DE102015217948A1

DE102015217948A1 - Verfahren zur Segmentierung eines Organs und/oder Organbereiches in Volumendatensätzen der Magnetresonanztomographie

Info

Publication number: DE102015217948A1
Application number: DE102015217948.6A
Authority: DE
Inventors: Oliver Gloger
Original assignee: Ernst Moritz Arndt Universitaet Greifswald
Current assignee: Universitaet Greifswald
Priority date: 2015-09-18
Filing date: 2015-09-18
Publication date: 2017-03-23
Anticipated expiration: 2035-09-19
Also published as: DE102015217948B4

Abstract

Die vorliegende Erfindung betrifft ein Verfahren zur Segmentierung eines Organs und/oder Organbereiches in Volumendatensätzen der Magnetresonanztomographie. Bei dem Verfahren wird auf Basis von charakteristischen 2D-Formen des Organs und/oder Organbereiches sowie von nicht zum Organ bzw. Organbereich gehörigen Strukturen aus Trainingsdatensätzen zunächst eine Vorsegmentierung durchgeführt. Die Vorsegmentierung nutzt wenigstens drei Support-Vektor-Maschinen für die unterschiedlichen zweidimensionalen Formen. Anschließend wird auf Basis dieser Vorsegmentierung ein Probanden-spezifischer Wahrscheinlichkeitsdatensatz für das Organ und/oder den Organbereich generiert. Auf diesen Wahrscheinlichkeitsdatensatz wird dann ein weiteres Segmentierungsverfahren angewendet, um das Organ und/oder den Organbereich zu segmentieren. Das Verfahren lässt sich vollautomatisch durchführen und liefert insbesondere für die Segmentierung des Nierenparenchyms auch aus einkanaligen Volumendatensätzen zuverlässige Ergebnisse.

Description

Technisches Anwendungsgebiet
Die vorliegende Erfindung betrifft ein vollautomatisches Verfahren zur Segmentierung eines Organs und/oder Organbereiches, insbesondere des Nierenparenchyms, in 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 an multistep generated probability maps of MR datasets for fully automatic kidney parenchyma volumetry", Medical Imaging, IEEE Transactions an 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. Die Segmentierung 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.
In der DE 10 2015 103 468 ist ein Verfahren zur Segmentierung eines Organs und/oder Organbereiches aus Volumendatensätzen der Magnetresonanztomographie beschrieben, bei dem für die Segmentierung mehrkanalige MR-Volumendatensätze herangezogen werden. Aus Schichtbildern von Trainingsdatensätzen werden dabei auch charakteristische zweidimensionale Formen des Organs und/oder Organbereiches bestimmt. In einem zunächst festgelegten interessierenden Bereich eines der aufgezeichneten Volumendatensätze wird dann eine Vorsegmentierung auf Basis der MR-Intensitäten des Volumendatensatzes und der charakteristischen zweidimensionalen Formen durchgeführt. Hierbei werden Fourier-Deskriptoren der charakteristischen zweidimensionalen Formen aus den Trainingsdatensätzen mit Fourier-Deskriptoren von Formen verglichen, die während der Vorsegmentierung erhalten werden. Mit Hilfe des vorsegmentierten Bereiches wird dann ein Probanden-spezifischer Wahrscheinlichkeitsdatensatz für den interessierenden Bereich generiert, auf den ein abschließendes Segmentierungsverfahren angewendet wird, um das Organ und/oder den Organbereich aus dem Wahrscheinlichkeitsdatensatz und damit auch aus den Volumendatensätzen zu segmentieren.
Die Aufgabe der vorliegenden Erfindung besteht darin, ein Verfahren zur Segmentierung eines Organs und/oder Organbereiches anzugeben, das sich auch auf einkanalige Volumendatensätze der Magnetresonanztomographie anwenden lässt und eine zuverlässige vollautomatische Segmentierung des Organs und/oder Organbereiches ermöglicht.
Darstellung der Erfindung
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 Trainingsdatensätzen, die von einer Vielzahl von Personen aufgezeichnet wurden. Bei dem vorgeschlagenen Verfahren werden aus diesen Trainingsdatensätzen auch charakteristische zweidimensionale Formen des zu segmentierenden Organs und/oder Organbereiches sowie charakteristische zweidimensionale Formen anderer in den Trainingsdatensätzen erkennbarer Strukturen bereitgestellt, die jeweils aus einzelnen Schichtbildern der Trainings- bzw. Volumendatensätze stammen. Diese charakteristischen 2D-Formen wurden aus den Segmentierungsergebnissen ebenfalls manuell ausgewählt.
Nach Bereitstellung eines von einem zu untersuchenden Probanden aufgezeichneten MR-Volumendatensatzes, der mit den gleichen Parametern aufgezeichnet wurde wie die Trainingsdatensätze, bspw. mit der sog. BLADE-Sequenz, wird auf diesen Volumendatensatz oder auf einen aus diesem Volumendatensatz abgeleiteten Volumendatensatz ein erstes Segmentierungsverfahren für eine Vorsegmentierung des Organs und/oder Organbereiches angewendet. Unter einem abgeleiteten Volumendatensatz ist dabei ein Volumendatensatz zu verstehen, der aus den MR-Intensitätswerten des aufgezeichneten Volumendatensatzes mit Hilfe zusätzlicher Information oder einer bestimmten Rechenvorschrift generiert wurde. Ein Beispiel hierfür ist die Erstellung eines Wahrscheinlichkeitsdatensatzes für das Organ und/oder den Organbereich aus dem aufgezeichneten Volumendatensatz und Informationen aus den Trainingsdatensätzen.
