DE102015103468A1

DE102015103468A1 - Verfahren zur Segmentierung eines Organs und/oder Organbereiches in mehrkanaligen Volumendatensätzen der Magnetresonanztomographie

Info

Publication number: DE102015103468A1
Application number: DE102015103468.9A
Authority: DE
Inventors: Oliver Gloger
Original assignee: Ernst Moritz Arndt Universitaet Greifswald
Current assignee: Universitaet Greifswald
Priority date: 2015-03-10
Filing date: 2015-03-10
Publication date: 2016-09-15

Abstract

Die vorliegende Erfindung betrifft ein Verfahren zur Segmentierung eines Organs und/oder Organbereiches in mehrkanaligen Volumendatensätzen der Magnetresonanztomographie. Bei dem Verfahren wird auf Basis von charakteristischen 2D-Formen des Organs und/oder Organbereiches aus Trainingsdatensätzen zunächst eine Vorsegmentierung durchgeführt. Anschließend wird auf Basis dieser Vorsegmentierung ein probandenspezifischer Wahrscheinlichkeitsdatensatz für das Organ und/oder den Organbereich generiert. Auf den Wahrscheinlichkeitsdatensatz wird dann ein weiteres Segmentierungsverfahren angewendet, um das Organ und/oder den Organbereich zu segmentieren. Das Verfahren lässt sich vollautomatisch durchführen und bietet insbesondere für die Segmentierung des Nierenparenchyms sehr zuverlässige robuste Ergebnisse.

Description

Technisches Anwendungsgebiet
Die vorliegende Erfindung betrifft ein vollautomatisches Verfahren zur Segmentierung eines Organs und/oder Organbereiches, insbesondere des Nierenparenchyms, in mehrkanaligen Volumendatensätzen der Magnetresonanztomographie auf Basis von Trainingsdatensätzen.
Die Segmentierung von Organen oder Organbereichen in Volumendatensätzen der Magnetresonanztomographie (MRT) ist in epidemiologischen Studien und der klinischen Praxis von großem Interesse. Besonders für epidemiologische Studien ist eine manuelle Segmentierung zu zeitaufwändig. Hier müssen möglichst vollautomatische Verfahren zum Einsatz kommen, die eine 3D-Segmentierung des Organs oder Organbereiches aus den Volumendatensätzen ermöglichen. Die meisten bisher bekannten Verfahren erfordern jedoch noch immer eine Interaktion mit dem Benutzer.
Stand der Technik
Eine besondere Herausforderung stellt die Segmentierung des Nierenparenchyms aus Volumendatensätzen der Magnetresonanztomographie dar. Hierzu sind bereits zahlreiche Segmentierungstechniken bekannt, die jedoch in der Regel ein manuelles Eingreifen des Benutzers erfordern oder keine zuverlässige vollautomatische Segmentierung ermöglichen. Aus Gloger, O. et al.; „Prior shape level set segmentation on multistep generated probability maps of MR datasets for fully automatic kidney parenchyma volumetry", Medical Imaging, IEEE Transactions on 31.2.(2012), Seiten 312 bis 325, ist ein Verfahren zur vollautomatischen Segmentierung des Nierenparenchyms aus Volumendatensätzen der MR-Tomographie bekannt, bei dem ausgehend von Segmentierungsergebnissen aus Trainingsdatensätzen eine mehrstufige Segmentierung des Nierenparenchyms durchgeführt wird. Das Verfahren nutzt dabei einen einkanaligen Volumendatensatz, d. h. einen Volumendatensatz mit lediglich einer Gewichtung. Die Segmentierung selbst erfolgt in einem Wahrscheinlichkeitsdatensatz für das Nierenparenchym, der auf Basis der Trainingsdatensätze erstellt wurde. Ein Problem stellt bei einem derartigen Verfahren jedoch die Schwankung der MR-Intensitäten im Nierengewebe dar, sowohl innerhalb eines Volumendatensatzes als auch zwischen Volumendatensätzen unterschiedlicher Personen, von denen die Trainingsdatensätze gewonnen wurden. Dies kann sich negativ auf die Qualität des Wahrscheinlichkeitsdatensatzes auswirken und zu einer unzuverlässigen Segmentierung führen.
Darstellung der Erfindung
Die Aufgabe der vorliegenden Erfindung besteht darin, ein Verfahren zur vollautomatischen Segmentierung eines Organs und/oder Organbereiches, insbesondere des Nierenparenchyms, in Volumendatensätzen der Magnetresonanztomographie anzugeben, das sich für eine zuverlässige vollautomatische 3D-Segmentierung des Organs und/oder Organbereiches eignet.
Die Aufgabe wird mit dem Verfahren gemäß Patentanspruch 1 gelöst. Vorteilhafte Ausgestaltungen des Verfahrens sind Gegenstand der abhängigen Patentansprüche oder lassen sich der nachfolgenden Beschreibung sowie dem Ausführungsbeispiel entnehmen.
Bei dem vorgeschlagenen Verfahren zur Segmentierung eines Organs und/oder Organbereiches erfolgen die nachfolgend angeführten Verfahrensschritte unter Nutzung von manuellen Segmentierungsergebnissen aus mehrkanaligen Trainingsdatensätzen, die von einer Vielzahl von Personen aufgezeichnet wurden. Unter mehrkanaligen Volumendatensätzen der Magnetresonanztomographie werden dabei MR-Volumendatensätze verstanden, die mit unterschiedlichen MR-Gewichtungen aufgezeichnet wurden, bspw. ein Kanal bzw. Volumendatensatz mit einer normalen Gewichtung, ein Kanal bzw. Volumendatensatz mit einer gegenphasigen Gewichtung, ein Kanal bzw. Volumendatensatz mit einer wasser-gesättigten Gewichtung und ein Kanal bzw. Volumendatensatz mit einer fett-gesättigten Gewichtung. Das Gleiche gilt für die mehrkanaligen Trainingsdatensätze, die mit den gleichen Gewichtungen aufgezeichnet wurden. Bei dem vorgeschlagenen Verfahren werden aus diesen Trainingsdatensätzen auch charakteristische zweidimensionale Formen des zu segmentierenden Organs und/oder Organbereichs bereitgestellt, die aus einzelnen Schichtbildern der Trainings- bzw. Volumendatensätze stammen. Diese charakteristischen 2D-Formen wurden aus den Segmentierungsergebnissen ebenfalls manuell ausgewählt. Bei dem vorgeschlagenen Verfahren wird zunächst ein interessierender Bereich (ROI) innerhalb der vom Probanden aufgezeichneten (mehrkanaligen) Volumendatensätze festgelegt, der das Organ und/oder den Organbereich mit höchster Wahrscheinlichkeit enthält. Dieser interessierende Bereich wird auf Basis der vorliegenden Trainingsdatensätze, bspw. mit Hilfe einer aus den Trainingsdatensätzen gewonnenen dreidimensionalen Maske, bestimmt. Auf einem der vom Probanden aufgezeichneten Volumendatensätze, d.h. einem Volumendatensatz einer der vorhandenen Gewichtungen, wird dann im ROI schichtweise ein erstes Segmentierungsverfahren auf Basis der MR-Intensitäten dieses Volumendatensatzes, d.h. der entsprechenden Pixel- oder Voxel-Werte, und der charakteristischen 2D-Formen aus den Trainingsdatensätzen angewendet. Bei dieser in der vorliegenden Patentanmeldung als Vorsegmentierung bezeichneten ersten Phase des Verfahrens wird durch das erste Segmentierungsverfahren direkt oder ggf. nach einem oder mehreren weiteren Segmentierungsschritten ein erster segmentierter Bereich aus dem für diese Vorsegmentierung herangezogenen Volumendatensatz erhalten. Hierbei wird ein Volumendatensatz bzw. Kanal ausgewählt, der das zu segmentierende Organ bzw. den zu segmentierenden Organbereich möglichst gut erkennen lässt. Dies ist organspezifisch und dem Benutzer vor der Durchführung des Verfahrens bekannt, so dass der auszuwählende Volumendatensatz vor der vollautomatischen Durchführung entsprechend eingestellt werden kann. So lässt sich bspw. der Nierencortex in fettgewichteten MR-Volumendatensätzen besonders gut erkennen.
