehnten eine große Herausforderung dar. Zwar funktionieren viele Ansätze gut für bestimmte Bildgebungsverfahren, Bildparameter und anatomische Strukturen, doch eine robuste, allgemeine Lösung steht noch nicht zur Verfügung. Überraschenderweise gilt dies sogar für moderne KI. Obwohl sich solche Systeme bei scheinbar ähnlichen Aufgaben wie der bildbasierten diagnostischen Vorsorge als äußerst erfolgreich erwiesen haben, tun sie sich schwer mit den oft Millionen von Voxeln, die klassifiziert werden müssen, und vor allem mit dem Mangel an hochwertigen, von Experten annotierten 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, sodass 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:
- Analyse verbundener Komponenten: 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 Analyse verbundener Komponenten und die Erosion werden wiederholt angewendet, bis das Zielobjekt isoliert ist.
- Dilation: Das Zielobjekt wird durch wiederholte Dilatation 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 radiol0gischen Bildern keinerlei Unterschiede aufweisen, wie beispielsweise benachbarte Gyri oder Blutversorgungsgebiete. Für diese Fälle stehen Werkzeuge zur Volumenbearbeitung zur Verfügung.
Multispektrale Klassifikation
Das 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 Graustufenbildern, 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 Objektbezeichnungen für jeden Voxel, sondern auch Intensitätsschwellenwerte 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 kam bei allen unseren Projekten seit 1992 zum Einsatz. Es wurde außerdem in die 2016 veröffentlichte Anwendung VOXEL-MAN My Cases integriert, wodurch die vollständige Segmentation von importierten klinischen Fällen in den VOXEL-MAN virtuellen Trainingssimulatoren möglich wurde.
Literatur
- 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.
Thomas 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.