Für die Vorsegmentierung mit dem ersten Segmentierungsverfahren werden aus den Schichtbildern der Trainingsdatensätze wenigstens drei Klassen von charakteristischen zweidimensionalen Formen bestimmt. Wenigstens eine dieser Klassen umfasst die charakteristischen zweidimensionalen Formen des Organs und/oder Organbereichs und wenigstens eine weitere Klasse die charakteristischen zweidimensionalen Formen anderer in den Trainingsdatensätzen erkennbarer Strukturen mit ähnlichen MR-Intensitätswerten wie das Organ und/oder der Organbereich. Für jede der wenigstens drei Klassen wird eine Support Vektor Maschine (SVM) trainiert. Die Vorsegmentierung erfolgt dann mit Hilfe der mindestens drei Support Vektor Maschinen, die in einem gegenseitigen Ausschlussverfahren das Vorliegen der charakteristischen zweidimensionalen Form des Organs und/oder Organbereichs erkennen. Dabei wird durch das erste Segmentierungsverfahren direkt oder ggf. nach einem oder mehreren weiteren Segmentierungsschritten zur Verfeinerung der Segmentierung ein erster segmentierter Bereich aus dem für diese Vorsegmentierung herangezogenen Volumendatensatz erhalten.
Auf Basis dieses ersten segmentierten Bereiches wird dann aus dem aufgezeichneten Volumendatensatz ein Probanden-spezifischer Wahrscheinlichkeitsdatensatz generiert, in dem jedem Voxel des aufgezeichneten Volumendatensatzes eine Probanden-spezifische Wahrscheinlichkeit zugeordnet ist, zu dem Organ und/oder Organbereich zugehören. Dieser Wahrscheinlichkeitsdatensatz wird damit auf Basis der MR-Intensitäten oder entsprechend abgeleiteten Werten aus dem ersten segmentierten Bereich erstellt und ist deswegen Probanden-spezifisch.
Auf diesem Probanden-spezifischen Wahrscheinlichkeitsdatensatz wird dann in einer zweiten Phase des Verfahrens ein weiteres Segmentierungsverfahren angewendet, um schließlich das Organ und/oder den Organbereich aus dem Probanden-spezifischen Wahrscheinlichkeitsdatensatz und damit auch aus dem aufgezeichneten Volumendatensatz zu segmentieren.
Durch die Erstellung eines Probanden-spezifischen Wahrscheinlichkeitsdatensatzes in Verbindung mit dem Einsatz von Support Vektor Maschinen für die Vorsegmentierung wird eine zuverlässigere vollautomatische Segmentierung ermöglicht, die sich auch auf einkanalige MR-Volumendatensätze anwenden lässt und weniger anfällig für MR-Intensitätsschwankungen ist.
Durch die Unterteilung der in den 2D-Schicht-bildern der Trainingsdatensätze aufgefundenen charakteristischen 2D-Formen in wenigstens drei Klassen, für die jeweils eine Support Vektor Maschine trainiert wird, und die Nutzung dieser Support Vektor Maschinen zur Erkennung der charakteristischen zweidimensionalen Form des Organs und/oder Organbereiches bei der Vorsegmentierung, wird eine sehr zuverlässige vollautomatische Vorsegmentierung ermöglicht. Als Merkmalsvektoren für die Support Vektor Maschinen werden vorzugsweise die Fourier-Deskriptoren als Kombination ihrer Magnituden- und Phaseninformationen verwendet. Hierbei werden die Real- und Imaginärteile der Fourier-Deskriptoren getrennt als Komponenten der Merkmalsvektoren eingesetzt. So können bspw. die ersten 30 Vektorkomponenten die Realteile der ersten 30 Fourier-Deskriptoren einer zweidimensionalen Form und die Vektorkomponenten 31 bis 60 die Imaginärteile dieser Fourier-Deskriptoren umfassen. Auf diese Weise lässt sich sowohl die Magnituden- als auch die Phaseninformation in den Merkmalsvektoren nutzen.
In einer bevorzugten Ausgestaltung des vorgeschlagenen Verfahrens wird das erste Segmentierungsverfahren auf einen ersten Wahrscheinlichkeitsdatensatz für das Organ und/oder den Organbereich als abgeleiteten Volumendatensatz angewendet. Dieser erste Wahrscheinlichkeitsdatensatz wird auf Basis des aufgezeichneten Volumendatensatzes und der Segmentierungsergebnisse aus den Trainingsdatensätzen erhalten. Dieser Probanden-unspezifische Wahrscheinlichkeitsdatensatz enthält für jedes Voxel eine Wahrscheinlichkeit, zu dem Organ und/oder Organbereich zu gehören. Bei dem Verfahren in dieser Ausgestaltung wird somit insgesamt eine zweistufige Berechnungsmethode zur Erstellung von Wahrscheinlichkeitsdatensätzen verwendet. Ein Probanden-unspezifisches Berechnungsverfahren für den ersten Wahrscheinlichkeitsdatensatz wird dabei mit einem nachgeschalteten Probanden-spezifischen Berechnungsverfahren für den Probanden-spezifischen Wahrscheinlichkeitsdatensatz kombiniert. Die Nutzung des ersten Wahrscheinlichkeitsdatensatzes für die Vorsegmentierung hat den Vorteil, dass kein interessierender Bereich vordefiniert werden muss. Das Verfahren ermöglicht damit sowohl bei variabler Schichtanzahl als auch bei fehlenden vordefinierten Bereichen (ROIs/VOIs) eine zuverlässige Segmentierung.
