Medizinische Navigationssysteme stellen ein routinemäßig eingesetztes, intraoperatives Assistenzsystem dar. Moderne und insbesondere minimal invasive Operationstechniken stellen jedoch Anforderungen an die Genauigkeit der Lokalisation von Patient und Instrument, die von stereo-optischen oder elektro-magnetischen Navigationssystemen nicht mehr gewährleistet werden können. Durch die Integration eines hochauflösenden OCT-Sensors in den Lokalisationsprozess soll die Navigationsgenauigkeit für chirurgische Eingriffe an der seitlichen Schädelbasis erhöht werden. Der Kern dieses Navigationsprinzips ist die Registrierung von intraoperativ akquirierten OCT-Daten mit präoperativen CT-Daten. Dieser Beitrag stellt die Machbarkeit der multimodalen Registrierung vor. Es werden rigide Transformationen mit der „Nearest Neighbour“ Interpolation untersucht. Als Ähnlichkeitsmaß wird die in der multimodalen Bildregistrierung übliche „Mutual Information“ verwendet. Als stochastischer Optimierungsalgorithmus wird eine Partikel Schwarm Optimierung eingesetzt. Die qualitativen Ergebnisse zeigen eine hohe Güte der Registrierung.
in einer Probe an Inhomogenitäten und damit insbesondere an Materialübergängen statt. Die Qualität und Eindringtiefe
hängt damit stark von dem verwendeten Material ab; bei biologischen Proben beträgt die maximale Eindringtiefe ca. 2
mm [
Die diesem Beitrag zugrunde liegenden OCT-Daten wurden von einem Time Domain (TD) OCT [
(a)
(b)
Der abgebildete Bereich ist ein Teil des Felsenbeins eines Leichenpräparats. Um die im Felsenbein vorhandenen und in Abb. 1 dargestellten Strukturen im Knochen für die OCT-Bildgebung sichtbar zu machen, wurde die Oberfläche des Felsenbeins geringfügig angefräst. Im Vergleich zu einer kompletten Mastoidektomie handelt es sich hierbei nur um einen Bruchteil an Knochengewebe, das entfernt wurde. Dies ist aufgrund der hohen Dichte des Schädelknochens bzw. der geringen Eindringtiefe des OCT Laserstrahls in Knochen notwendig. Zu sehen ist in Abb. 1 das sog. Mastoid des Felsenbeins mit den charakteristischen Kavitäten im Knochen, den sog. Mastoidzellen.
Die Registrierungsgüte hängt im Besonderen von der Güte und der Vergleichbarkeit der Daten ab. Je größer der Informationsgehalt in den einzelnen Bildern, desto wahrscheinlicher lassen sich die Bilder korrekt registrieren. Notwendig ist aber auch, dass die gleichen Informationen in den Bildgebungen dargestellt werden. Dies ist nicht unmittelbar gegeben, da in einem CT-Bild die Grauwerte den Absorptionsgrad des Gewebes repräsentieren während sie in einem OCTBild für das Reflektionsverhalten des Gewebes stehen. Bei den Übergängen von Luft zu Knochen bzw. von Knochen zu Gewebe treten jedoch sowohl Materialinhomogenitäten als auch hohe Absorptionsgradienten auf. Folglich korrelieren die Positionen der Kanten in den beiden Bildgebungen miteinander. 2.2
Registrierung beschäftigt sich mit der Suche nach der Transformation T , die den räumlichen Zusammenhang zwischen zwei Datensätzen herstellt. Die Einschränkung der Transformation T auf eine bestimmte Klasse von Abbildung ist Teil der guten Konditionierung der Problemstellung. In diesem Beitrag beschränken wir uns auf rigide Transformationen T , die durch einen sechs-dimensionalen Vektor x parametrisiert sind, für den gilt:
x = (t x , t y , t z ,ϕ z ,ϕ y' ,ϕ z'' ) =: ( xt , xϕ ).
Die Parameter xt stellen dabei die Komponenten einer Translation dar, während xϕ die rotatorischen Komponenten in Euler-Winkel repräsentieren. Es wird nach einer der üblichen Konventionen um die Achsen z , y' , und z' ' rotiert. Die Einschränkung auf rigide Transformationen ist bei den gegebenen Datensätzen zulässig, da elastische Verformungen im Kadaverpräparat nicht zu erwarten sind und statische Effekte in einer Vorverarbeitung der Daten kompensiert werden können. Wendet man eine rigide Transformation auf einen Datensatz an, so besteht die Notwendigkeit der Interpolation, d.h. der Ausrichtung der transformierten Voxel an den Voxeln des Referenzdatensatzes. Die für diesen Beitrag implementierte Methode ist die „Nearest Neighbour“-Methode. Die damit erzielbaren Registrierungsgenauigkeiten sind im Vergleich zu anderen Interpolationsmethoden gering, jedoch für unsere Zwecke ausreichend.
