DE19920300A1 - Verfahren und Vorrichtung zum Aufspüren pathologischer Veränderungen im menschlichen Körper unter Verwendung von Magnet-Resonanz-Scannern - Google Patents

Abstract

Verfahren zum Aufspüren pathologischer Veränderungen im menschlichen Körper unter Verwendung von Magnet-Resonanz-Scannern, wobei ein 3-D-Bilddatensatz automatisch mit älteren Bilddatensätzen des gleichen Patienten und/oder mit anatomischen Atlanten zur Ermittlung krankhafter Veränderungen verglichen werden.

Description

Viele pathologische Veränderungen im menschlichen Körper er­ folgen sehr langsam über einen Zeitraum von Jahren oder Jahr­ zehnten und sind für den Betroffenen erst erkennbar, bzw. werden häufig erst einer Diagnose durch den Arzt zugeführt, wenn wertvolle Zeit für eine wirksame Verhaltensänderung oder Therapie verloren ist.

Heute werden Menschen nur in einer Magnet-Resonanz-Anlage ge­ scannt, wenn ein konkreter Verdacht auf eine pathologische Veränderung besteht oder bereits Anzeichen einer Krankheit vorhanden sind. Die in der Magnet-Resonanz-Anlage gewonnenen Bilder werden von einem Radiologen interpretiert, der dann die Diagnose stellt und optional Therapieempfehlungen gibt.

Diese ständige grundsätzliche Beurteilung aller durch die Ma­ gnet-Resonanz gewonnenen Bilder durch einen Radiologen ver­ kompliziert und verteuert diese Art der Untersuchung, so dass eine häufigere Magnet-Resonanz-Untersuchung zur Vermeidung der eingangs beschriebenen Nachteile eines häufig jahrzehnte­ langen Abwartens nicht sinnvoll behebbar ist.

Der Erfindung liegt daher die Aufgabe zugrunde, ein Verfahren und eine hierzu geeignete Anordnung in Verbindung mit Magnet- Resonanz-Scannern zu schaffen, die eine häufigere Untersu­ chung und eine einfachere Auswertung zulässt.

Zur Lösung dieser Aufgabe ist erfindungsgemäß vorgesehen, dass ein 3D-Bildsatz automatisch mit älteren Bilddatensätzen des gleichen Patienten und/oder mit anatomischen Atlanten zur Ermittlung krankhafter Veränderungen verglichen wird.

Durch das erfindungsgemäße Verfahren, bei dem ein Patient in regelmäßigen Abständen, z. B. einmal jährlich, mit einem MRI- Scanner gescannt wird, der vorzugsweise mittels Vielkanal­ technik, Panoramik-Array und schneller Bildgebungssequenz das rasche 3D-Scannen des gesamten Körpers erlaubt, und die auto­ matische Auswertung des 3D-Bilddatensatzes lassen sich patho­ logische Änderungen mit relativ geringem Aufwand bereits we­ sentlich früher feststellen als bei dem bisherigen Verfahren, bei dem diese pathologischen Veränderungen erst soweit gedie­ hen sein mussten, dass sie durch ein davon ausgelöstes Krank­ heitsbild äußerlich erkennbar waren.

Zur Durchführung des erfindungsgemäßen Verfahrens kann ein MRI-Scanner eingesetzt werden, der mit einer Bilddatenanaly­ seeinrichtung zum automatisierten Vergleichen eines aktuellen 3D-Bilddatensatzes eines Patienten mit älteren 3D-Bilddaten­ sätzen des gleichen Patienten und/oder mit elektronisch ge­ speicherten anatomischen Atlanten und/oder zum Vergleichen von Symmetrien und Unsymmetrien der beiden Körperhälften im 3D-Bilddatensatz versehen ist.

