Kurzfassung. In diesem Beitrag wird ein automatisches Verfahren zur Lungensegmentierung in CT-Datensa¨tzen vorgestellt. Ausgehend von einem Saatpunkt in der Luftro¨hre wird unter Verwendung von Volumenwachstumsverfahren eine Segmentierung der Lunge erzeugt. Da dieses Vorgehen zu einem Zusammenlaufen der beiden Lungenflu¨gelsegmentierungen fu¨hren kann, wird die Trennung der Lungenflu¨gel mit Hilfe des Dijkstra-Algorithmus vorgenommen. Anschließend werden die Segmentierungen durch den Einsatz morphologischer Operatoren gegla¨ttet. Eine Evaluation anhand von 100 CT-Datensa¨tzen zeigt die Genauigkeit des Verfahrens und die Robustheit gegenu¨ber verschiedener CT-Protokolle und der Parameterwahl.
Operatoren vorgestellt und anhand umfangreicher Testdaten evaluiert. Im
Gegensatz zu anderen Verfahren wird die Trennung der Lungenflu¨gel mittels des
Dijkstra-Algorithmus [
Das hier vorgestellte Verfahren arbeitet dreistufig: In einem ersten Schritt wird die Lunge auf der Basis von Volumenwachstumsverfahren segmentiert, wonach in einem zweiten Schritt eine mo¨glicherweise notwendige Trennung der beiden Lungenflu¨gel mittels des Dijkstra-Algorithmus vorgenommen wird. Durch das abschließende morphologische Closing werden die bei der Segmentierung entstandenen Lo¨cher geschlossen und eine Gla¨ttung des Ergebnisses erreicht. 2.1
Ausgehend von einem automatisch detektierten Saatpunkt in der Luftro¨hre,
werden mit Hilfe von Volumenwachstumsverfahren zwei Segmentierungen erzeugt.
Die erste Segmentierung erfasst anhand vorgegebener Schwellwerte (-1000 –
-400 Hounsfield Units (HU)) die Lunge inkl. Luftro¨hre und Bronchialbaum. Mit
der zweiten Segmentierung werden durch das explosionsgesteuerte
Volumenwachstumsverfahren aus [
Die resultierende Segmentierung wird auf das Vorhandensein von exakt zwei zusammenha¨ngenden Komponenten, den beiden Lungenflu¨geln, u¨berpru¨ft. Sollte nur ein Objekt gefunden werden, erfolgt eine Trennung der Lungenflu¨gel. 2.2
Ziel ist es die Verbindungslinie zwischen den beiden Lungenflu¨gelsegmentierungen zu finden, um sie aus der Segmentierung zu entfernen. Hierbei hilft der Umstand, dass die Werte der Pleura in den CT-Daten gro¨ßer als die des umliegenden Lungengewebes sind, sodass sich die Verbindungslinie lokal als maximaler Kostenpfad der negativen CT-Werte (in HU) der betreffenden Voxel darstellt. Dieser Pfad wird mit Hilfe des Dijkstra-Algorithmus auf allen axialen Schichten, auf denen die Lungenflu¨gel zusammenha¨ngen, ermittelt. Der Dijkstra-Algorithmus bietet im Vergleich zu Algorithmen mit linearer Zeitkomplexita¨t den Vorteil, dass er keine topologische Sortierung des Graphen beno¨tigt. Um den Algorithmus nutzen zu ko¨nnen, muss das duale Problem des minimalen Kostenpfades mit inversen (und positiven) Kantengewichten betrachtet werden. Hierzu werden die Voxel als Knoten in einem nicht gerichteten Graphen eingesetzt. Als jeweiliges Kantengewicht wird der invertierte Mittelwert der beiden beteiligten Voxel gewa¨hlt. Um positive Gewichte zu gewa¨hrleisten, werden negative Kantengewichte durch den Wert einer positiven Konstante ersetzt. Die Suchregion wird durch ein minimal umgebendes Rechteck der Segmentierung automatisch bestimmt. Start- und Endpunkt des Pfades werden dabei mittig am hinteren und vorderen Teil der Lunge außerhalb des Rechtecks festgelegt, um vordere und hintere Verbindungen der Lungenflu¨gel extrahieren zu ko¨nnen. 2.3
Die Evaluation des Verfahrens erfolgt anhand von 100 anonymisierten CT-Datensa¨tzen, fu¨r die eine manuelle Lungensegmentierung zur Verfu¨gung steht, welche von einem medizinischen Experten erstellt wurde. 94 dieser Datensa¨tze entstammen Low-Dose-4D-CT-Aufnahmen von insgesamt 12 Patienten, aufgenommen bei freier Atmung, wohingegen es sich bei den restlichen Daten um 6 Ultra-LowDose-CT-Datensa¨tze von 6 Patienten bei angehaltener Atmung handelt. In den Datensa¨tzen sind sowohl gesunde als auch mit Tumoren und Emphysemen behaftete Lungen enthalten. Die Datensa¨tze haben eine Gro¨ße von 512 512 270467 Voxel, bei einer Voxelgro¨ße von 0.68 0.68 0.7 mm bis 0.97 0.97 1.5 mm. Die Werte der Parameter sind fu¨r alle Datensa¨tze einheitlich und experimentell festgelegt worden.
