DE102010022307A1

DE102010022307A1 - Verfahren zur Überprüfung der Segmentierung einer Struktur in Bilddaten

Info

Publication number: DE102010022307A1
Application number: DE102010022307A
Authority: DE
Inventors: Dr. Boettger Thomas
Original assignee: Siemens AG
Current assignee: Siemens AG
Priority date: 2010-06-01
Filing date: 2010-06-01
Publication date: 2011-12-01
Also published as: US20120134552A1; US8682074B2; CN102270342A

Abstract

Die Erfindung betrifft ein Verfahren zur Überprüfung einer Segmentierung einer Struktur (620) in Bilddaten (610), wobei die zu überprüfende Segmentierung einen Segmentierungsbereich bereitstellt, der die in den Bilddaten abgebildete Struktur (620) annähert und der durch eine Segmentierungskontur (600) begrenzt ist, wobei das Verfahren die folgenden Schritte umfasst: – ortsaufgelöstes automatisches Bestimmen von Eigenschaftswerten, die geeignet sind, als Indikator für die Genauigkeit der Segmentierung der Struktur (620) zu dienen, auf Grundlage der Bilddaten (610), der zu überprüfenden Segmentierungskontur (600), oder eines bei der Durchführung der zu überprüfenden Segmentierung angewandten Segmentierungsverfahrens, oder einer Kombination dieser, und – ortsaufgelöstes automatisches Bestimmen von Konfidenzwerten für mehrere Positionen auf der Segmentierungskontur (600) unter Verwendung der Eigenschaftswerte, die für die entsprechenden Positionen bestimmt wurden. Die Konfidenzwerte können die Zuverlässigkeit der zu überprüfenden Segmentierung an den entsprechenden Positionen angeben.

Description

Die vorliegende Erfindung betrifft ein Verfahren zu Überprüfung einer Segmentierung einer Struktur in Bilddaten, insbesondere in medizinischen Bilddaten, wobei die zu überprüfende Segmentierung einen Segmentierungsbereich bereitstellt, der durch eine Segmentierungskontur begrenzt ist. Weiterhin betrifft die vorliegende Erfindung eine Vorrichtung zur Durchführung eines solchen Verfahrens.
Die moderne Medizintechnik stellt eine Vielzahl von Bildgebungsmodalitäten bereit, mit denen sowohl 2-dimensionale als auch 3-dimensionale Bilddatensätze von Untersuchungspersonen aufgenommen werden können. Während ältere Verfahren, wie beispielsweise die konventionelle Röntgentechnik, 2-dimensionale Projektionsbilder aufnehmen, so ist mit neueren Verfahren, wie der Computertomographie (CT) oder der Magnetresonanztomographie (MRT), die Aufnahme und Rekonstruktion 2-dimensionaler Schichtbilder sowie 3-dimensionaler Volumendatensätze möglich. Mit derartigen Techniken lassen sich Strukturen im Inneren des Körpers einer Untersuchungsperson, insbesondere auch Weichteilgewebe, mit hoher Auflösung abbilden. Für eine Identifizierung von Strukturen in aufgenommenen Bilddaten oder zum Zweck der Quantifizierung, beispielsweise des Volumens oder der Schnittfläche einer Struktur, ist oftmals die Segmentierung der Struktur in den Bilddaten vorteilhaft oder nötig. Neben der manuellen Segmentierung durch medizinisches Personal sind aus dem Stand der Technik einer Vielzahl von Segmentierungsverfahren bekannt, mit denen sich die Segmentierung halbautomatisch oder vollautomatisch durchführen lässt. Dazu zählen unter anderem Random Walker Verfahren, aktive Konturenverfahren, wie beispielsweise „Snakes”, Level-Set-Verfahren bzw. Niveaumengenverfahren wie „active contours without edges” und ähnliche. Diese Verfahren können auch komplexe Strukturen mit hoher Genauigkeit segmentieren, wobei manche Verfahren beispielsweise durch das Setzen von Saatpunkten initialisiert werden müssen, während andere vollautomatisch ablaufen.
Ein wesentliches Problem bei allen genannten Segmentierungsverfahren ist die Validierung des Segmentierungsergebnisses, insbesondere der Segmentierungskontur, die den segmentierten Bereich umgibt. Sowohl bei manueller als auch bei automatischer Segmentierung der Struktur erfolgt die Überprüfung des Ergebnisses in der Regel lediglich durch medizinisches Bedienpersonal. Diese Überprüfung ist jedoch oft nicht genauer als eine manuelle Segmentierung, und stellt insbesondere keine Basis für eine automatische Verbesserung der Segmentierung dar.
Das Erstellen der fertigen Segmentierung ist oft ein iterativer Prozess, in dem auf Grundlage der Überprüfung durch den Benutzer fehlerhafte Konturen manuell oder durch Anpassung von Parametern des Segmentierungsalgorithmus korrigiert werden. Dadurch ergibt sich ein insgesamt hoher Zeitaufwand zum Durchführen der Segmentierung, der insbesondere durch die Zeit zur Überprüfung der Segmentierung und zum Durchführen der manuellen Korrekturen bestimmt wird. Die Tauglichkeit von automatischen Segmentierungswerkzeugen für den medizinischen Alltag wird dadurch stark eingeschränkt, da die Korrekturen oft einen ähnlichen Zeitaufwand erfordern, wie das Durchführen einer vollständig manuellen Segmentierung.
Ein Nachteil heutiger Segmentierungsverfahren ist damit das Fehlen einer automatischen Bestimmung der Genauigkeit und Zuverlässigkeit des erstellten Segmentierungsergebnisses. Um die Genauigkeit manuell zu überprüfen oder zu verbessern ist ein erheblicher Zeitaufwand erforderlich. Ohne eine Überprüfung ist die Bestimmung der Oberfläche oder der Lage der Struktur, beispielsweise eines Organs der Untersuchungsperson, mittels der Segmentierung oft ungenau. Das trifft insbesondere für Bereiche zu, in denen Strukturen aneinander angrenzen. Das Segmentierungsergebnis entspricht dann nicht oder nur schlecht der realen Struktur, die in den Bilddaten abgebildet ist.
Somit ist es eine Aufgabe der vorliegenden Erfindung, die Genauigkeit der Bestimmung der Kontur oder der Lage einer Struktur mit einem Segmentierungsverfahren zu verbessern, wobei der nötige Zeitaufwand gering gehalten werden soll, und insbesondere eine effiziente Überprüfung eines Segmentierungsergebnisses des Segmentierungsverfahrens zu ermöglichen.
Diese Aufgabe wird mithilfe der Merkmale der unabhängigen Ansprüche gelöst. In den abhängigen Ansprüchen sind bevorzugte Ausführungsformen der Erfindung beschrieben.
Gemäß einem Aspekt der vorliegenden Erfindung wird ein Verfahren zur Überprüfung einer Segmentierung einer Struktur in Bilddaten bereitgestellt, wobei die zu überprüfende Segmentierung einen Segmentierungsbereich bereitstellt, der die in den Bilddaten abgebildete Struktur annähert und der durch eine Segmentierungskontur begrenzt ist. Das Verfahren umfasst das ortsaufgelöste automatische Bestimmen von Eigenschaftswerten, die geeignet sind, als Indikator für die Genauigkeit der Segmentierung der Struktur zu dienen. Die Eigenschaftswerte können bestimmt werden auf Grundlage der Bilddaten, der zu überprüfenden Segmentierungskontur, oder eines bei der Durchführung der zu überprüfenden Segmentierung angewandten Segmentierungsverfahrens, oder auf Grundlage einer Kombination dieser. Das Verfahren umfasst des Weiteren das ortsaufgelöste automatische Bestimmen von Konfidenzwerten für mehrere Positionen auf der Segmentierungskontur unter Verwendung der Eigenschaftswerte, die für die entsprechenden Positionen bestimmt wurden. Die Konfidenzwerte können somit die Zuverlässigkeit der zu überprüfenden Segmentierung an den entsprechenden Positionen angeben.
