Für die Planung und Durchführung neurochirurgischer Eingriffe ist neben der Kenntnis der zu resezierenden Struktur auch Wissen über den Verlauf eloquenter Strukturen im menschlichen Gehirn unerlässlich, um die Gefahr postoperativer neurologischer Defizite minimal zu halten und so die Patientensicherheit zu erhöhen. Zur Lokalisation dieser Strukturen kann die Diffusions-Tensor-Bildgebung (DTI) eingesetzt werden. Gängige Verfahren wie Fiber Tracking erzeugen jedoch keine geschlossenen die Struktur begrenzenden 3D-Objekte, wie sie für die Integration in die Neuronavigation notwendig sind. Hier wird eine Erweiterung unseres strahlenbasierten Segmentierungsverfahrens vorgestellt und anhand von Software-Phantomen mit dem Dice-Koeffizienten evaluiert. Zur Segmentierung wird dabei an den einzelnen Evaluationspunkten eine lokale 3D-Umgebung betrachtet und anhand mehrerer Parameter und Schwellwerte eine Aussage über die Zugehörigkeit zur Struktur getroffen.
FA = (λ1 − λ2 )2 + (λ1 − λ3 )2 + (λ2 − λ3 )2
2 ⋅ (λ12 + λ22 + λ32 ) In der Klinik eingesetzte Verfahren zur Rekonstruktion von Faserbündeln beruhen oft auf dem sogenannten Streamline Fiber Tracking [6, 7]. Diese Algorithmen erzeugen mehrere Linien, die entlang der Nervenbahnen verlaufen; zur Integration in den OP muss dazu ein korrespondierendes 3D-Objekt erzeugt werden. Dies geschieht in der Regel durch schrittweise Erzeugung von Hüllen in 2D-Schichten entlang des Verlaufs [8, 9]. Fehler im Tracking selbst haben dabei maßgeblichen Einfluss auf das resultierende 3D-Objekt. Ein anderer Ansatz ist das Directional Volume Growing [2], das ausgehend von einer Saatregion direkt ein zur Struktur korrespondierendes Volumen erzeugt. Der Beitrag ist wie folgt aufgebaut: Abschnitt 2 stellt den neuen Ansatz dar, in Abschnitt 3 werden die experimentellen Ergebnisse präsentiert. Abschnitt 4 fasst den Beitrag zusammen und gibt einen Ausblick auf potentielle Erweiterungen. 2
In diesem Abschnitt wird eine Erweiterung des von uns entwickelten strahlenbasierten Segmentierungsverfahrens [10, 11] für eloquente Strukturen im menschlichen Gehirn vorgestellt.
Basierend auf einem manuell gestarteten deterministischen Fiber Tracking wird zunächst durch die Platzierung von Include-Regionen das entstandene Fiber Tracking Ergebnis eingeschränkt (Ausreißer entfernen etc.) und anschließend durch die Berechnung der Mittellinie (Centerline) des Faserbündels nach [12] eine Grundlage zum Aussenden der Evaluationsstrahlen geschaffen. Entlang der Centerline werden an äquidistanten Stützstellen Ebenen senkrecht zum Centerlineverlauf berechnet. In jeder dieser Ebene werden gleich verteilt Strahlen von dem Centerlinestützpunkt ausgesendet und abgetastet, so dass eine Reihe von Evaluationspunkten für die Segmentierung entsteht. Zu jedem Evaluationspunkt werden einige Parameter bestimmt, die später für die Segmentierungsentscheidung eine Rolle spielen. Diese umfassen den FA-Wert und zwei Winkel zwischen jeweils der Hauptdiffusionsrichtung des Centerlinepunktes und des Evaluationspunktes sowie des Evaluationspunktes und des vorangegangenen Evaluationspunktes.
