Im Kontext der Cochlea-Implantat-Versorgung ist der Erhalt der Weichgewebsstrukturen im Innenohr von großer Wichtigkeit. Diese filigranen Strukturen lassen sich jedoch schlecht mit konventionellen Bildgebungsverfahren abbilden. Deshalb wurde von histologischen Felsenbeinpräparaten mittels Schliffpräparationsverfahren ein Schichtbilddatensatz des jeweiligen Präparates erzeugt, der aus Übersichtsaufnahmen des ganzen Präparates und hochaufgelösten Detailaufnahmen der relevanten Innenohrstrukturen besteht. Durch ein punktbasiertes Registrierungsverfahren wurden die Detailaufnahmen zu den korrespondierenden Übersichtsaufnahmen ausgerichtet. Die so entstandenen Bilddatensätze bieten eine hochdetaillierte Auflösung und können im Weiteren unter anderem für die Erstellung von Anatomiemodellen der Weichgewebsstrukturen genutzt werden. Diese Anatomiemodelle können als Grundlage für modellbasierte Segmentierungsverfahren eingesetzt werden, um patientenindividuelle Aufnahmen um fehlende Informationen zu ergänzen.
enthalten. Beide Bilddatensätze liegen in der Größenordnung 1944 x 2592 Pixel vor, wobei die Übersichtsbilddaten einen Ausschnitt der Größe 32 x 42 mm und die Detailbilder von 6 x 7 mm zeigen (vgl. Abb. 1). Um die hohe Auflösung der Detailbilder zu erhalten, wurden in einem Vorverarbeitungsschritt die Übersichtsbilddaten zugeschnitten (1784 x 1272 Pixel entsprechen ~29 x 21 mm) und um einen Faktor (~5,7 für Datensatz in Abb. 1) hochskaliert. Dieser Skalierungsfaktor wurde in einer Schicht anhand eines Objektes in dem Übersichtsbild und dem zugehörigen Detailbild ausgemessen.
Die Detailbilder wurden dann im nächsten Schritt durch ein punktbasiertes Registrierungsverfahren mit den Übersichtsbildern in Matlab fusioniert. Für diesen Registrierungsschritt umrandet der Anwender im Detailbild und dem korrespondierenden Übersichtsbild je 3 identische Objekte mit Hilfe eines Polygonzugs entlang der Objektgrenze. Über die Matlab-Funktion regionprops wurden die einzelnen Schwerpunkte der segmentierten Objekte berechnet, anhand derer das Detailbild zum entsprechenden Übersichtsbild mit der Matlab-Funktion imtransform ausgerichtet wurde. Gewählt wurde die Option nonreflective similarity, da diese Verschiebung, Rotation und Skalierung des Detailbildes berücksichtigt. Anschließend wurden die registrierten Bilddaten mit Hilfe der Matlab-Funktion dicomwrite in das klinisch etablierte DICOM-Format konvertiert. Diese generiert neben dem eigentlichen Schichtbild auch den entsprechenden DICOMHeader.
Abb. 1: Die linke obere Abbildung zeigt das Übersichtsbild und die linke untere Abbildung das korrespondierende Detailbild. Diese beiden Bilder werden durch ein punktbasierte Registrierungsverfahren zueinander ausgerichtet. Dafür werden vom Benutzer je 3 Objekte in beiden Bilder mittels Polygonzug umrandet (blau) und der Schwerpunkt (rot) jedes Objektes berechnet. Anhand der Schwerpunkte werden die Bilder registriert. 3
Für den punktbasierten Registrierungsprozess der Detail- und den korrespondierenden Übersichtsbildern wurde anhand der Schwerpunkte der Objekte der Fiducial Registration Error (FRE, [5]) als Registrierungsfehler berechnet. Bei den bisher bearbeiteten Datensätzen lag der mittlere Registrierungsfehler im schlechtesten Fall bei 2,29 ± 1,79 Pixel (0.0133 ± 0,0104 mm) und der zugehörige maximale FRE einer Schicht bei 9,0376 Pixel (0.0524 mm). Durch die Generierung eines DICOM-Datensatzes aus dem registrierten Bilddatensatz ist es möglich, die Bilddaten in Segmentierungsprogrammen wie z.B. AMIRA (Visage Imaging GmbH), 3D Doctor (Able Software Corp, USA), iPlan 2.6 ENT (BrainLAB AG, Feldkirchen) bzw. BioSeg (BioSkill GmbH, Alsbach-Hähnlein) einzulesen und zu segmentieren (vgl. Abb. 3). Abb. 2: Die Fusionierung des Detailbildes in das korrespondierende Übersichtsbild ist als Ergebnis der punktbasierten Registrierung in der Abbildung dargestellt. Das mittlere Bild zeigt den Unterschied der Auflösung der Bilder anhand eines Ausschnitts an der Fusionierungskante des linken Bildes. Die rechte Abbildung zeigt den Registrierungsfehler der einzelnen Schichten des links dargestellten Datensatzes.
Abb. 3: Darstellung der fusionierten Bilder und der segmentierten Cochlea in AMIRA (Visage Imaging GmbH). Die gestrichelten Bereiche kennzeichnen die registrierten Detailbilder. 4
Durch ein punktbasiertes Registrierungsverfahren wurden die durch ein histologisches Schliffbildverfahren akquirierten Übersichts- und korrespondierenden Detailbilder zueinander registriert und fusioniert. Diese Methode liefert zufriedenstellende Ergebnisse mit einem vertretbaren Registrierungsfehler, jedoch erfordert sie auch ein enormes Maß an Benutzerinteraktion und einen hohen Zeitaufwand (~4 min/Schicht). Eventuelle Fehlerquellen durch das Makroskopsystem wurden bislang nicht berücksichtigt.
Um dem Nachteil der angewendeten Methode entgegenzutreten, werden zum jetzigen Zeitpunkt bildbasierte Verfahren erprobt. Diese Verfahren beschreiben das Auffinden einer Transformation, die die Bildinformationen beider Datensätze bestmöglich in Übereinstimmung bringt. Bildbasierte Registrierungsmethoden arbeiten direkt mit den Intensitätswerten der Bilder, wobei eine sogenannte Metrik ermittelt wird, die ein Maß für die Qualität der Überlagerung beider Bilddatensätze ist. Als Metrik werden unter anderem Ähnlichkeitsmaße, wie die Summe der Differenzbilder und der Korrelationskoeffizient [6] geprüft. Für eine möglichst exakte Überlagerung der Bilddatensätze muss das Optimum des Ähnlichkeitsmaßes gefunden werden. Dafür findet hier der globale Optimierungsalgorithmus der simulierten Abkühlung [7] Anwendung, der die affinen Transformationsparameter variiert und somit das daraus berechnete Ähnlichkeitsmaß optimiert. 5