Die Konfidenzwerte sind ein Maß für die Wahrscheinlichkeit, dass die Segmentierungskontur der Oberfläche bzw. dem Umriss der zu segmentierenden Struktur entspricht. Es lässt sich somit anhand der ortsaufgelösten Konfidenzwerte unmittelbar feststellen, in welchen Abschnitten der Segmentierungskontur die Segmentierung mit hoher Genauigkeit erfolgte. Bereiche mit niedrigen Konfidenzwerten können unmittelbar identifiziert werden, und eine manuelle oder automatische Anpassung der Segmentierungskontur kann in diesen Abschnitten vorgenommen werden. Abschnitte mit niedrigen Konfidenzwerten können beispielsweise einem Benutzer unmittelbar zum Durchführen einer Korrektur angezeigt werden, oder der Segmentierungsalgorithmus kann für diesen Bereich angepasst und weitergeführt werden. Somit kann durch die ortsaufgelöste Bestimmung der Konfidenzwerte eine Verbesserung der Genauigkeit der Segmentierung erreicht werden. Da die ortsaufgelösten Konfidenzwerte vollautomatische bestimmbar sind, wird darüber hinaus eine erhebliche Zeitersparnis bei der Durchführung der Segmentierung erzielt. Die Bestimmung der Kontur und Lage einer Struktur, beispielsweise eines Organs einer Untersuchungsperson, die in Bilddaten abgebildet ist, lässt sich somit genauer und in kürzerer Zeit durchführen. Die Segmentierungskontur kann beispielsweise dem Rand einer Segmentierungsmarke entsprechen, oder sie kann explizit definiert sein, z. B. durch eine implizite oder explizite Funktion oder eine Menge von Bildpunkten, die auf der Segmentierungskontur liegen.
Eine Vielzahl verschiedener Arten von Eigenschaftswerten können bei dem Verfahren eingesetzt werden, um die ortsaufgelösten Konfidenzwerte für die zu überprüfende Segmentierungskontur zu bestimmen. Für verschiedene Abschnitte der Segmentierungskontur lässt sich somit die Wahrscheinlichkeit beurteilen, dass die Segmentierungskontur im entsprechenden Abschnitt dem tatsächlichen Umriss oder der tatsächlichen Oberfläche der abgebildeten Struktur entspricht. Es wird damit ein Gütemaß für die Segmentierung bereitgestellt, das eine lokale Anpassung und Verbesserung der Segmentierung ermöglicht.
Bei einer Ausführungsform umfassen die auf Grundlage der Bilddaten bestimmten ortsaufgelösten Eigenschaftswerte eine oder eine Kombination der folgenden Arten von Werten: Gradienten von Intensitätswerten in den Bilddaten, in denen die Struktur abgebildet ist; Gradienten von Wahrscheinlichkeitswerten einer Wahrscheinlichkeitskarte, die mit einem Random Walker Segmentierungsverfahren bei einer Segmentierung der Struktur in den Bilddaten im Rahmen des Überprüfungsverfahrens bestimmt wurde; und/oder Krümmungswerte von Wahrscheinlichkeits-Isokonturlinien in dieser Wahrscheinlichkeitskarte.
Basierend auf diesen Eigenschaftswerten lassen sich aussagekräftige Konfidenzwerte bestimmen. Hohe Gradienten von Intensitätswerten sind beispielsweise ein Anzeichen für klar definierte Kanten der Struktur und damit für eine zuverlässige Segmentierung in diesen Bereichen. Gleiches gilt für die Gradienten der Wahrscheinlichkeitswerte. Bei einem Random Walker Verfahren sind dies im Allgemeinen die Wahrscheinlichkeiten, mit denen ein Random Walker ausgehend von der entsprechenden Bildposition Saatpunkte innerhalb oder außerhalb des Segmentierungsbereichs erreicht. Ein großer Gradient dieser Wahrscheinlichkeit deutet ebenfalls auf eine klar definierte Kante und damit auf eine zuverlässige Segmentierung hin. Große Krümmungswerte der Isokonturlinien, insbesondere eine große Variation der Krümmungswerte für verschiedene Isowerte, deuten in der Regel auf Bildrauschen und damit auf eine geringere Zuverlässigkeit der Segmentierung in dem entsprechenden Bereich hin.
Die auf Grundlage der zu überprüfenden Segmentierungskontur bestimmten ortsaufgelösten Eigenschaftswerte können Krümmungswerte der zu überprüfenden Segmentierungskontur umfassen. Beispielsweise finden Krümmungen der Segmentierungskontur keinen Eingang in die Erstellung der Segmentierung mittels eines Random Walker Segmentierungsverfahrens, wobei die Krümmungen jedoch beispielsweise für ein bestimmtes zu segmentierendes Organ nur bestimmte Werte annehmen können. Somit lässt sich das Segmentierungsergebnis auf Basis der Krümmungswerte überprüfen, und auf Grundlage dieser lassen sich ortsaufgelöste Konfidenzwerte für verschiedene Abschnitte der Segmentierungskontur bestimmen.
Die auf Grundlage des angewandten Segmentierungsverfahrens bestimmten ortsaufgelösten Eigenschaftswerte können eine oder eine Kombination der folgenden Arten von Werten umfassen: Gradienten von Wahrscheinlichkeitswerten einer Wahrscheinlichkeitskarte, die mit einem Random Walker Segmentierungsverfahren bestimmt wurde, das bei der Durchführung der zu überprüfenden Segmentierung angewandt wurde; Krümmungswerte von Wahrscheinlichkeits-Isokonturlinien in dieser Wahrscheinlichkeitskarte; Konvergenzgeschwindigkeiten für verschiedene Abschnitte der zu überprüfenden Segmentierungskontur, die bei der Durchführung der Segmentierung mit dem Segmentierungsverfahren auftreten; Änderungen der Werte eines mit dem Segmentierungsverfahren bestimmten Energiefunktionals mit Variationen der Segmentierungskontur.
Die Eigenschaftswerte können in diesem Beispiel also insbesondere auf Werten basieren, die während der Erstellung der zu überprüfenden Segmentierung bestimmt wurden. Diese können von dem Segmentierungsverfahren für die Überprüfung bereitgestellt werden. Das Überprüfungsverfahren kann jedoch auch teilweise parallel zur eigentlichen Segmentierung durchgeführt werden, sodass die Eigenschaftswerte während der Segmentierung bestimmbar sind. Die Konvergenzgeschwindigkeiten, die beispielsweise bei einer Level Set Segmentierung auftreten, können als Eigenschaftswerte aufgenommen werden, z. B. durch Erstellen einer Karte der Ankunftszeiten (Time of Arrival Map). Eine schnellere Konvergenz in einem Abschnitt der Segmentierungskontur (oder eine frühere Ankunftszeit, Time of Arrival) deutet auf eine zuverlässige Segmentierung in dem entsprechenden Abschnitt hin. Gleichermaßen deutet eine starke Änderung von Werten eines Energiefunktionals, das beispielsweise bei einem aktive-Konturen-Verfahren bestimmt wird, mit Variationen der Segmentierungskontur auf eine starke Kante hin, und damit ebenfalls auf eine zuverlässige Segmentierung in diesem Abschnitt. Die genannten Arten von Werten eignen sich somit zur Bestimmung von aussagekräftigen Konfidenzwerten.
Bei einer Ausführungsform der Erfindung kann der Konfidenzwert für eine Position durch statistische Auswertung der Eigenschaftswerte erfolgen, die in einem bestimmten Bereich um diese Position angeordnet sind. Die statistische Auswertung kann beispielsweise durch die Bestimmung eines einfachen oder gewichteten Mittelwerts oder eines Medians der Eigenschaftswerte in dem bestimmten Bereich erfolgen. Somit können Eigenschaftswerte berücksichtigt werden, die benachbart sind zur jeweiligen Position auf der Segmentierungskontur. So kann eine Gaußfunktion zur Gewichtung der Eigenschaftswerte bei der Mittelswertsbildung verwendet werden, sodass näher benachbarte Werte ein größeres Gewicht erfahren als Eigenschaftswerte, die einen größeren Abstand zur Segmentierungskontur aufweisen. Somit lassen sich auch bei einem Rauschen in den Bilddaten zuverlässige und aussagekräftige Konfidenzwerte bestimmen.
Die Bestimmung der Konfidenzwerte kann derart erfolgen, dass höhere Eigenschaftswerte zu höheren Konfidenzwerten führen. Beispielsweise deuten höhere Gradienten von Bildintensitäten oder Wahrscheinlichkeitswerten, sowie höhere Konvergenzgeschwindigkeiten auf eine höhere Genauigkeit der Segmentierung in den entsprechenden Bereichen hin, sodass für diese höhere Konfidenzwerte bestimmt werden. Bei anderen Eigenschaftswerten, wie beispielsweise bei Krümmungswerten der Segmentierungskontur, kann die Bestimmung auch derart erfolgen, dass höhere Eigenschaftswerte zu niedrigeren Konfidenzwerten führen. Selbstverständliche können weitere Operationen bei der Bestimmung der Konfidenzwerte durchgeführt werden, wie beispielsweise eine Gewichtung der Werte oder eine Normierung der Werte oder Ähnliches, sodass für den jeweiligen Anwendungsfall aussagekräftige Konfidenzwerte erhalten werden.