Die manuellen Segmentierungen dienen in der Evaluation als Goldstandard, mit dem die durch das vorgestellte Verfahren automatisch generierten Ergebnisse verglichen werden. Als Maße werden hierfu¨r der Jaccard-Koeffizient, die mittlere Distanz zwischen den segmentierten Lungenoberfla¨chen und die HausdorffDistanz herangezogen. Da es in der Mediastinalregion, bedingt durch die Gefa¨ße, verschiedene Mo¨glichkeiten zur Segmentierung gibt, wird die Auswertung jeweils mit und ohne Mediastinalregion angegeben. 3
Tabelle 1 stellt die Ergebnisse der Evaluation dar. Bei 8 Low-Dose-Datensa¨tzen ist die Segmentierung mit den einheitlichen Parametern nicht oder nur teilweise gelungen, weil entweder die Luftro¨hre nicht gefunden wurde oder der Explosionsfaktor des explosionsgesteuerten Volumenwachstumsalgorithmus falsch gewa¨hlt war. Eine Segmentierung dieser Datensa¨tze ist aber durch die individuelle Wahl des Explosionsfaktors und der zula¨ssigen numerischen Exzentrizita¨t fu¨r den Luftro¨hrenquerschnitt mo¨glich. Die aus diesen Ergebnissen folgende Robustheit der Parameter, wird fu¨r den, neben dem Explosionsfaktor entscheidenden, oberen Lungenschwellwert in Abb. 1 (a) exemplarisch dargestellt.
Die Betrachtung der mittleren Hausdorff-Distanz zeigt, dass sich in der Mediastinalregion im Mittel die gro¨ßten Unterschiede zwischen Segmentierung und Goldstandard ergeben (Abb. 1 (b)). Bei den Mittelwerten des Jaccard-Koeffizienten und der mittleren Oberfla¨chendistanz liefern beide Versuchsanordnungen
Tabelle 1. Vergleich der automatisch generierten Segmentierungen S mit dem Goldstandard G, jeweils mit und ohne Mediastinalregion. Vergleichsmaße: JaccardKoeffizient J(S; G); mittlere Oberfla¨chendistanz d(S; G); Hausdorff-Distanz H(S; G). Basis Low-Dose-CT: 94 Datensa¨tze; Ultra-Low-Dose-CT: 6 Datensa¨tze. mit ohne
Maß J(S; G) d(S; G) [mm] H(S; G) [mm] J(S; G) d(S; G) [mm] H(S; G) [mm] sehr a¨hnliche Werte. Die Trennung der Lungenflu¨gel konnte bei allen Datensa¨tzen erfolgreich vorgenommen werden (Abb. 2). Die durchschnittliche Rechenzeit fu¨r Datensa¨tze mit notwendiger Lungenflu¨geltrennung betra¨gt ca. 10 min, gemessen auf einem Intel Xeon W3520 Rechner mit 2.67GHz und 24GB RAM. Die Trennung der Lungenflu¨gel beno¨tigt hierbei durchschnittlich 50 % der Rechenzeit, wobei die Anwendung des Dijkstra-Algorithmus ca. 0.5 s pro Schicht in Anspruch nimmt. Datensa¨tze ohne notwendige Lungenflu¨geltrennung ko¨nnen in durchschnittlich ca. 5 min segmentiert werden. 4
In diesem Beitrag wurde ein dreistufiges automatisches Verfahren zur
Lungenflu¨gelsegmentierung in CT-Datensa¨tzen vorgestellt und umfangreich evaluiert.
Die Evaluation zeigt die Robustheit des Verfahrens gegenu¨ber verschiedenen
Abb. 1. Ausgewa¨hlte Ergebnisse. Links: Beispiel zum Einfluss des oberen
Lungenschwellwerts auf das Segmentierungsergebnis anhand eines Testdatensatzes.
Markierung: Evaluationsschwellwert 400 HU. Rechts: Oberfla¨chenmodell eines automatisch
segmentierten Lungenflu¨gels. Die Fa¨rbung entspricht der Oberfla¨chendistanz d(S; G).
Abb. 2. Beispiel zur Trennung der Lungenflu¨gel. (a): Axiale Schicht eines
CTDatensatzes inkl. einer markierten Beispielregion. (b): Zusammenha¨ngende
Ausgangssegmentierung der Beispielregion (ohne Closing). (c): Anwendung des
DijkstraAlgorithmus auf die Beispielregion. (d): Ergebnissegmentierung der Beispielregion (mit
Closing).
Eingabedaten (mehrere Patienten; Low-Dose u. Ultra-Low-Dose) und der
Parameterwahl. Von den 100 Testdatensa¨tzen konnten lediglich 8 nicht mit den
einheitlich gewa¨hlten Parametern segmentiert werden. Die ermittelten
Mittelwerte fu¨r den Jaccard-Koeffizienten und die mittlere Oberfla¨chendistanz zeigen
die hohe U¨ bereinstimmung mit den als Goldstandard genutzten manuellen
Segmentierungen. Die Mittelwerte fu¨r den Jaccard-Koeffizienten und die
HausdorffDistanz (mit Mediastinalregion) stimmen weitestgehend mit den Ergebnissen
aus [