DE10255525A1

DE10255525A1 - Automatisierte Lungenknotensegmentierung mittels dynamischer Programmierung und auf EM basierender Klassifizierung

Info

Publication number: DE10255525A1
Application number: DE10255525A
Authority: DE
Inventors: Ravi Bansal; Ning Xu
Original assignee: Siemens Corporate Research Inc
Current assignee: Siemens Corp
Priority date: 2001-11-29
Filing date: 2002-11-27
Publication date: 2003-07-17
Anticipated expiration: 2022-11-28
Also published as: US20030099391A1; DE10255525B4; US6882743B2

Abstract

Bereitgestellt wird ein Verfahren zum automatischen Segmentieren von Lungenknoten in einem dreidimensionalen (3-D) Computertomografie(CT)-Volumsdatensatz. Eine Eingabe wird empfangen, welche einem von einem Benutzer gewählten Punkt nahe einer Grenze eines Knotens entspricht (210). Ein Modell des Knotens wird von dem von einem Benutzer gewählten Punkt aus konstruiert, wobei das Modell ein verformbarer Kreis ist, welcher einen Satz Parameter beta aufweist, die eine Gestalt des Knotens darstellen (230). Kontinuierliche Teile der Grenze und Diskontinuitäten der Grenze werden geschätzt, bis der Satz Parameter beta konvergiert, durch Verwendung von dynamischer Programmierung und Erwartungsmaximierung (EM) (240). Der Knoten wird auf der Grundlage von Schätzungen der kontinuierlichen Teile der Grenze und der Diskontinuitäten der Grenze segmentiert (250).

Description

HINTERGRUND DER ERFINDUNG

1. Technisches Gebiet

Die vorliegende Erfindung betrifft im Allgemeinen die medizinische Bildgebung und im Besonderen ein Verfahren zum automatischen Segmentieren von Lungenknoten mittels dynamischer Programmierung und Erwartungsmaximierungs(EM)-Klassifizierung.