Je nach angewandten Segmentierungsverfahren kann die Segmentierungskontur auf verschiedene Art und Weise beschrieben werden, beispielsweise als implizierte Funktion bei einem Level Set Verfahren oder als Segmentierungsmaske mit der Auflösung der Bilddaten bei einem Random Walker Verfahren. Bei einer Ausführungsform der Erfindung wird die Segmentierungskontur in den Bilddaten durch die Positionen von Pixeln oder Voxeln beschrieben, die auf der Segmentierungskontur liegen oder von dieser geschnitten werden, wobei für jeden Pixel bzw. jedes Voxel der Segmentierungskontur ein Konfidenzwert bestimmt wird. Wird die Segmentierungskontur in einer funktionalen Repräsentation oder in einer anderen Auflösung als die der Bilddaten bereitgestellt, so kann eine Diskretisierung der Segmentierungskontur in der Auflösung der Bilddaten erfolgen. Alternativ können Eigenschaftswerte, die auf Basis der Bilddaten bestimmt wurden, ebenfalls in das Referenzsystem der Segmentierungskontur transformiert werden.
Die zu überprüfende Segmentierung kann eine manuelle, durch Benutzereingabe vorgenommene Segmentierung sein, oder sie kann mit jedem beliebigen Segmentierungsverfahren automatisch oder halbautomatisch erstellt worden sein. Bei einer Ausführungsform der Erfindung umfasst das Verfahren dabei die Durchführung eines Random Walker Segmentierungsverfahrens zur Segmentierung der Struktur in den Bilddaten, um Wahrscheinlichkeitswerte für die Bilddaten zu bestimmen. D. h. getrennt von der zu überprüfenden Segmentierung wird eine zusätzliche Segmentierung mittels des Random Walker Verfahrens durchgeführt. Die ortsaufgelösten Eigenschaftswerte werden dann durch das Bestimmen von Gradienten dieser Wahrscheinlichkeitswerte erhalten. Bei diesem Ausführungsbeispiel werden die ortsaufgelösten Eigenschaftswerte somit auf Grundlage der Bilddaten bestimmt, wobei weitere Eigenschaftswerte selbstverständlich in die Bestimmung der Konfidenzwerte einfließen können. Auch für eine manuelle zu überprüfende Segmentierung lassen sich somit zuverlässig und automatisch Konfidenzwerte bestimmen.
Die Saatpunkte für dieses Random Walker Segmentierungsverfahren können auf Grundlage der zu überprüfenden Segmentierung bestimmt werden. Beispielsweise wird eine signierte Distanzfunktion, die die Abstände zu der Segmentierungskontur der zu überprüfenden Segmentierung angibt, automatisch bestimmt. Für einen vorgegebenen Abstand zu der Segmentierungskontur können Saatpunkte automatisch innerhalb und außerhalb des Segmentierungsbereichs vorgegeben werden. Unter Verwendung der vorgegebenen Saatpunkte kann nun das Random Walker Segmentierungsverfahren automatisch durchgeführt werden. Aus den dabei erhaltenen Wahrscheinlichkeitswerten können durch Gradientenbildung die ortsaufgelösten Eigenschaftswerte bestimmt werden, und aus diesen entsprechende Konfidenzwerte. Somit kann auch bei einer manuellen Segmentierung eine vollautomatische Bestimmung von Konfidenzwerten für die Segmentierungskontur erfolgen.
Bei einer weiteren Ausführungsform wurde die zu überprüfende Segmentierung mit einem Random Walker Segmentierungsverfahren erstellt, mit dem Wahrscheinlichkeitswerte für die Bilddaten bestimmt wurden. Das ortsaufgelöste Bestimmen der Eigenschaftswerte erfolgt dann auf Grundlage des Segmentierungsverfahrens durch das Bestimmen von Gradienten dieser Wahrscheinlichkeitswerte. Die Wahrscheinlichkeitswerte, beispielsweise in Form einer Wahrscheinlichkeitskarte, können zusammen mit der Segmentierungskontur bereitgestellt werden. Das Überprüfungsverfahren kann damit auf bereits vorhandene Werte zurückgreifen, und lässt sich somit schnell und mit geringem Aufwand durchführen.
Bei einer weiteren Ausführungsform wurde die zu überprüfende Segmentierung ebenfalls mittels eines Random Walker Segmentierungsverfahrens erstellt, jedoch werden hier die ortsaufgelösten Eigenschaftswerte bestimmt durch Bestimmen der Krümmung der zu überprüfenden Segmentierungskontur. Das Random Walker Segmentierungsergebnis kann bei dieser Ausführungsform durch das Gegenrechnen mit den Krümmungswerten der Segmentierungskontur zuverlässig bewertet werden.
Selbstverständlich können die Konfidenzwerte auch auf Basis einer Kombination von Eigenschaftswerten wie den Wahrscheinlichkeitsgradienten und den Krümmungswerten der vorab genannten Ausführungsformen, bestimmt werden.
Die Segmentierung der Struktur in den Bilddaten kann ausgehend von der zu überprüfenden Segmentierung unter Verwendung der bestimmten Konfidenzwerte weitergeführt werden. Dies kann beispielsweise durch automatisches Anpassen eines Parameters des Segmentierungsverfahrens, mit dem die zu überprüfende Segmentierung erstellt wurde, auf Basis der bestimmten Konfidenzwerte und durch erneutes Bestimmen der Segmentierung mit dem angepassten Segmentierungsverfahren erfolgen. Wurde die zu überprüfende Segmentierung beispielsweise mit einem Random Wallker Segmentierungsverfahren erstellt, so kann der Schwellwert für eine binäre Extraktion des Segmentierungsbereichs aus der Wahrscheinlichkeitskarte auf Basis der Konfidenzwerte lokal angepasst werden. Der Segmentierungsbereich kann so mit höherer Genauigkeit bestimmt werden.
Basierend auf den Konfidenzwerten kann damit eine automatische Verbesserung der Segmentierung erfolgen. Auch ist es möglich, die Konfidenzwerte für die Segmentierungskontur ortsaufgelöst anzuzeigen. Ein Benutzer kann dann die Segmentierungskontur manuell korrigieren, beispielsweise in Bereichen mit niedrigen Konfidenzwerten. Durch Anzeige der Konfidenzwerte, beispielsweise in einer Farbkodierung auf der Segmentierungskontur, kann der Benutzer somit gezielt auf Bereiche hingewiesen werden, in denen die Segmentierung eine nur geringe Zuverlässigkeit aufweist und eine Korrektur der Kontur mit höherer Wahrscheinlichkeit erforderlich ist. Durch die Fokussierung der Korrektur auf die entsprechenden Bereiche kann eine Zeitersparnis erzielt werden.
Bei einer Ausführungsform wird das Verfahren vollautomatisch von einer Rechnereinheit ausgeführt.
Gemäß einem weiteren Aspekt der vorliegenden Erfindung wird eine Vorrichtung zur Überprüfung der Segmentierung einer Struktur in Bilddaten bereitgestellt, wobei die zu überprüfende Segmentierung einen Segmentierungsbereich bereitstellt, der die in den Bilddaten abgebildeten Struktur annähert und der durch eine Segmentierungskontur begrenzt ist. Die Vorrichtung umfasst eine Rechnereinheit, die zum Ausführen der folgenden Schritte eingerichtet ist: ortsaufgelöstes automatisches Bestimmen von Eigenschaftswerten, die geeignet sind, als Indikator für die Genauigkeit der Segmentierung der Struktur zu dienen, auf Grundlage der Bilddaten, der zu überprüfenden Segmentierungskontur, oder eines bei der Durchführung der zu überprüfenden Segmentierung angewandten Segmentierungsverfahrens, oder einer Kombination dieser; und ortsaufgelöstes automatisches Bestimmen von Konfidenzwerten für mehrere Positionen auf der Segmentierungskontur unter Verwendung der Eigenschaftswerte, die für die entsprechenden Positionen bestimmt wurden, wobei die Konfidenzwerte die Zuverlässigkeit der zu überprüfenden Segmentierung an den entsprechenden Positionen angeben.
Mit der erfindungsgemäßen Vorrichtung lassen sich ähnliche wie die vorab mit Bezug auf das erfindungsgemäße Verfahren beschriebenen Vorteile erzielen.
Bei einer Ausführungsform der Vorrichtung ist die Rechnereinheit zur Durchführung eines der vorab beschriebenen Verfahren eingerichtet.
Ein weiterer Aspekt der vorliegenden Erfindung betrifft einen elektronisch lesbaren Datenträger mit darauf gespeicherten elektronisch lesbaren Steuerinformation, welche derart ausgestaltet sind, dass sie bei Verwendung des Datenträgers in einem Rechnersystem eines der vorab beschriebenen Verfahren durchführen. Darüber hinaus stellt die vorliegende Erfindung ein Computerprogrammprodukt mit einem Computerprogramm bereit, welches bei Ausführung in einem Rechnersystem eines der vorab beschriebenen Verfahren ausführt.
Die Erfindung wird nachfolgend unter Bezugnahme auf die beiliegenden Zeichnungen näher erläutert.