In Abb. 2 ist eine schematische Darstellung des gesamten Registrierungsprozesses zweier Datensätze Di –
Referenzdatensatz und transformierter beweglicher Datensatz – dargestellt. Ziel einer Registrierung ist die Wahl der
Transformation, die das Ähnlichkeitsmaß maximiert. Da es sich in diesem Beitrag um Datensätze zweier unterschiedlicher
Bildgebungen handelt – man spricht deshalb von multimodaler Bildregistrierung –, wurde die „Mutual Information“ [
MI (D1, D2 ) = H (D1) + H (D2 ) − H (D1, D2 ). „Mutual Information“ ist ein in der multimodalen Bildregistrierung übliches Ähnlichkeitsmaß, welches im Wesentlichen auf der Minimierung der (Shannon) Entropie H des gemeinsamen Histogramms H (D1, D ) basiert. Diese wird 2 genau dann minimiert, wenn mittels Wahrscheinlichkeiten Korrespondenzen zwischen den Grauwerten der beteiligten Daten aufgestellt werden können. „Mutual Information“ ist ein intensitätsbasiertes Ähnlichkeitsmaß, dessen Vorteil die direkte Evaluation der Daten beinhaltet, wodurch eine Merkmalsdetektion umgangen wird. Die Anforderungen an die dem Ähnlichkeitsmaß übergebenen Daten sind damit sehr gering.
Ebenso wichtig wie das Ähnlichkeitsmaß ist die richtige Wahl des Optimierungsalgorithmus. In der multimodalen
Bildregistrierung ist a priori die zu optimierende Funktion, die sog. Gütefunktion, hochgradig nicht konvex. Dadurch
eignen sich deterministische Optimierungsalgorithmen nur bedingt, um das globale Maximum zu bestimmen. Es wurde
daher auf eine stochastische und dadurch rechenintensive Partikel-Schwarm Optimierung (PSO) zurückgegriffen, die
erstmalig von Kennedy und Eberhardt [
Der vorgestellte Algorithmus wurde implementiert und auf die vorliegenden Rohdatensätze angewendet. Die Grobregistrierung erfolgte anhand von künstlichen Landmarken an der Oberfläche des Felsenbeins und lieferte die Startparameter des Registrierungsprozesses. Die Genauigkeitsschätzung der Grobregistrierung lieferte die Schranken für die Optimierung und wurde mit ± 2 mm in jeder translatorischen und ± 2 ° in jeder rotatorischen Komponente bestimmt.
Da mit Originaldaten gearbeitet wurde, fehlt der sog. Goldstandard. Damit ist eine Evaluation der optimierten Transformation und die Bestimmung des Transformationsfehlers nicht ohne weiteres möglich. Die Überprüfung der Transformationsgüte erfolgt somit zunächst rein qualitativ anhand der Gegenüberstellung der Datensätze. Wie in Abb. 3 anhand der Oberfläche und Mastoidzellen zu sehen ist, stimmt die Lage der Oberfläche in beiden Datensätzen gut überein. Sowohl die Lage als auch Größe und Form lassen den Schluss zu, dass eine zufrieden stellende Transformation erzielt wird. Die geringe Qualität des OCT-Datensatzes, insbesondere die begrenzte Eindringtiefe, verhindert jedoch eine bessere Gegenüberstellung.
Um die Ergebnisse weiter zu evaluieren soll ein Vergleich zu (leicht geänderten) in [
Diese Ausdrücke vermitteln einen guten Eindruck über den Unterschied der Ergebnisse der beiden
Registrierungsverfahren. Es gilt ex = 0,182 mm bzw. eϕ = 2,298 ° . Somit ist der Unterschied (zumindest in der translatorischen
Komponente) ca. das 1,25 fache der fpVCT-Auflösung und damit relativ hoch. Er lässt sich jedoch durch eine kleine
Änderung der OCT-Daten bzw. des Ähnlichkeitsmaßes stark mindern, nämlich unter der Annahme, dass ab einer festen Tiefe
zur detektierten Oberfläche die Voxel aufgrund der geringen Eindringtiefe des OCT in der Registrierung nicht
berücksichtigt werden. Der (translatorische) Unterschied lässt sich dann auf das 0,56 fache der fpVCT-Auflösung reduzieren
und liegt dann bei ex = 0,083 mm bzw. eϕ = 0,633 ° . Die in [
Die Idee einer hohen Navigationsgenauigkeit basierend auf der Integration eines OCT in ein bestehendes
Navigationssystem zur Verfügung zu stellen, macht die Registrierung von hochauflösenden OCT-Daten mit präoperativen
CTDaten notwendig. Der Beitrag setzt sich mit dieser grundsätzlichen multimodalen Registrierungsproblematik
auseinander und zeigt die Machbarkeit der Registrierung von originalen Daten. Auch wenn ein – nachzuholender – Vergleich
zum Goldstandard fehlt, wird qualitativ eine Genauigkeitsaussage getroffen und quantitativ die Ergebnisse mit denen
aus [