Auf Basis dieses ersten segmentierten Bereiches wird dann aus den aufgezeichneten Volumendatensätzen, d. h. unter Nutzung aller Kanäle bzw. Gewichtungen, ein probandenspezifischer Wahrscheinlichkeitsdatensatz für den interessierenden Bereich generiert, in dem jedem Voxel der aufgezeichneten (mehrkanaligen) Volumendatensätze im ROI eine probandenspezifische Wahrscheinlichkeit zugeordnet ist, zu dem Organ und/oder Organbereich zu gehören. Für die Berechnung des Wahrscheinlichkeitsdatensatzes werden die mehrkanaligen MR-Intensitätswerte der aufgezeichneten Volumendatensätze mit Hilfe einer Diskriminanzanalyse auf eine Dimension reduziert. Das Mittel der Diskriminanzanalyse ist dem Fachmann bekannt. Der Wahrscheinlichkeitsdatensatz wird bei dem vorliegenden Verfahren somit nicht unter Nutzung der charakteristischen 2D-Formen aus den Trainingsdatensätzen generiert, sondern mit Hilfe des aus Vorsegmentierung in dem Volumendatensatz des Probanden erhaltenen ersten segmentierten Bereiches, ist also probandenspezifisch.
Auf diesen Wahrscheinlichkeitsdatensatz wird dann in einer zweiten Phase des Verfahrens ein weiteres Segmentierungsverfahren angewendet, um schließlich das Organ und/oder den Organbereich aus dem Wahrscheinlichkeitsdatensatz und damit auch aus den Volumendatensätzen zu segmentieren.
Durch die Erstellung probandenspezifischer Wahrscheinlichkeitsdatensätze und die Nutzung und Verarbeitung mehrkanaliger Volumendatensätze des Probanden kann eine zuverlässigere vollautomatische Segmentierung erreicht werden, die weniger anfällig für die oben genannten MR-Intensitätsschwankungen ist.
Als erstes Segmentierungsverfahren wird bei der Vorsegmentierung vorzugsweise ein stufenweises Schwellwertverfahren eingesetzt, bei dem der Schwellwert für die MR-Intensitäten der einzelnen Schichten des Volumendatensatzes ausgehend von einem unteren Anfangswert Schritt für Schritt solange erhöht wird, bis der mit dem jeweiligen Schwellwert segmentierte Bereich eine Form aufweist, deren Fourier-Deskriptoren innerhalb eines vorgebbaren Ähnlichkeitsmaßes mit Fourier-Deskriptoren der charakteristischen 2D-Formen des Organs und/oder Organbereichs aus den Trainingsdatensätzen übereinstimmen. Der untere Anfangswert kann dabei bspw. aus einem Histogramm der MR-Intensitäten für das Organ und/oder den Organbereich bestimmt werden, das aus dem für die Vorsegmentierung ausgewählten Volumendatensatz des Probanden im ROI erstellt wird. Selbstverständlich ist auch eine davon unabhängige Festlegung des unteren Anfangswertes möglich. Sobald eine ausreichende Ähnlichkeit mit den charakteristischen 2D-Formen des Organs bzw. Organbereiches erreicht ist, wird das erste Segmentierungsverfahren für die jeweilige Schicht beendet.
Vorzugsweise wird als Ähnlichkeitsmaß hierbei ein mittleres Unähnlichkeitsmaß zwischen den Fourier-Deskriptoren der Form des jeweils segmentieren Bereiches und den gemittelten Fourier-Deskriptoren der charakteristischen 2D-Formen berechnet. Durch diese Mittelwertbildung wird eine hohe Zuverlässigkeit bereits bei der Vorsegmentierung erreicht.
Die Vorsegmentierung wird dabei in dem Volumendatensatz schichtweise, d.h. auf Basis von 2D-Schichten des Volumendatensatzes durchgeführt, die die gleiche Orientierung wie die Schichten aufweisen, auf deren Basis die charakteristischen 2D-Formen aus den Trainingsdatensätzen gewonnen wurden. Die durch die Vorsegmentierung erhaltenen segmentierten zweidimensionalen Bereiche wiederum in die dritte Dimension des Volumendatensatzes zu übertragen stellt für den Fachmann kein Problem dar. Dies entspricht im Wesentlichen einer Erstellung eines Volumendatensatzes aus einzelnen Schichtbildern.
Die Vorsegmentierung kann auch mit Hilfe einer 2D-Level-Set-Segmentierung bei Bedarf noch verfeinert werden. Bei dieser 2D-Level-Set-Segmentierung können dann vorzeichenbehaftete Abstandsfunktionen der durch das erste Segmentierungsverfahren erhaltenen segmentierten Bereiche zur Initialisierung genutzt werden.
Die in der zweiten Phase des Verfahrens auf den probandenspezifischen Wahrscheinlichkeitsdatensatz angewendete weitere Segmentierung wird vorzugsweise als 3D-Level-Set-Segmentierung durchgeführt. Bei dieser Segmentierung können vorzeichenbehaftete Abstandsfunktionen des ersten segmentierten Bereiches zur Initialisierung genutzt werden.
Eine bevorzugte Ausgestaltung des vorgeschlagenen Verfahrens betrifft die Segmentierung des Nierencortex. Bei dieser Anwendung wird vorzugsweise nach der schichtweisen Anwendung des ersten Segmentierungsverfahrens eine weitere Verfeinerung bei der Vorsegmentierung durchgeführt. Hierfür wird zunächst jeweils für jede Schicht eine konvexe Hülle des mit dem ersten Segmentierungsverfahren segmentierten Bereiches dieser Schicht berechnet und an der Verbindungslinie zwischen den beiden Enden dieses im Falle des Nierencortex annähernd hufeisenförmigen Bereiches gespiegelt, um eine durch die Spiegelung erweiterte Hülle zu erhalten. Innerhalb dieser erweiterten Hülle werden dann mit einem Schwellwertverfahren Bereiche des Hintergrundes und des Nierenbeckens entfernt und anschließend eine 2D-Level-Set-Segmentierung durchgeführt. Bei dieser Segmentierung wird eine Kombination eines Daten-Terms mit einem Form-Term eingesetzt und ein Gradientenabstiegsverfahren für eine Minimierung des resultierenden Energiefunktionals genutzt. Einzelheiten hierzu können dem späteren Ausführungsbeispiel entnommen werden. Auf diese Weise können Über- oder Untersegmentierungen des Nierencortex z.B. aufgrund von Partialvolumeneffekten oder ähnlichen MR-Intensitäten benachbarter Gewebstypen entfernt werden.
Die Erstellung des Wahrscheinlichkeitsdatensatzes erfolgt dann vorzugsweise, indem auf eine Dimension reduzierte MR-Intensitätswerte für Gewebe des Nierencortex aus dem ersten segmentierten Bereich und für Gewebe des Hintergrunds aus dem verbleibenden Bereich der konvexen Hülle des ersten segmentierten Bereiches verwendet werden, um entsprechende Wahrscheinlichkeiten für das Nierengewebe und für den Hintergrund zu berechnen. Der probandenspezifische Wahrscheinlichkeitsdatensatz für den Nierencortex wird dann darauf basierend mit Hilfe der Bayes-Formel berechnet. Die A-priori-Wahrscheinlichkeiten für Nierengewebe und Hintergrund werden aus den mehrkanaligen Trainingsdatensätzen erhalten.
Für die abschließende Segmentierung des Nierencortex wird auf dem probandenspezifischen Wahrscheinlichkeitsdatensatz eine 3D-Level-Set-Segmentierung wiederum mit einer Kombination eines Daten-Terms und eines Form-Terms angewendet. Das Energiefunktional des Form-Terms stammt dabei aus einer vorzeichenbehafteten Abstandsfunktion, die aus dem durch die Vorsegmentierung erhaltenen ersten segmentierten Bereich gebildet wird. Vorzugsweise werden bei dieser 3D-Level-Set-Segmentierung zusätzlich eine Stoppfunktion und eine Anziehungsfunktion integriert, die das Null-Level-Set zu einer äußeren Begrenzung des Nierencortex ziehen. Auch hier wird wiederum ein entsprechendes Gradientenabstiegsverfahren eingesetzt. Einzelheiten zur verwendeten Stopp- und Anziehungsfunktion können wiederum dem späteren Ausführungsbeispiel entnommen werden.