1 zeigt ein Flussdiagramm eines Verfahrens gemäß einer Ausführungsform der vorliegenden Erfindung.
2 zeigt ein Flussdiagramm eines Verfahrens gemäß einer Ausführungsform der vorliegenden Erfindung, bei dem mit einem vorausgehenden Segmentierungsverfahren bestimmte Werte die Basis für die Bestimmung der Konfidenzwerte bilden.
3 zeigt ein Flussdiagramm eines Verfahrens gemäß einer Ausführungsform der vorliegenden Erfindung, bei dem ortsaufgelöste Konfidenzwerte für eine beliebige Art der zu überprüfenden Segmentierung bestimmt werden.
4 zeigt ein Flussdiagramm eines Verfahrens gemäß einer Ausführungsform der vorliegenden Erfindung, das beispielsweise zur Überprüfung einer Level-Set-Segmentierung angewandt werden kann.
5 zeigt ein schematisches Blockdiagramm einer Vorrichtung gemäß einer Ausführungsform der vorliegenden Erfindung.
6A und 6B zeigen Bilddaten, die eine Niere abbilden bzw. Isokonturlinien von Wahrscheinlichkeitswerten, die mit einem Random Walker Segmentierungsverfahren bei der Segmentierung der Niere in den Bilddaten bestimmt wurden.
7A zeigt die Wahrscheinlichkeitswerte auf der Segmentierungskontur, die mit dem Random Walker Segmentierungsverfahren bei der Segmentierung der Niere bestimmt wurden.
7B zeigt Beträge und Vektoren von Gradienten der Wahrscheinlichkeitswerte, die auf der Segmentierungskontur der 7A bestimmt wurden.
7C zeigt die Konfidenzwerte, die basierend auf den Wahrscheinlichkeitgradienten der 7B für eine Vielzahl von Positionen auf der Segmentierungskontur bestimmt wurden.
8 veranschaulicht Konfidenzwerte, die für eine manuell erstellte Segmentierungskontur um einen Lungenflügel in deren Umgebung bestimmt wurden.
Unter Segmentierung wird im Allgemeinen die Erzeugung von inhaltlich zusammenhängenden Gebieten verstanden. Die Segmentierung kann insbesondere im medizinischen Bereich Anwendung finden, um in Bilddaten, die von einer Untersuchungsperson bzw. einem Patienten aufgenommen wurden, die Größe oder Lage von Strukturen, insbesondere von Organen, zu bestimmen. Bei der Segmentierung einer Struktur in Bilddaten werden beispielsweise Bildpunkte der Struktur dem Segmentierungsbereich zugeordnet, um diesen zu bestimmen, oder es wird manuell oder automatisch eine Kontur um die Struktur in den Bilddaten gelegt, die den Segmentierungsbereich umschließt. Dies kann jeweils sowohl in einem 2-dimensionalen Schichtbild, als auch in einem 3-dimensionalen Bilddatensatz erfolgen. Im erstgenannten Fall ist die Segmentierungskontur eine Linie, im zweitgenannten Fall eine Oberfläche.
Die Segmentierungskontur soll den Umriss oder die Oberfläche der tatsächlichen Struktur möglichst gut beschreiben, sodass Veränderungen der Struktur, beispielsweise durch Tumorwachstum an einem Organ, oder Eigenschaften der Struktur, wie beispielsweise das Volumen der Leber oder der Niere, möglichst genau bestimmt werden können. Die vorliegende Erfindung ermöglicht die Validierung der Segmentierungskontur basierend auf dem Segmentierungsergebnis und den Bilddaten, wobei die Validierung automatisch erfolgt und keine weiteren Eingaben benötigt.
1 zeigt ein Flussdiagramm einer Ausführungsform des erfindungsgemäßen Verfahrens, anhand der das Verfahren nachfolgend allgemein beschrieben ist. In Schritt 101 erfolgt das Abrufen der zu überprüfenden Segmentierung einer Struktur in Bilddaten, die mit einer Segmentierungskontur einen Segmentierungsbereich definiert. Dies kann beispielsweise durch das Einlesen einer Segmentierungsmaske aus einem Speicher erfolgen, oder durch die Übergabe eines Segmentierungsergebnisses eines im Vorfeld durchgeführten Segmentierungsverfahrens. So kann die Segmentierung auch manuell durch Abfahren der Umrisse der Struktur auf dem Bildschirm durchgeführt worden sein, und die dabei gespeicherten Segmentierungsdaten werden in Schritt 101 abgerufen. Es kann sich um eine 2-dimensionale oder 3-dimensionale Segmentierung handeln.
Das Abschätzen der Konfidenzwerte kann bereits basierend auf Eigenschaften der Segmentierungskontur wie beispielsweise von Krümmungswerten dieser erfolgen. Bei anderen Ausführungsformen wie bei der in 1 gezeigten erfolgt in Schritt 102 das Bereitstellen der Bilddaten oder von Werten, die mit dem Segmentierungsverfahren zur Erstellung der zu überprüfenden Segmentierung bestimmt wurden, um bestimmte Eigenschaften dieser der Bestimmung der Konfidenzwerte zugrunde zu legen. Mit dem Segmentierungsverfahren bestimmte Werte könne beispielsweise Wahrscheinlichkeitswerte eines Random Walker Algorithmus umfassen, was nachfolgend im Detail beschrieben ist, Konvergenzgeschwindigkeitswerte, Energiefunktionalwerte, u. a. Insbesondere sind dies solche Werte, von denen die Segmentierungsgenauigkeit abhängt, die insbesondere die Konvergenzgeschwindigkeit eines automatischen Segmentierungsverfahrens beeinflussen.
Auf Grundlage der bereitgestellten Bilddaten, der zu überprüfenden Segmentierungskontur oder den bei dem angewandten Segmentierungsverfahren bestimmten Werten erfolgt in Schritt 103 das ortsaufgelöste automatische Bestimmen von Eigenschaftswerten. Bei einer Bilddaten-basierten Bestimmung der Eigenschaftswerte können diese beispielsweise Gradienten der Bildintensitäten sein, wobei diese vorzugsweise in einem Bereich um die zu überprüfende Segmentierungskontur bestimmt werden, und von verschiedener Ordnung sein können. Auch können Bilddaten zunächst weiterverarbeitet werden, beispielsweise durch Anwendung eines automatischen Segmentierungsverfahrens, was nachfolgend genauer anhand der 3 beschrieben ist. Eigenschaftswerte, die auf der Segmentierungskontur basieren, können Krümmungswerte der Segmentierungskontur sein, insbesondere wenn die Krümmung dieser bei der zu überprüfenden Segmentierung nicht berücksichtigt wurde. In diesem Fall kann die zu überprüfende Segmentierungskontur in Bereichen starke Krümmungen aufweisen, die in diesen Bereichen bei der zu segmentierenden Struktur, beispielsweise einem Organ, nicht zu erwarten wären (z. B. bei der Segmentierung von Niere, Leber und Herz). Weist die Segmentierungskontur derartig starke Krümmungen auf, so ist dies ein Anzeichen für die mangelnde Genauigkeit der Segmentierung in diesem Bereich.
Das zur Erstellung der zu überprüfenden Segmentierung verwendete Segmentierungsverfahren kann bereits verschiedene Werte berechnen, die als Grundlage für die Bestimmung der Eigenschaftswerte herangezogen werden können. So wird bei einer automatischen Random Walker Segmentierung eine Wahrscheinlichkeitskarte bestimmt, aus der durch Berechnung von Gradienten die ortsaufgelösten Eigenschaftswerte erhalten werden können, wie mit Bezug auf 2 genauer beschrieben.
Unter Verwendung der so bestimmten Eigenschaftswerte erfolgt in Schritt 104 das ortsaufgelöste automatische Bestimmen von Konfidenzwerten auf der Segmentierungskontur. Es können Positionen oder Abschnitte auf der Segmentierungskontur gewählt werden, für die Konfidenzwerte bestimmt werden. Die Segmentierungskontur kann in verschiedenen Formen vorliegen. Beispielsweise kann die abgerufene Segmentierung eine Maske umfassen, in der das zum Segmentierungsbereich gehörende Gebiet mit einem bestimmten Bitwert markiert ist. Der Rand dieses Gebiets ist die Segmentierungskontur. Vorzugsweise wird für jeden Pixel oder Voxel auf dem Rand ein Konfidenzwert bestimmt. Somit lässt sich eine Ortsauflösung erzielen, die der Auflösung der Segmentierungsmaske entspricht.
Bei anderen Verfahren, wie einem Level Set Segmentierungsverfahren, wird die Segmentierungskontur als eine implizite Funktion erhalten. Hier kann eine Diskretisierung der Segmentierungskontur dadurch erfolgen, dass Pixel oder Voxel in den Bilddaten bestimmt werden, die von der Segmentierungskontur geschnitten werden. Vorzugsweise wird dann für jeden dieser auf der Kontur gelegenen Pixel ein Konfidenzwert bestimmt.