2. Allgemeiner Stand der Technik

Die Sterblichkeit infolge von Lungenkrebs ist landesweit die Hauptursache für Tod durch Krebs. Eine der Hauptursachen für eine derart hohe Sterblichkeitsrate ist die Tatsache, daß es überaus schwierig ist, bösartige Lungenknoten zu erkennen. Für gewöhnlich ist es zu jenem Zeitpunkt, zu dem Knoten erkannt werden, zu spät, die Knoten sind für eine wirksame Heilung zu groß oder zu weit fortgeschritten. Demnach besteht ein Bedarf an Lungenscreening mit der Aufgabe der Früherkennung des bösartigen Lungenknotens in einem Stadium, in dem dieser wirksam behandelt werden kann. Lange griff man auf herkömmliche Bruströntgen(CXR)-Aufnahmen zurück. CXR werden von Carreira et al. in "Computer-aided Lung Nodule Detection in Chest Radiography", Lecture notes in Computer Science, Image Analysis Applications and Computer Graphics, 1024, S. 331-38, 1995; und von Braum von Ginneken in "Computer-aided Diagnosis in Chest Radiography", Dissertation, Universität Utrecht, 1970, beschrieben. Allerdings sind CXR von beschränktem Nutzen, da mittels CXR nur große Lungenknoten erkannt werden können. Mit den Fortschritten in der Röntgenstrahl- Computertomografie(CT)-Technik gibt es ein Potential für das Screening von Knoten, welche bösartig sein können. Mittels Dünnschnitt-Mehrschicht-Schraubenlinien-CT-Scans (hCT) ist es nun möglich, Knoten mit einem Durchmesser von nur 3 mm zu erkennen. Die Verwendung von hCT-Scans wird von Aberle et al. in "Model-based Segmentation Architecture for Lung Nodule Detection in CT", Radiology, 217(P), 2000; und von Aberle et al. in "Computer-aided Method for Lung Micronodule Detection in CT", Radiology, 217(P), 2000, beschrieben. Die Verwendung eines Hochauflösungs- CT (HRCT)-Bilddatensatzes ermöglicht die Durchführung quantitativer Messungen, beispielsweise von Größe, Gestalt und Dichte, für jeden Knoten. Allerdings führt jeder Schraubenlinien-CT-Scan eines Patienten zu einem Volumen, welches aus 500 bis 600 Schichten mit 512 × 512 Voxel je Schicht besteht. Somit können die Vorteile, die durch Hochauflösungs-CT gegenüber CXR gewonnen werden, ohne die Hilfe effizienter Bildanalyse- und -interpretationsverfahren rasch wieder verloren gehen. Die computergestützte Knotenerkennung hat bereits die Art, auf welche das Lungenkrebsscreening durchgeführt wird, durch Bereitstellen besserer Visualisierungs-, Erkennungs- und Charakterisierungsmöglichkeiten von Lungenknoten verwandelt. Die computergestützte Knotenerkennung wird von Aberle et al. in "Computer-aided Method for Lung Micronodule Detection in CT", Radiology, 217(P), 2000; von Kostis et al. in "Computer-aided Diagnosis of Small Pulmonary Nodules", Seminars in Ultrasound, CT, and MRI, 21(2), S. 116-28, 200; von Fan et al. in "Automatic Detection of Cellular Necrosis in Epithelial Cell Cultures", SPIE Medical Imaging, Feb. 2001; und von Jacobson et al. in "Evaluation of Segmentation Using Lung Nodule Phantom CT images", SPIE Medical Imaging, Feb. 2001, beschrieben.
Physikalische Eigenschaften der Knoten wie Wachstumsrate, Verkalkungsmuster und Art von Begrenzungen sind bei der Untersuchung der solitären Lungenknoten von großer Wichtigkeit. Jeder Lungenknoten wächst im Lauf der Zeit dem Volumen nach. Allerdings wachsen die bösartigen Knoten mit einer exponentiellen Rate, welche für gewöhnlich als Verdoppelungszeit eines Tumors zum Ausdruck gebracht wird. Bösartige Knoten weisen eine Verdoppelungszeit zwischen 25 und 450 Tagen auf, wohingegen die gutartigen Knoten stabil sind und eine Verdoppelungszeit von mehr als 500 Tagen aufweisen. Neben der Wachstumsrate der Knoten ist das Verkalkungsmuster ein bedeutendes Indiz dafür, ob der Knoten gut- oder bösartig ist. Knoten, die zentral oder diffus verkalkt sind, sind für gewöhnlich gutartig.
Ehe die Knoten charakterisiert werden können, ist es erforderlich, sie im Volumen des 3-D-CT- Bilddatensatzes, welcher erfaßt wird, zu erkennen. Die händische Erkennung von Lungenknoten, welche bei der Verwendung von CXR möglich war, ist nicht mehr möglich. Es ist notwendig, über automatisierte Werkzeuge zu verfügen, welche imstande sind, einen Arzt dabei zu unterstützen, die Knoten rasch zu erkennen. Eine Reihe automatisierter Lungenknotensysteme wurden bereits vorgeschlagen, wie von Cabello et al. in "Computeraided Diagnosis: A Neural Network Based Approach to Lung Nodule Detection", IEEE Transactions on Medical Image, 17(6), S. 872-80, 1998; von Hara et al. in "Nodule Detection on Chest Helical CT Scans by Using a Genetic Algorithm", Proceedings of the 1997 IASTED International Conference on Intelligent Information, 1997; von Aberle et al. in "Computer-aided Method for Lung Micronodule Detection in CT", Radiology, 217(P), 2000; von Fan et al. in "Automatic Detection of Cellular Necrosis in Epithelial Cell Cultures", SPIE Medical Imaging, Feb. 2001; von Cox et al. in "Experiments in Lung Cancer Nodule Detection Using Texture Analysis and Neural Network Classifiers", auf citeseer.nj.nec.com / cox92experiments.html, 1992; von Gonzalez et al. in "Application of Computer-performed Holographic Recognition to Lung Nodule Detection and Evaluation in Thoracic CT Scans", European Congress of Radiology (ECR), 2000; von Kanazawa et al. in "Computer-aided Diagnosis of Pulmonary Nodules Based on Helical CT Images, Comput. Med. Imaging Graph., 22, S. 157-67, 1998; und von Armato et al. in "Threedimensional Approach to Lung Nodule Detection in Helical CT", SPIE Medical Imaging, 3661, S. 553-59, 1999, beschrieben wird. Während es sich bei der automatisierten Erkennung der Lungenknoten um eine äußerst wichtige Aufgabe handelt, stellt das Segmentieren der Knoten, nachdem sie erkannt wurden, eine gleichermaßen herausfordernde Aufgabe dar. Die Schwierigkeit der Aufgabe ist durch die Tatsache begründet, daß einige der Knoten an der Brustwand oder an den Lungengefäßen anliegen können. Eine genaue und einheitliche Segmentierung des Lungenknotens in im Verlauf der Zeit erfaßten CT-Volumsdatensätzen ist erforderlich, um die Wachstumsrate der Knoten zu untersuchen und somit vorherzusagen, ob der Knoten bös- oder gutartig ist.
Demzufolge wäre es erstrebenswert und höchst vorteilhaft, über ein Verfahren zum automatischen Segmentieren von Lungenknoten zu verfügen, welches imstande ist, nicht nur solitäre Knoten sondern auch an Lungenwänden und Gefäßen befestigte Knoten einheitlich und solide zu segmentieren.

