=Paper=
{{Paper
|id=Vol-1475/paper29
|storemode=property
|title=Segmentierung von Faserbahnsystemen mit einem strahlenbasierten Ansatz und Glättung der FA- und Winkel-Karten
|pdfUrl=https://ceur-ws.org/Vol-1475/Proceedings_CURAC_2010_Paper_29.pdf
|volume=Vol-1475
|dblpUrl=https://dblp.org/rec/conf/curac/BauerBEKKHFN10
}}
==Segmentierung von Faserbahnsystemen mit einem strahlenbasierten Ansatz und Glättung der FA- und Winkel-Karten ==
https://ceur-ws.org/Vol-1475/Proceedings_CURAC_2010_Paper_29.pdf
Segmentierung von Faserbahnsystemen mit einem strahlenbasierten
Ansatz und Glättung der FA- und Winkel-Karten
M. H. A. Bauer1,2, S. Barbieri3, J. Egger1,2, D. Kuhnt1, J. Klein3, H. K. Hahn3, B. Freisleben2, Ch. Nimsky1
¹ Universitätsklinikum Giessen und Marburg, Klinik für Neurochirurgie, Marburg, Germany
² Philipps-Universität Marburg, Institut für Verteilte Systeme, Marburg, Germany
³ Fraunhofer MEVIS, Bremen, Germany
Kontakt: bauermi@med.uni-marburg.de, sebastiano.barbieri@mevis.fraunhofer.de
Abstract:
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 postoperati-
ver neurologischer Defizite minimal zu halten und so die Patientensicherheit zu erhöhen. Zur Lokalisation dieser Struk-
turen 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 an-
hand 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 Aus-
sage über die Zugehörigkeit zur Struktur getroffen.
Schlüsselworte: Diffusions-Tensor-Bildgebung, DTI, Fiber Tracking, Segmentierung
1 Problem
Wissen über den Verlauf eloquenter Strukturen im menschlichen Gehirn ist für die Planung und Durchführung neuro-
chirurgischer Eingriffe nahezu unerlässlich, um die Patienten möglichst schonend und ohne Risiko postoperativer neu-
rologischer Defizite operativ zu behandeln. Neben beispielsweise zu entfernenden Strukturen sind wichtige Faserbahn-
systeme, wie die Pyramidenbahn (Motorik) oder die Sprachbahnen als große Bahnsysteme besonders zu schützen.
Mit Hilfe der Diffusions-Tensor-Bildgebung (DTI) ist es möglich, den Verlauf und die Lokalisation solcher Bahnsyste-
me zu schätzen. Die Schätzung erfolgt dabei über die Diffusionseigenschaften von Wassermolekülen im menschlichen
Gehirn. In einem hindernisfreien Raum verhält sich die Diffusion isotrop, entlang von Hindernissen jedoch stark anisot-
rop. Aus diesem Verhalt lassen sich Rückschlüsse auf die Faserverläufe ziehen. Um die Diffusionsparameter zu ermit-
teln, werden spezielle diffusionsgewichtete MRT-Sequenzen genutzt. Dabei werden neben einer nicht diffusionsge-
wichteten Aufnahme (b0-Bild) mindestens 6 weitere Aufnahmen mit unterschiedlichen Gradienten gebraucht. Darüber
lässt sich mit Hilfe der Stejskal-Tanner-Gleichung für jedes Voxel ein Tensor D zweiter Ordnung bestimmen, aus dem
sich die drei Hauptdiffusionsrichtungen in diesem Voxel durch Diagonalisieren ableiten lassen [1, 2, 3].
⎛ Dxx Dxy Dxz ⎞
⎜ ⎟
D = ⎜ D yx D yy D yz ⎟
⎜D ⎟
⎝ zx Dzy Dzz ⎠
Es gibt zahlreiche skalare Maße, die verwendet werden können, um die Gerichtetheit der Diffusion in einem Voxel zu
charakterisieren. Das wohl bekannteste skalare Maß ist die fraktionelle Anisotropie (FA) [4], die den Anteil der Magni-
tude des Tensor angibt, der der gerichteten Diffusion zugeschrieben wird und sich zwischen 0 (vollständig isotrop) und
1 (anisotrop) bewegt. Der FA-Wert wie folgt definiert [1, 5]
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 Integ-
ration 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
Proceedings curac2010@MEDICA 147
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 Methoden
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 Eva-
luationsstrahlen geschaffen. Entlang der Centerline werden an äquidistanten Stützstellen Ebenen senkrecht zum
Centerlineverlauf berechnet. In jeder dieser Ebene werden gleich verteilt Strahlen von dem Centerlinestützpunkt ausge-
sendet 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 Evaluations-
punktes.
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 Entscheidungs-
findung (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:
m n l
2 2 2
e= ∑ ∑ ∑ I ( x + i, y + j, z + k ) * mask(i, j, k )
i =−m j =−n k =− l
2 2 2
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)
148 Proceedings curac2010@MEDICA
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 verti-
kale Ebene einer 3x3x3 Evaluationsumgebung).
Der zeitliche Aufwand der Berechnung hängt dabei von verschiedenen Parametern ab – die Anzahl der Evaluationsebe-
nen (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 model-
lierten Faserverläufen eingesetzt [14, 15]. Das Wissen über Lage und Ausdehnung der Strukturen wird als Qualitäts-
grundlage zur Bewertung des Verfahrens genutzt. In einem späteren Schritt soll dann die Evaluation mit realen Proban-
den- bzw. Patientendatensätzen folgen.