In einer Weiterbildung wird dann auf diesen ersten Wahrscheinlichkeitsdatensatz ein iteratives Schwellwertverfahren als erstes Segmentierungsverfahren bei der Vorsegmentierung angewendet, bei dem der Schwellwert für die Wahrscheinlichkeiten des ersten Wahrscheinlichkeitsdatensatzes ausgehend von einem Maximalwert der Wahrscheinlichkeit Schritt für Schritt solange erniedrigt wird, bis der segmentierte Bereich eine Form aufweist, die in dem gegenseitigen Ausschlussverfahren der drei Support Vektor Maschinen als charakteristische zweidimensionale Form des Organs und/oder Organbereichs erkannt wird. Sobald diese Erkennung erfolgt ist, wird das erste Segmentierungsverfahren für die jeweilige Schicht beendet. Die Vorsegmentierung wird dabei in dem Wahrscheinlichkeitsdatensatz schichtweise, d. h. auf Basis von 2D-Schichten dieses 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 werden wiederum in die dritte Dimension des Volumendatensatzes übertragen. Dies stellt für den Fachmann jedoch kein Problem dar, da es im Wesentlichen einer Erstellung eines Volumendatensatzes aus einzelnen Schichtbildern entspricht.
Die in der zweiten Phase des Verfahrens auf den Probanden-spezifischen 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 Nierenparenchyms. Hierzu werden in der Trainingsphase eine Klasse von charakteristischen zweidimensionalen Formen des linken Nierenparenchyms, eine Klasse von charakteristischen zweidimensionalen Formen des rechten Nierenparenchyms und wenigstens eine Klasse charakteristischer zweidimensionale Formen anderer in den Trainingsdatensätzen erkennbarer Strukturen aus den Schichtbildern der Trainingsdatensätze bestimmt, die ähnliche MR-Intensitäten wie das Nierenparenchym aufweisen, weiter unten auch als Nicht-Parenchym- oder als Fake-Formen bezeichnet. Für jede dieser Klassen wird dann eine Support Vektor Maschine trainiert, die schließlich für das gegenseitige Ausschlussverfahren bei der Vorsegmentierung eingesetzt werden. Diese drei Support Vektor Maschinen erkennen in dem gegenseitigen Ausschlussverfahren das Vorliegen einer linken bzw. einer rechten Hufeisenform entsprechend den charakteristischen zweidimensionalen Formen des linken und rechten Nierenparenchyms in den inneren transversalen MR-Schichtbildern. Die Tests zeigen, dass dieses Support Vektor Maschinen Erkennungssystem (als Klassifikations-System) sehr gut zwischen linker und rechter Hufeisenform bzw. Niere und Fake-Formen unterscheiden kann, die Gewebe mit ähnlichen MR-Intensitätseigenschaften hervorheben. Die Ortsinformationen der jeweiligen Formen werden bei der Erkennung mit berücksichtigt (nicht translations-invariant), da sie wichtige Unterscheidungsinformationen enthalten. Bei der Segmentierung anderer Organe oder Organbereiche können die wenigstens drei Klassen bspw. eine Klasse für das Organ oder den Organbereich und zwei unterschiedliche Klassen von Fake-Formen umfassen. Auch eine Nutzung von zwei Klassen für zwei unterschiedliche Bereiche des Organs und einer Klasse von Fake-Formen ist bei entsprechend ausgebildeten Organen oder Organbereichen möglich.
In einer weiteren vorteilhaften Ausgestaltung wird in dem Volumendatensatz auch das Vorliegen von Zysten erkannt. Hierzu werden die typischen MR-Intensitäten unterschiedlicher Nierenzysten bereits in der Trainingsphase ermittelt und abgespeichert. Mit Hilfe einer aus dem aufgezeichneten Volumendatensatz des Probanden mit Hilfe der Bayes-Formel erstellten Zysten-Wahrscheinlichkeitskarte können Zystenbereiche innerhalb eines segmentierten Parenchym-Bereiches erkannt werden. So lassen sich sowohl wasserhaltige als auch blut- und proteinhaltige Nierenzysten erkennen und damit von einer späteren Volumenberechnung des Nierenparenchyms ausschließen.
Kurze Beschreibung der Zeichnungen
Das vorgeschlagene Verfahren wird nachfolgend anhand eines Ausführungsbeispiels in Verbindung mit den Zeichnungen nochmals näher erläutert. Hierbei zeigen:
1 eine schematische Darstellung des Verfahrensablaufes in einer Ausgestaltung des vorgeschlagenen Verfahrens; und
2 ein Schichtbild eines aufgezeichneten Volumendatensatzes, in dem die charakteristische Hufeisenform der linken Niere zu erkennen ist.
Wege zur Ausführung der Erfindung
Im Folgenden wird das vorgeschlagene Verfahren anhand der Segmentierung des Nierenparenchyms in einkanaligen Volumendatensätzen der MR-Tomographie nochmals näher erläutert.