KURZDARSTELLUNG DER ERFINDUNG

Die oben angeführten Probleme wie auch andere verwandte Probleme des Standes der Technik werden durch die vorliegende Erfindung, ein Verfahren zum automatischen Segmentieren von Lungenknoten mittels dynamischer Programmierung und Erwartungsmaximierungs(EM)-Klassifizierung, gelöst.
Gemäß einem Aspekt der vorliegenden Erfindung wird ein Verfahren zum automatischen Segmentieren von Lungenknoten in einem dreidimensionalen (3-D) Computertomografie(CT)-Volumsdatensatz bereitgestellt. Eine Eingabe wird empfangen, welche einem von einem Benutzer gewählten Punkt nahe einer Grenze eines Knotens entspricht. Ein Modell des Knotens wird von dem vom Benutzer gewählten Punkt aus konstruiert, wobei das Nfodell ein verformbarer Kreis ist, welcher einen Satz Parameter β aufweist, die eine Form des Knotens darstellen. Kontinuierliche Teile der Grenze und Diskontinuitäten der Grenze werden unter Verwendung dynamischer Programmierung und Erwartungsmaximierung (EM) geschätzt, bis der Satz Parameter β konvergiert. Der Knoten wird ausgehend von Schätzungen der kontinuierlichen Teile der Grenze und der Diskontinuitäten der Grenze segmentiert.
Gemäß einem anderen Aspekt der vorliegenden Erfindung ist der Satz Parameter β = [O, s]^T, wobei O eine Position des Modells, s eine Skale des Modells und T eine Transponierung eines Vektors, welcher der Position O und der Skale s des Modells entspricht, ist.
Gemäß noch einem weiteren Aspekt der vorliegenden Erfindung umfaßt das Verfahren weiterhin den Schritt des Darstellens der Grenze als eine Summe B, wobei B = (U_iB_ci) U (U_iB_dj), wobei B_ci kontinuierliche Teile der Grenze darstellt und B_dj Diskontinuitäten der Grenze darstellt.
Gemäß noch einem weiteren Aspekt der vorliegenden Erfindung umfaßt der Schritt des Schätzens die folgenden Schritte. Die kontinuierlichen Teile B_ci der Grenze werden ausgehend von einer Maximum-aposteriori(MAP)-Schätzung gemäß einer Gleichung B_ci = arg maxB_ci p(B_ciξI, β) geschätzt, wobei I eine Schicht vom 3-D-CT-Volumsdatensatz ist. Eine MAP-Dichte wird als p(B_ciξI, β) = 1/z exp (E_ß(B_ci)) geschätzt, wobei E_β (B_ci) eine Summe aus internen Gestalts- und externen Bildenergien und z eine Normierungskonstante ist. Die Summe aus internen Gestalts- und externen Bildenergien E_β(B_ci) wird mittels eines zeitverzögerten diskreten dynamischen Programmierverfahrens minimiert. Die kontinuierlichen Teile B_ci der Grenze werden verbunden, Lum eine Schätzung der Diskontinuitäten B_di der Grenze zu erhalten. Der Satz Parameter β wird auf der Grundlage eines Kreisanpassungsverfahrens, das auf die kontinuierlichen Teile B_ci und die Diskontinuitäten B_dj der Grenze angewandt wird, aktualisiert.
Gemäß einem weiteren Aspekt der vorliegenden Erfindung umfaßt der Schritt des Konstruierens den Schritt des Erhöhens eines Radius des verformbaren Kreises, bis der Radius Hochgradientenpunkte im 3-D-CT-Volumsdatensatz berührt.
Gemäß noch einem weiteren Aspekt der vorliegenden Erfindung umfaßt das Verfahren weiterhin den Schritt des Vorverarbeitens einer Interessensregion, welche den vom Benutzer gewählten Punkt umgibt, mittels eines auf Erwartungsmaximierung (EM) basierenden Verfahrens, um dadurch eine Verkalkung zu klassifizieren und aus der Interessensregion zu entfernen.
Gemäß einem zusätzlichen Aspekt der vorliegenden Erfindung entfernt der Schritt des Vorverarbeitens die Hochgradientenpunkte, welche aus der Verkalkung des Knotens resultieren.
Diese und andere Aspekte, Merkmale und Vorteile der vorliegenden Erfindung gehen deutlich aus der folgenden ausführlichen Beschreibung bevorzugter Ausführungsformen hervor, welche in Zusammenschau mit den beiliegenden Zeichnungen zu lesen ist.

KURZE BESCHREIBUNG DER ZEICHNUNGEN

Fig. 1 ist ein Blockdiagramm eines Computerverarbeitungssystems 100, auf welches die vorliegende Erfindung gemäß einer veranschaulichenden Ausführungsform davon angewandt werden kann;
Fig. 2 ist ein Flußdiagramm, welches ein Verfahren zum Segmentieren von Lungenknoten aus Computertomografie(CT)-Volumsschichten gemäß einer veranschaulichenden Ausführungsform der vorliegenden Erfindung veranschaulicht;
Fig. 3 ist ein Flußdiagramm, welches ein Verfahren zum Segmentieren von Lungenknoten aus Computertomografie(CT)-Volumsschichten gemäß einer anderen veranschaulichenden Ausführungsform der vorliegenden Erfindung veranschaulicht;
Fig. 4 ist eine Abfolge von Bildern, welche Resultate veranschaulichen, die durch die vorliegende Erfindung erhalten wurden, wobei eine Interessensregion nicht mittels des EM-Algorithmus vorverarbeitet wurde, gemäß einer veranschaulichenden Ausführungsform der vorliegenden Erfindung; und
Fig. 5 ist eine Abfolge von Bildern, welche Resultate veranschaulichen, die durch die vorliegende Erfindung erhalten wurden, wobei eine Interessensregion mittels des EM-Algorithmus vorverarbeitet wurde, gemäß einer veranschaulichenden Ausführungsform der vorliegenden Erfindung.