Die numerische Bestimmung der Konfidenzwerte hängt von den verwendeten Eigenschaftswerten ab. Werden Gradienten der Bildintensitäten oder einer Wahrscheinlichkeitskarte als Eigenschaftswerte verwendet, so können diese beispielsweise mit einem maximalen Gradientenwert normiert werden, der dann einem Konfidenzwert von C = 100% entspricht (maximale Konfidenz). Der Konfidenzwert ist ein Maß für die Wahrscheinlichkeit, dass die Segmentierungskontur an der entsprechenden Stelle dem tatsächlichen Umriss oder der tatsächlichen Oberfläche der in den Bilddaten abgebildeten Struktur entspricht. Insbesondere bei einer Gradienten-basierten Bestimmung der Eigenschaftswerte werden die Konfidenzwerte so berechnet, dass für große Gradienten hohe Konfidenzwerte erhalten werden. Hohe Gradienten definieren in der Regel scharfe Kanten, die regelmäßig eine sehr genaue und zuverlässige Segmentierung sowohl manuell als auch automatische ermöglichen. Bei schwachen Gradienten lässt sich die Kante der Struktur oft nur schlecht erkennen und automatisch bestimmen, sodass für einen niedrigen Gradientenwert auch ein niedriger Konfidenzwert bestimmt wird.
Bei der Verwendung von Krümmungswerten der Segmentierungskontur oder Krümmungswerten von Iso-Konturlinien einer Wahrscheinlichkeitskarte kann dies umgekehrt sein, da dort hohe Krümmungswert in der Regel auf eine ungenaue Segmentierung schließen lassen. Entsprechend werden höhere Konfidenzwerte für niedrigere Krümmungswerte bestimmt.
Selbstverständlich kann bei der Bestimmung der Konfidenzwerte auch eine Gewichtung, beispielsweise logarithmisch oder mit Erfahrungswerten, als auch eine weitere Umrechnung der Eigenschaftswerte erfolgen, um möglichst aussagekräftige Konfidenzwerte zu erhalten. Die geeignete Auswahl einer Berechnungsmethode erfolgt dabei in Abhängigkeit von den verwendeten Eigenschaftswerten.
Ebenfalls können die Konfidenzwerte auf Grundlage mehrerer verschiedener Arten von Eigenschaftswerten bestimmt werden. So können beispielsweise sowohl die Krümmungswerte der Segmentierungskontur als auch die Werte von Bildintensitätsgradienten oder Wahrscheinlichkeitsgradienten in die Bestimmung der Konfidenzwerte einfließen. Eine geeignete Wahl der zu verwendenden Eigenschaftswerte kann dabei auf Grundlage des verwendeten Segmentierungsverfahrens und der segmentierten Struktur erfolgen.
In einem nächsten Schritt 105 werden die ortsaufgelösten Konfidenzwerte zum Weiterführen der Segmentierung und/oder zum Anzeigen der Konfidenzwerte bereitgestellt. Mittels der Konfidenzwerte kann eine automatische globale oder lokale Verfeinerung des Segmentierungsergebnisses erfolgen, z. B. indem das Segmentierungsverfahren mit angepassten Parametern erneut ausgeführt wird. Bei Verwendung eines Random Walker Segmentierungsverfahrens kann so beispielsweise der Schwellwert für die binäre Extraktion des Segmentierungsbereichs lokal angepasst werden. Auch können die Kantengewichte für das Random Walker Verfahren lokal angepasst werden.
Dem klinischen Benutzer können Konfidenzstatistiken angezeigt werden. So kann eine Unterstützung für einen Prüfungs- und Genehmigungsprozess zur Behandlungsplanung bereitgestellt werden. Auch kann die Anzeige der Konfidenzwerte, wie beispielhaft in 7C und 8 veranschaulicht, die manuelle Korrektur der Segementierungskontur unterstützen, da der Benutzer unmittelbar feststellen kann, in welchen Bereichen die Segmentierungskontur ungenau ist oder mit nur geringer Konfidenz bestimmt wurde.
2 ist das Flussdiagramm einer Ausführungsform des erfindungsgemäßen Verfahrens, bei der die Eigenschaftswerte auf Grundlage des zur Erstellung der zu überprüfenden Segmentierung verwendeten Segmentierungsverfahrens ermittelt werden. Dabei wird die zu überprüfende Segmentierung mit einem Random Walker Segmentierungsverfahren in Schritt 201 erstellt. Bei einem Random Walker Segmentierungsverfahren werden die Bilddaten in einen Graphen überführt, in dem die Voxel der Bilddaten Knoten entsprechen, wobei jeweils benachbarte Voxel mittels Kanten verbunden sind. Den Kanten wird ein Gewicht zugeordnet, das aus den Grauwerten der mit dieser verbundenen Voxel bestimmt wird. Zur Segmentierung werden einzelne Voxel, d. h. einzelne Knoten des Graphen als Saatpunkte festgelegt. Dies kann durch manuelles Markieren der Bildpunkte auf einem Bildschirm erfolgen. Es werden zwei unterschiedliche Arten von Saatpunkten innerhalb und außerhalb der zu segmentierenden Struktur bestimmt. Die übrigen nicht markierten Knoten werden jeweils den einen oder den anderen Saatpunkten mittels des „Random Walkers” zugeordnet. Der Random Walker kann einen Nachbarknoten mit einer Wahrscheinlichkeit erreichen, die der Kantenwahrscheinlichkeit entspricht. Für die beiden verschiedenen Arten von Saatpunkten wird nun bestimmt, mit welcher Wahrscheinlichkeit jede Art von Saatpunkt von einem Knoten aus erreicht wird. Dies erfolgt für jeden Knoten, d. h. für jeden Voxel oder Bildpunkt. Somit wird eine Wahrscheinlichkeitskarte mit einer Wahrscheinlichkeit für jeden Bildpunkt berechnet. Bei der anschließenden binären Extraktion wird dann jeder Bildpunkt der Art von Saatpunkt zugeordnet, für die er die größte Erreichungswahrscheinlichkeit aufweist. Bei einem Schwellwert der Extraktion von 50% wird so beispielsweise ein Bildpunkt, für den die Wahrscheinlichkeit, einen innerhalb der Struktur liegenden Saatpunkt zu erreichen, bei über 50% liegt, dem zur Struktur gehörenden Segmentierungsbereich zugeordnet.
Ein Random Walker Segmentierungsverfahren, das auch mit dem hier vorgestellten Verfahren verwendet werden kann, ist im Detail in der Druckschrift Leo Grady, „Random Walks for Image Segmentation", IEEE Trans. on Pattern Analysis and Machine Intelligence, Vol.28, No.11, pp. 1768–1783, Nov. 2006, beschrieben.
Somit lässt sich ein zusammenhängender Segmentierungsbereich auf einfache Weise automatisch bestimmen, wobei lediglich das Setzen der Saatpunkte notwendig ist. Das so erstellte Segmentierungsergebnis wird in Schritt 202 zur Überprüfung der Segmentierung bereitgestellt, beispielsweise in Form der binären Segmentierungsmaske.
Weiterhin werden in Schritt 203 die genannten Wahrscheinlichkeitswerte der Wahrscheinlichkeitskarte, die mit dem Segmentierungsverfahren bestimmt wurden, bereitgestellt. In Schritt 204 werden Gradienten der Wahrscheinlichkeitswerte ortsaufgelöst als Eigenschaftswerte bestimmt. In Bereichen, in denen sich Bildpunkte klar der einen oder der anderen Struktur zuordnen lassen, wird der Random Walker Algorithmus entsprechend hohe Wahrscheinlichkeitswerte für die Zuordnung zur jeweiligen Struktur bestimmen. Der in diesem Bereich somit vorhandene große Gradient der Wahrscheinlichkeitswerte weist auf die hohe Genauigkeit der Segmentierung in diesem Bereich hin. Gradienten der Wahrscheinlichkeitswerte sind damit als Indikator für die Genauigkeit der Segmentierung geeignet.
Dies lässt sich insbesondere anhand der 6A und 6B verdeutlichen. 6A zeigt einen Ausschnitt eines koronalen Schichtbilds aus einem 3-dimensionalen Bilddatensatz der Bauchregion einer Untersuchungsperson, wobei in diesen Bilddaten 610 die linke Niere der Untersuchungsperson als Struktur 620 dargestellt ist. Die Kantenstruktur zwischen der Niere und der Bauchspeicheldrüse ist nur sehr schwach ausgeprägt, sodass hier eine ungenaue Segmentierung zu erwarten ist. 6B zeigt Wahrscheinlichkeits-Isokonturlinien in der mit dem Random Walker Segmentierungsverfahren bestimmten Wahrscheinlichkeitskarte für die in 6A dargestellten Bilddaten 610. Die in schwarz dargestellte 50% Wahrscheinlichkeit Isokontur entspricht dabei der Segmentierungskontur 600 für die Niere in dem Schnittbild. Wie anhand der sich auffächernden Isokonturlinien im oberen rechten Bereich der 6B erkennbar ist, weisen die Wahrscheinlichkeiten dort nur einen geringen Gradienten auf im Vergleich zu anderen Abschnitten der Segmentierungskontur 600. Anhand des niedrigen Gradienten lässt sich die in den Bilddaten nur schwach ausgebildete Kante identifizieren, sowie eine geringere Segmentierungskonfidenz für diesen Bereich abschätzen.