Für jeden Strahl wird dann anhand von Schwellwertkriterien bzgl. der genannten Parameter ein Grenzpunkt für jeden Strahl bestimmt. Um fälschliche Aussagen durch Rauschen in den Daten einzudämmen, wurde bislang eine Folge von Evaluationspunkten entlang eines Strahls als Untersuchungsmenge zur Randpunktbestimmung für diesen Strahl genutzt [10]. Im Gegensatz dazu soll nun eine lokale 3D Umgebung um den aktuellen Untersuchungspunkt zur Entscheidungsfindung (Zuordnung des Punktes zu Faserbündel oder Umgebung) genutzt werden, wie sie in Abbildung 1 (links) schematisch dargestellt ist. Damit wird von der „linearen“ Evaluationsmenge Abstand genommen und auf eine 3D Umgebung umgestiegen um einen kompakten, aber in allen Richtungen expandierten Evaluationsbereich zu erhalten. Dadurch ist es möglich, einzelne verrauschte und sonst fehlerhaft klassifizierte Bildpunkte durch die Mittelungen mit den Masken zu schwächen, so dass diese das Ergebnis nicht maßgeblich beeinflussen. Gelangt man an eine Randzone, bei der dann mehrere Bildpunkte nicht mehr die Eigenschaften einer typischen Faserbahn aufweisen, schlägt dies trotz Mittelung zu Buche und kann detektiert werden. Als lokale dreidimensionale Umgebungen werden dabei nach dem Prinzip von Bild-Filteroperatoren gewichtete Würfel mit Kantenlänge k eingesetzt. Neben einem Würfel mit homogener Gewichtungsfunktion kommen auch noch Gauß-gewichtete Evaluationsschemata zum Einsatz (für die Gewichtung im zweidimensionalen Fall siehe Abbildung 1, rechts). Der entsprechende Evaluationswert e für die einzelnen Parameter wird dann gemäß der folgenden Formel für solche diskreten 3D-Masken (Zentrierung um Nullpunkt), der Größe (m + 1) × (n + 1) × (l + 1) berechnet: i=−m2 j=−n2 k =− l 2
m2 n2 e = ∑ ∑ l 2 ∑ I (x + i, y + j, z + k) * mask(i, j, k) Die resultierende Punktwolke, die die Grenze des Faserbündels skizziert, kann nun, wie auch in [10] beschrieben, noch einige optionale Korrekturverfahren durchlaufen (Korrekturen in einer Ebene, sowie Korrekturen bzgl. konsekutiver Ebenen). Da Schnitte der einzelnen 2D-Konturen (aus Grenzpunkten einer Ebene) eher unwahrscheinlich sind, kann hier ein einfaches Triangulationsverfahren eingesetzt werden. Für komplexere Strukturen als beispielsweise die mehr oder weniger kaum gekrümmte Pyramidenbahn können auch andere Triangulationsverfahren zum Einsatz kommen, wie zum Beispiel von Hornung und Kobbelt [13] beschrieben.
(a) (b) Abb. 1: Links: Prinzip der lokalen 3D Evaluationsumgebung der Größe 3x3x3 um das zentrale Voxel (schwarz). Rechts: Schema einer (a) homogenen und (b) Gauß-gewichteten Evaluationsmaske (exemplarisch für die mittlere vertikale Ebene einer 3x3x3 Evaluationsumgebung).
Der zeitliche Aufwand der Berechnung hängt dabei von verschiedenen Parametern ab – die Anzahl der Evaluationsebenen (p), die Anzahl der Strahlen (r) pro Ebene und die Anzahl der Evaluationspunkte (n) pro Strahl. Zur Evaluation des Verfahren werden zwei Softwarephantome (Torus-Phantom und anatomisches Phantom) mit modellierten Faserverläufen eingesetzt [14, 15]. Das Wissen über Lage und Ausdehnung der Strukturen wird als Qualitätsgrundlage zur Bewertung des Verfahrens genutzt. In einem späteren Schritt soll dann die Evaluation mit realen Probanden- bzw. Patientendatensätzen folgen. 3
Alle Methoden wurden in C++ innerhalb der medizinischen Prototyping Plattform MeVisLab (www.mevislab.de) implementiert. Die Rekonstruktion der Faserbahnen dauerte nach manueller Initialisierung (Saatregion und Parameter definieren) maximal 1 Minute auf einem Intel Core 2 Quad CPU, 3 GHz, 6 GB RAM, Windows XP Professional 2003, SP 2.