AUSFÜHRLICHE BESCHREIBUNG BEVORZUGTER AUSFÜHRUNGSFORMEN

Die vorliegende Erfindung betrifft ein Verfahren zum automatischen Segmentieren von Lungenknoten mittels dynamischer Programmierung und Erwartungsmaximierungs(EM)-Klassifizierung.
Es versteht sich, daß die vorliegende Erfindung in verschiedenen Formen von Hardware, Software, Firmware, Spezialprozessoren oder einer Kombination daraus implementiert werden kann. Vorzugsweise wird die vorliegende Erfindung als Kombination aus Hardware und Software implementiert. Überdies wird die Software vorzugsweise als Anwendungsprogramm implementiert, welches faßbar auf einer Programmspeichervorrichtung ausgeführt ist. Das Anwendungsprogramm kann in eine Maschine, welche jedwede geeignete Architektur umfaßt, hochgeladen und von dieser ausgeführt werden. Vorzugsweise ist die Maschine auf einer Rechnerplattform implementiert, welche Hardware, beispielsweise eine oder mehrere Zentraleinheiten ("CPU"), einen Direktzugriffsspeicher ("RAM") und (eine) Eingangs/Ausgangs-("I/O")- Schnittstelle(n), aufweist. Die Rechnerplattform umfaßt auch ein Betriebssystem und einen Mikrobefehlscode. Die verschiedenen in diesem Dokument beschriebenen Vorgänge und Funktionen können entweder ein Teil des Mikrobefehlscodes oder ein Teil des Anwendungsprogramms (oder eine Kombination daraus) sein, welcher über das Betriebssystem ausgeführt wird. Darüber hinaus können verschiedene andere Peripherieeinheiten an die Rechnerplattform angeschlossen sein, beispielsweise eine zusätzliche Datenspeichervorrichtung und eine Druckvorrichtung.
Weiterhin versteht es sich, daß sich, da einige der konstituierenden Systemkomponenten und Verfahrensschritte, die in den beiliegenden Figuren abgebildet sind, vorzugsweise in Software ausgeführt sind, die tatsächlichen Verbindungen zwischen den Systemkomponenten (oder den Verfahrensschritten) je nach der Art, in der die vorliegende Erfindung programmiert ist, unterscheiden können. In Anbetracht der in diesem Dokument enthaltenen Lehren sind Durchschnittsfachleute in der Lage, diese und ähnliche Implementierungen oder Konfigurationen der vorliegenden Erfindung in Erwägung zu ziehen.
Fig. 1 ist ein Blockdiagramm eines Computerverarbeitungssystems 100, auf welches die vorliegende Erfindung gemäß einer veranschaulichenden Ausführungsform davon angewandt werden kann. Das Computerverarbeitungssystem 100 umfaßt zumindest einen Prozessor (CPU) 102, welcher über einen Systembus 104 wirkend mit anderen Komponenten gekoppelt ist. Ein Nur- Lese-Speicher (ROM) 106, ein Direktzugriffsspeicher (RAM) 108, ein Bildschirmadapter 110, ein I/O-Adapter 112 und ein Benutzerschnittstellenadapter 114 sind ebenfalls wirkend an den Systembus 104 gekoppelt.
Eine Bildschirmeinheit 116 ist über den Bildschirmadapter 110 wirkend an den Systembus 104 gekoppelt. Eine Plattenspeichereinheit (beispielsweise eine magnetische oder optische Plattenspeichereinheit) 118 ist über den I/O-Adapter 112 wirkend an den Systembus 104 gekoppelt.
Eine Maus 120 und eine Tastatur 122 sind über den Benutzerschnittstellenadapter 114 wirkend an den Systembus 104 gekoppelt. Die Maus 120 und die Tastatur 122 können verwendet werden, um Informationen in das Computerverarbeitungssystem 100 einzugeben bzw. daraus auszugeben.
Die vorliegende Erfindung sieht ein solides und automatisiertes Verfahren zum Segmentieren von Lungenknoten in einem dreidimensionalen (3-D) Computertomografie(CT)-Volumsdatensatz vor. Knoten werden Schicht für Schicht heraussegmentiert. Das heißt, daß wir zunächst jede CT-Schicht getrennt verarbeiten, um zweidimensionale(2-D)-Konturen eines Knotens zu extrahieren, welche dann aneinander gestapelt werden können, um die gesamte 3-D-Oberfläche zu erhalten. Die extrahierten 2-D-Konturen sind optimal, da wir uns eines Optimierungsalgorithmus auf der Basis dynamischer Programmierung bedienen. Um jede 2-D-Kontur zu extrahieren, bedienen wir uns einer Einschränkung auf Gestaltbasis; das heißt, wir konstruieren zunächst von einem vom Benutzer (z. B. Arzt) angegebenen Punkt auf der Knotengrenze aus einen Kreis. Dieser Ausgangskreis liefert uns eine grobe Initialisierung des Knotens, von wo aus unser auf dynamischer Programmierung basierender Algorithmus die optimale Kontur schätzt. Da ein Knoten verkalkt sein kann, vorverarbeiten wir eine kleine Interessensregion rund um den vom Arzt gewählten Punkt auf der Knotengrenze mittels des auf Erwartungsmaximierung (EM) basierenden Algorithmus, um die Verkalkung zu klassifizieren und zu entfernen. Vorteilhafterweise kann die vorliegende Erfindung dazu verwendet werden, nicht nur solitäre Knoten sondern auch Knoten, die an Lungenwänden und Gefäßen befestigt sind, einheitlich und solide zu segmentieren.