Die Wahrscheinlichkeitswerte selbst stellen keinen guten Indikator für die Genauigkeit der Segmentierung entlang der Segmentierungskontur 600 dar, was in 7A veranschaulicht ist. 7A zeigt die Wahrscheinlichkeitswerte der Random Walker Wahrscheinlichkeitskarte auf der Segmentierungskontur 600. Im oberen und unteren Bereich der Kontur weisen die Wahrscheinlichkeiten ähnliche Werte auf. Wie jedoch anhand des Kontrasts in den Bilddaten der 6A und der Isokonturen der Wahrscheinlichkeiten in 6B erkennbar ist, kann die Kontur im unteren Teil wesentlich genauer bestimmt werden als im oberen Teil. 7B zeigt für dieselbe Segmentierungskontur 600 die Gradientengrößen und Gradientenrichtungen als Vektoren. Durch einen Vergleich mit 6A ist deutlich erkennbar, dass die Wahrscheinlichkeitsgradienten in Bereichen stark ausgeprägter Kanten höhere Werte aufweisen, als in Bereichen mit schwach ausgeprägten Kanten. Durch die Bestimmung der Größe des Gradienten können somit Rückschlüsse auf die Genauigkeit der Segmentierung gezogen werden, sodass die Gradientewerte geeignete Eigenschaftswerte darstellen.
Für die Berechnung der Konfidenzwerte erfolgt in Schritt 205 der 2 zunächst das Bestimmen eines mittleren Gradienten aus den Gradientenwerten in einem Bereich um vorbestimmte Positionen auf der zu überprüfenden Segmentierungskontur. Beispielsweise werden Gradientenwerte entlang einer Linie, die senkrecht auf der Segmentierungskontur 600 bei der jeweiligen Position steht, gemittelt, oder es werden Gradientenwerte aus einem kreisförmigen Bereich um die jeweilige Position auf der Segmentierungskontur gemittelt. Da durch Bildrauschen hohe Gradienten zwischen unmittelbar benachbarten Bildpunkten auftreten können, erhöht eine solche Mittelwertbildung die Zuverlässigkeit der Konfidenzwertbestimmung. Andere statistische Verfahren, wie das Bilden eines Medians oder ähnliche sind selbstverständlich ebenfalls denkbar.
Aus den mittleren Gradientenwerten wird in Schritt 206 für die jeweilige Position auf der Segmentierungskontur ein Konfidenzwert bestimmt. Die Bestimmung der Konfidenzwerte kann dabei wie vorab mit Bezug auf 1 beschrieben erfolgen, diese können beispielsweise für jedes Voxel auf der Segmentierungskontur 600 bestimmt werden.
7C zeigt diese ortsaufgelösten Konfidenzwerte, die auf derselben Segmentierungskontur 600 basierend auf den in 7B gezeigten Gradientenwerten bestimmt wurden. Dabei bedeuten eine helle bzw. dunkle Darstellung der Segmentierungskontur 600 eine niedrige bzw. hohe Konfidenz c. Bei Betrachtung der Konfidenzwerte im unteren und oberen Teil der Segmentierungskontur kann nun festgestellt werden, dass der obere Teil, bei welchem die Niere die Bauchspeicheldrüse berührt, klar durch niedrigere Konfidenzwerte gekennzeichnet ist, während der übrige Teil der Segmentierungskontur mittlere und hohe Konfidenzwerte aufweist. Mit dem erfindungsgemäßen Verfahren können damit automatisch Bereiche mit hoher und niedriger Zuverlässigkeit der Segmentierung voneinander unterschieden werden. Im oberen Teil der Segmentierungskontur 600 kann nun eine automatische Verbesserung der Segmentierung erfolgen, beispielsweise durch Anpassung und erneute Ausführung des Segmentierungsverfahrens, oder durch Anpassung des Wahrscheinlichkeitsschwellwertes bei der binären Extraktion.
Dafür werden in Schritt 207 die für die zu überprüfende Segmentierungskontur 600 bestimmten ortsaufgelösten Konfidenzwerte bereitgestellt. Es kann wie mit Bezug auf Schritt 105 der 1 beschrieben ein Anzeigen der Konfidenzwerte oder ein Weiterführen der Segmentierung erfolgen. Durch eine gezielte Anzeige wird eine manuelle Korrektur der Segmentierung in diesem Bereich ohne erhöhten Zeitaufwand möglich.
Während bei dem Ausführungsbeispiel der 2 die zu überprüfende Segmentierung mit einem Random Walker Verfahren erstellt wurde, kann bei der Ausführungsform der 3 jedes beliebige Segmentierungsverfahren, einschließlich einer manuellen Segmentierung der Struktur, zum Einsatz kommen. Bei dem in 3 veranschaulichten Verfahren erfolgt in Schritt 301 die Segmentierung der Struktur in den Bilddaten zum Erstellen der zu überprüfenden Segmentierung mittels einer manuellen Segmentierung oder eines beliebigen automatischen Segmentierungsverfahrens. Das Segmentierungsergebnis wird in Schritt 302 zum Überprüfen der Segmentierung bereitgestellt. Anschließend werden für die Bilddaten die vorab beschriebenen Wahrscheinlichkeitswerte mittels eines Random Walker Verfahrens erzeugt, dass auf Basis der zu überprüfenden Kontur automatisch bestimmte Saatpunkte verwendet.
Dazu erfolgt in Schritt 303 das automatische Bestimmen der Abstände von Bildpunkten in den Bilddaten zu der Segmentierungskontur mittels einer signierten Distanzfunktion. Ein derartiges Bestimmen von Abständen ist dem Fachmann geläufig und wird darum hier nicht weiter vertieft. Für einen vorbestimmten Abstand von der Segmentierungskontur werden in Schritt 304 automatisch Saatpunkte innerhalb und außerhalb des Segmentierungsbereichs festgelegt. Dies kann hier vollautomatisch erfolgen, da ja bereits das zu überprüfende Segmentierungsergebnis und damit ein Segmentierungsbereich vorliegt. Ausgehend von diesen Saatpunkten wird in Schritt 305 ein Random Walker Segmentierungsverfahren zur Segmentierung der Struktur in den Bilddaten automatisch durchgeführt. Es erfolgt also eine im Wesentlichen von der zu überprüfenden Segmentierung unabhängige zweite Segmentierung, mit der eine Wahrscheinlichkeitskarte für die Bilddaten bestimmt wird.
Die Wahrscheinlichkeitswerte der Wahrscheinlichkeitskarte des Random Walker Verfahrens werden in Schritt 306 zur Bestimmung der Eigenschaftswerte bereitgestellt. Wie bei dem Verfahren gemäß 2 stehen somit die Bilddaten, die zu überprüfende Segmentierungskontur und die Wahrscheinlichkeitskarte zur Bestimmung der Konfidenzwerte zur Verfügung. Entsprechend erfolgt in Schritt 307 das Durchführen der Schritte 204 bis 207 der 2 zum Bestimmen der ortsaufgelösten Konfidenzwerte. Dabei ist zu beachten, dass diese auf der zu überprüfenden Segmentierungskontur bestimmt werden und nicht auf der Kontur, die im Rahmen des Überprüfungsverfahrens mittels des zusätzlichen Random Walker Segmentierungsverfahrens erhalten wurde. Dieses dient bei der vorliegenden Ausführungsform ausschließlich der Bereitstellung der Wahrscheinlichkeitswerte. Somit lassen sich auch für eine manuell eingezeichnete Kontur die in 7C veranschaulichten Konfidenzwerte bestimmen.
Das Verfahren lässt sich auch ohne die Anwendung eines Random Walker Algorithmus durchführen. Eine solche Ausführungsform des erfindungsgemäßen Verfahrens ist nachfolgend anhand des Flussdiagramms der 4 erläutert. Bei dem Verfahren wird die Struktur in den Bilddaten mit einem Level-Set-Verfahren (auch Niveaumengenverfahren) segmentiert, im Rahmen dessen die Werte eines Energiefunktionals minimiert werden, das auf Grundlage der Bilddaten und der Glattheit einer Segmentierungskontur bestimmt wird (Schritt 401). Im Rahmen des iterativen Verfahrens wird eine anfängliche Segmentierungskontur modifiziert bzw. evolviert, sodass sie sich an die Kanten der zu segmentierenden Struktur in den Bilddaten anpasst.
