Kurzfassung. Multimodale Bilddaten (MRT, PET) des Gehirns liefern wichtige Informationen fur die Diagnose von Gehirnerkrankungen, wie z.B. M. Alzheimer. Von besonderem Interesse sind dabei Untersuchungen in ausgewahlten kortikalen Regionen des Gehirns (Volumes-of-Interest, VOIs). Oft werden solche VOIs in 2D Schnittbildern manuell markiert. Zur Beschleunigung dieser zeitaufwendigen Prozedur wird eine Toolbox zur intuitiven Markierung kortikaler VOIs auf Basis der 3D Kortexoberache entwickelt. Die 3D Visualisierung der Kortexober ache und die automatische Bestimmung von Startpunkten werden erlautert und Ergebnisse prasentiert.
Als Eingabe dient ein klassifizierter Datensatz, der die Klassen Kalotte (K),
Liquor (L), graue Masse (GM) und weiße Masse (WM) sowie Hintergrund (H)
beinhaltet. Dieser Datensatz wird in einem Vorverarbeitungsschritt aus den
akquirierten MRT-Bilddaten erstellt [
Die Methodik wurde in eine Toolbox eingebettet, die dem Benutzer die
Parametrierung, Visualisierung und Interaktion mit dem Datensatz ermo¨glicht. Diese
Toolbox wurde als Applikation innerhalb des Medical Imaging Interaction
Toolkits (MITK) [
Entscheidend fu¨r die Markierung der VOIs ist die klare visuelle Abgrenzbarkeit der Sulci auf der Kortexoberfla¨che. Die 3D Visualisierung der Kortexoberfla¨che erfolgt, indem die Klassen GM und WM zusammengefasst werden und ein 3D Mesh mit Hilfe des Marching Cubes Algorithmus extrahiert wird. Die kortikale Oberfla¨che kann bei realen MRT-Bilddaten jedoch Sto¨rungen enthalten, die bei der Visualisierung die fu¨r die Markierung wichtigen Sulci u¨berlagern (Abb. 1a,b). Zur Reduktion dieser Sto¨rungen wurde ein Ansatz auf Basis morphologischer Operatoren verfolgt. Dazu wird von der weißen Masse ausgehend mehrmals in den Bereich der grauen Masse hinein dilatiert. Erlaubte Strukturelemente sind dabei die 6-, 18- oder 26-Nachbarschaft. In einem weiteren Optimierungsschritt wird das resultierende 3D Mesh der kortikalen Oberfla¨che zusa¨tzlich mit Hilfe von VTK Filtern gegla¨ttet und dezimiert. 2.2
Ein Volume-Growing Algorithmus dient der Markierung aller innerhalb der geschlossenen VOI-Grenzfla¨che liegenden Voxel der Klasse GM. Der Startpunkt pGM fu¨r dieses Volume-Growing soll automatisch bestimmt werden ko¨nnen. Entscheidend ist es, hierzu einen Punkt der grauen Masse auszuwa¨hlen, der innerhalb der auf der kortikalen Oberfla¨che markierten Grenzkontur und an der Klassengrenze L/GM liegt. Dazu wird das von der Grenzkontur geschnittene Skelett mit Hilfe von Tracing-Algorithmen vom Schnittpunkt ausgehend in Richtung der Kalotte verfolgt, so dass zu jedem Schnittpunkt auf der Kontur ein Endpunkt piE in der Kalotte bestimmt wird (Abb. 2b). Aus diesen Endpunkten wird (a) v (a) der Schwerpunkt pS bestimmt, der typischerweise ebenfalls in der Kalotte liegt. Um daraus den Startpunkt pGM zu erhalten, werden drei Ansa¨tze verfolgt.
Der erste Ansatz (Hull) ist die Bestimmung des ersten ”Treffers“ bei der Iteration u¨ber die Punkte P d = f pS + p′; jjpS p′jj∞ = d; d = 0 : : : ng; um den Schwerpunkt pS herum. Die Erweiterung dieses Ansatzes ist die Berechnung bezu¨glich der Euklidischen Norm jj jj2 (Closest Point), also die Bestimmung des am na¨chsten gelegenen Voxels, der die Startpunktbedingungen erfu¨llt.