Fig. 2 ist ein Flußdiagramm, welches ein Verfahren zum Segmentieren von Lungenknoten aus Computertomografie(CT)-Volumsschichten gemäß einer veranschaulichenden Ausführungsform der vorliegenden Erfindung veranschaulicht.
Eine Eingabe wird empfangen, welche einem vom Benutzer ausgewählten Punkt nahe einer Grenze eines Knotens entspricht (Schritt 210). Eine Interessensregion, welche den vom Benutzer gewählten Punkt umgibt, wird mittels Erwartungsmaximierung (EM) vorverarbeitet, um Verkalkung zu klassifizieren und zu entfernen (Schritt 220). Ein verformbares, kreisrundes Modell des Knotens wird von dem vom Benutzer gewählten Punkt aus konstruiert (Schritt 230). Das Modell weist einen Satz Parameter β auf, welche eine Gestalt des Knotens darstellen.
Schätzungen der kontinuierlichen Teile und der Diskontinuitäten der Grenze werden erhalten und dann aktualisiert, bis der Satz Parameter β konvergiert, durch Verwendung dynamischer Programmierung und Erwartungsmaximierung (Schritt 240). Der Knoten wird auf der Grundlage von Schätzungen der kontinuierlichen Teile und der Diskontinuitäten der Grenze segmentiert (Schritt 250).
Fig. 3 ist ein Flußdiagramm, welches ein Verfahren zum Segmentieren von Lungenknoten aus Computertomografie(CT)-Volumsschichten gemäß einer anderen veranschaulichenden Ausführungsform der vorliegenden Erfindung veranschaulicht.
Eine Eingabe wird empfangen, welche einem von einem Benutzer ausgewählten Punkt nahe einer Grenze eines Knotens entspricht (Schritt 310). Eine Interessensregion, welche den vom Benutzer gewählten Punkt umgibt, wird mittels Erwartungsmaximierung (EM) vorverarbeitet, um Verkalkung zu klassifizieren und zu entfernen (Schritt 315). Ein Modell des Knotens wird von dem vom Benutzer gewählten Punkt aus konstruiert, um einen Satz Parameter β zu initialisieren, welche die Gestalt des Knotens darstellen (Schritt 320). Insbesondere wird der Knoten als verformbarer Kreis in 2-D-Schichten modelliert. Das Modell berücksichtigt die Gestalt des Knotens, die Position des Knotens sowie Kontinuitäten und Diskontinuitäten in den Grenzen des Knotens. Gehen wir davon aus, daß β = [O, s]^T, wobei O die Position des Modells, s die Skale des Modells und T die Transponierung eines Vektors, welcher der Position O und der Skale s des Modells entspricht, ist.
Da der Knoten an einer Lungenwand oder an Blutgefäßen befestigt sein kann, liegen in den Knotengrenzen zahlreiche Diskontinuitäten vor. Eine Realisierung B einer Grenze des Knotens wird durch eine Summe B = (U_iB_ci)U(U_iB_aj) dargestellt, wobei B_ci den kontinuierlichen Teil der Grenze und B_dj die Diskontinuitäten der Grenze darstellt (Schritt 330).
Sowohl die Kontinuitäten B_ci als auch die Diskontinuitäten B_dj werden durch Verwendung einer iterativen Schleife geschätzt (Schritt 340). Die Schleife umfaßt die Schritte 340a bis 340f.
Durch Verwendung dieses β wird die Grenze des Knotens gemäß einem Kriterium, das auf den Bilddaten des 3-D- CT-Volumsdatensatzes beruht, in einen kontinuierlichen Teil B_ci und einen diskontinuierlichen Teil B_dj geteilt (Schritt 340a).
Eür jeden kontinuierlichen Teil Bci wird eine Maximuma-posteriori(MAP)-Schätzung gemäß der Gleichung Bci = arg maxB_ci p(B_ciξI, β) verwendet, wobei I die Schicht vom CT-Volumsdatensatz ist (Schritt 340b). Eine MAP-Dichte wird als p(B_ciξI, β) = 1/z exp(E_β(B_ci)) geschätzt, wobei E_ß(Bci) die Summe aus internen Gestalts- und externen Bildenergien und z eine Normierungskonstante ist (welche auch als "Partitionsfunktion" bezeichnet wird) (Schritt 340c). Die Summe aus den internen Gestalts- und externen Bildenergien E_ß(B_ci) wird durch Verwendung eines zeitverzögerten diskreten dynamischen Programmierverfahrens minimiert (Schritt 340d).
Die geschätzten B_ci werden dann verbunden, um eine Schätzung für B_dj zu erhalten (Schritt 340e). Diese geschätzten B_ci und B_dj werden dann verwendet, um β anhand eines Kreisanpassungsverfahrens zu aktualisieren (Schritt 340f). Die Schritte 340a bis 340f werden wiederholt, bis β konvergiert (Schritt 350). Nach dem Konvergieren wird die Schleife beendet.