3 Ergebnisse
Alle Methoden wurden in C++ innerhalb der medizinischen Prototyping Plattform MeVisLab (www.mevislab.de) im-
plementiert. Die Rekonstruktion der Faserbahnen dauerte nach manueller Initialisierung (Saatregion und Parameter de-
finieren) 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:
2⋅ A∩ B
DSC = DSC ∈ [0,1]
A+B
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 Ta-
belle 2 angegebenen DSCs führt. Ein Rekonstruktionsergebnis für das anatomische Phantom ist in Abbildung 2 darge-
stellt.
homogen gewichtete Evaluationsmaske Gauß-gewichtete Evaluationsmaske
Phantom 1
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
Phantom 2
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.
Proceedings curac2010@MEDICA 149
Abb. 2: Links: Anatomisches Softwarephantom (Fiber Tracking der rechten Pyramidenbahn). Mitte: Faserbündel um-
hüllende Punktwolke zwischen Start- und Endbereich. Rechts: rekonstruiertes Faserbündelsegment zwischen Start- und
Endbereich.
4 Diskussion
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 Gauß-
gewichteten Evaluationsmaske produzierten Ergebnissen war jedoch nicht zu erkennen. Bei dem anatomischen Phan-
tom 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 optima-
le 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 Phantom-
Datensätzen sowie auf realen MR-Datensätzen erfolgen. Zusammenfassend ist die hiermit vorgestellte Arbeit ein weite-
rer Beitrag zur genaueren Lokalisation eloquenter neuronaler Strukturen.
5 Referenzen
[1] D. L. Bihan, et al., “Diffusion Tensor Imaging: Concepts and Applications,” Journal of Magnetic Resonance
Imaging, vol. 13, pp. 534–546, 2001.
[2] D. Merhof, et al., “Directional Volume Growing for the Extraction of White Matter Tracts from Diffusion Ten-
sor Data,” in SPIE - Medical Imaging 2005: Visualization, Image-Guided Procedures, and Display., vol. 5744,
pp. 165–172, 2005.
[3] Y. Ou and C. Wyatt, “Visualization of Diffusion Tensor Imaging data and Image Correction of Distortion In-
duced by Patient Motion and Magnetic Field Eddy Current,” in Virginia Tech - Wake Forest University School
of Biomedical Engineering and Sciences 4th Student Research Symposium, 2005.
[4] P. J. Basser and C. Pierpaoli, “Microstructural and Physiological Features of Tissues Elucidated by Quantita-
tive-Diffusion-Tensor MRI,” Journal of Magnetic Resonance, Series B, vol. 111, pp. 209–219, 1996.
[5] T. H. J. M. Peeters, et al., Visualization and Processing of Tensor Fields, ch. Analysis of Distance/Similarity
Measures for Diffusion Tensor Imaging, pp. 113–136. Springer Berlin Heidelberg, 2009.
[6] S. Mori and P. C. M. van Zijl, “Fiber tracking: principles and strategies - a technical review,” NMR Biomed.,
vol. 15, pp. 468–480, 2002.
[7] M. Rueber, Determinstic and probabilistic fibre tracking with diffusion tensor imaging under aversive diffu-
sion conditions (in German). PhD thesis, Julius-Maximilians-University Wuerzburg, 2009.
[8] Ch. Nimsky, et al., “Visualization strategies for major white matter tracts identified by diffusion tensor imaging
for intraoperative use,” in Computer Assisted Radiology and Surgery, vol. 1281, pp. 793 – 797, 2005.
[9] Z. Ding, et al., “Case study: reconstruction, visualization and quantification of neuronal fiber pathways,” in
VIS ’01: Proceedings of the conference on Visualization ’01, pp. 453–456, IEEE Computer Society, 2001.
[10] M. H. A. Bauer, et al., “Boundary Estimation of Fiber Bundles derived from Diffusion Tensor Images,” Inter-
national Journal of Computer Assisted Radiology and Surgery (IJCARS), 2010.
[11] M. H. A. Bauer, et al., “A Ray-based Approach for Boundary Estimation of Fiber Bundles Derived from Diffu-
sion Tensor Imaging,” in Proceedings of Computer Assisted Radiology and Surgery (CARS 2010), 2010.
[12] J. Klein, et al., “Automatic Quantification of DTI Parameters along Fiber Bundles,” in Proceeding of Image
Processing for Medicine (BVM 2007), pp. 272–2, 2007.
[13] A. Hornung and L. Kobbelt, “Robust reconstruction of watertight 3D models from non-uniformly sampled
point clouds without normal information,” in SGP ’06: Proceedings of the fourth Eurographics symposium on
Geometry processing, pp. 41–50, Eurographics Association, 2006.
[14] S. Barbieri, et al., “Towards Image-Dependent Safety Hulls for Fiber Tracking,” in Proceedings of the Joint
Annual Meeting ISMRM-ESMRMB 2010, p. 1672, 2010.
[15] S. Barbieri, et al.“Assessing Fiber Tracking Accuracy via Diffusion Tensor Software Models,” in Medical Im-
aging 2010: Image Processing (B. M. Dawant and D. R. Haynor, eds.), vol. 7623, (San Diego, California,
USA), p. 762326, SPIE, 2010.
150 Proceedings curac2010@MEDICA
[16] M. P. Sampat, et al., “Measuring intra- and inter-oberserver Agreement in Identifying and Localizing Struc-
tures in Medical Images,” IEEE Inter. Conf. Image Processing, 2006.
[17] K. H. Zou, et al., “Statistical Validation of Image Segmentation Quality Based on a Spatial Overlap Index,”
Academic Radiology, vol. 11, no. 2, pp. 178–189, 2004.
Proceedings curac2010@MEDICA 151