937C34DC46A88ACEC958CB62AC109433 GROBID - A machine learning software for extracting information from scholarly documents
Zusammenfassung

Das Forschungsprojekt MUKNO untersucht einen minimal-invasiven multi-port Ansatz für Operationen an der Otobasis. Ein wichtiger Schritt dabei ist die Segmentierung der Risikostrukturen. In dieser Arbeit haben wir einen Ansatz zur Segmentierung der Risikostrukturen Cochlea, Bogengänge, innere Halsschlagader und Gesichtsnerv in CT-Daten mit dem Probabilistic Active Shape Model präsentiert. Die Kreuzvalidierung auf bis zu 42 Daten zeigt eine gute Umrandung der Risikostrukturen.

Danksagungen

Wir danken unseren klinischen Partnern der HNO-Klinik des Universitätsklinikums Düsseldorf für die manuelle Segmentierung der Datensätze. Das Projekt wurde gefördert von der Deutschen Forschungsgemeinschaft: FOR 1585; FE 431/13-1.

2 3 ErgebnisseTabelle 1 :Abbildug 1 : 4 DiskussionAbbildug 1: Beispiele für die Segmentierung der Cochlea sowie des Gesichtsnervs als 3D Modell. Von links nach rechts ist ein Beispiel mit größtem, mittlerem und kleinstem maximalen Fehler abgebildet. Die manuelle Segmentierung ist in rot und das Ergebnis des PASM in grün dargestellt. Ganz rechts ist jeweils eine Schicht der CT-Daten der Segmentierung des PASMs mit mittlerem maximalen Fehler abgebildet. 4 Diskussion In Abschnitt 3 haben wir die Ergebnisse des Probabilistic Active Shape Model präsentiert. Es fällt dabei auf, dass die quantitativen Ergebnisse eine gute Average Symmetric Surface Distance aufweisen, jedoch der maximale Fehler vergleichsweise groß ist. Bei der Cochlea entsteht der maximale Fehlerwert am Übergang zu den Bogengängen, wo es keinen Kontrast gibt (s. Abb. 1). Hier weichen die Kontur von PASM und manueller Segmentierung voneinander ab, da die Kontur schwer eindeutig zu definieren ist. Der maximale Fehler liegt folglich für unseren Anwendungsfall in keinem kritischen Bereich. Ebenso liegt bei der inneren Halsschlagader der maximale Fehler an Start und Ende vor, wo ebenfalls kein Kontrast vorhanden ist. Der Gesichtsnerv ist durch seine hohe Variabilität in Form und Intensität, geringem Kontrast sowie dem umgebenden schwammartigen Knochen, die am schwierigsten zu segmentierende Struktur. Der größte Fehler entsteht am Beginn des Gesichtsnervs (im mastoidalen Segment). In den CT-Daten ist nicht erkennbar, wo der Gesichtsnerv unten beginnt und hier wird vom PASM in der Regel deutlich weiter segmentiert (s. Abb. 1). Am äußeren Facialisknie weicht die Segmentierung auch in einigen Fällen von der manuellen Segmentierung ab, da es auch hier
Das Forschungsprojekt MUKNO untersucht einen minimal-invasiven multi-port Ansatz für Operationen an derOtobasis. Eine der größten Herausforderungen dabei besteht darin, die verschiedenen Risikostrukturen wie Gesichtsnerv oder Blutgefäße nicht zu verletzen. Daher ist die Segmentierung dieser anatomischen Strukturen in Bilddaten für die Operationsplanung ein essentieller Schritt. Hierbei sind die geringe Größe der Strukturen, deren hohe Variabilität in Form und Intensität, sowie deren geringer Kontrast eine Herausforderung. Um das "Auslaufen" der Segmentierung in benachbarte Strukturen zu verhindern und die fehlende Bildinformation zu kompensieren, wird Vorwissen eingesetzt.Segmentierung von Risikostrukturen der Otobasis für die minimal-invasive multi-port ChirurgieM. Becker, M. Kirschner, G. SakasTU Darmstadt, Graphisch-Interaktive Systeme, DarmstadtKontakt: meike.becker@gris.tu-darmstadt.deAbstract:sind einfache pixel-basierte Verfahren wie Thresholding oder Regiongrowing nicht einsetzbar, wenn man keine