Eine Beschreibung des Vorverarbeitens mittels eines auf EM basierenden Verfahrens wird nunmehr gemäß einer veranschaulichenden Ausführungsform der vorliegenden Erfindung bereitgestellt. Dieser Vorverarbeitungsschritt wird bei den Schritten 220 und 315 der Verfahren aus Fig. 2 bzw. 3 angewandt. Da der zunächst erstellte Kreis als eine Initialisierung der Knotengrenze verwendet wird, ist dieser Schritt ausschlaggebend. Der Radius des Kreises wird vergrößert, bis er auf Hochgradientenpunkte in diesem Bild trifft. Auf Grund der Verkalkung der Knoten werden im Knoten selbst Hochgradientenpunkte vorliegen, welche zu einer fehlerhaften Initialisierung führen. Um dieses Problem zu überwinden, vorverarbeiten wir eine Interessensregion rund um den ausgewählten Punkt unter Verwendung des Erwartungsmaximierungs(EM)-Algorithmus, um jedwede Verkalkung im Knoten zu entfernen. Der EM- Algorithmus wird von Dempster et al. in "Maximum Likelihood from Incomplete Data via EM Algorithm", J. Royal Statistical Soc., Ser. B, 39 : 1-38, 1977, beschrieben.
Eine Beschreibung von Testergebnissen der vorliegenden Erfindung wird nun gemäß einem veranschaulichenden Beispiel davon bereitgestellt. Fig. 4 ist eine Abfolge von Bildern, welche Ergebnisse darstellen, die von der vorliegenden Erfindung in einem Fall erhalten wurden, in dem eine Interessensregion nicht mittels des EM- Algorithmus vorverarbeitet wurde, gemäß einer veranschaulichenden Ausführungsform der vorliegenden Erfindung. Der vom Benutzer ausgewählte Punkt 410, der Ausgangskreis 420 und die geschätzte Knotengrenze 430 werden dargestellt. Diese Ergebnisse zeigen, daß die vorliegende Erfindung in der Lage ist, an Gefäßen befestigte Knoten zu segmentieren. Wenn allerdings ein Knoten verkalkt ist, kann die vorliegende Erfindung weniger als optimale Ergebnisse liefern. Demzufolge ist ein Vorverarbeiten der Interessensregion für das Erzielen geeigneter Ergebnisse durch die vorliegende Erfindung von Bedeutung.
Fig. 5 ist eine Abfolge von Bildern, welche Ergebnisse darstellen, die von der vorliegenden Erfindung in einem Fall erhalten wurden, in dem eine Interessensregion mittels des EM-Algorithmus vorverarbeitet wurde, gemäß einer veranschaulichenden Ausführungsform der vorliegenden Erfindung. Die obere Reihe von Bildern in Fig. 5 zeigt, daß die vorliegende Erfindung verwendet werden kann, um die an der Lungenwand befestigten Knoten zu segmentieren. Die geschätzte Knotengrenze 510 wird dargestellt. Beachten Sie, daß der Knoten sauber aus der Wand herausgeschnitten wurde. Die untere Reihe in Fig. 5 zeigt, daß die vorliegende Erfindung verwendet werden kann, um auch isolierte Knoten zu segmentieren.
Insgesamt stellt die vorliegende Erfindung einen automatisierten Lungenknotensegmentierungsalgorithmus bereit, wobei die Segmentierung des Knotens auf einer schichtweisen Basis von dem vom Arzt gewählten Ausgangspunkt aus durchgeführt wird. Die vorliegende Erfindung kann verwendet werden, um eine Vielfalt von Knoten, und zwar an einer Lungenwand befestigte Knoten, isolierte Knoten und an Gefäßen befestigte Knoten, zu segmentieren. Für jede Schicht benötigt der automatisierte Algorithmus, nach Vorverarbeitung mittels EM, lediglich ungefähr 1 Sekunde, um die optimale Kontur zu berechnen. Sobald die 2-D-Konturen eines Knotens aus dem CT-Volumsdatensatz heraussegmentiert wurden, kann der Oberflächenanpassungsalgorithmus verwendet werden, um eine Oberfläche anzupassen. Der Oberflächenanpassungsalgorithmus wird von Bernhard Geiger in "Three-Dimensional Modelling of Human Organs and its Application to Diagnosis and Surgical Planning", Dissertation, INRIA, Nummer 2105, Frankreich, 1993, beschrieben. Selbstverständlich ist die vorliegende Erfindung nicht auf den vorangehenden Oberflächenanpassungsalgorithmus beschränkt, und demzufolge können andere Oberflächenanpassungsalgorithmen verwendet werden, ohne vom Gedanken und Umfang der vorliegenden Erfindung abzuweichen.
Wenngleich die veranschaulichenden Ausführungsformen in diesem Dokument mit Bezugnahme auf die beiliegenden Zeichnungen beschrieben wurden, versteht es sich, daß die vorliegende Erfindung nicht auf diese konkreten Ausführungsformen beschränkt ist und daß durch Durchschnittsfachleute verschiedene andere Änderungen und Modifikationen daran vorgenommen werden können, ohne vom Umfang oder Gedanken der vorliegenden Erfindung abzuweichen. Alle derartigen Änderungen und Modifikationen sollen als in den Umfang der Erfindung fallend, wie er gemäß den beiliegenden Ansprüchen dargelegt wird, erachtet werden.