In der Trainingsphase wurden in diesem Beispiel einkanalige MR-Volumendatensätze von mehreren gesunden Personen mit Hilfe einer T2-gewichteten BLADE Sequenz aufgezeichnet. Aus den jeweiligen Trainingsdatensätzen wurde manuell durch Experten das Nierenparenchym segmentiert. Dabei wurden 3D-Binärmasken des linken und rechten Parenchyms erstellt und abgespeichert. In inneren transversalen Schichtbildern der Niere sind dabei jeweils hufeisenförmige Parenchymbereiche zu erkennen, die als zweidimensionale charakteristische Formen ebenfalls für das linke und das rechte Nierenparenchym getrennt ausgewählt und abgespeichert wurden. 2 zeigt hierzu ein Beispiel eines inneren transversalen Schichtbildes, in dem eine derartige Hufeisenform des linken Nierenparenchyms zu erkennen ist (mit Pfeil markiert). Im vorliegenden Beispiel wurden jeweils die charakteristischen 2D-Formen aus 115 unterschiedlichen Schichten sowohl für die linke als auch für die rechte Niere abgespeichert. Die einzelnen Formen werden dabei durch Fourier-Deskriptoren beschrieben, die ebenfalls mit den Formen abgespeichert wurden. Im vorliegenden Beispiel wurden hierzu die ersten 30 Fourier-Deskriptoren genutzt, die die wichtigsten Informationen für die Rekonstruktion der Form beinhalten. Der erste Fourier-Deskriptor dieser Formen wurde dabei jeweils auf Null gesetzt. Die MR-Intensitäten innerhalb der abgespeicherten 3D-Binärmasken werden genutzt, um eine MR-Intensitätsverteilung des Parenchymgewebes zu erzeugen. Die dreidimensionale Parenchym-Form wird durch eine vorzeichenbehaftete 3D-Abstandskarte des Nierenparenchyms repräsentiert und später bei der abschließenden Level-Set-Segmentierung genutzt. Weiterhin wurden im vorliegenden Beispiel für die Erkennung von Nierenzysten auf Basis der Trainingsdatensätze mehrerer Personen, bei denen derartige Zysten mit Blut und Protein vorlagen, die MR-Intensitäten der Zystenbereiche gespeichert.
Für die Durchführung des vorgeschlagenen Verfahrens werden diese aus den Trainingsdatensätzen generierten Daten genutzt. 1 zeigt eine Übersicht über die Vorgehensweise bei der vollautomatischen Segmentierung des Nierenparenchyms im vorliegenden Ausführungsbeispiel, wie sie im Folgenden näher erläutert wird. Im vorliegenden Beispiel wird eine zweistufige Berechnung von Wahrscheinlichkeitsdatensätzen durchgeführt, auf denen die Vorsegmentierung sowie die abschließende Segmentierung stattfindet.
Zunächst werden in dem aufgezeichneten MR-Volumendatensatz des Probanden das Rauschen und Potentialartefakte verringert, indem auf den Datensatz ein Kanten-erhaltendes Rauschreduzierungsverfahren auf Basis anisotroper Diffusionstechniken angewendet wird. Anschließend wird eine Probanden-unspezifische Wahrscheinlichkeitskarte (erster Wahrscheinlichkeitsdatensatz) aus dem aufgezeichneten MR-Volumendatensatz erzeugt, indem MR-Intensitäten innerhalb und außerhalb der in der Trainingsphase erstellten Parenchymmasken genutzt werden. Die MR-Intensitäten der Trainingsdatensätze werden dazu in zwei Klassen eingeteilt, Parenchym- und Hintergrund-Intensitäten. Die Hintergrund-Intensitäten enthalten alle MR-Intensitäten in dem rauschreduzierten MR-Volumendatensatz, die nicht zu den Parenchym-Intensitäten gehören. Für die beiden MR-Intensitätsklassen werden Histogramme berechnet und durch Faltung mit einem Gauß-Kernel geglättet. Die geglätteten Histogramme werden genutzt, um Wahrscheinlichkeiten für Parenchymgewebe p (I|PA) und für Hintergrundgewebe p (I|BG) für die Bayes-Formel zu bestimmen. Weiterhin werden A-priori-Wahrscheinlichkeiten für die beiden Klassen (prior(PA) und prior(BG)) bestimmt, indem das Voxelverhältnis zwischen den trainierten Parenchym- und Hintergrundvoxeln berechnet wird. Die Parenchym-Wahrscheinlichkeitskarte (P_parenchyma) wird dann in folgender Weise bestimmt: P_parenchyma = p(PA|I(x, y, z)) = p(I(x, y, z)|PA) × prior(PA) / p(I(x, y, z)|BG) × prior(BG) + p(I(x, y, z)|PA) × prior(PA) (1)
Auf der auf diese Weise erhaltenen Probanden-unspezifischen dreidimensionalen Wahrscheinlichkeitskarte wird anschließend eine Vorsegmentierung des linken und rechten Nierenparenchyms durchgeführt. Hierbei werden die charakteristischen Hufeisenformen des linken und rechten Nierenparenchyms, die während der Trainingsphase erstellt wurden, zur Erkennung der charakteristischen Parenchym-Bereiche in einzelnen Schichten der Probanden-unspezifischen Wahrscheinlichkeitskarte genutzt. Da jedoch auch zweidimensionale Formen, die nicht zum Nierenparenchym gehören, in dieser Wahrscheinlichkeitskarte betont sein können, muss zwischen diesen und den charakteristischen Parenchymformen unterschieden werden. Dies erfolgt beim vorliegenden Verfahren dadurch, dass bereits in der Trainingsphase eine Klasse von Nicht-Parenchym-Formen erzeugt wird, die im vorliegenden Beispiel 150 verschiedene Nicht-Parenchym-Formen enthält, die oft in Probanden-unspezifischen Wahrscheinlichkeitskarten auftauchen. Da Milzgewebe oft ähnliche MR-Intensitäten wie Nierengewebe in MR-Bildern aufweist, wurden hierbei auch Milzformen, die mehr oder weniger ähnliche 2D-Formen wie das linke und das rechte Parenchym aufweisen, als Nicht-Parenchym-Formen gesammelt. Die Fourier-Deskriptoren der in der Trainingsphase erzeugten zweidimensionalen Parenchym- und Nicht-Parenchym-Formen werden als Merkmalsvektoren zum Training von Support Vektor Maschinen genutzt. Hierbei werden im vorliegenden Beispiel die Magnituden und Phaseninformationen der Fourier-Deskriptoren jeder dieser Formen zur Bildung eines Merkmalsvektors mit 60 Komponenten verwendet. Die ersten 30 Vektorkomponenten enthalten die Magnituden und die Vektorkomponenten 31 bis 60 enthalten die Phaseninformation. Aufgrund der in der Trainingsphase gesammelten Anzahl an Formen werden daher 115 Merkmalsvektoren für die linke und die rechte Hufeisenform der linken und der rechten Niere und 150 Merkmalsvektoren für Nicht-Parenchym-Formen gebildet. Mit diesen Merkmalsvektoren werden drei Support Vektor Maschinen mit Hilfe von Gauß'schen radialen Basisfunktionen (RBF) trainiert, die Hyperoberflächen zwischen jedem Paar der drei Formenklassen berechnen. Im vorliegenden Beispiel wurde hierbei ein Skalierungsfaktor von 10,0 für die Kernelfunktion genutzt.
