Limitierender Faktor für hochpräzise, bildgestützte Eingriffe am Innenohr ist das Fehlen einer geeigneten klinischen Bildgebung, mit der filigrane Weichgewebsstrukturen neben knöchernen Strukturen hoch detailliert dargestellt werden können. In absehbarer Zeit stellen nur modellgestützte Ansätze einen Ausweg dar, diese Lücke der präoperativen Planung zu schließen. Daher wurde ein präzises Präparationsverfahren entwickelt, welches durch eine äquidistante Schlifftechnik eine hochgenaue 3D Rekonstruktion filigraner anatomischer Strukturen erlaubt. Parallelität und Orthogonalität werden mit einem mittleren Fehler von 0.4° ± 0.3° bewahrt und Längen mit einem mittleren Fehler von 2.0 % ± 0.4 % rekonstruiert. Die vorgestellte Konvertierung der „histologischen Bilddaten“ in das klinisch etablierte DICOM-Format erlaubt die Fusion mit anderen Modalitäten und eröffnet den Weg zur Erstellung hoch detaillierter Anatomieatlanten für die modellgestützte Bildgebung und präoperative Planung.
Frische, humane, zugeschnittene Felsenbeinpräparate wurden zur Fixierung für 4h in einer 4% Glutaraldehyd-Lösung
eingelegt und anschließend in einer aufsteigenden Alkoholreihe dehydriert. Nach Trocknung der Präparate erfolgte die
Kalteinbettung in Epoxidharz (Epofix 40, Struers A/S, Ballerup, Dänemark), welches mit Titanoxid (TiO2) angereichert
wurde. Dieses diente als nichttransparentes Färbemittel, um außerhalb der späteren Schliffebene liegende Strukturen
auszublenden. Das noch flüssige Epoxidharz wurde in einer Vakuumkammer entgast, um Lufteinschlüsse zu entfernen
und die Fixierung aller Kavitäten der Präparate zu ermöglichen. Nach dem Aushärten wurden drei longitudinale Nuten
von ca. 0,5 mm Tiefe auf der Oberfläche eingefräst und anschließend im flächendetektorbasierten
Volumencomputertomographen (fd-VCT, GE Corporate R&D) gescannt. Diese Datensätze dienten zur Planung dreier
senkrechter Bohrungen, in die farbige Kunststoffstifte als Registrierungsmarker eingesetzt wurden. Die Bohrungen
erfolgten mittels CNC-Maschine, um eine senkrechte Ausführung der Registrierungsmarker sicherzustellen.
Die Schliffpräparation selbst ist die iterative Durchführung einzelner Verfahrensschritte. Dabei kommt der genauen
Bestimmung des Abstandes aufeinander folgender Bilder neben der Orthogonalität der Registrierungsmarker eine
besondere Bedeutung zu, da nur so eine korrekte 3D Rekonstruktion des Volumens möglich ist. Daher wurde ein spezieller
Probenhalter entwickelt [
Abb. 1: Programmablauf des zweistufigen Algorithmus zur Detektion der Registrierungsmarker 2.2
Für die Ausrichtung der Einzelbilder zu einem Bildstapel wurden die eingebrachten Registrierungsmarker verwendet.
Deren Detektion geschah weitgehend automatisch durch in Matlab (The MathWorks, Inc, Natick, MA, USA)
implementierte Algorithmen. Die Erkennung der Marker erfolgt dabei zweistufig. In einem ersten Schritt markiert der Nutzer
im Basisbild interaktiv die Registrierungsmarker. Dadurch werden die mittleren Farbwerte und Abmessungen erfasst. In
allen weiteren Schliffbildern dienen diese Werte dazu, um mittels Farbfilter im HSV-Farbraum und anschließender
Hough-Transformation eine grobe Detektion der Registrierungsmaker durchzuführen. Um diese grobe Position der
Marker herum wird ein Detailbild ausgeschnitten. In diesen Detailbildern wird anschließend in einem zweiten Schritt
die Kontur der Marker präzise bestimmt. Dazu erfolgt zunächst eine Binärisierung durch einen
Kantenerkennungsalgorithmus. Eine anschließende zweite Hough-Transformation konkretisiert weiter den Mittelpunkt der Marker. In der
praktischen Anwendung ergab sich aber, dass diese Bestimmung durch Kanten anatomischer Strukturen, welche in der
Nähe des Markers verlaufen, verfälscht wurde. Daher werden nochmals alle Pixel gelöscht, die sich außerhalb eines
Intervalls von ± 10% des Markerradius’ befinden. Durch die verbleibenden Pixel wird ein Kreis gefittet, der letztlich
präzise die Markerposition beschreibt [
Die so ermittelten Markermittelpunkte sind die Voraussetzung für die Ausrichtung aller Einzelbilder des Bildstapels zum Basisbild. Kern des Algorithmus’ ist die Matlab-Funktion imtransform, die Bilder anhand korrespondierender Punktepaare zueinander ausrichtet. Die hier gewählte Option linear conformal berücksichtigt Verschiebungen, Drehungen und eine Größenskalierung. 2.3
Die registrierten Schichtbilder bilden die Grundlage für die Generierung eines Bilddatensatzes im klinisch etablierten DICOM-Standard (Digital Imaging and Communication in Medicine). Die Erstellung der DICOM-Bilder geschieht unter Einsatz der Matlab-Funktion dicomwrite, welche neben dem eigentlichen Schichtbild auch den zugehörigen Header erwartet. Dieser wird in Form einer Struktur übergeben und ist für jedes Bild entsprechend dessen Lage im Bildstapel spezifisch anzupassen. Der DICOM-Header selbst besteht aus einzelnen Einträgen, sog. Attributen. Einige davon erhalten Unique Identifiers (UID), welche die Bilder eines Schichtstapels als zueinander zugehörig identifizieren. Für deren Generierung steht die Funktion dicomuid zur Verfügung. Für SliceThickness wurde ein Wert von 0,001 mm gewählt, um dem zweidimensionalen Charakter der Schichtbilder zu entsprechen; im Gegensatz zu den Summationswerten über die gesamte Schichtdicke bei der CT. PixelSpacing, als Maß für die Skalierung der Bilder, wurde aus dem tatsächlichen Abstand der Registrierungsmarker und den Abständen im Bild errechnet.