In einer Anwendung zur Segmentierung des Nierenparenchyms wird vorzugsweise zunächst das Nierencortex gemäß dem vorangehend beschriebenen Verfahren segmentiert. Anschließend wird in gleicher Weise eine Vorsegmentierung des Nierenparenchyms durchgeführt und ein probandenspezifischer Wahrscheinlichkeitsdatensatz für das Nierenparenchym generiert. Auf diesen Wahrscheinlichkeitsdatensatz wird dann eine 3D-Level-Set-Segmentierung innerhalb der bei der Segmentierung des Nierencortex berechneten konvexen Hülle als Kombination eines Daten-Terms mit einem Form-Term angewendet. Auch hier stammt das Energiefunktional des Form-Terms aus einer vorzeichenbehafteten Abstandsfunktion, die aus dem durch die Vorsegmentierung erhaltenen ersten segmentierten Bereich (des Nierenparenchyms) gebildet wird, und ein Gradientenabstiegsverfahren wird zur Minimierung eingesetzt. Auf diese Weise lässt sich über den Schritt der Segmentierung des Nierencortex eine zuverlässigere Segmentierung des Nierenparenchyms erhalten als dies mit den bisher bekannten Verfahren möglich ist.
Für eine vollautomatische Segmentierung des Nierenparenchyms wird vorzugsweise eine bedingte Verzweigung in das Verfahren eingeführt, um einen Abbruch in Fällen zu vermeiden, in denen das Nierencortex mit dem vorgeschlagenen Verfahren nicht segmentierbar ist. Hierzu wird in einem ersten Schritt zunächst im Rahmen der Vorsegmentierung geprüft, ob eine ausreichende Übereinstimmung mit den charakteristischen 2D-Formen des Nierencortex aus den Trainingsdatensätzen vorhanden ist. Wird eine Übereinstimmung innerhalb des vorgegebenen Ähnlichkeitsmaßes gefunden, so erfolgt die Segmentierung des Nierencortex gemäß dem vorgeschlagenen Verfahren und anschließend die Segmentierung des Nierenparenchyms in der oben angegebenen Weise. Wird bei der Überprüfung in keiner der Schichten eine ausreichende Übereinstimmung gefunden, so wird das Nierenparenchym direkt, d. h. ohne vorherige Segmentierung des Nierencortex, aus den mehrkanaligen Volumendatensätzen des Probanden segmentiert.
Kurze Beschreibung der Zeichnungen
Das vorgeschlagene Verfahren wird nachfolgend anhand eines Ausführungsbeispiels in Verbindung mit den Zeichnungen nochmals näher erläutert. Hierbei zeigen:
1 in Teilabbildungen a) und b) eine schematische Darstellung des Verfahrensablaufs in einer Ausgestaltung des vorgeschlagenen Verfahrens;
2 eine stark schematisierte Darstellung der Erscheinung des Nierenparenchyms und des Nierencortex in transversalen MR-Schichtbildern a) mit wasser-gesättigter Gewichtung (Nierenparenchym) und b) mit fett-gesättigter Gewichtung (Nierencortex);
3 ein Beispiel für die normalisierten Verteilungen der fett-gesättigten MR-Intensitäten für Nierencortex und Nierenmedulla; und
4 in stark schematisierter Darstellung ein Beispiel für die Bildung und Spiegelung der konvexen Hülle um den Nierencortex.
Wege zur Ausführung der Erfindung
Im Folgenden wird das vorgeschlagene Verfahren anhand der Segmentierung des Nierenparenchyms in mehrkanaligen Volumendatensätzen der MR-Tomographie nochmals näher erläutert.
In der Trainingsphase wurden in diesem Beispiel vierkanalige MR-Volumendatensätze von mehreren gesunden Personen aufgezeichnet. Die vier Kanäle entsprechen Volumendatensätzen mit normaler Gewichtung, mit gegenphasiger Gewichtung, mit wasser-gesättigter Gewichtung und mit fett-gesättigter Gewichtung. Das Nierenparenchym ist dabei in Volumendatensätzen mit wasser-gesättigter Gewichtung besonders gut zu erkennen, der Nierencortex in Volumendatensätzen mit fett-gesättigter Gewichtung. 2a zeigt hierzu beispielhaft eine Darstellung des Umrisses des Nierenparenchyms 1 in einem Schichtbild mit wasser-gesättigter Gewichtung, 2b den Umriss des Nierencortex 2 und der Medulla 3 in einem Schichtbild mit fett-gesättigter Gewichtung. Aus den jeweiligen Trainingsdatensätzen wurden manuell der Nierencortex sowie das Nierenparenchym segmentiert. Auf Basis dieser Segmentierung wurden 3D-Binärmasken des linken und rechten Nierenparenchyms sowie des linken und rechten Nierencortex erstellt und abgespeichert. Schichtweise wurden außerdem konvexe Hüllen der segmentierten Parenchymbereiche berechnet und abgespeichert. Wie aus 2b zu erkennen ist, zeigen innere transversale Schichtbilder der Niere häufig charakteristische 2D-Formen des Nierencortex. In gleicher Weise sind in den inneren transversalen Schichtbildern auch charakteristische 2D-Formen des Nierenparenchyms zu erkennen (vgl. 2a). Diese Formen variieren über die Schichten des Volumendatensatzes und auch zwischen verschiedenen Personen bzw. Probanden.
Im vorliegenden Beispiel wurden jeweils die charakteristischen 2D-Formen aus 40 unterschiedlichen Schichten sowohl für den Nierencortex als auch für das Nierenparenchym ausgewählt und abgespeichert. Dieser Schritt wird getrennt für die linke und rechte Niere durchgeführt. Die einzelnen Formen werden dabei durch Fourierdeskriptoren beschrieben, die ebenfalls mit den Formen abgespeichert wurden.
Die 3D-Formen des Nierencortex und des Nierenparenchyms wurden dabei als vorzeichenbehaftete 3D-Abstandskarten der manuell segmentierten Bereiche abgespeichert, um sie später bei der Segmentierung zu nutzen. In gleicher Weise wurden vorzeichenbehaftete 2D-Abstandskarten der 2D-Formen des Nierencortex und des Nierenparenchyms zur späteren Verwendung bei der Segmentierung abgespeichert. Weiterhin wird die maximale Dicke des Cortex aus den jeweiligen 2D-Abstandskarten abgeschätzt.
