Kurzfassung. Die vorliegende Arbeit stellt einen neuen Algorithmus zur hochgenauen und moglichst vollstandigen Detektion von Koronararterien vor. Hierfur werden Ansatze der zwei hochstplazierten Algorithmen des Wettbewerbs "A Grand Challenge in the Clinic II\ (MICCAI 2008) verknupft, erweitert und optimiert. Die Ergebnisse zeigen, dass der Algorithmus bei leicht verbesserter Genauigkeit einen wesentlich hoheren Overlap erzielt als der Gewinneralgorithmus der automatischen und semi-automatischen Kategorie.
Die in diesem Paper vorgestellte Methode zur Extraktion von Koronargefa¨ßverla¨ufen vereint die Sta¨rken beider Ansa¨tze: Die genaue Detektionsmethode fu¨r einzelne Teilsegmente von Zambal et al. wird mit einem neuen Bottom-UpAnsatz zur Rekonstruktion des Gefa¨ßbaumes mit dem Ziel kombiniert, Gefa¨ßabschnitte u¨ber kontrastmittelarme Regionen hinweg robuster zu verbinden und somit – unter Erhaltung der Genauigkeit – den Overlap zu erho¨hen. 2 2.1
Der von uns vorgeschlagene Algorithmus zur Detektion der Koronargefa¨ße gliedert sich in 3 Phasen (Abb. 1): Phase 1: Bestimmung von Initialisierungspunkten. Zuna¨chst werden Initialisierungspunkte fu¨r Gefa¨ße in der gesamten Herzregion bestimmt. Um den Suchraum fru¨hzeitig einzuschra¨nken wird ein einfaches Verfahren angewandt, das ausgehend vom Mittelpunkt des Volumens mittels Kantendetektion und First-Hit Raycasting U¨ berga¨nge zwischen Herzmuskel und Lungengewebe detektiert. Mittels der resultierenden Maske werden herzfremde Regionen (Lunge, etc.) großteils ausgeblendet.
Basis fu¨r die Berechnung von Initialisierungspunkten ist das von Zambal et al. vorgestellte Verfahren zur Detektion von Kandidaten fu¨r die Gefa¨ßbaumwurzeln. Das Verfahren wurde aber in Hinblick auf Allgemeinheit, Robustheit und Anzahl der falsch positiven Ergebnisse modifiziert und verbessert.
Zur Berechnung von Initialisierungspunkten wird fu¨r jedes Voxel u¨berpru¨ft, ob dieses auf der Oberfla¨che eines Gefa¨ßes lokalisiert ist. Unter der Annahme einer zylindrischen Form der Gefa¨ßverla¨ufe wird zuna¨chst mittels Gradient die Normale auf die Gefa¨ßoberfla¨che (erste Achse) bestimmt. Durch FirstHit-Raycasting werden Gefa¨ßdurchmesser und Gefa¨ßmittelpunkt ermittelt. Auf A orta (a)
A orta (b)
A orta (c) Abb. 1. Ergebnisse der drei Phasen des Algorithmus: Initialisierungspunkte inkl. Orientierung (a), Extraktion der Gefa segmente (b), Erweiterung der Baumstruktur (c). ¨ahnliche Weise wird die zweite Achse normal zur ersten berechnet. Nur Gefa¨ßmittelpunkte, fu¨r deren Berechnung alle Kriterien (Schwellwerte fu¨r Gradienten, La¨ngenverha¨ltnis der Achsen) zutreffen, werden als Initialisierungspunkte klassifiziert. Durch obige Berechnungen ko¨nnen Radius und Orientierung des Gefa¨ßes an der entsprechenden Position abgeleitet werden.
Phase 2: Extraktion der Gefa segmente. Ausgehend von jedem Initialisierungspunkt wird ein Gefa¨ßsegment extrahiert, wobei mit zylindera¨hnlichen Modellen der Gefa¨ßverlauf in beide Richtungen verfolgt wird. Initialisierungspunkte, die bereits innerhalb eines detektierten Segments liegen, werden im Weiteren nicht mehr behandelt. Dieser Ansatz orientiert sich im Wesentlichen an der Methode von Zambal et al., wobei allerdings keine Bifurkationen einzelner Segmente berechnet werden. Das Ergebnis der Extraktionsphase ist eine Menge an unverbundenen, verzweigungsfreien Gefa¨ßsegmenten.