Das Segmentierungsverfahren wird in Schritt 402 durchgeführt, wobei die Segmentierungskontur über mehrere Iterationsschritte evolviert wird. Dabei werden die Konvergenzgeschwindigkeiten oder die Ankunftszeiten (Time of Arrival Map) der Segmentierungskontur beim Segmentierungsergebnis ortsaufgelöst für verschiedene Abschnitte, d. h. an verschiedenen Positionen der Segmentierungskontur als Eigenschaftswerte bestimmt. So gibt es Bereiche der Segmentierungskontur, die bereits nach wenigen Iterationen die entsprechende Position des letztendlichen Segmentierungsergebnisses erreichen, während die Segmentierungskontur in anderen Abschnitten wesentlich langsamer konvergiert und eine entsprechend späte „Arrival Time” aufweist. Die Konvergenzgeschwindigkeit oder die Ankunftszeit sind damit ein guter Indikator für die Genauigkeit der Segmentierung in den entsprechenden Abschnitten.
Auf Grundlage der Konvergenzgeschwindigkeiten oder der Ankunftszeiten erfolgt damit in Schritt 404 das ortsaufgelöste Bestimmen von Konfidenzwerten auf der mit dem Level Set Verfahren bestimmte Segmentierungskontur. Dabei führen höhere Konvergenzgeschwindigkeiten oder kürzere Ankunftszeiten zu höheren Konfidenzwerten. Im Übrigen kann die Bestimmung der Konfidenzwerte wie vorab mit Bezug auf 1 beschrieben erfolgen.
Ein Level Set Segmentierungsverfahren, das bei dem Ausführungsbeispiel der 4 zum Einsatz kommen kann, ist beispielsweise in Ravikanth Malladi, James A. Sethian, Baba C. Vemuri, „Shape Modeling with Front Propagation: A Level Set Approach", IEEE Transactions on Pattern Analysis and Machine Intelligence, v.17n.2, p.158–175, February 1995 beschrieben. Für Details bezüglich des Segmentierungsverfahrens wird ausdrücklich auf diese Druckschrift verwiesen.
Selbstverständlich ist es möglich, die Merkmale der vorab beschriebenen Ausführungsformen zu kombinieren. So können beispielsweise Gradienten von Bildintensitäten, Krümmungswerte der zu überprüfenden Segmentierungskontur und/oder Krümmungswerte von Wahrscheinlichkeits-Isokonturen Eingang in die Bestimmung der Konfidenzwerte bei den verschiedenen Ausführungsformen finden. Letzteres sei anhand der 6B nochmals veranschaulicht. Die in 6B dargestellten Wahrscheinlichkeits-Isokonturlinien weisen über den unteren und mittleren Teil der Segmentierungskontur relativ geringe Krümmungen auf. In dem oberen Teil des Bildes, in dem die Umrisse von Niere und Bauchspeicheldrüse nur schwer zu identifizieren sind, fächern die Isokonturlinien für verschiedene Isowerte stark auf. Dies ist mit hohen Krümmungswerten für die Isokonturlinien am Rande des Bereichs verbunden, und insbesondere auch mit einer hohen Variation der Krümmungswerte für verschiedene Isowerte. Dies ist ein weiterer Indikator für eine nur geringe Genauigkeit der Segmentierung in diesem Bereich, was bei der Bestimmung der Konfidenzwerte für diesen Bereich berücksichtigt werden kann.
5 zeigt schematisch eine Vorrichtung 500 gemäß einer Ausführungsform der vorliegenden Erfindung. Die Vorrichtung 500 umfasst eine Rechnereinheit 504, die zur Ausführung eines der vorab beschriebenen Verfahren konfiguriert ist. Rechnereinheit 504 steht in Verbindung mit einem Speicher 503, der die Bilddaten und die zu überprüfende Segmentierungskontur speichert. Rechnereinheit 504 kann diese aus Speicher 503 abrufen, und die bestimmten Konfidenzwerte mit dem Speicher ablegen. Die vorangehende Segmentierung der Struktur der Bilddaten kann manuell durch Anzeige der Bilddaten auf Anzeige 501 und Abfahren der Kontur durch einen Benutzer mittels Eingabeeinheit 502 erfolgen, die jeweils mit Rechnereinheit 504 kommunizieren. Die Segmentierung kann auch wie vorab beschrieben automatisch durch Rechnereinheit 504 durchgeführt werden. Rechnereinheit 504 kann die Segmentierung auf Basis der Konfidenzwerte automatisch weiterführen. Auch können die Konfidenzwerte auf Anzeige 501 angezeigt werden, und der Benutzer kann eine manuelle Korrektur der Segmentierung mittels Eingabeeinheit 502 vornehmen. Vorrichtung 500 kann beispielsweise als ein Computersystem implementiert werden.
8 veranschaulicht ein weiteres Anwendungsbeispiel. 8 zeigt ein koronales Schichtbild eines Thorax einer Untersuchungsperson, das mit der Computertomographie aufgenommen wurde. Im rechten Bildbereich ist eine hell eingezeichnete Segmentierungskontur des linken Lungenflügels dargestellt, die manuell durch Benutzereingabe erstellt wurde. Basierend auf den gezeigten Bilddaten und der bereitgestellten Segmentierungskontur wurden Konfidenzwerte für die Segmentierungskontur mit dem in 3 dargestellten Verfahren bestimmt. Für die meisten Abschnitte der Segmentierungskontur hat das Verfahren dabei relativ ähnliche Konfidenzwerte geschätzt. Die Konfidenzwerte ändern sich lediglich in dem Bereich, in dem die Bronchien in die Lunge eintreten. In diesem Bereich sind die Konfidenzwerte niedriger, was auf eine verringerte Zuverlässigkeit der Segmentierung in diesem Bereich schließen lässt. Dieses stimmt überein mit klinischen Beobachtungen. Während die meisten Teile des Lungenspeichergewebes auch von verschiedenen Benutzern mit hoher Konsistenz manuell nachgezeichnet werden, zeigen die von verschiedenen Benutzern manuell bestimmten Konturen in den zu den Bronchien benachbarten Bereichen typischerweise größere Variationen.
Somit konnte für verschiedene Beispiele gezeigt werden, dass das erfindungsgemäße Verfahren eine automatische Bestimmung von aussagekräftigen Konfidenzwerten für eine Segmentierungskontur ermöglicht, mit denen die Zuverlässigkeit der Segmentierung beurteilbar ist. Das Verfahren verwendet dabei die ursprünglichen Bilddaten und das zu überprüfende Segmentierungsergebnis. Die Konfidenzwerte können für 2-dimensionale oder 3-dimensionale, insbesondere medizinische Bilddaten bestimmt werden. Die Konfidenzwerte können anschließend für eine automatische Verbesserung der Segmentierung herangezogen werden. Alternativ oder zusätzlich ist es möglich, durch Anzeige der Konfidenzwerte den Benutzer auf Bereiche der Segmentierungskontur hinzuweisen, für die die Segmentierungsgenauigkeit fraglich ist.
Bezugszeichenliste

101–404: Verfahrensschritte
500: Vorrichtung zur Überprüfung der Segmentierung einer Struktur in Bilddaten
501: Anzeige
502: Eingabeeinheit
503: Speichereinheit
504: Rechnereinheit
600: Segmentierungskontur
610: Bilddaten
620: zu segmentierende Struktur

ZITATE ENTHALTEN IN DER BESCHREIBUNG
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
Zitierte Nicht-Patentliteratur

Leo Grady, „Random Walks for Image Segmentation”, IEEE Trans. on Pattern Analysis and Machine Intelligence, Vol.28, No.11, pp. 1768–1783, Nov. 2006 [0057]
Ravikanth Malladi, James A. Sethian, Baba C. Vemuri, „Shape Modeling with Front Propagation: A Level Set Approach”, IEEE Transactions on Pattern Analysis and Machine Intelligence, v.17n.2, p.158–175, February 1995 [0072]

Claims

Verfahren zur Überprüfung einer Segmentierung einer Struktur (620) in Bilddaten (610), wobei die zu überprüfende Segmentierung einen Segmentierungsbereich bereitstellt, der die in den Bilddaten abgebildete Struktur (620) annähert und der durch eine Segmentierungskontur (600) begrenzt ist, wobei das Verfahren die folgenden Schritte umfasst: – ortsaufgelöstes automatisches Bestimmen von Eigenschaftswerten, die geeignet sind, als Indikator für die Genauigkeit der Segmentierung der Struktur (620) zu dienen, auf Grundlage der Bilddaten (610), der zu überprüfenden Segmentierungskontur (600), oder eines bei der Durchführung der zu überprüfenden Segmentierung angewandten Segmentierungsverfahrens, oder einer Kombination dieser, und – ortsaufgelöstes automatisches Bestimmen von Konfidenzwerten für mehrere Positionen auf der Segmentierungskontur (600) unter Verwendung der Eigenschaftswerte, die für die entsprechenden Positionen bestimmt wurden.