Im Gegensatz dazu sind bildspezifische Einträge für jedes Schichtbild separat zu übergeben. Wichtigstes bildspezifisches Attribut ist SliceLocation. Für diesen Wert wurden die akkumulierten, gemessenen Schichtabstände eingesetzt. Intern überprüft Matlab beim Aufruf des Befehls dicomwrite, ob die gewählten Einträge und ihre Form für die entsprechende Modalität erlaubt sind und füllt ergänzend Felder, die direkt aus den zugrundeliegenden Bilddaten generiert werden können, wie z. B. die Anzahl der Pixel in den Zeilen und Spalten eines Bildes.
Tag
Attributname
Wert
Tag
Attributname
Wert für alle Bilder einer Serie einheitlich gesetzteWerte [0002,0002] Media Storage SOP Class UID 1.2.840.10008.5.1.4.1.1.2 [0020,0010] Study ID 999 [0008,0008] Image Type DERIVED\PRIMARY\AXIAL [0020,0011] Series Number 1 [0008,0016] SOP Class UID 1.2.840.10008.5.1.4.1.1.2 [0020,0012] Acquisition Number 1 [0008,0020] Study Date 20100222 [0020,0020] Patient Orientation ’R\A’ [0008,0030] Study Time 100000 [0020,0037] Image Orientation (Patient) [1;0;0;0;1;0] [0008,0060] Modality CT [0020,0052] Frame of Reference UID dicomuid [0008,0070] Manufacturer Matlab [0020,1040] PositionReferenceIndicator XY [0008,0080] Institution Name MHH [0028,0002] Samples per Pixel [0008,0090] Referring Physician’s Name Thomas S. Rau [0028,0004] Photometric Interpretation [0010,0010] Patient’s Name TB1R [0028,0030] Pixel Spacing [0010,0020] Patient ID 001 [0028,0100] Bits Allocated [0018,0050] Slice Thickness 0.001 [0028,0101] Bits Stored [0018,5100] Patient Position HFS [0028,0102] High Bit [0020,000D] Study Instance UID dicomuid [0028,1052] Rescale Intercept [0020,000E] Series Instance UID dicomuid [0028,1053] Rescale Slope 1 MONOCHROME2 [0.0163;0.0163] 16 16 15 1000 1 für jedes Bild einer Serie spezifisch gesetzte Werte [0020,0013] Instance Number laufende Nummer der Schicht [0020,0032] Image Position (Patient)
[0;0;accumSliceLocation] Tabelle 1: Übersicht der DICOM-Header-Einträge. Der Eintrag dicomuid steht dabei für einen spezifischen UID. [0020,1041] Slice Location accumSliceLocation 3
Die Erstellung eines dem DICOM-Standard entsprechenden Datensatzes erlaubte das Einlesen der Schliffdaten in
klinischen Planungsprogrammen, wie z.B. iPlan 2.6 ENT (BrainLAB, Feldkirchen) oder freien DICOM-Viewern, wie z.B.
DicomWorks (Puech und Boussel, Lyon, Frankreich). Die sowohl in den Schliffbildern als auch in den fd-VCT-Daten
sichtbaren Nuten erlaubten nach der Fusion beider Datensätze die Bestimmung der erreichten Genauigkeit von im Mittel
0,1 mm Abweichung voneinander. Mit dem gleichen Verfahren wurde zudem ein Referenzkörper aufbereitet, welcher
vorab mit einer Koordinatenmessmaschine vermessen wurde. Die Vermessung des segmentierten Objektes nach der
3DRekonstruktion ergab, dass Parallelität und Orthogonalität mit einem mittleren Fehler von (0.4 ± 0.3)° und Längen mit
einem mittleren Fehler von (2.0 ± 0.4) % rekonstruiert werden können [
Vorgestellt wurde ein Verfahren zur Erstellung hochgenauer mikroanatomischer Daten zur Entwicklung von Atlanten
für die modellgestützte Segmentierung und präoperative Planung. Die Zuverlässigkeit der Methodik wurde anhand
eines Referenzobjektes sowie humaner Mittel- und Innenohrstrukturen gezeigt. Dabei erwies sich, dass durch das
CNCgestützte Einbringen der Registrierungsmarker, deren genaue automatische Detektion, einem präzisen Schliffabtrag
durch den entwickelten Handprobenhalter sowie mikrometergenaue Vermessung des Ist-Abtrages die Geometrie der
anatomischen Strukturen sicher bewahrt werden kann. In Richtung des kritischen Schichtabtrages konnten Längen
sogar mit einem Fehler von nur (0.6 ± 0.3) % rekonstruiert werden [
Die Übertragung der Methodik auf andere anatomische Strukturen ist leicht möglich, da ggf. nur der Fixierungsschritt zu
modifizieren ist. Auch harte Materialien wie Zahnstein oder metallische Implantate können durch das gewählte
Schliffverfahren verarbeitet werden. Somit ist die präzise 3D Rekonstruktion zur Evaluierung des Insertionsverhaltens von
CIElektroden geeignet. Hier hat sich die Kombination aus CT-Bildgebung und Schliffpräparation ebenfalls bewährt,
jedoch ist die Korrelation beider Datensätze bislang nur grob manuell möglich [