Zur Bewertung der Segmentierungsergebnisse wurde der Dice-Koeffizient (DSC) [16, 17] bestimmt, der die Qualität des Segmentierungsergebnisses aus dem Grad der Überlappung zweier segmentierter Objekte A (Referenz) und B (Segmentierung) mit folgender Formel ableitet:
DSC = 2 ⋅ A ∩ B
A + B
DSC ∈ [0,1] Für die beiden Software-Phantome (anatomisches Phantom siehe Abbildung 2, links) wurden jeweils 3D-Masken mit homogener Gewichtung und Gauß-Gewichtung unterschiedlicher Größe (1x1x1 (ohne Evaluationsumgebung), 3x3x3, 5x5x5) als lokale Evaluationsareale angewendet. Bei beiden Phantomen wurden 50 Evaluationsebenen mit jeweils 15 Strahlen genutzt. Die Strahlen wurden im Abstand von 0,5mm an 30 Punkten abgetastet, so dass insgesamt jeweils 22500 Evaluationspunkte zur Beschreibung der Faserbahnen zur Verfügung standen, was zu den in Tabelle 1 und Tabelle 2 angegebenen DSCs führt. Ein Rekonstruktionsergebnis für das anatomische Phantom ist in Abbildung 2 dargestellt.
homogen gewichtete Evaluationsmaske Gauß-gewichtete Evaluationsmaske
1x1x1 3x3x3 5x5x5 1x1x1 3x3x3 5x5x5 mittlerer DSC (%) 77,45 91,02 89,87 77,45 90,21 90,39 Standardabweichung 26,26 1,03 0,80 26,26 0,24 0,93 Tabelle 1: Ergebnisse des vorgestellten Segmentierungsverfahrens für das Torus-Phantom unter Verwendung der unterschiedlichen Evaluationsmasken.
homogen gewichtete Evaluationsmaske Gauß-gewichtete Evaluationsmaske
1x1x1 3x3x3 5x5x5 1x1x1 3x3x3 5x5x5 mittlerer DSC (%) 86,14 84,50 83,05 86,14 85,91 83,01 Standardabweichung 0,43 0,77 2,93 0,43 0,92 3,29 Tabelle 2: Ergebnisse des vorgestellten Segmentierungsverfahrens für das anatomische Softwarephantom mit modelliertem rechten Tractus corticospinalis und Verwendung der unterschiedlichen Evaluationsmasken. Abb. 2: Links: Anatomisches Softwarephantom (Fiber Tracking der rechten Pyramidenbahn). Mitte: Faserbündel umhüllende Punktwolke zwischen Start- und Endbereich. Rechts: rekonstruiertes Faserbündelsegment zwischen Start- und Endbereich. 4
In dieser Arbeit wurde der Einfluss der Glättung von FA- und Winkel-Karten auf die Segmentierung von DTI Daten mit dem vorgeschlagenen strahlenbasiertem Ansatz analysiert. Bei der Segmentierung des Torus-Bündels wurden durch Anwendung der unterschiedlichen Evaluationsmasken (3x3x3 und 5x5x5) deutlich bessere Segmentierungsergebnisse erzielt. Ein signifikanter Unterschied zwischen den mit der homogen gewichteten Evaluationsmaske und der Gaußgewichteten Evaluationsmaske produzierten Ergebnissen war jedoch nicht zu erkennen. Bei dem anatomischen Phantom ergab die Glättung keine höheren Dice-Koeffizienten. Dies könnte an nicht ausreichend optimierten Winkel- und FA-Schwellwerten liegen, was in nachfolgender Arbeit systematisch untersucht werden wird. Ferner sollten die optimale Größe der Evaluationsmasken unter verschiedenen Signal-zu-Rauschen (SNR) Bedingungen bestimmt und weitere Evaluationsmasken, wie zum Beispiel Medianfilter, getestet werden. Letzteres könnte den Einfluss von “noise-only”Voxeln stark einschränken. In einem folgenden Schritt soll auch eine umfassende Evaluation auf weiteren PhantomDatensätzen sowie auf realen MR-Datensätzen erfolgen. Zusammenfassend ist die hiermit vorgestellte Arbeit ein weiterer Beitrag zur genaueren Lokalisation eloquenter neuronaler Strukturen. 5