Die Ergebnisse zeigen, dass Parenchym-Bereiche in Probanden-unspezifischen Wahrscheinlichkeitskarten Wahrscheinlichkeitswerte im Intervall zwischen 0,8 und 1,0 aufweisen. Daher wird im vorliegenden Beispiel ein schrittweises Schwellwertverfahren für jede transversale Schicht in der Probanden-unspezifischen Wahrscheinlichkeitskarte durchgeführt, bei dem der Schwellwert ausgehend vom Maximalwert 1,0 in Schritten von 0,02 in diesem Intervall erniedrigt wird. Nach jedem Schwellwertschritt werden die Skalierungsinvarianten Fourier-Deskriptoren der dadurch segmentierten Bereiche berechnet und ein Merkmalsvektor in der gleichen Weise wie für das Training der Support Vektor Maschinen bestimmt. Anschließend erfolgt eine Klassifikation unter Nutzung aller drei trainierten Support Vektor Maschinen. Falls bspw. der segmentierte Bereich als linke Hufeisenform erkannt wird, dann muss sie von zwei Support Vektor Maschinen als linke Hufeisenform klassifiziert worden sein: Durch die Support Vektor Maschine, die zwischen linker und rechter Hufeisenform trennt, und durch die Support Vektor Maschine, die zwischen linker Hufeisenform und Nicht-Parenchym-Formen unterscheidet bzw. trennt. Rechte Hufeisenformen werden in vergleichbarer Weise erkannt. Wird eine linke oder rechte Hufeisenform in der aktuellen Schicht erkannt, bevor die untere Schwellwertgrenze des Intervalls erreicht ist, dann wird der schrittweise Schwellwertalgorithmus für diese Schicht beendet und für die nächste Schicht begonnen. Der Erkennungsalgorithmus wird für alle transversalen Schichten der Probanden-unspezifischen Wahrscheinlichkeitskarte durchgeführt. Erkannte linke und rechte Hufeisenformen werden getrennt voneinander gespeichert.
Nach Durchführung dieser Vorsegmentierung wird in einem weiteren Schritt eine Probanden-spezifische Wahrscheinlichkeitskarte auf ähnliche Weise wie die Probanden-unspezifische Wahrscheinlichkeitskarte erzeugt. Diesmal werden jedoch die bei der Vorsegmentierung erkannten hufeisenförmigen Parenchym-Bereiche, die Probanden-spezifische MR-Intensitäten im aufgezeichneten Volumendatensatz des Probanden enthalten, für die Erstellung der Wahrscheinlichkeitskarte genutzt. Die MR-Intensitäten innerhalb der erkannten Parenchymregion des linken Nierenparenchyms werden als Wahrscheinlichkeit p(I|PA) für das linke Parenchym in der folgenden Bayes-Formel genutzt. Die Nicht-Parenchym-Bereiche der Hintergrundklasse aus der Trainingsphase werden wiederum als Wahrscheinlichkeit p(I|BG) für die Hintergrundklasse verwendet. Da die Anzahl der Voxel für Parenchym- und Hintergrundregionen a-priori nicht bekannt ist, werden im vorliegenden Beispiel für beide Bereiche die gleichen A-priori-Wahrscheinlichkeiten von 0,5 in die Bayes-Formel eingesetzt. Für eine Probanden-spezifische A-posteriori-Wahrscheinlichkeitskarte (P_specific_parenchyma) ergibt sich damit die folgende Formel:
Die A-posteriori-Wahrscheinlichkeitskarte für das rechte Parenchym wird in analoger Weise bestimmt, indem die Werte innerhalb der bei der Vorsegmentierung erkannten rechten Parenchym-Bereiche als Wahrscheinlichkeiten für die Parenchym-Klasse verwendet werden.