Für die Durchführung des vorgeschlagenen Verfahrens werden diese aus den Trainingsdatensätzen generierten Daten genutzt. 1 (Teilabbildungen a und b) zeigt eine Übersicht über die Vorgehensweise bei der Segmentierung des Nierenparenchyms im vorliegenden Ausführungsbeispiel, wie sie im Folgenden näher erläutert wird. In diesen Figuren sind mit ITCC die charakteristischen 2D-Formen des Nierencortex, mit ITCP die charakteristischen 2D-Formen des Nierenparenchyms und mit MLKR der interessierende Bereich (ROI) bezeichnet. Die charakteristischen 2D-Formen des Nierencortex und des Nierenparenchyms, im Folgenden auch nur als Cortex und Parenchym bezeichnet, werden hierbei benutzt um eine probandenspezifische Gewebesegmentierung in 3D-Volumendaten der Magnetresonanztomographie durchzuführen. In den meisten Fällen können derartige 2D-Formen des Cortex in MR-Schichtbildern identifiziert werden. Es können jedoch auch Fälle auftreten, bei denen dies nicht möglich ist. Einige MR-Volumendatensätze haben Artefakte und zeigen starke Partialvolumeneffekte, die zu einer schwereren Erkennbarkeit der zweidimensionalen Formen des Nierencortex führen können. Die zweidimensionalen Formen des Nierenparenchyms sind hierbei häufig einfacher zu segmentieren als die zweidimensionalen Formen des Nierencortex. Bei dem vorliegenden Ausführungsbeispiel werden daher zwei Segmentierungsstrategien in Abhängigkeit von der Erkennbarkeit der zweidimensionalen Form des Nierencortex genutzt. Bei der ersten Segmentierungsstrategie erfolgt zunächst eine Segmentierung des Nierencortex auf Basis der charakteristischen 2D-Formen des Nierencortex, an die sich dann eine verfeinerte Segmentierung des Nierenparenchyms anschließt, bei der die charakteristischen 2D-Formen des Nierencortex genutzt werden (zweistufige Segmentierungsstrategie). In Fällen, in denen keine charakteristischen 2D-Formen erkannt werden können, wird eine einstufige Segmentierungsstrategie eingesetzt, bei der lediglich das Nierenparenchym auf Basis der charakteristischen 2D-Formen des Nierenparenchyms segmentiert wird. Da MR-Intensitäten des Nierencortexgewebes in einem engeren Intensitätsbereich liegen als Parenchymgewebe, resultieren niedrigere Wahrscheinlichkeitswerte von Nicht-Nierengewebe in Cortex-Wahrscheinlichkeitskarten als in Parenchym-Wahrscheinlichkeitskarten. Daher können schichtweise konvexe Hüllen der besser segmentierten dreidimensionalen Cortexbereiche einen guten Segmentierungsbereich für die nachfolgende verfeinerte Parenchymsegmentierung vorgeben und Übersegmentierungen in benachbarte Organe reduzieren. Aufgrund der höheren Qualität der Cortex-Wahrscheinlichkeitskarte wird im folgenden Beispiel bevorzugt die zweistufige Segmentierung des Nierenparenchyms durchgeführt.
Die in 1 dargestellte Übersicht unterscheidet zwischen den beiden möglichen Strategien. Der Hauptteil des Verfahrens hängt von der Erkennbarkeit der charakteristischen 2D-Formen des Nierencortex ab. Lässt sich wenigstens ein der charakteristischen 2D-Form ähnlicher erster Bereich segmentieren, dann wird eine 3D-Level-Set-Segmentierung auf Basis der Nierencortexform, d.h. dieses segmentierten ersten Bereiches, auf probandenspezifische Wahrscheinlichkeitskarten des Cortex (rechter Teil der 1b) angewendet. Diese Segmentierung des Cortex wird mit einer anschließenden 3D-Segmentierung des Parenchyms innerhalb der konvexen Hülle des segmentierten Cortex erweitert, wobei probandenspezifische Parenchymwahrscheinlichkeitskarten generiert werden. Bei dieser 3D-Segmentierung werden charakteristische 2D-Formen des Nierenparenchyms innerhalb der konvexen Hülle genutzt.
Wird anfänglich keine charakteristische 2D-Form des Nierencortex in den Volumendaten aufgefunden, so wird der Nierencortex nicht segmentiert. In diesem Fall werden dann nur die Vorsegmentierung auf Basis der charakteristischen 2D-Formen des Nierenparenchyms und eine anschließende 3D-Level-Set-Segmentierung auf Basis des vorsegmentierten Bereiches auf probandenspezifischen Parenchymwahrscheinlichkeitskarten durchgeführt (linker Teil der 1b).
Die Erkennung und Segmentierung von charakteristischen 2D-Formen des Nierencortex kann sich als schwierig erweisen. Die Signalintensitäten von Medulla und Cortex hängen von den MR-Aufnahmeparametern ab und liegen typischerweise sehr eng beieinander. Partialvolumeneffekte können die Grenzen zwischen Nierencortex- und Medullagewebe verwaschen und die Abgrenzung des Cortexgewebes erschweren. Vorhandene Inhomogenitäten des magnetischen Feldes bei der Bildaufnahme stören ebenfalls die Erkennung. Weiterhin können die MR-Intensitätsverteilungen von Medulla und Cortex für unterschiedliche Personen überlappen. 3 zeigt ein Beispiel für normalisierte Verteilungen fett-gesättigter MR-Intensitäten für Nierencortexgewebe 4 (gestrichelt) und Nierenmedullagewebe 5 (durchgezogen) von 35 Personen. Die Überlappung der beiden Histogramme ist deutlich erkennbar.
Diese Überlappung der Histogramme begrenzt die Erfolgswahrscheinlichkeit bei einer Segmentierung des Cortex alleine auf Basis der MR-Intensitäten. Bei dem vorliegenden Verfahren wird daher die Erkennung und Segmentierung der Nierencortexformen mittels zusätzlicher Merkmale durchgeführt. Die Erkennung und Segmentierung erfolgt hierbei ebenso wie alle folgenden Schritte jeweils getrennt für die linke und die rechte Niere. Die am besten sichtbaren Unterschiede zwischen den MR-Intensitäten von Cortex und Medulla liegen in fett-gesättigten MR-Aufnahmen vor. Durch Nutzung der 3D-Binärenmasken von Cortex und Parenchym aus den Trainingsdatensätzen werden Histogramme der fett-gesättigten MR-Intensitäten für beide Gewebetypen erstellt, die in etwa denen der 3 entsprechen. Für die Erkennung der charakteristischen 2D-Formen wird dann ein stufenweises Schwellwert-Segmentierungsverfahren eingesetzt, bei dem ausgehend von einem Anfangsschwellwert (hier: 150) bis zu einem Endschwellwert (hier: 250) jeweils eine Schwellwertsegmentierung durchgeführt wird. Der gewählte Schwellwertbereich 6 ist in der 3 durch das Rechteck angedeutet. Alle Bereiche mit höheren fett-gesättigten MR-Intensitäten als der jeweils aktuelle Schwellwert werden weiter analysiert. So werden abstands-transformierte Bilder der mit dem jeweiligen Schwellwert segmentierten Bereiche erstellt. In der Trainingsphase wurde eine maximale Cortexdicke der abstands-transformierten Masken der charakteristischen 2D-Formen des Nierencortex bestimmt. Nur in Fällen, in denen die Dicke der segmentierten Bereiche unterhalb der maximalen Cortexdicke liegt, wird dieser Bereich als potentieller Cortex-Bereich deklariert und weiter verarbeitet. Die Form des segmentierten Bereiches wird dann mit den charakteristischen 2D-Formen des Nierencortex aus den Trainingsdatensätzen verglichen. Dies erfolgt durch Berechnung von Unähnlichkeitsmaßen auf Basis der Fourierdeskriptoren. In diesem Beispiel werden hierzu die translations-invarianten Fourierdeskriptoren F_i jedes segmentierten Bereiches berechnet und mit den abgespeicherten translations-invarianten Fourierdeskriptoren F_jk (k = 1 ... M, M = 40) der trainierten charakteristischen 2D-Formen des Nierencortex verglichen. Das Unähnlichkeitsmaß D (F_i, F_jk) wird dabei in folgender Weise definiert: D(F_i, F_jk) = |F_i – F_jk|² (1)
Anschließend wird das mittlere Unähnlichkeitsmaß D_mean (F_i) der schwellwert-segmentierten Form gegenüber allen trainierten F_jk berechnet:
Falls dieses mittlere Unähnlichkeitsmaß D_mean(F_i) unterhalb einem empirisch bestimmten Schwellwert von im vorliegenden Fall 1,5 liegt, wird der schwellwert-segmentierte Bereich als charakteristische Cortexregion betrachtet und für die nachfolgende Verarbeitung gespeichert. Zahlreiche empirische Tests der mit dem schrittweisen Schwellwertalgorithmus segmentieren Bereiche zeigten, dass Unähnlichkeitsmaße unterhalb von 1,5 mit hoher Wahrscheinlichkeit Cortexgewebe darstellen. Ist das mittlere Unähnlichkeitsmaß D_mean(F_i) größer, dann wird der Schwellwert um einen Schritt erhöht und eine neue Segmentierung mit dem höheren Schwellwert durchgeführt. Dieses in der vorliegenden Patentanmeldung als erstes Segmentierungsverfahren bezeichnete Verfahren endet, sobald alle Schichten für die linke und rechte Niere daraufhin überprüft wurden, ob sie charakteristische Cortex-Formen enthalten. Wird eine Form in einer Schicht gefunden, so wird die schrittweise Segmentierung für diese Schicht beendet.