Verfahren nach Anspruch 1, wobei die auf Grundlage der Bilddaten (610) bestimmten ortsaufgelösten Eigenschaftswerte eine oder eine Kombination der folgenden Arten von Werten umfassen: – Gradienten von Intensitätswerten in den Bilddaten (610), in denen die Struktur (620) abgebildet ist, – Gradienten von Wahrscheinlichkeitswerten einer Wahrscheinlichkeitskarte, die mit einem Random Walker Segmentierungsverfahren bei einer Segmentierung der Struktur (620) in den Bilddaten (610) im Rahmen des Überprüfungsverfahrens bestimmt wurde, – Krümmungswerte von Wahrscheinlichkeits-Isokonturlinien in dieser Wahrscheinlichkeitskarte.
Verfahren nach Anspruch 1 oder 2, wobei die auf Grundlage der zu überprüfenden Segmentierungskontur bestimmten ortsaufgelösten Eigenschaftswerte Krümmungswerte der zu überprüfenden Segmentierungskontur (600) umfassen.
Verfahren nach einem der vorstehenden Ansprüche, wobei die auf Grundlage des angewandten Segmentierungsverfahrens bestimmten ortsaufgelösten Eigenschaftswerte eine oder eine Kombination der folgenden Arten von Werten umfassen: – Gradienten von Wahrscheinlichkeitswerten einer Wahrscheinlichkeitskarte, die mit einem Random Walker Segmentierungsverfahren bestimmt wurde, das bei der Durchführung der zu überprüfenden Segmentierung angewandt wurde, – Krümmungswerte von Wahrscheinlichkeits-Isokonturlinien in dieser Wahrscheinlichkeitskarte, – Konvergenzgeschwindigkeiten für verschiedene Abschnitte der zu überprüfenden Segmentierungskontur (600), die bei der Durchführung der Segmentierung mit dem Segmentierungsverfahren auftreten, – Änderungen der Werte eines mit dem Segmentierungsverfahren bestimmten Energiefunktionals mit Variationen der Segmentierungskontur (600).
Verfahren nach einem der vorstehenden Ansprüche, wobei der Konfidenzwert für eine Position durch statistische Auswertung der Eigenschaftswerte erfolgt, die in einem bestimmten Bereich um diese Position angeordnet sind.
Verfahren nach Anspruch 5, wobei die statistische Auswertung die Bestimmung eines einfachen oder gewichteten Mittelwertes oder eines Medians der Eigenschaftswerte in dem bestimmten Bereich umfasst.
Verfahren nach einem der vorstehenden Ansprüche, wobei die Bestimmung der Konfidenzwerte derart erfolgt, dass höhere Eigenschaftswerte zu höheren Konfidenzwerten führen.
Verfahren nach einem der vorstehenden Ansprüche, wobei die Segmentierungskontur (600) in den Bilddaten (610) durch die Positionen von Pixeln oder Voxeln beschrieben wird, die auf der Segmentierungskontur (600) liegen oder von dieser geschnitten werden, wobei für jeden Pixel bzw. jedes Voxel der Segmentierungskontur (600) ein Konfidenzwert bestimmt wird.
Verfahren nach einem der vorstehenden Ansprüche, wobei das Verfahren die Durchführung eines Random Walker Segmentierungsverfahrens zur Segmentierung der Struktur in den Bilddaten umfasst, mit dem Wahrscheinlichkeitswerte für die Bilddaten bestimmt werden, wobei die ortsaufgelösten Eigenschaftswerte bestimmt werden durch das Bestimmen von Gradienten dieser Wahrscheinlichkeitswerte.
Verfahren nach Anspruch 9, wobei Saatpunkte für das Random Walker Segmentierungsverfahren auf Grundlage der zu überprüfenden Segmentierung bestimmt werden.
Verfahren nach Anspruch 9 oder 10, wobei die Durchführung des Random Walker Segmentierungsverfahrens die folgenden Schritte umfasst: – automatisches Bestimmen einer signierten Distanzfunktion, die Abstände zu der Segmentierungskontur (600) der zu überprüfenden Segmentierung angibt, – für einen vorbestimmten Abstand zu der Segmentierungskontur, automatisches Vorgeben von Saatpunkten innerhalb und außerhalb des Segmentierungsbereichs, und – automatisches Durchführen des Random Walker Segmentierungsverfahrens unter Verwendung der vorgegebenen Saatpunkte.
Verfahren nach einem der vorstehenden Ansprüche, wobei die zu überprüfende Segmentierung mit einem Random Walker Segmentierungsverfahren erstellt wurde, mit dem Wahrscheinlichkeitswerte für die Bilddaten bestimmt wurden, wobei die ortsaufgelösten Eigenschaftswerte bestimmt werden durch das Bestimmen von Gradienten dieser Wahrscheinlichkeitswerte.
Verfahren nach einem der vorstehenden Ansprüche, wobei die zu überprüfende Segmentierung mit einem Random Walker Segmentierungsverfahren erstellt wurde, und wobei die ortsaufgelösten Eigenschaftswerte bestimmt werden durch Bestimmen der Krümmung der Segmentierungskontur (600) der zu überprüfenden Segmentierung.
Verfahren nach einem der vorstehenden Ansprüche, wobei die Segmentierung der Struktur in den Bilddaten ausgehend von der zu überprüfenden Segmentierung unter Verwendung der bestimmten Konfidenzwerte weitergeführt wird.
Verfahren nach einem der vorstehenden Ansprüche, wobei das Verfahren des Weiteren die folgenden Schritte umfasst: – automatisches Anpassen eines Parameters des Segmentierungsverfahrens, mit dem die zu überprüfende Segmentierung erstellt wurde, auf Basis der bestimmten Konfidenzwerte, und – erneutes Bestimmen der Segmentierung mit dem angepassten Segmentierungsverfahren.
Verfahren nach Anspruch 15, wobei die zu überprüfende Segmentierung mit einem Random Walker Segmentierungsverfahren erstellt wurde und wobei zumindest der Schwellwert für eine binäre Extraktion des Segmentierungsbereichs aus der Wahrscheinlichkeitskarte auf Basis der Konfidenzwerte lokal angepasst wird.
Verfahren nach einem der Ansprüche 1–11, 14 oder 15, wobei die zu überprüfende Segmentierung eine manuelle, durch Benutzereingabe vorgenommene Segmentierung ist.
Verfahren nach einem der vorstehenden Ansprüche, wobei das Verfahren des Weiteren das ortsaufgelöstes Anzeigen der Konfidenzwerte für die Segmentierungskontur (600) umfasst.
Vorrichtung zur Überprüfung der Segmentierung einer Struktur (620) in Bilddaten (610), wobei die zu überprüfende Segmentierung einen Segmentierungsbereich bereitstellt, der die in den Bilddaten (610) abgebildete Struktur (600) annähert und der durch eine Segmentierungskontur (600) begrenzt ist, wobei die Vorrichtung eine Rechnereinheit (504) aufweist, die zum Ausführen der folgenden Schritte eingerichtet ist: – ortsaufgelöstes automatisches Bestimmen von Eigenschaftswerten, die geeignet sind, als Indikator für die Genauigkeit der Segmentierung der Struktur (620) zu dienen, auf Grundlage der Bilddaten, der zu überprüfenden Segmentierungskontur, oder eines bei der Durchführung der zu überprüfenden Segmentierung angewandten Segmentierungsverfahrens, oder einer Kombination dieser, und – ortsaufgelöstes automatisches Bestimmen von Konfidenzwerten für mehrere Positionen auf der Segmentierungskontur (600) unter Verwendung der Eigenschaftswerte, die für die entsprechenden Positionen bestimmt wurden, wobei die Konfidenzwerte die Zuverlässigkeit der zu überprüfenden Segmentierung an den entsprechenden Positionen angeben.
Vorrichtung nach Anspruch 19, wobei die Rechnereinheit (504) zur Durchführung eines Verfahrens gemäß einem der Ansprüche 2–18 eingerichtet ist.
Elektronisch lesbarer Datenträger mit darauf gespeicherten elektronisch lesbaren Steuerinformationen, welche derart ausgestaltet sind, dass sie bei Verwendung des Datenträgers in einem Rechnersystem das Verfahren nach einem der Ansprüche 1–18 durchführen.
Computerprogrammprodukt mit einem Computerprogramm, welches bei Ausführung in einem Rechnersystem das Verfahren nach einem der Ansprüche 1–18 ausführt.