Zur Konzentration der Parenchymsegmentierung in Probanden-spezifische Parenchymbereiche, werden die individuellen Parenchym-Bereiche geschätzt und die Wahrscheinlichkeitswerte in der Probanden-spezifischen Wahrscheinlichkeitskarte in Abhängigkeit von ihrem Abstand zu den geschätzten Parenchym-Bereichen abgeschwächt. Da hufeisenähnliche Parenchym-Formen in den inneren transversalen Schichten der Niere liegen, wird der Schwerpunkt der erkannten Parenchym-Formen genutzt, um den Schwerpunkt der individuellen Parenchym-Bereiche zu schätzen. Diese Schätzung des Parenchym-Schwerpunktes wird für die linke und rechte Niere getrennt auf Basis der bei der Vorsegmentierung erhaltenen Parenchym-Bereiche durchgeführt. Anschließend (oder bereits vorab) wird der Schwerpunkt jeder in der Trainingsphase erstellten 3D-Binärmaske des linken Parenchyms berechnet und die trainierten 3D-Binärmasken werden mit dem geschätzten Schwerpunkt des linken Parenchyms aus der Vorsegmentierung entsprechend ihrem Schwerpunkt ausgerichtet. Die binäre Vereinigung aller ausgerichteten 3D-Binärmasken repräsentiert dann einen Probanden-spezifischen Parenchym-Bereich, der mit höchster Wahrscheinlichkeit das gesamte linke Parenchymgewebe des Probanden enthält. Probanden-spezifische Parenchym-Bereiche für das rechte Parenchymgewebe werden in gleicher Weise bestimmt. Da in einigen Fällen die Ausrichtung mit den geschätzten Parenchym-Schwerpunkten den Probanden-spezifischen Parenchym-Bereich leicht unterschätzt, so dass kleine Bereiche mit Parenchymgewebe noch außerhalb des geschätzten Parenchym-Bereiches liegen können, wird eine kleine Übergangszone T berücksichtigt, in der keine Distanz-basierte Abschwächung der Wahrscheinlichkeitswerte durchgeführt wird. Die Technik der Distanz-basierten Abschwächung der Wahrscheinlichkeitswerte ergibt folgende neue Probanden-spezifische Wahrscheinlichkeitskarte für Parenchym-Gewebe:
D(x, y, z) repräsentiert hierbei die Abstands-transformation von Orten außerhalb der geschätzten Parenchym-Region. Der Wert für den Übergangsbereich T hängt von der Genauigkeit der Schwerpunktschätzung ab und davon, ob genügend trainierte 3D-Binärmasken benutzt werden, die die individuellen Parenchym-Regionen abdecken. Im vorliegenden Beispiel wird ein Wert von T = 5 als angemessen für die vorliegenden Daten angesehen.
Da diese neue Abstands-geschwächte Wahrscheinlichkeitskarte noch kleine benachbarte Bereiche von Nicht-Parenchym-Gewebe enthalten kann, werden vorzugsweise zur weiteren Verfeinerung der Wahrscheinlichkeitskarte morphologische Operationen durchgeführt. Ähnlich der Berechnung der A-posteriori-Parenchym-Wahrscheinlichkeiten werden hierzu die A-posteriori-Wahrscheinlichkeiten für die Hintergrundklasse mit denselben Klassen-bezogenen Wahrscheinlichkeiten und A-priori-Wahrscheinlichkeiten genutzt wie in der obigen zweiten Gleichung (2). Es wird daher die Maximum A-posteriori(MAP)-Wahrscheinlichkeit der Parenchym-Klasse für jedes Voxel berechnet, um binäre MAP-Schätzungen für das Parenchym zu erhalten. Danach wird eine schichtweise Öffnungsoperation mit einem kleinen scheibenförmigen Strukturelement durchgeführt, um schwach verbundene Bereiche zu trennen und kleine Bereiche in den binären Schichten zu eliminieren. Als Ergebnis wird ein verfeinerter binärer Datensatz B_opened erhalten. Falls in diesem Datensatz noch mehrere Bereiche in einer Schicht enthalten sind, wird überprüft, welcher dieser Bereiche zum Parenchym-Bereich der Schicht gehört. Die bei der Vorsegmentierung erkannten hufeisenförmigen Bereiche wurden als 3D-Binärmasken HS gespeichert. Die Summe der gespeicherten Parenchym-Bereiche in transversaler Richtung wird berechnet, um eine Akkumulationsregion zu erhalten und zu bestimmen, welche Region R in der Schicht maximal die akkumulierte Region abdeckt. Das Ergebnis ist eine einzige anerkannte Region R_accepted für die Schicht: R_accepted = argmax_j{R_j × Σ N / S=1 HS |j = 1:K} (4)
Der Index s repräsentiert hierbei die Variable für die Schichtnummer und N die Anzahl der Schichten. R_j ist einer der K überprüften Regionen der Schicht. Lediglich die Schichten des Datensatzes B_opened, die mehrere Bereiche enthalten, werden durch den akzeptierten Bereich R_accepted in dieser Schicht ersetzt. Der als Ergebnis erhaltene binäre Datensatz wird dann mit den Wahrscheinlichkeitswerten multipliziert. Dies ergibt einen Wahrscheinlichkeitsdatensatz P_refined, der lediglich Probanden-spezifische Wahrscheinlichkeitswerte eines Bereiches pro Schicht – für das linke und das rechte Parenchym getrennt – enthält.
Im abschließenden Segmentierungsschritt wird Vorwissen über die 3D-Parenchym-Form genutzt, um mögliche falsche Segmentierungen zu verringern. Hierbei wird eine 3D-Level-Set-Segmentierung durchgeführt, die Bildinformation aus den Parenchym-Wahrscheinlichkeitswerten in der morphologisch verfeinerten Wahrscheinlichkeitskarte mit Vorwissen über die Parenchym-Form kombiniert. Hierzu wird das folgende Energiefunktional verwendet:
Es wird ein Gradientenabstiegsverfahren zur Minimierung dieses Energiefunktionals eingesetzt:
Die Level-Set-Segmentierung wird durch die vorzeichenbehaftete Abstandsfunktion der binären, morphologisch verfeinerten Bereiche des vorangehenden Abschnittes initialisiert. Das Vorwissen über die Parenchym-Form wird als vorzeichenbehaftete Abstandsfunktion der trainierten binären 3D-Parenchymmasken aus der Trainingsphase repräsentiert und eingesetzt. Hierbei werden spezielle Anpassungskräfte für die äußeren Parenchym-Kanten genutzt. Diese Anpassungskräfte werden unmittelbar vor der Initialisierung des Level-Sets berechnet, um eine ineffiziente Neuberechnung zu vermeiden. Da die Hufeisenformen in den inneren transversalen Schichten auftreten, wird der geometrische Schwerpunkt aller erkannten Hufeisenformen als Schätzung für den unbekannten Parenchym-Schwerpunkt oder wenigstens als Referenzpunkt genutzt, der innerhalb der konvexen Hülle des Parenchyms liegt. Dies ist wichtig für die nachfolgenden Schritte.