Durch Partialvolumeneffekte können die auf diese Weise nach Durchführung des ersten Segmentierungsverfahrens erhaltenen segmentierten Bereiche des Nierencortex Über- oder Untersegmentierungen erhalten, die vorzugsweise anschließend durch eine kombinierte bereichs-getriebene und form-getriebene 2D-Level-Set-Segmentierung entfernt werden. Diese 2D-Level-Set-Segmentierung wird in einem Bereich durchgeführt, der aus dem bisher segmentierten Bereich generiert wird. Hierzu wird eine konvexe Hülle 7 um den segmentierten Bereich, der typischerweise eine hufeisenähnliche Form aufweist, berechnet (vgl. 4). Anschließend wird dieser Bereich an den Enden der hufeisenförmigen Form gespiegelt. Bereiche innerhalb dieser erweiterten Hülle 8, die zum Nierenpelvis oder zum Hintergrundgewebe gehören, werden entfernt. Dies betrifft Pixel, die einen Helligkeitswert oberhalb eines trainierten Schwellwertes (hier: 70) in den wasser-gesättigten Bildern aufweisen. Anschließend wird innerhalb der erweiterten Hülle 8 eine kombinierte Daten-getriebene und Form-getriebene 2D-Level-Set-Segmentierung durchgeführt, um die bisherige Segmentierung zu verfeinern. Die Energiefunktionale E_{ECCR_image}, E_{ITCC_shapes} für beide Kräfte werden kombiniert, um den Minimierungsprozess auf Basis eines Gradientenabstiegsverfahrens zu treiben:
Hierbei bezeichnen α einen Gewichtsparameter, ϕ die Level-Set-Funktion und t einen Zeitparameter. Die Daten-getriebene Kraft wird durch die MR-Intensitätsunterschiede zwischen Cortex und Medullaregionen innerhalb der erweiterten konvexen Hülle in fett-gesättigten Bildern getrieben. Die Form-getriebene Kraft wird über die aus den Trainingsdatensätzen erhaltenen vorzeichenbehafteten Abstandsfunktionen der trainierten zweidimensionalen charakteristischen Formen des Nierencortex gesteuert. Diese 2D-Level-Set-Segmentierung wird mit der vorzeichenbehafteten Abstandsfunktion des segmentierten Bereiches initialisiert. Die resultierenden Form- und Bild- bzw. Datenkräfte werden normalisiert, indem sie durch ihr Maximum dividiert werden. Empirisch wurde ein Wert für den Gewichtsfaktor α für den Erhalt guter Resultate gefunden, der ein leichtes Übergewicht der Daten-getriebenen Kraft erzeugt. Im vorliegenden Beispiel wurde ein Wert von α=0,8 benutzt. Die schrittweise Schwellwertveränderung stoppt, sobald alle Schichten für die beiden Nieren verarbeitet wurden. Die jeweils segmentierten Nierencortexbereiche und die erweiterte Hülle werden als binäre Masken für die spätere Verwendung abgespeichert.
Wurde auf diese Weise wenigstens eine Form des Nierencortex in der linken oder rechten Niere segmentiert, so wird das Verfahren auf Basis der oben genannten zweistufigen Segmentierungsstrategie durchgeführt und es werden probandenspezifische Cortex-Wahrscheinlichkeitskarten für die jeweilige Niere generiert.
Zunächst werden zweidimensionale konvexe Hüllen von jeder der aus der Vorsegmentierung erhaltenen segmentierten Bereiche des Nierencortex berechnet. Die segmentierten Bereiche enthalten probandenspezifische Werte des Cortexgewebes. In jedem segmentierten Bereich werden die MR-Intensitäten aller vier MR-Gewichtungen bzw. Kanäle gesammelt. In gleicher Weise werden Hintergrundwerte aller Voxel innerhalb der konvexen Hülle jedoch nicht innerhalb des segmentierten Bereiches des Nierencortex gesammelt. Die gesammelten Werte stellen jeweils probandenspezifische Werte dar. Diese Werte stellen aufgrund der vierkanaligen Volumendatensätze vierdimensionale Vektoren dar. Im Folgenden wird daher zunächst eine Diskriminanzanalyse (LDA) durchgeführt, um diese Vektoren unter Beibehaltung möglichst vieler diskriminanter Information zwischen den Cortex- und Hintergrundverteilungen auf eine Dimension zu reduzieren. Die Cortex- und Hintergrundwerte werden dabei auf die Projektionsachse der Diskriminanzanalyse projiziert, die den höchsten Eigenwert aufweist. Anschließend werden Histogramme der durch die Diskriminanzanalyse auf eine Dimension reduzierten Werte für den Nierencortex und den Hintergrund erstellt. Diese Histogramme können zusätzlich durch Faltung mit einem Gauß-Kernel geglättet werden. Die geglätteten Histogramme werden benutzt, um Wahrscheinlichkeiten für Cortexgewebe p(I_LDR|cortex) und Hintergrundgewebe p(I_LDR|bg) für die Bayes-Formel zu bestimmen. Schließlich werden die Cortex-Wahrscheinlichkeitskarten (P_cortex) innerhalb des betrachteten Bereiches für die jeweilige Niere in folgender Weise bestimmt:
Hierbei stellt I_LDR = I_LDR(x, y, z) den vom vierdimensionalen Wert auf die Projektionsachse projizierten Wert an der Vektorposition (x, y, z) im MR-Datensatz dar. A-priori Wahrscheinlichkeiten pr(cortex) für die Cortexklasse und pr(bg) für die Hintergrundklasse werden bestimmt, indem das Voxelverhältnis zwischen den trainierten binären Cortexmasken und den verbleibenden Hintergrundmasken der trainierten konvexen Hüllen berechnet wird.
Da durch die bei der Vorsegmentierung eingesetzte Segmentierungstechnik in den meisten Fällen ausreichend Formen des Nierencortex in beiden Nieren erkannt werden, existieren nach dem letzten Schritt Wahrscheinlichkeitskarten für beide Nieren und werden als Daten-getriebener Teil (Daten-Term) für die nachfolgende 3D-Level-Set-Segmentierung eingesetzt. Diese Segmentierung erfolgt auf dem erzeugten Wahrscheinlichkeitsdatensatz. Typischerweise ist die Variation der Form der inneren Cortexbereiche angrenzend an Medullagewebe höher als die Variation äußerer Cortexformen. Daher dient die 3D-Level-Set-Segmentierung auf Basis des Nierencortex hauptsächlich dazu, Nierenparenchymgewebe an seinen äußeren Rändern abzugrenzen. Die 3D-Level-Set-Segmentierung in Parenchym-Wahrscheinlichkeitskarten wird dann genutzt, um die innere Parenchymabgrenzung zu verfeinern. Dies wird weiter unten noch näher beschrieben. Zunächst erfolgt eine 3D-Level-Set-Segmentierung des Nierencortex auf dem Wahrscheinlichkeitsdatensatz für den Nierencortex. Hierbei wird wiederum vorhandene Forminformation mit Bild- bzw. Dateninformation kombiniert. Die Formkräfte (E_{3D_cortexshapes}) bei der Level-Set-Segmentierung werden durch vorzeichenbehaftete Abstandsfunktionen der manuell segmentierten 3D-Cortexmasken aus der Trainingsphase getrieben, die an ihren Schwerpunkten ausgerichtet werden:
Die Level-Set-Segmentierung wird durch vorzeichenbehaftete Abstandsfunktionen der segmentierten Nierencortexformen initialisiert, die durch die Vorsegmentierung erhalten wurden. Daher werden segmentierte Cortexteile der nicht notwendigerweise benachbarten zweidimensionalen transversalen Schichten genutzt, um die initiale 3D-Level-Set-Funktion zu bilden.