Claims

1. Verfahren zum automatischen Segmentieren von Lungenknoten in einem dreidimensionalen (3-D) Computertomografie(CT)-Volumsdatensatz, umfassend die folgenden Schritte:
das Empfangen einer Eingabe, welche einem von einem Benutzer gewählten Punkt nahe einer Grenze eines Knotens entspricht;
das Konstruieren eines Modells des Knotens von dem von einem Benutzer gewählten Punkt aus, wobei das Modell ein verformbarer Kreis ist, welcher einen Satz Parameter β aufweist, die eine Gestalt des Knotens darstellen;
das Schätzen kontinuierlicher Teile der Grenze und von Diskontinuitäten der Grenze, bis der Satz Parameter β konvergiert, durch Verwendung von dynamischer Programmierung und Erwartungsmaximierung (EM); und
das Segmentieren des Knotens ausgehend von Schätzungen der kontinuierlichen Teile der Grenze und der Diskontinuitäten der Grenze.

2. Verfahren nach Anspruch 1, wobei der Satz Parameter β = [0, s]^T, wobei O eine Position des Modells, s eine Skale des Modells und T eine Transponierung eines Vektors, welcher der Position O und der Skale s des Modells entspricht, ist.

3. Verfahren nach Anspruch 2, weiterhin umfassend den Schritt des Darstellens der Grenze als eine Summe B, wobei B = (U_iB_ci)U(U_iB_dj), wobei B_ci kontinuierliche Teile der Grenze und B_dj Diskontinuitäten der Grenze darstellt.

4. Verfahren nach Anspruch 3, wobei der Schritt des Schätzens die folgenden Schritte umfaßt:
das Schätzen der kontinuierlichen Teile B_ci der Grenze auf der Grundlage einer Maximum-aposteriori(MAP)-Schätzung gemäß einer Gleichung B_ci = arg maxB_ci p(B_ciξI, β), wobei I eine Schicht vom 3-D-CT-Volumsdatensatz ist;
das Schätzen einer MAP-Dichte als p(B_ciξI, β) = 1/z exp (E_ß(B_ci)), wobei E_ß(B_ci) eine Summe aus internen Gestalts- und externen Bildenergien und z eine Normierungskonstante ist;
das Minimieren der Summe aus internen Gestalts- und externen Bildenergien E_ß(B_ci) mittels eines zeitverzögerten diskreten dynamischen Programmierverfahrens;
das Verbinden der kontinuierlichen Teile B_ci der Grenze, um eine Schätzung der Diskontinuitäten B_dj der Grenze zu erhalten; und
das Aktualisieren des Satzes Parameter β auf der Grundlage eines Kreisanpassungsverfahrens, welches auf die kontinuierlichen Teile B_ci und die Diskontinuitäten B_dj der Grenze angewandt wird.

5. Verfahren nach Anspruch 1, wobei der Schritt des Konstruierens den Schritt des Vergrößerns eines Radius des verformbaren Kreises umfaßt, bis der Radius Hochgradientenpunkte im 3-D-CT- Volumsdatensatz berührt.

6. Verfahren nach Anspruch 5, weiterhin umfassend den Schritt des Vorverarbeitens einer Interessensregion, welche den von einem Benutzer gewählten Punkt umgibt, durch Verwendung eines auf Erwartungsmaximierung (EM) basierenden Verfahrens, um eine Verkalkung der Interessensregion zu klassifizieren und daraus zu entfernen.

7. Verfahren nach Anspruch 6, wobei der Schritt des Vorverarbeitens die Hochgradientenpunkte, welche sich aus der Verkalkung des Knotens ergeben, entfernt.

8. Verfahren zum automatischen Segmentieren von Lungenknoten in einem dreidimensionalen (3-D) Computertomografie(CT)-Volumsdatensatz, umfassend die folgenden Schritte:
das Empfangen einer Eingabe, welche einem von einem Benutzer gewählten Punkt nahe einer Grenze eines Knotens entspricht;
das Konstruieren eines Modells des Knotens von dem von einem Benutzer gewählten Punkt aus, wobei das Modell ein verformbarer Kreis ist, welcher einen Satz Parameter β aufweist, die eine Gestalt des Knotens darstellen, wobei β = [O, s]^T, wobei O eine Position des Modells, s eine Skale des Modells und T eine Transponierung eines Vektors, welcher der Position O und der Skale s des Modells entspricht, ist;
das Darstellen der Grenze als eine Summe B, wobei B = (U_iB_ci)U(U_iB_di), wobei B_ci kontinuierliche Teile der Grenze darstellt und B_dj Diskontinuitäten der Grenze darstellt;
das Schätzen der Grenze, wobei der Schritt des Schätzens die folgenden Schritte umfaßt;
das Schätzen der kontinuierlichen Teile Bei der Grenze auf der Grundlage einer Maximum-aposteriori(MAP)-Schätzung gemäß einer Gleichung Bei = arg maxB_ci p(B_ciξI, β), wobei I eine Schicht vom 3-D-CT-Volumsdatensatz ist;
das Schätzen einer MAP-Dichte als p(B_ciξI, β) = 1/z exp (E_ß(B_ci)), wobei E_ß(B_ci) eine Summe aus internen Gestalts- und externen Bildenergien ist;
das Minimieren der Summe aus internen Gestalts- und externen Bildenergien E_ß(B_ci) mittels eines zeitverzögerten diskreten dynamischen Programmierverfahrens;
das Verbinden der kontinuierlichen Teile B_ci der Grenze, um eine Schätzung der Diskontinuitäten B_dj der Grenze zu erhalten;
das Aktualisieren des Satzes Parameter β auf der Grundlage eines Kreisanpassungsverfahrens, welches auf die kontinuierlichen Teile B_ci und die Diskontinuitäten B_dj der Grenze angewandt wird;
das Wiederholen des Schritts des Schätzens der Grenze, bis der Satz Parameter β konvergiert; und
das Segmentieren des Knotens ausgehend von Schätzungen der kontinuierlichen Teile der Grenze und der Diskontinuitäten der Grenze.