Für jede Voxelposition x → des Datensatzes wird der normalisierte Differenzvektor zum geschätzten Parenchym-Schwerpunkt C → berechnet. Weiterhin wird die Gradienteninformation der Parenchym-Wahrscheinlichkeitskarte berechnet. Dies erfolgt mit der Probanden-spezifischen Parenchym-Wahrscheinlichkeitskarte ∇P_specific_parenchyma, die mit der Gleichung (2) erhalten wurde. Da die Gradienten der äußeren Parenchym-Kanten zum Inneren des Parenchyms gerichtet sind und häufig zum Schwerpunkt des Parenchyms zeigen, werden die äußeren Parenchym-Kanten durch Kombination der Richtungen der Gradienten der Wahrscheinlichkeitskarte und des normalisierten Differenzvektors im folgenden Skalarprodukt verstärkt:
Nun werden Stopp(S)- und Anziehungs(A)-Kräfte bestimmt, die das Null-Level-Set zu den äußeren Parenchym-Rändern ziehen:
Da die Level-Set-Verfeinerungstechnik hauptsächlich angewendet wurde, um Übersegmentierungen zu verringern, kann der Segmentierungsbereich weiterhin auf die MAP-Schätzung für Parenchymgewebe begrenzt werden. Zusätzlich zu den Probanden-spezifischen Parenchym-Wahrscheinlichkeiten können A-posteriori-Wahrscheinlichkeiten für die Hintergrundklasse berechnet und der MAP-Wert in beiden Klassen für jedes Voxel in dem morphologisch verfeinerten Bereich bestimmt werden. Der daraus resultierende Bereich wird als Begrenzungsterm (bal) des Hintergrundbereichs genutzt, der das Null-Level-Set daran hindert, in Hintergrundbereiche zu kommen, die mit hoher Wahrscheinlichkeit kein Parenchymgewebe enthalten. Daher wird der bal-Term als zweiter binärer Stopp-Term in die Level-Set-Gleichung integriert. Die Stopp- und Anziehungsterme werden in die Level-Set-Gleichung eingefügt und ein Gradientenabstiegsverfahren zur Minimierung angewendet:
Alle Kräfte werden durch ihr Maximum dividiert. Empirisch wurde ermittelt, dass α = 0,8 und β = 1,3 geeignete Werte zum Treiben des Minimierungsprozesses darstellen. Am Ende dieses abschließenden Segmentierungsverfahrens werden die entsprechend segmentierten linken und rechten Nierenbereiche erhalten.
Auf Basis der Segmentierungsergebnisse lassen sich automatisiert volumetrische Messungen durchführen. Da bei derartigen volumetrischen Messungen Zystengewebe möglichst nicht berücksichtigt werden soll, wird im vorliegenden Beispiel noch ein Verfahren zum Ausschluss eines derartigen Gewebes vorgeschlagen. Nierenzysten können unterschiedliche Formen aufweisen und können daher nicht durch charakteristische Formen oder Formenbereiche erkannt werden. Weiterhin sind Nierenzysten nicht immer vollständig von Parenchymgewebe umgeben und können aus der Niere herausstehen. Dies erschwert Form-basierte und Orts-basierte Erkennungstechniken. Zystengewebe zeigt jedoch häufig höhere MR-Intensitäten als Parenchymgewebe und wird daher auch häufig automatisch in Probanden-spezifischen Parenchym-Wahrscheinlickeitskarten unterdrückt. Daher können Nierenzysten oft bereits durch die Probanden-spezifischen Wahrscheinlichkeitskarten des vorgeschlagenen Verfahrens ausgeschlossen werden. Sollten Zystenbereiche jedoch noch immer integriert sein, so können diese durch folgendes Verfahren erkannt und ausgeschlossen werden. Hierzu wurden die MR-Intensitäten unterschiedlicher Nierenzysten bereits in der Trainingsphase abgespeichert. Ähnlich wie die Erzeugung der Parenchym-Wahrscheinlichkeitskarte mit Hilfe der Bayes-Formel aus Gleichung (2), wird dann eine Zysten-Wahrscheinlichkeitskarte erzeugt. Geglättete Histogramme der Probanden-spezifischen Parenchym-MR-Intensitäten werden als Wahrscheinlichkeit für Parenchymgewebe und geglättete Histogramme der zystischen MR-Intensitäten aus der Trainingsphase als Wahrscheinlichkeit für Zystengewebe verwendet. Da das Vorkommen von Zysten nicht vorher bekannt ist, wird auch hier wiederum eine A-priori-Wahrscheinlichkeit von 0,5 für beide Klassen angesetzt. Auf diese Weise lassen sich Nierenzysten aus den Segmentierungsergebnissen für die linke und rechte Niere ausschließen.
Das vorgeschlagene Verfahren ermöglicht eine vollautomatische Segmentierung des Nierenparenchyms mit hoher Zuverlässigkeit. Das Verfahren arbeitet mit nativen MR-Volumendatensätzen und lässt sich 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.