hohe Fehlerquote oder auf-wendige manuelle Korrektur in Kauf nehmen möchte. Bessere Ergebnisse versprechen wir uns durch modellbasierteAnsätze.Im Vergleich zur Viszeralchirurgie, wo man eine Fülle von Segmentierungspublikationen finden kann, gibt es nur weni-ge modellbasierte Forschungsarbeiten zur Segmentierung von Strukturen der Otobasis. Voormolen et al. [1] präsentiereneinen Ansatz für den Gesichtsnerv mit manueller Initialisierung durch Vorgabe des Start-und Endpunktes. Sie segmen-tieren die Mittellinie des Gesichtsnervs mit Active Appearance Models und legen anschließend eine tubuläre Sicher-heitszone um die Mittellinie mit einem benutzerdefinierten Radius. Noble et al. haben verschiedene Ansätze entwickelt:Sie präsentieren einen atlas-basierten Ansatz für Cochlea, Bogengänge, Ossikel und äußeren Gehörgang [2]. Um spezi-ell die Skala tympani und Skala vestibuli der Cochlea zu extrahieren, verwenden sie ein Active Shape Model, welchesauf Micro CT-Daten trainiert wird [3]. Schließlich haben sie einen graph-basierten Ansatz für tubuläre Strukturen ent-wickelt, mit dem sie den Gesichtsnerv, die Chorda sowie die innere Halsschlagader segmentieren [4].
In dieser Arbeit stellen wir einen Ansatz zur Segmentierung der Risikostrukturen Cochlea, Bogengänge, innere Halsschlagader und Gesichtsnerv in Computertomographiedaten durch ein Probabilistic Active Shape Model vor. Wir testen unseren Ansatz durch Kreuzvalidierung auf 20 bis 42 Computertomographiedatensätzen (je nach Struktur). Die Ergebnisse zeigen eine gute Umrandung der oben genannten Strukturen. Schlüsselworte: Active Shape Model, Segmentierung, minimal-invasive Chirurgie, Otobasis 1 Problemstellung Bei Eingriffen an der Otobasis ist die Schonung von Risikostrukturen wie Gesichtsnerv oder Blutgefäße eine der größten Herausforderungen. Bisher ist der Eingriff stark traumatisch und es werden alle Risikostrukturen freigelegt, um ihre Unversehrtheit sicherzustellen. Das Forschungsprojekt MUKNO untersucht einen minimal-invasiven multi-port Ansatz für Eingriffe an der Otobasis. Hierbei sollen nur noch bis zu drei dünne Bohrkanäle von der Schädeloberfläche bis zum Operationsgebiet gebohrt werden mit dem Ziel, die Traumatisierung zu minimieren. In diesem Fall kann der Arzt die Risikostrukturen nicht mehr zur Orientierung verwenden, weshalb eine Planung der Bohrkanäle basierend auf Computertomographiedaten (CT-Daten) und eine entsprechende Navigation während des Bohrvorgangs nötig ist. Der erste Schritt hierbei ist die Segmentierung der Risikostrukturen, womit wir uns in dieser Arbeit beschäftigen. Dabei gibt es folgende Herausforderungen: Neben der geringen Größe haben einige anatomische Strukturen eine hohe Variabilität in Form und Bildintensität sowie geringen Kontrast zur Umgebung. Beispielsweise hat die innere Halsschlagader teilweise keine sichtbare Abgrenzung zu benachbarten Strukturen in CT-Daten. Deshalb Das Active Shape Model [5] ist ein schnelles und genaues Segmentierungsverfahren, welches häufig und erfolgreich für medizinische Bilddaten eingesetzt wird. Das Probabilistic Active Shape Model (PASM) [6] ist eine Erweiterung dieses Ansatzes, welche eine flexiblere und spezifischere Segmentierung erlaubt. In dieser Arbeit stellen wir unseren Ansatz zur Segmentierung der Risikostrukturen Cochlea, Bogengänge, innere Halsschlagader und Gesichtsnerv in CT-Daten mit Hilfe des PASM vor. Genauer gesagt wird dabei nicht die Struktur selbst, sondern der in den CT-Daten sichtbare knöcherne Kanal segmentiert. Wir testen unseren Ansatz durch Kreuzvalidierung auf 20 bis 42 CT-Datensätzen (je nach Struktur).