9. Verfahren nach Anspruch 8, wobei der Schritt des Konstruierens den Schritt des Vergrößerns eines Radius des verformbaren Kreises, bis der Radius Hochgradientenpunkte im 3-D-CT-Volumsdatensatz berührt, umfaßt.

10. Verfahren nach Anspruch 9, weiterhin umfassend den Schritt des Vorverarbeitens einer Interessensregion, welche den von einem Benutzer gewählten Punkt umgibt, durch Verwendung eines auf Erwartungsmaximierung (EM) basierenden Verfahrens, um eine Verkalkung der Interessensregion zu klassifizieren und daraus zu entfernen.

11. Verfahren nach Anspruch 10, wobei der Schritt des Vorverarbeitens die Hochgradientenpunkte, welche sich aus der Verkalkung des Knotens ergeben, entfernt.

12. Maschinenlesbare Programmspeichervorrichtung, welche faßbar ein Programm mit Anweisungen enthält, die durch die Maschine ausführbar sind, um Verfahrensschritte zum automatischen Segmentieren von Lungenknoten in einem dreidimensionalen (3-D) Computertomografie(CT)- Volumsdatensatz durchzuführen, wobei die Verfahrensschritte umfassen:
das Empfangen einer Eingabe, welche einem von einem Benutzer gewählten Punkt nahe einer Grenze eines Knotens entspricht;
das Konstruieren eines Modells des Knotens von dem von einem Benutzer gewählten Punkt aus, wobei das Modell ein verformbarer Kreis ist, welcher einen Satz Parameter β aufweist, die eine Gestalt des Knotens darstellen;
das Schätzen kontinuierlicher Teile der Grenze und von Diskontinuitäten der Grenze, bis der Satz Parameter β konvergiert, durch Verwendung von dynamischer Programmierung und Erwartungsmaximierung (EM); und
das Segmentieren des Knotens ausgehend von Schätzungen der kontinuierlichen Teile der Grenze und der Diskontinuitäten der Grenze.

13. Programmspeichervorrichtung nach Anspruch 12, wobei der Satz Parameter β = [O, s]^T wobei O eine Position des Modells, s eine Skale des Modells und T eine Transponierung eines Vektors, welcher der Position O und der Skale s des Modells entspricht, ist.

14. Programmspeichervorrichtung nach Anspruch 13, weiterhin umfassend den Schritt des Darstellens der Grenze als eine Summe B, wobei B = (U_iB_ci)U(U_iB_dj), wobei B_ci kontinuierliche Teile der Grenze darstellt und B_dj Diskontinuitäten der Grenze darstellt.

15. Programmspeichervorrichtung nach Anspruch 14, wobei der Schritt des Schätzens die folgenden Schritte umfaßt:
das Schätzen der kontinuierlichen Teile Bei der Grenze auf der Grundlage einer Maximum-aposteriori(MAP)-Schätzung gemäß einer Gleichung Bci = arg maxB_ci p(B_ciξI, β), wobei I eine Schicht vom 3-D-CT-Volumsdatensatz ist;
das Schätzen einer MAP-Dichte als p(B_ciξI, β) = 1/z exp (E_ß(B_ci)), wobei E_ß(B_ci) eine Summe aus internen Gestalts- und externen Bildenergien und z eine Normierungskonstante ist;
das Minimieren der Summe aus internen Gestalts- und externen Bildenergien E_ß(B_ci) mittels eines zeitverzögerten diskreten dynamischen Programmierverfahrens;
das Verbinden der kontinuierlichen Teile Bei der Grenze, um eine Schätzung der Diskontinuitäten Bdj der Grenze zu erhalten; und
das Aktualisieren des Satzes Parameter β auf der Grundlage eines Kreisanpassungsverfahrens, welches auf die kontinuierlichen Teile B_ci und die Diskontinuitäten B_dj der Grenze angewandt wird.

16. Programmspeichervorrichtung nach Anspruch 12, wobei der Schritt des Konstruierens den Schritt des Vergrößerns eines Radius des verformbaren Kreises, bis der Radius Hochgradientenpunkte im 3- D-CT-Volumsdatensatz berührt, umfaßt.

17. Programmspeichervorrichtung nach Anspruch 16, weiterhin umfassend den Schritt des Vorverarbeitens einer Interessensregion, welche den von einem Benutzer gewählten Punkt umgibt, durch Verwendung eines auf Erwartungsmaximierung (EM) basierenden Verfahrens, um eine Verkalkung der Interessensregion zu klassifizieren und daraus zu entfernen.

18. Programmspeichervorrichtung nach Anspruch 17, wobei der Schritt des Vorverarbeitens die Hochgradientenpunkte, welche sich aus der Verkalkung des Knotens ergeben, entfernt.