Der Magnet-Resonanz-Scanner zur Durchführung des erfindungs­ gemäßen Verfahrens weist vorzugsweise einen 3D-Bilddaten­ speicher auf, wobei bei der üblichen Auslegung von Magnet- Resonanz-Scannern zum abschnittsweisen Scannen des Körpers an den Magnet-Resonanz-Scanner ein Hochleistungscomputer zum Zu­ sammensetzen des in einzelnen Abschnitten gewonnenen Bildma­ terials zum 3D-Bilddatensatz angeschlossen ist.

Das Zusammensetzen der Bildabschnitte erfolgt dabei anhand von natürlichen Landmarken im Körper des Patienten oder an­ hand von auf die Haut des Patienten aufgeklebten MR-sicht­ baren Fiducial-Markern. Der Bilddatenanalyseeinrichtung ist bevorzugt eine Bewertungs- und Auswerteeinheit zur Erarbei­ tung von Diagnosen und geeigneten Therapievorschlägen, ein­ schließlich gegebenenfalls Empfehlungen für gesundheitsrele­ vante Verhaltensänderungen des Patienten, nachgeschaltet.

In weiterer Ausgestaltung der Erfindung kann dabei vorgesehen sein, dass die Bewertungs- und Auswerteeinheit so ausgebildet ist, dass sie - bei noch im Gerät befindlichen Patienten - selbsttätig weitere Messungen unter Zugabe von Kontrastmittel und/oder mit speziellen MR-Sequenztechniken zur Erhöhung des Kontrastes hinsichtlich bestimmter physikalischer Daten und/­ oder unter radiologischer Kompetenz und/oder die Durchführung einer Biopsie vorschlägt und/oder einleitet.

Zu den ermittelten pathologischen Veränderungen gegenüber Normwerten und gegenüber den historischen Datensätzen gehören beispielsweise einzeln und/oder in Kombination: Volumenände­ rungen der inneren Organe, Änderungen im Kontrast des betref­ fenden Organs im Verhältnis zu umgebenden Organen und Binde­ gewebe, Änderungen innerhalb des Organs, Änderungen des Ver­ laufs und der Durchmesser der Blutgefäße sowie der Strömungs­ geschwindigkeit, Änderungen im Anreicherungsverhalten von Kontrastmittel, Änderungen Perfusion/Diffusion, Änderung in funktionellen Daten, Verschiebung von Landmarken, Symmetrien und Unsymmetrien zum gleichen Organ auf der gegenüberliegen­ den Körperhälfte, Fließverlauf von getrunkenem Wasser, 3D- Oberfläche/Surface Rendering und MR-Spektroskopie.

Gemäß einer Weiterbildung kann die Auswertungs-(Bewertungs-) und Auswerteeinheit so ausgebildet sein, dass sie eine neuro­ nale Netzwerkdatenbank mit eingespeicherten normalen, ver­ dächtigen und pathologischen Fällen zur Interpretation der 3D-Bilddatensätze enthält. Durch diese neuronale Netzwerkda­ tenbank hat man ein selbstlernendes System.

Die computergestützte Auswertung der 3D-Bilddatensätze kann auf verschiedene Art realisiert werden. Entsprechend der üb­ lichen Arbeitsweise in der klinischen Radiologie, bei der pa­ thologische Veränderungen der Leber oder der Prostata heutzu­ tage im wesentlichen über die Grauwertunterschiede im MR-Bild diagnostiziert werden, kann auch die Bilddatenanalyseeinrich­ tung eines erfindungsgemäßen MR-Scanners eine Grauwertanaly­ seeinrichtung enthalten.

Darüber hinaus kann zweckmäßigerweise vorgesehen sein, dass die Bilddatenanalyseeinrichtung eine Bildsegmentiereinrich­ tung und einen, vorzugsweise auf einem neuronalen Netz basie­ renden Pathologieklassifikator umfasst.

Als optimale Analyseeinrichtung hat sich dabei eine Wavlet­ basierte Bildsegmentierung mit einem auf einem neuronalen Netz aufgebauten Klassifikator erwiesen.