Phase 3: Generieren der Baumstruktur. Jedes Gefa¨ßsegment besteht aus einer Folge von Stu¨tzstellen bzw. Knoten. Diese werden in Phase 3 (Abb. 1a) zu zwei kompletten Gefa¨ßba¨umen zusammengefu¨gt. Ausgehend von den zwei vom Benutzer markierten Wurzeln der Koronararterienba¨ume werden die Gefa¨ßba¨ume aufgebaut. Initial repra¨sentiert jedes Wurzelsegment einen Baum. In jeder Iteration wird nun versucht den bestehenden Baum durch Hinzufu¨gen von Segmenten zu erweitern. Kann keine Erweiterung mehr gefunden werden, terminiert der Algorithmus. Fu¨r eine Erweiterung werden drei verschiedene Verbindungen in folgender Reihenfolge in Betracht gezogen: 1. I-Verbindung: Von Endknoten des aktuellen Baumes zu Endknoten eines noch freien Segments 2. T-Verbindung: Von Endknoten des aktuellen Baumes zu innerem Knoten eines noch freien Segments 3. Y-Verbindung: Von inneren Knoten des aktuellen Baumes auf Endknoten eines noch freien Segments D.h., eine Erweiterung durch I-Verbindung wird einer Erweiterung durch TVerbindung vorgezogen. Eine T-Verbindung wird wiederum einer Y-Verbindung vorgezogen. Die Reihenfolge, in der Knoten beider Ba¨ume nach Verbindungen abgesucht werden, richtet sich nach der La¨nge ihres Pfades zur jeweiligen Wurzel. Dadurch wachsen beide Ba¨ume parallel und es wird verhindert, dass Segmente einem Gefa¨ßbaum zugeordnet werden, die fu¨r den anderen Baum eine optimalere Verbindung darstellen wu¨rden. 2.2
FAu¨lgrodriitehmEvaElvuaieluruantigondeFsraAmlgeowroitrhk“mhuesrwanugredzeogdeans. ”DRaosttFerradmamewCorokroenvaarlyuieArrttaeruyf Basis von 32 CTA Datensa¨tzen, auf denen jeweils vier Koronararterien von erfahrenen Spezialisten markiert wurden. Die Referenzverla¨ufe von 8 Datensa¨tzen stehen als Trainingsbasis den Entwicklern zur Verfu¨gung. Die Referenzverla¨ufe fu¨r die anderen 24 Datensa¨tze sind nicht verfu¨gbar. Die Evaluierung dieser 24 Datensa¨tze kann nur online erfolgen. Zum U¨ berpru¨fen unserer Hypothesen (besserer Overlap unter Erhaltung der Genauigkeit) verwenden wir zwei der vom Framework zur Verfu¨gung gestellten Metriken: Gefa¨ßu¨berlappung und Genauigkeit innerhalb des Gefa¨ßes. Gefa¨ßu¨berlappung (Overlap, kurz OV) gibt an, wieviel Prozent der Referenzlo¨sung von der berechneten Lo¨sung abgedeckt werden. Die Genauigkeit innerhalb des Gefa¨ßes (Accuracy inside vessel, kurz AI) gibt den mittleren Abstand (in mm) zwischen berechnetem Gefa¨ßverlauf und Referenzlo¨sung an, beru¨cksichtigt dabei aber nur Gefa¨ßverla¨ufe, die innerhalb des Referenzgefa¨ßes liegen. 3
Die Evaluierung auf den 24 Testdatensa¨tzen (Abb. 2) ergibt eine Gesamtverbesserung des Overlaps um 4.8 % von 84.7 % auf 89.5 %. Besonders signifikant ist die Verbesserung bei Datensatz 26 (Abb. 3), der einen hohen Grad an Stenosen aufweist. Hier konnte der Overlap von zuvor 30.1 % auf 53.8 % verbessert werden.
Die Genauigkeit innerhalb der Gefa¨ße (AI) hat sich um 0.04 mm von 0.28
mm auf 0.24 mm verbessert. Sie liegt damit deutlich unter der durchschnittlichen
Voxelgro¨ße der Datensa¨tze (ca. 0.30 mm) und ist nur um 0.01 mm geringer als
die des Gewinners des MICCAI-Wettbewerbs in der interaktiven Kategorie [
Alles in allem wurden die gesteckten Ziele ereicht: Bei leichter Verbesserung der von Zambal erreichten Genauigkeit konnte ein verbesserter Overlap erzielt 100 90 80 ) 70 (%60 V O50 Abb. 2. Vergleich des Overlaps (OV) der 24 Testdatensatze des Evaluierungsframeworks zwischen der Methode von Zambal et al. (hellgrau) und Grunauer et al. (dunkelgrau). Abb. 3. Datensatz 26: (a-c) Ergebnisse der drei Phasen des Algorithmus, (d) Vergleich der Losungen von Zambal (grau) und Grunauer (schwarz). werden. Es besta¨tigt sich, dass der vorgeschlagene Algorithmus Gefa¨ße robuster u¨ber kontrastmittelarme Regionen hinweg verfolgen kann. Aufgrund der neu eingefu¨hrten Heuristiken bei der Segmentzusammenfu¨hrung ist allerdings bei 6 Datensa¨tzen ein schlechterer Overlap als bei Zambal aufgetreten, wobei 3 Datensa¨tze eine Verringerung von mehr als 5 % aufweisen. Um mit diesen Fa¨llen korrekt umzugehen, bedarf es einer differenzierteren Behandlung von anatomischen Variationen, die in der jetzigen Arbeit noch nicht umgesetzt wurde.