Die Level-Set-Segmentierung wird, wie bereits weiter oben angeführt, für Nierencortexgewebe in beiden interessierenden Bereichen (linke und rechte Niere) separat durchgeführt, indem wiederum ein Gradientenabstiegsverfahren zur Minimierung eingesetzt wird. Hierbei werden neue äußere Cortexanpassungskräfte eingeführt, um die Level-Set-Segmentierung zu den äußeren Cortexrändern zu führen. Die segmentierten Bereiche des Nierencortex sind im Inneren der transversalen Schichten der Niere angeordnet. Vorexperimente mit manuell segmentierten Parenchymmasken haben hierbei gezeigt, dass ihr gemeinsamer Schwerpunkt sehr oft nahe dem Schwerpunkt des Nierenparenchyms und immer innerhalb der Niere liegt. Dies ist für das im Folgenden angewandte Verfahren wichtig. Zu Beginn des Level-Set-Prozesses wird hier eine Funktion berechnet, die die äußeren Cortexränder (OCE: outer cortex edges) verbessert. Für jede Voxelposition x → im interessierenden Bereich wird der normalisierte Differenzvektor zum automatisch geschätzten Parenchymschwerpunkt C →_p berechnet. Es werden die Gradienten der Cortex-Wahrscheinlichkeitskarte berechnet, um das Skalarprodukt zu erhalten:
Die Gradienten der äußeren Cortexränder sind in Richtung zum Inneren der Niere gerichtet und zeigen häufig zum Schwerpunkt des Parenchymbereiches. Daher sind die Werte von OCE an den äußeren Cortexrändern hoch. Nun werden Stopp(S)- und Anziehungs(A)-Kräfte bestimmt, die das Null-Level-Set zu den äußeren Rändern des Cortexgewebes ziehen:
Es wird ein Gradientenabstiegsverfahren zur Minimalisierung eingesetzt, wobei die Stopp- und Anziehungsterme in die Level-Set-Gleichung eingefügt werden:
Die neu vorgeschlagenen Stopp- und Anziehungskräfte hängen von den Formen des Nierencortex ab, die zu bereits erkannten Nierenteilen gehören und gut geschätzte Parenchymschwerpunkte aufweisen. Diese neuen Kräfte müssen nur einmal zu Beginn der Level-Set-Segmentierung berechnet werden, so dass eine deutliche Zeitersparnis gegenüber bisherigen Verfahren erreicht wird, bei denen die Stopp- und Anziehungskräfte für jeden Zeitschritt des Level-Set-Prozesses neu berechnet werden müssen. Die bisher genutzten Verfahren können zudem zu falsch verbesserten OCE Werten führen, falls das Null-Level-Set in Bereiche kommt, das kein Cortex-Gewebe enthält und erhöhte Werte in den Cortex-Wahrscheinlichkeitskarten zeigt. Dies wird durch die obigen neuen Kräfte vermieden. Alle Kräfte werden durch ihr Maximum dividiert. Für die Parameter α und β wurden empirisch für das vorliegende Beispiel Werte von α = 1,2 und β = 1,4 gefunden, die den Minimierungsprozess gut treiben.
Nach dieser Segmentierung des Nierencortex wird wiederum in jeder Schicht der konvexen Cortexhüllen schließlich überprüft, ob charakteristische 2D-Formen für das Parenchym gefunden werden. In gleicher Weise wie für die Erkennung der charakteristischen 2D-Cortexformen wird auch hier eine stufenweise Schwellwertsegmentierungstechnik eingesetzt, um den charakteristischen 2D-Formen des Parenchyms ähnliche Formen für linke und rechte Niere getrennt zu finden. Aufgrund der besseren Erkennbarkeit werden hierzu wasser-gewichtete MR-Volumendatensätze des Probanden herangezogen. Eine Histogrammanalyse auf Basis aller trainierten Parenchymmasken zeigt, dass wasser-gesättigte MR-Intensitäten von Parenchymgewebe im vorliegenden Beispiel zwischen 0 und einer oberen Grenze von 70 liegen. Daher wird die stufenweise Schwellwertsegmentierung in diesem Intensitätsbereich durchgeführt, um entsprechende Formen des Nierenparenchyms in den Schichtbildern aufzufinden. In gleicher Weise wie bei der oben beschriebenen Generierung der Cortex-Wahrscheinlichkeitskarten werden nun probandenspezifische Parenchymwerte innerhalb der aus der Vorsegmentierung erhaltenen segmentierten Bereiche des Nierenparenchyms gesammelt und probandenspezifische Hintergrundwerte außerhalb dieser Bereiche, jedoch innerhalb der weiter oben um den Nierencortex generierten konvexen Hüllen. Dies erfolgt wiederum in allen Kanälen des mehrkanaligen Volumendatensatzes. Auch hier wird in gleicher Weise wie bei der Segmentierung des Nierencortex eine Diskriminanzanalyse zur Reduzierung des vierdimensionalen Vektors auf eine Dimension durchgeführt. Aus den danach gebildeten geglätteten Histogrammen der projizierten Parenchymund Hintergrundwerte p(I_LDR|parenchyma), p(I_LDR|rp_bg) wird dann mit Hilfe der Bayes-Formel die Wahrscheinlichkeitskarte bzw. -verteilung berechnet:
Da die verfeinerte Parenchymsegmentierung in den konvexen Hüllen der Niere durchgeführt wird, wird das Voxelverhältnis (hier: 7,63) zwischen den trainierten Parenchymmasken und den verbleibenden Hintergrundbereichen innerhalb der trainierten konvexen Hüllen, jedoch außerhalb der trainierten Parenchymmasken benutzt, um die a-priori Wahrscheinlichkeiten von Parenchymgewebe pr(parenchyma) und Hintergrundgewebe pr(rp_bg) zu bestimmen. Die anschließende 3D-Level-Set-Segmentierung des Parenchyms wird dann in den probandenspezifischen Parenchym-Wahrscheinlichkeitskarten durchgeführt, wobei vorzeichenbehaftete Abstandskarten der trainierten Parenchymmasken als Form-Term genutzt werden. In gleicher Weise wie bei der Level-Set-Segmentierung auf den Cortex-Wahrscheinlichkeitskarten wird ein Gradientenabstiegsverfahren zur Minimierung des Energiefunktionals genutzt:
Da dieser Level-Set-Prozess für die verfeinerte Parenchymsegmentierung genutzt und innerhalb der konvexen Hüllen des segmentierten Cortex durchgeführt wird, kann auf die Stopp- und Anziehungskräfte zur Fixierung des Null-Level-Set an den äußeren Cortexrändern verzichtet werden. Die Verbindung aus bereits segmentiertem Cortex und Bereichen des Nierenparenchyms wird für die Initialisierung der vorzeichenbehafteten Abstandsfunktion verwendet. Dadurch werden redundante Zeitschritte reduziert, um zu den inneren Parenchymrändern zu konvergieren. Die Level-Set-Segmentierung wird durch folgende Funktion innerhalb der konvexen Cortexhülle (CCH) beschränkt:
Daraus resultiert die Level-Set-Funktion:
Die segmentierten Cortexbereiche werden daher für die initiale Parenchymsegmentierung genutzt und um äußere Parenchymränder zu begrenzen. Die verfeinerte Parenchymsegmentierung wird dann angewendet, um die inneren Parenchymränder innerhalb der konvexen Hüllen der bereits segmentierten Cortexbereiche abzugrenzen.