Es gibt eine hohe Zahl von Möglichkeiten, die Bildsegmentie­ rung als auch die Klassifikation algorithmisch zu implemen­ tieren. Kein Verfahren erreicht dabei vermutlich eine hun­ dertprozentige Zuverlässigkeit, obgleich die Zuverlässigkeit für den Erfolg eines Vorsorge-Scanners natürlich eine ent­ scheidende Rolle spielt. Andererseits ist aber zu berücksich­ tigen, dass auch bei einer konventionellen Magnet-Resonanz- Untersuchung und einer anschließenden Befundung durch den Ra­ diologen eine hundertprozentige Zuverlässigkeit nie gegeben sein kann.

Weitere Vorteile, Merkmale und Einzelheiten der Erfindung er­ geben sich aus der nachfolgenden Beschreibung einiger Ausfüh­ rungsbeispiele sowie anhand der Zeichnungen. Dabei zeigen:

Fig. 1 den grundsätzlichen Aufbau der computergestützten Auswertung der 3D-Bilddatensätze,

Fig. 2 das Schema der Anwendung einer multiskalen Analyse im Zuge einer Wavelt-basierten Bildsegmentierung, und

Fig. 3 den diagrammatischen Ablauf der automatisierten Bildinterpretation.

Zur Detektion einer Pathologie über eine Grauwertanalyse des MR-Bildes wird prinzipiell ein Aufbau nach Art der Fig. 1 ge­ wählt.

Dabei wird in der Stufe 1 das Magnet-Resonanz-Bild erstellt, das anschließend in der Stufe 2 über eine Bildsegmentierein­ richtung segmentiert wird zur Erkennung des Organs und even­ tueller Auffälligkeiten. Auf dieses segmentierte Bild in der dritten Stufe 3 wird ein Pathologieklassifikator angewandt, also ein Algorithmus, der bestimmte pathologische Auffällig­ keiten in Klassen einteilt und mit den segmentierten Bildtei­ len vergleicht.

In der Literatur sind verschiedene Beispiele von Verfahren zur Organsegmentierung bekannt. Neben Verfahren, bei denen die Grauwertbilder als topographische Oberflächen betrachtet werden und zusammenhängende Gebiete nach Anwendung eines al­ gorithmischen Flutungsprozesses erkannt werden, sind auch Er­ gänzungen mit einem lernfähigen System möglich, wobei das ge­ messene Magnet-Resonanz-Bild mit Referenzbildern einer Daten­ bank korreliert wird.

Nach der erfolgreichen Segmentierung des Organs erfolgt im zweiten Schritt die Erkennung einer eventuellen Pathologie. Auch dies ist letztlich eine Segmentierungsaufgabe, jedoch in Kombination mit einem Klassifikator. Nach der Segmentierung kann bei Erkennung einer Auffälligkeit, wie z. B. dunkle Be­ reiche im Leber-Magnet-Resonanz-Bild, dann mittels des Klas­ sifikators entschieden werden, ob es sich um eine Pathologie handelt, oder ob zufälligerweise eine Lebervene durch die Bildebene verläuft.

Es gibt eine hohe Anzahl von Möglichkeiten, sowohl die Bild­ segmentierung als auch die Klassifikation algorithmisch in das System zu implementieren. Dabei dürfte nach den der vor­ liegenden Erfindung zugrunde liegenden Untersuchungen eine Wavelet-basierte Bildsegmentierung mit einem auf einem neuro­ nalen Netz aufgebauten Klassifikator die höchste Zuverlässig­ keit erreichen. Wavelets sind der Oberbegriff für eine Funk­ tionenfamilie. Dabei wirkt ein Parameter a als Skalierungs­ faktor und ein Parameter b als Translation. Die Diskretisie­ rung der Wavelets kann dabei so erfolgen, dass die Wavelets eine orthogonale Basis darstellen. Dieser Weg wird meist in Aufgaben der Datenkompression gegangen. Die Diskretisierung kann aber auch in der Weise erfolgen, das sie eine Multiska­ lenanalyse der Funktion erlauben.