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 Patentliteratur

DE 102015103468 [0004]

Zitierte Nicht-Patentliteratur

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

Claims

Verfahren zur Segmentierung eines Organs und/oder Organbereiches, insbesondere des Nierenparenchyms, in Volumendatensätzen der Magnetresonanztomographie, bei dem auf Basis von Segmentierungsergebnissen aus 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: – auf einen aufgezeichneten Volumendatensatz eines Probanden oder einen aus dem Volumendatensatz abgeleiteten Volumendatensatz ein erstes Segmentierungsverfahren 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 dem aufgezeichneten Volumendatensatz ein Probanden-spezifischer Wahrscheinlichkeitsdatensatz generiert wird, in dem jedem Voxel des aufgezeichneten Volumendatensatzes eine probanden-spezifische Wahrscheinlichkeit zugeordnet ist, zu dem Organ und/oder Organbereich zu gehören, und – auf den Probanden-spezifischen Wahrscheinlichkeitsdatensatz ein weiteres Segmentierungsverfahren angewendet wird, um das Organ und/oder den Organbereich aus dem Wahrscheinlichkeitsdatensatz und damit auch aus dem aufgezeichneten Volumendatensatz zu segmentieren, – wobei aus den Trainingsdatensätzen wenigstens drei Klassen von charakteristischen zweidimensionalen Formen aus den Schichtbildern der Trainingsdatensätze bestimmt wurden, von denen wenigstens eine Klasse die charakteristischen zweidimensionalen Formen des Organs und/oder Organbereichs und wenigstens eine Klasse charakteristische zweidimensionale Formen anderer in den Trainingsdatensätzen erkennbare Strukturen umfassen, – für jede der Klassen eine Support Vektor Maschine trainiert wird und – die Vorsegmentierung mit Hilfe der mindestens drei Support Vektor Maschinen erfolgt, die in einem gegenseitigen Ausschlussverfahren das Vorliegen der charakteristischen zweidimensionalen Form des Organs und/oder Organbereichs erkennen.
Verfahren nach Anspruch 1, bei dem als Merkmalsvektoren für die Support Vektor Maschinen Fourier-Deskriptoren der charakteristischen zweidimensionalen Formen als Kombination ihrer Magnituden- und Phaseninformation verwendet werden.
Verfahren nach Anspruch 1 oder 2, bei dem das erste Segmentierungsverfahren auf einen ersten Wahrscheinlichkeitsdatensatz für das Organ oder den Organbereich als abgeleiteten Volumendatensatz angewendet wird, in dem jedem Voxel eine Wahrscheinlichkeit zugeordnet ist, zu dem Organ und/oder Organbereich zu gehören, wobei der erste Wahrscheinlichkeitsdatensatz aus dem aufgezeichneten Volumendatensatz unter Verwendung der Segmentierungsergebnisse aus den Trainingsdatensätzen erstellt wird.
Verfahren nach Anspruch 3, bei dem als erstes Segmentierungsverfahren bei der Vorsegmentierung ein iteratives Schwellwertverfahren eingesetzt wird, bei dem ein Schwellwert für die Wahrscheinlichkeiten des ersten Wahrscheinlichkeitsdatensatzes ausgehend von einem Maximalwert der Wahrscheinlichkeit Schritt für Schritt so lange erniedrigt wird, bis der segmentierte Bereich eine Form aufweist, die in dem gegenseitigen Ausschlussverfahren der drei Support Vektor Maschinen als charakteristische zweidimensionale Form des Organs und/oder Organbereichs erkannt wird.
Verfahren nach einem der Ansprüche 1 bis 4, bei dem der Probanden-spezifische Wahrscheinlichkeitsdatensatz auf Basis von MR-Intensitäten des ersten segmentierten Bereiches in dem aufgezeichneten Volumendatensatz mit Hilfe der Bayes-Formel generiert wird.
Verfahren nach einem der Ansprüche 1 bis 4, bei dem auf Basis von MR-Intensitäten des ersten segmentierten Bereiches in dem aufgezeichneten Volumendatensatz mit Hilfe der Bayes-Formel ein vorläufiger Probanden-spezifischer Wahrscheinlichkeitsdatensatz generiert wird, in dem jedem Voxel ein Wahrscheinlichkeitswert als Wahrscheinlichkeit zugeordnet ist, zu dem Organ und/oder Organbereich zu gehören, und bei dem der Probanden-spezifische Wahrscheinlichkeitsdatensatz aus dem vorläufigen Probanden-spezifischen Wahrscheinlichkeitsdatensatz erhalten wird, indem ein wahrscheinlicher Bereich für das Organ oder den Organbereich im vorläufigen Probanden-spezifischen Wahrscheinlichkeitsdatensatz mit Hilfe des ersten segmentierten Bereiches und der Segmentierungsergebnisse aus den Trainingsdatensätzen geschätzt und die Wahrscheinlichkeitswerte im vorläufigen Probanden-spezifischen Wahrscheinlichkeitsdatensatz in Abhängigkeit von ihrem Abstand zu dem geschätzten Bereich abgeschwächt werden.
Verfahren nach einem der Ansprüche 1 bis 6, bei dem als das weitere Segmentierungsverfahren, das auf den Probanden-spezifischen 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 7, bei dem für die Segmentierung des Nierenparenchyms eine Klasse von charakteristischen zweidimensionalen Formen des linken Nierenparenchyms, eine Klasse von charakteristischen zweidimensionalen Formen des rechten Nierenparenchyms und wenigstens eine Klasse charakteristischer zweidimensionaler Formen anderer in den Trainingsdatensätzen erkennbarer Strukturen aus den Schichtbildern der Trainingsdatensätze bestimmt und für das Training der Support Vektor Maschinen eingesetzt werden.
Verfahren nach Anspruch 8, bei dem auf Basis von MR-Intensitäten von Nierenzysten, die aus den Trainingsdatensätzen ermittelt wurden, aus dem aufgezeichneten Volumendatensatz des Probanden mit Hilfe der Bayes-Formel eine Zysten-Wahrscheinlichkeitskarte erstellt wird, mit der Zystenbereiche innerhalb des segmentierten Parenchym-Bereiches erkannt werden und aus dem segmentierten Parenchym-Bereich ausgeschlossen werden können.