Die oben beschriebene zweistufige Segmentierung des Nierenparenchyms, bei der zunächst der Nierencortex segmentiert wurde, kann nur durchgeführt werden, wenn charakteristische Formen des Nierencortex in den zweidimensionalen transversalen Schichten der dreidimensionalen Volumendatensätze erkannt werden. Wird keine charakteristische Nierencortexform erkannt, so wird das Verfahren nicht abgebrochen, sondern direkt mit der Segmentierung des Parenchyms begonnen. Hierzu wird dann im ersten Schritt die Vorsegmentierung auf Basis der charakteristischen zweidimensionalen Parenchymformen aus den Trainingsdatensätzen in der oben beschriebenen Weise durchgeführt. Auf Basis des auf diese Weise erhaltenen vorsegmentierten Bereiches des Nierenparenchyms wird dann die probandenspezifische Wahrscheinlichkeitsverteilung in der oben beschriebenen Weise erzeugt. Anschließend erfolgt die abschließende 3D-Level-Set-Segmentierung auf dieser Wahrscheinlichkeitskarte unter Nutzung vorzeichenbehafteter Abstandsfunktionen der trainierten Parenchymmasken. Die Level-Set-Segmentierung wird dabei mit einer vorzeichenbehafteten Abstandsfunktion auf Basis des bereits vorsegmentierten Bereiches initialisiert. Da in diesem Fall vorher kein Cortexgewebe segmentiert wurde, ist dieser abschließende Segmentierungsschritt nicht durch konvexe Cortexhüllen beschränkt. Hier sind daher geeignete Stopp- und Anziehungskräfte erforderlich, um die Segmentierung an den äußeren Parenchymrändern zu fixieren. Parenchymschwerpunkte werden durch die gefundenen Masken des Nierenparenchyms geschätzt und sowohl die Stopp- als auch die Anziehungskräfte können dann in einer ähnlichen Art berechnet werden, wie dies für die weiter oben beschriebene Level-Set-Segmentierung in den Cortex-Wahrscheinlichkeitskarten durchgeführt wurde. Anstelle der Gradienten aus Cortex-Wahrscheinlichkeitskarten werden hier Gradienten der Parenchym-Wahrscheinlichkeitskarten genutzt.
Vorzugsweise werden zur nochmaligen Verfeinerung der Abgrenzung zwischen Cortexgewebe und Medullagewebe noch folgende Verfeinerungsschritt durchgeführt. Bei der obigen zweistufigen Segmentierungsstrategie wird ein Schritt integriert, um sowohl Medulla-Wahrscheinlichkeitskarten als auch Cortex-Wahrscheinlichkeitskarten in Abhängigkeit der gesamten Cortex- und Parenchymbereiche zu bestimmen. Probandenspezifische Cortex- und Medulla-Wahrscheinlichkeitskarten werden dabei ähnlich wie bereits in den Gleichungen (3) und (9) beschrieben, berechnet. Die jeweiligen Werte aus den mehrkanaligen Volumendatensätzen werden hier von den segmentierten Cortex- und Parenchymbereichen gesammelt. Die Cortexwerte werden aus der gesamten segmentierten Cortexregion und die Medullawerte aus der segmentierten Parenchymregion gewonnen, die nicht in der segmentierten Cortexregion enthalten ist. Probandenspezifische Gewebewahrscheinlichkeitskarten als initiale Gewebeschätzung werden dann durch sog. Fuzzy-Clustering verfeinert. Bei der iterativen Fuzzy-C-Means-Kalkulation wird die folgende Funktion minimiert:
C = 2 steht hier für die beiden unterschiedlichen Gewebetypen und N für die Zahl der Vektorvoxel innerhalb des segmentierten Parenchyms, das aus den MR-Intensitäten der vier MR-Gewichtungen bzw. -Kanälen besteht. U repräsentiert die Partitionsmatrix, die die Zugehörigkeitsgrade (u) für beide Gewebetypen jedes segmentierten Parenchymvoxels beinhaltet. m ist der Fuzzifizierer, der den Grad der Cluster-Unschärfe bestimmt. D 2 / ik = (x_k – v_i)^T·(x_k – v_i) repräsentieren die quadratischen euklidischen Abstände der Vektorvoxel x_k zu den Clusterzentren v_i in dem Set der Parenchymvektorvoxel (V). Wir nutzen die Weichanpassungseigenschaft des Fuzzy-c-means-Algorithmus um die berechneten Cortex- und Medulla-Wahrscheinlichkeitswerte als initiale Partitionsmatrix für jedes Parenchymvektorvoxel bereitzustellen.
Bei der einstufigen Segmentierungsstrategie wird die Cortex- und Parenchymvolumetrie direkt durch Fuzzyc-means-clustering berechnet. Hier wird die Partitionsmatrix mit Zugehörigkeitsgraden von 0,5 für beide Parenchymgewebetypen initialisiert.
Das vorgeschlagene Verfahren ermöglicht eine vollautomatische Segmentierung des Nierenparenchyms mit hoher Zuverlässigkeit. Das Verfahren arbeitet mit nativen MR-Volumendatensätzen und ermöglicht auch die Segmentierung des Nierencortex und der Nierenmedulla. Das Verfahren lässt sich damit sehr gut für epidemiologische Studien einsetzen, bei der eine hohe Anzahl an probandenspezifischen Datensätzen segmentiert werden muss. Auf Basis der Segmentierungsergebnisse lassen sich dann wiederum automatisiert volumetrische Messungen durchführen.
Bezugszeichenliste

1: Nierenparenchym
2: Nierencortex
3: Medulla
4: Verteilung der MR-Intensitäten für Nierencortex
5: Verteilung der MR-Intensitäten für Nierenmedulla
6: Intensitätsbereich für schrittweise Schwellwertbildung
7: konvexe Hülle
8: erweiterte konvexe Hülle

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

Gloger, O. et al.; „Prior shape level set segmentation on multistep generated probability maps of MR datasets for fully automatic kidney parenchyma volumetry”, Medical Imaging, IEEE Transactions on 31.2.(2012), Seiten 312 bis 325 [0003]

Claims

Verfahren zur Segmentierung eines Organs und/oder Organbereiches, insbesondere des Nierenparenchyms, in mehrkanaligen Volumendatensätzen der Magnetresonanztomographie, bei dem auf Basis von Segmentierungsergebnissen aus mehrkanaligen Trainingsdatensätzen, die von unterschiedlichen Personen aufgezeichnet wurden und auch charakteristische zweidimensionale Formen des Organs und/oder Organbereichs umfassen, die aus Schichtbildern der Trainingsdatensätze bestimmt wurden: – ein interessierender Bereich innerhalb der aufgezeichneten Volumendatensätze festgelegt wird, der das Organ und/oder den Organbereich mit höchster Wahrscheinlichkeit enthält, – auf einen der aufgezeichneten Volumendatensätze im interessierenden Bereich ein erstes Segmentierungsverfahren auf Basis von MR-Intensitäten des Volumendatensatzes und der charakteristischen zweidimensionalen Formen für eine Vorsegmentierung des Organs und/oder Organbereichs angewendet wird, wobei direkt oder nach einem oder mehreren weiteren Segmentierungsschritten ein erster segmentierter Bereich erhalten wird, – auf Basis des ersten segmentierten Bereiches aus den aufgezeichneten Volumendatensätzen ein probandenspezifischer Wahrscheinlichkeitsdatensatz für den interessierenden Bereich generiert wird, in dem jedem Voxel der aufgezeichneten Volumendatensätze eine probandenspezifische Wahrscheinlichkeit zugeordnet ist, zu dem Organ und/oder Organbereich zu gehören, wobei für die Berechnung des Wahrscheinlichkeitsdatensatzes die mehrkanaligen MR-Intensitätswerte der aufgezeichneten Volumendatensätze mit Hilfe einer Diskriminanzanalyse auf eine Dimension reduziert werden, und – auf den Wahrscheinlichkeitsdatensatz ein weiteres Segmentierungsverfahren angewendet wird, um das Organ und/oder den Organbereich aus dem Wahrscheinlichkeitsdatensatz und damit auch aus den Volumendatensätzen zu segmentieren.
Verfahren nach Anspruch 1, bei dem als erstes Segmentierungsverfahren bei der Vorsegmentierung ein Schwellwertverfahren eingesetzt wird, bei dem ein Schwellwert für die MR-Intensitäten dieses Volumendatensatzes ausgehend von einem unteren Anfangswert Schritt für Schritt so lange erhöht wird, bis der segmentierte Bereich eine Form aufweist, dessen Fourier-Deskriptoren innerhalb eines vorgebbaren Ähnlichkeitsmaßes mit Fourier-Deskriptoren der charakteristischen zweidimensionalen Formen des Organs und/oder Organbereichs aus den Trainingsdatensätzen übereinstimmen.