Die Anwendung der Multiskalenanalyse auf z. B. ein Bild er­ zeugt eine Folge von Teilbildern, die jeweils geglättete Bil­ der des Eingangsbildes auf verschiedenen Skalen sowie den entsprechenden Detailinformationen (Wavelet-Bildern) erzeu­ gen. Dies ist schematisch in Fig. 2 dargestellt. Ein Bild der Größe 2^N × 2^N kann auf n Skalen zerlegt werden. Die Segmen­ tierung der Leber kann dabei auf relativ einfache Weise ge­ schehen. Man errechnet ein geglättetes Bild auf einer groben Skala, wobei aufgrund der Magnet-Resonanz-Sequenzdaten die ungefähr zu erwartende Größe des Organs vorher bekannt ist. Ausgehend von dem Original-Bild OB wird dann in einem der ge­ glätteten Bilder der unterschiedlichen Stufen GB1 . . . GBn das Organ segmentiert. Durch die Glättung wird die Segmentation ganz einfach, wobei teilweise schon ein Schwellwertverfahren genügt. Dies wird dann als binäre Maske für die Detektion des Organs im Original-Bild verwendet.

Anschließend wird die Pathologie bestimmt. Hierzu müssen Strukturen in dem sonst eher homogenen Gewebe, z. B. des Le­ berparenchyms erkannt werden. Nach der Wavelet-Zerlegung lie­ gen n-Bilder mit Detailinformationen DB1 . . . DBn auf ver­ schiedenen Skalen vor. Die Detailinformationen entsprechen direkt den Strukturänderungen in den Bildern. Es ist aus der Literatur bekannt, dass sich z. B. Rauschen von echten Struk­ turen dadurch unterscheiden lässt, dass das Rauschen nur auf der ersten oder zweiten Skala vorkommt, während eine Struktur meist Komponenten auch noch in höheren Skalen enthält. Somit ist eine effiziente Rauschfilterung durch eine einfache Kopp­ lung einer Schwellwertdetektion mit einer Multiskalenanalyse erreichbar.

Die bekannten anatomischen und pathologischen Strukturen ha­ ben eine jeweils für sie typische Darstellung im Wavelet-Raum der MSA (Wavelet-Koeffizienten). Diese wird in einer Daten­ bank hinterlegt. Nach Anwendung der MSA auf das Testbild wer­ den Auffälligkeiten nach Übereinstimmung mit der Datenbank klassifiziert. Wie bereits oben erwähnt, kann eine andere Er­ kennung von Auffälligkeiten auch darin bestehen, dass die Wavelet-Koeffizienten mit denen früher Aufnahmen desselben Patienten verglichen werden, um so beispielsweise das Wachs­ tum einer verdächtigen Region festzustellen. Dabei ist natür­ lich durch geeignete Maßnahmen sicherzustellen, dass der Pa­ tient relativ zum Magnet-Resonanz-Koordinatensystem genauso positioniert ist und dieselben Sequenzparametereinstellungen verwendet werden. Dies kann z. B. dadurch erreicht werden, dass eine anatomische Landmarke, z. B. die Nasenwurzel, regi­ striert und ins Zentrum des Magneten gebracht wird.

Insgesamt stellt sich der Ablauf, wie er in Fig. 3 darge­ stellt ist, wie folgt dar:
In der Stufe S1 erfolgt zunächst eine Wavelet-Transformation des Magnet-Resonanz-Bildes, von dem ausgehend in der Stufe S2 eine Schwellwertdetektion des Organs auf dem Skalierungsbild der Skala n stattfindet. Das in der Stufe S2 gewonnene Bild wird in der Stufe S3 als binäre Maske auf die Multiskalenana­ lyse der Wavelet-Bilder angewandt, wobei optional entspre­ chend der Stufe S4 auch eine Schwellwertfilterung der Multis­ kalenanalyse der Wavelet-Bilder zur Datenreduktion erfolgen kann. Darauf erfolg entweder gemäß der Stufe S5A eine Klassifika­ tion der Pathologien anhand eines Vergleichs mit Wavelet- Koeffizienten aus seiner Datenbank, oder aber die Bestimmung von Auffälligkeiten durch Vergleich der Wavelet-Koeffizienten mit Ergebnissen aus früheren Bildern desselben Patienten (Stufe S5B).