ASSD (in mm) d max (in mm) Anzahl Daten Zeit (in s)Es bleibt zu untersuchen, wie kritisch diese Abweichung ist. Bewertet man die Ergebnisse visuell, so sieht man im Allgemeinen eine gute Segmentierung der Risikostrukturen. Ein direkter Vergleich der Ergebnisse mit den Resultaten von Noble et al. oder Voormolen et al. ist schwierig, da wir nicht auf den gleichen Daten trainiert und getestet haben. Vergleicht man die quantitativen Werte dennoch, so erzielen wir bei Cochlea und Bogengängen einen besseren d ASSD -Wert und einen ähnlichen globalen maximalen Fehler wie Noble et al.[2], sie haben jedoch schlechter aufgelöste Daten (Noble: d ASSD = 0.42 mm, max(d max ) = 2.62 mm, VG = 0.35 2 x 0.4 mm 3 ). Bei der inneren Halsschlagader haben wir einen kleineren d ASSD -Wert und einen ähnlichen mittleren maximalen Fehler, wobei wir deutlich kleinere Voxelgrößen haben (Noble: d ASSD ≈ 0.75 mm, d max ≈ 2.6 mm, VG = 1 2 x 1.5 mm 3 )[4]. Wir haben hier keine exakten Angaben, da die Werte von einem Graph abgelesen sind. Mögliche Gründe für den relativ großen maximalen Fehler bei unseren Segmentierungen sind oben erläutert. Für den Gesichtsnerv haben Voormolen et al.[1] deutlich bessere Werte (d max = 0.42 mm, VG = 0.31 2 x 1 mm 3 ), segmentieren allerdings auch nur die Mittellinie des Gesichtsnervs. Im Vergleich zu Noble et al.[4] erreichen wir bei dem Gesichtsnerv einen ähnlichen d ASSD -Wert, erhalten jedoch einen größeren maximalen Fehler (Noble: d ASSD ≈ 0.2 mm, d max ≈ 0.75 mm, VG = 0.3 2 x 0.4 mm 3 ). Dies könnte wie oben beschrieben zum einen daran liegen, dass das PASM in vielen Fällen am Anfang des Gesichtsnervs deutlich weiter segmentiert als die manuelle Segmentierung (s. Abb. 1). Zum anderen betrachten wir auch den Teil hinter dem äußeren Facialisknie, was eine weitere Herausforderung darstellt. Momentan beschäftigen wir uns mit der Segmentierung der Chorda tympani, der Ossikel sowie des inneren und äußeren Gehörgangs. Ferner ist es interessant, die bisherigen Segmentierungen intensiver zu untersuchen, z. B. eine gemeinsame Fehlerbestimmung für Cochlea und Bogengänge durchzuführen und eine Untersuchung der Abhängigkeit der Gesichtsnervsegmentierung von der Initialisierung. Um den Algorithmus weiter zu automatisieren, ist eine robuste Detektion der Boundingbox der Strukturen wünschenswert.wenig Kontrast gibt.MittelwertSDMittelwertSDMittelwertCochlea0.100.031.080.22208Bogengänge0.100.031.170.4442104Gesichtsnerv0.240.102.070.8242122Innere Halsschlagader0.290.092.420.7722166
). Am äußeren Facialisknie weicht die Segmentierung auch in einigen Fällen von der manuellen Segmentierung ab, da es auch hier d
Determination of a facial nerve safety zone for navigated temporal bone surgery EH JVoormolen Neurosurgery 70 1 2012 Suppl Operative Automatic Identifcation and 3D Rendering of Temporal Bone Anatomy JHNoble RFLabadie OMajdani BMDawant Otology & Neurotology 30 4 2009 Automatic segmentation of intracochlear anatomy in conventional CT JHNoble BMDawant FMWarren RFLabadie IEEE Transactions on Biomedical Engineering 58 9 2011 A new approach for tubular structure modeling and segmentation using graph-based techniques JHNoble BMDawant MICCAI 2011
Berlin Heidelberg
 Springer 2011 6893 Active shape models -their training and Application TFCootes CJTaylor DHCooper JGraham Comput. Vis. Image Underst 61 1 1995 Active Shape Models Unleashed MKirschner SWesarg Proceedings of SPIE SPIE 2011 7962