Verfahren nach Anspruch 2, bei dem jeweils ein mittleres Unähnlichkeitsmaß zwischen den Fourier-Deskriptoren der Form des segmentierten Bereiches und den Fourier-Deskriptoren der charakteristischen zweidimensionalen Formen berechnet wird.
Verfahren nach Anspruch 2 oder 3, bei dem mit Hilfe einer binären 3D-Maske des Organs und/oder Organbereichs aus den Trainingsdatensätzen in einem der aufgezeichneten Volumendatensätze ein Histogramm der MR-Intensitäten für das Organ und/oder den Organbereich erstellt und der untere Anfangswert aus diesem Histogramm bestimmt wird.
Verfahren nach einem der Ansprüche 1 bis 4, bei dem der Wahrscheinlichkeitsdatensatz unter Anwendung der Bayes-Formel erzeugt wird.
Verfahren nach einem der Ansprüche 1 bis 5, bei dem als das weitere Segmentierungsverfahren, das auf den probandenspezifischen Wahrscheinlichkeitsdatensatz angewendet wird, eine 3D-Level-Set-Segmentierung eingesetzt wird, bei der vorzeichenbehaftete Abstandsfunktionen auf Basis des ersten segmentierten Bereiches zur Initialisierung genutzt werden.
Verfahren nach einem der Ansprüche 1 bis 6, bei dem die Vorsegmentierung mit Hilfe einer 2D-Level-Set-Segmentierung noch verfeinert wird, bei der vorzeichenbehaftete Abstandsfunktionen eines durch das erste Segmentierungsverfahren erhaltenen segmentierten Bereiches zur Initialisierung genutzt werden.
Verfahren nach Anspruch 7 zur Segmentierung des Nierencortex, bei dem für die Verfeinerung der Vorsegmentierung – eine konvexe Hülle eines mit dem ersten Segmentierungsverfahren zunächst segmentierten Bereiches berechnet und an einer Verbindungslinie zwischen beiden Enden dieses Bereiches gespiegelt wird, um eine erweiterte Hülle zu erhalten, – innerhalb der erweiterten Hülle mit einem Schwellwertverfahren Bereiche des Hintergrundes und Nierenbeckens entfernt werden und anschließend – die 2D-Level-Set-Segmentierung als Kombination einer Bildinhalt-getriebenen mit einer Form-getriebenen Level-Set-Segmentierung durchgeführt wird, bei der die Energiefunktionale beider Kräfte in folgender Weise kombiniert werden:
und das folgende Gradientenabstiegsverfahren für eine Minimierung eingesetzt wird:
wobei E_{ECCR_image} dem Energiefunktional des Bildinhaltes, E_{ITCC_shapes} dem Energiefunktional der zweidimensionalen charakteristischen Form, Φ der Level-Set-Funktion, α einem Gewichtungsparameter und t dem Zeitparameter entsprechen.
Verfahren nach Anspruch 8, bei dem auf eine Dimension reduzierte MR-Intensitätswerte I_LDR für Gewebe des Nierencortex aus dem ersten segmentierten Bereich und für Gewebe des Hintergrunds aus dem verbleibenden Bereich der konvexen Hülle des ersten segmentierten Bereiches verwendet werden, um Wahrscheinlichkeiten p(I_LDR|cortex) für das Nierengewebe und p(I_LDR|bg) für den Hintergrund zu berechnen, und der probandenspezifische Wahrscheinlichkeitsdatensatz P_cortex für den Nierencortex darauf basierend in folgender Weise berechnet wird:
wobei pr(cortex) und pr(bg) A-priori-Wahrscheinlichkeiten für Nierengewebe und Hintergrund entsprechen, die aus den mehrkanaligen Trainingsdatensätzen erhalten werden.
Verfahren nach Anspruch 9, bei dem für die Segmentierung des Nierencortex auf den probandenspezifischen Wahrscheinlichkeitsdatensatz P_cortex eine 3D-Level-Set-Segmentierung als Kombination einer Bildinhalt-getriebenen mit einer Form-getriebenen Level-Set-Segmentierung angewendet wird, bei der die Energiefunktionale beider Kräfte in folgender Weise kombiniert werden:
wobei E_{3D_cortexshapes} dem Energiefunktional einer vorzeichenbehafteten Abstandsfunktion von aus den Trainingsdatensätzen erhaltenen 3D-Nierencortexmasken, E_Pcortex dem Energiefunktional des Inhalts des probandenspezifischen Wahrscheinlichkeitsdatensatzes P_cortex und α einem Gewichtungsparameter entsprechen.
Verfahren nach Anspruch 10, bei dem für die 3D-Level-Set-Segmentierung zusätzlich eine Stoppfunktion S(x, y, z) und eine Anziehungsfunktion A(x, y, z) integriert werden, die das Null-Level-Set zu einer äußeren Begrenzung des Nierencortex ziehen, und der folgende Gradient für eine Minimierung eingesetzt wird
wobei β einem weiteren Gewichtungsparameter entspricht.
Verfahren nach Anspruch 11, bei dem die Stoppfunktion durch
und die Anziehungsfunktion durch A(x →) = ∇S(x →)·∇P_cortex(x →) gebildet werden, wobei
dadurch erhalten wird, dass für jede Voxel-Position x → innerhalb des interessierenden Bereiches ein normalisierter Differenzvektor zu einem aus dem erstem segmentierten Bereich geschätzten Zentroiden C →_p des Nierenparenchyms berechnet und ein Skalarprodukt mit dem Gradienten des probandenspezifischen Wahrscheinlichkeitsdatensatzes P_cortex gebildet wird.
Verfahren nach einem der Ansprüche 1 bis 7 zur Segmentierung des Nierenparenchyms, bei dem – zunächst das Nierencortex nach einem der Ansprüche 8 bis 12 segmentiert wird und – nach Erzeugung des probandenspezifischen Wahrscheinlichkeitsdatensatzes P_parenchyma für das Nierenparenchym auf den Wahrscheinlichkeitsdatensatz P_parenchyma eine 3D-Level-Set-Segmentierung innerhalb der bei der Segmentierung des Nierencortex berechneten konvexen Hülle als Kombination einer Bildinhalt-getriebenen mit einer Form-getriebenen Level-Set-Segmentierung angewendet wird, bei der die Energiefunktionale beider Kräfte in folgender Weise kombiniert werden:
wobei E_{3D_parenchyma_shapes} dem Energiefunktional einer vorzeichenbehafteten Abstandsfunktion von aus den Trainingsdatensätzen erhaltenen 3D-Nierenparenchymmasken, E_Pparenchyma dem Energiefunktional des Inhalts des probandenspezifischen Wahrscheinlichkeitsdatensatzes P_parenchyma und α einem Gewichtungsparameter entsprechen und der folgende Gradient für eine Minimierung eingesetzt wird
Verfahren nach einem der Ansprüche 1 bis 7 zur Segmentierung des Nierenparenchyms, bei dem zunächst mit dem ersten Segmentierungsverfahren überprüft wird, ob in einem der aufgezeichneten Volumendatensätze im interessierenden Bereich eine charakteristische zweidimensionale Form des Nierencortex erkennbar ist, wobei – für die Überprüfung ein Schwellwertverfahren eingesetzt wird, bei dem ein Schwellwert für die MR-Intensitäten des Volumendatensatzes ausgehend von einem unteren Anfangswert Schritt für Schritt so lange erhöht wird, bis der segmentierte Bereich eine Form aufweist, dessen Fourier-Deskriptoren innerhalb eines vorgebbaren Ähnlichkeitsmaßes mit Fourier-Deskriptoren der charakteristischen zweidimensionalen Formen des Nierencortex aus den Trainingsdatensätzen übereinstimmen, und – falls eine Übereinstimmung gefunden wird, das Nierenparenchym gemäß dem Verfahren nach Anspruch 13 segmentiert wird, – falls keine Übereinstimmung gefunden wird, das Nierenparenchym mit dem Verfahren nach einem der Ansprüche 1 bis 6 segmentiert wird.