Claims (11)

1. Verfahren zum Aufspüren pathologischer Veränderungen im menschlichen Körper unter Verwendung von Magnet-Resonanz- Scannern, dadurch gekennzeichnet, dass ein 3D-Bilddatensatz automatisch mit älteren Bilddaten­ sätzen des gleichen Patienten und/oder mit anatomischen At­ lanten zur Ermittlung krankhafter Veränderungen verglichen werden.

2. MR-Scanner zur Durchführung des Verfahrens nach Anspruch 1, dadurch gekennzeichnet, dass er mit einer Bilddatenanalyseeinrichtung zum automati­ sierten Vergleichen eines aktuellen 3D-Bilddatensatzes eines Patienten mit älteren 3D-Bilddatensätzen des gleichen Patien­ ten und/oder mit elektronisch gespeicherten anatomischen At­ lanten und/oder zum Vergleichen von Symmetrien und Unsymme­ trien der beiden Körperhälften im 3D-Bilddatensatz versehen ist.

3. MR-Scanner nach Anspruch 2, dadurch ge­ kennzeichnet, dass er einen 3D-Bilddatenspei­ cher aufweist.

4. MR-Scanner nach Anspruch 2 oder 3, dadurch gekennzeichnet, dass er einen MR-Scanner zum abschnittsweisen Scannen des Körpers mit angeschlossenem Hochleistungscomputer zum Zusammensetzen des in einzelnen Ab­ schnitten gewonnenen Bildmaterials zum 3D-Bilddatensatz um­ fasst.

5. MR-Scanner nach Anspruch 4, dadurch ge­ kennzeichnet, dass das Zusammensetzen der Bildabschnitte anhand von natürlichen Landmarken im Körper des Patienten anhand von auf die Haut des Patienten aufge­ klebten MR-sichtbaren Fiducial-Markern erfolgt.

6. MR-Scanner nach einem der Ansprüche 2 bis 5, ge­ kennzeichnet durch eine der Bildda­ tenanalyseeinrichtung nachgeschaltete Bewertungs- und Auswer­ teeinheit zur Erarbeitung von Diagnosen und geeigneten Thera­ pievorschlägen.

7. MR-Scanner nach einem der Ansprüche 2 bis 6, da­ durch gekennzeichnet, dass die Be­ wertungs- und Auswerteeinheit so ausgebildet ist, dass sie - bei noch im Gerät befindlichem Patienten - selbsttätig weite­ re Messungen unter Zugabe von Kontrastmitteln und/oder mit speziellen MR-Sequenztechniken zur Erhöhung des Kontrastes hinsichtlich bestimmter physikalischer Daten und/oder unter radiologischer Kompetenz und/oder die Durchführung einer Biopsie vorschlägt und/oder einleitet.

8. MR-Scanner nach einem der Ansprüche 2 bis 7, ge­ kennzeichnet durch eine neuronale Netzwerkdatenbank mit eingespeicherten normalen, verdächtigen und pathologischen Fällen zur Interpretation der 3D- Bilddatensätze.

9. MR-Scanner nach einem der Ansprüche 2 bis 8, da­ durch gekennzeichnet, dass die Bilddatenanalyseeinrichtung eine Grauwertanalyseeinrichtung enthält.

10. MR-Scanner nach einem der Ansprüche 2 bis 9, da­ durch gekennzeichnet, dass die Bilddatenanalyseeinrichtung eine Bildsegmentiereinrichtung und einen, vorzugsweise auf einem neuronalen Netz basieren­ den, Pathologieklassifikator umfasst.

11. MR-Scanner nach Anspruch 10, gekennzeich­ net durch eine Wavelet-basierte Bildsegmen­ tiereinrichtung.