Da diese Ansa¨tze nicht immer zum Erfolg fu¨hren, wird durch die Berechnung eines Richtungsvektors !v, der zusammen mit dem Schwerpunkt pS eine Gerade beschreibt, die Suche des Startpunktes auf die Iteration u¨ber die Geradenpunkte weiter eingeschra¨nkt.
pGM = pS + !v; 2 R (1) Solch ein Richtungsvektor kann bestimmt werden, indem aus den Endpunkten piEeine Least-Squares Ebene berechnet wird (LSP), deren Normale als Vektor (b) (c)
der WM (a,c) erzeugten Kortexober ache. Zusatzlich zu den Klassen (WM(wei ),
gewonnene Ober ache als Kontur angezeigt. H K L WM
GM VOI LSP (b) (c)
stellen die Schnittpunkte zwischen der 3D Live-Wire Kontur und dem Skelett (rot) dar und begrenzen die VOI (grun). Der Startpunkt (Dreieck) wird mittels einer Least
(Quadrate) und den Normalenvektor v bestimmt wird. (b) Die Endpunkte piE in der
grenzte VOI ist turkis markiert. (c) Eine aus den Endpunkten berechnete Least-Squares
!v dienen kann (Abb. 2a). Um eine robuste Bestimmung des Startpunktes auf dieser Basis zu ermo¨glichen, bietet es sich an, den letzten Punkt der grauen Masse auf dem Liniensegment zwischen dem Schwerpunkt und der Kalotte als Startpunkt auszuwa¨hlen. Hierdurch wird ausgeschlossen, dass ein GM Voxel im Bereich eines Sulcus gewa¨hlt wird, welcher sich aufgrund der komplexen dreidimensionalen Topologie der kortikalen Strukturen vor die markierte VOI ”geschoben“hat (Abb. 2a). Die Lo¨sung von Gleichung 1 liefert als Ergebnis zwei Punkte p+GM = pS + + !v und pG−M = pS − !v, mit +; − 0. Als Startpunkt wird derjenige mit dem kleineren Abstand zum Schwerpunkt gewa¨hlt (min(jp+GM pSj; jpG−M pSj)). 3
Zur Unterstu¨tzung des Benutzers bei der Markierung von VOI-Konturen auf der Kortexoberfla¨che wurde eine optimierte 3D Visualisierung realisiert. Abbildung 1 zeigt einen beispielhaften Vergleich zwischen der alten und der neuen Darstellung.
Es wurden drei Verfahren zur Bestimmung von Startpunkten implementiert und anhand von drei Datensa¨tzen untersucht (Patient1 (P1), Patient2 (P2), Colin27 (http://www.bic.mni.mcgill.ca/ServicesAtlases)). Dafu¨r wurden gro¨ßere (Frontal-, Temporal-, Parietal- und Okzipitallappen und Zerebellum) und kleinere VOIs (Subregionen im Frontal- und Temporallappen) markiert, mit einer Gesamtzahl von 26 VOIs pro Datensatz. Die prozentualen Erfolgsraten fu¨r die Verfahren, also die erfolgreiche Markierung der VOI ausgehend vom Startpunkt, sind in Tabelle 1 angegeben. Zusa¨tzlich zu einer Gesamterfolgsrate u¨ber alle Datensa¨tze und VOIs ( ) sind auch Erfolgsraten fu¨r 14 ausgewa¨hlte ellipsoide VOIs angegeben (P1(e), P2(e), Colin27(e)). Die berechnete Least-Squares Ebene fu¨r eine beispielhafte VOI ist in Abbildung 2c dargestellt. 4
Die 3D Visualisierung der Kortexoberfla¨che zur Markierung von VOI-Oberfla¨chenkonturen wurde so erweitert, dass die im Eingangsdatensatz enthaltenen Sto¨rungen stark reduziert werden konnten. Ursache dieser Sto¨rungen sind das
Gehirn umgebende anatomische Strukturen gleichen Intensita¨tsbereiches (z.B. Hirnhaut), die aufgrund des Partialvolumeneffektes durch die Klassifikation nicht von der Gehirnoberfla¨che zu trennen sind. Durch eine geeignete Parametrierung des Dilatationsprozesses (Nachbarschaft, Anzahl der Dilatationen) kann der kortikale Bereich fast vollsta¨ndig erfasst werden, ohne in den Bereich der Sto¨rungen hinein zu dilatieren. Fu¨r eine optimale Darstellung haben sich zwei bis drei Dilatationsschritte bewa¨hrt. Die so gewonnene Oberfla¨che liegt dann in Teilbereichen etwas unterhalb der korrekten Kortexoberfla¨che mit etwas tiefer eingeschnittenen Sulci damit dem Benutzer eine einfachere Markierung der relevanten Sulci fu¨r die kortikale VOI-Oberfla¨chenkontur ermo¨glicht wird. Um die gesamte VOI zu erfassen und die diagnostische Aussagekraft nicht zu verfa¨lschen, basiert die der Markierung folgende Extraktion der VOI dann wieder auf dem Originaldatensatz und damit der Originaloberfla¨che.
Zur automatischen Bestimmung eines Startpunktes wurden drei Verfahren verglichen. Insbesondere wenn eine VOI die Form eines Ellipsoids aufweist (z.B. im Bereich des Frontallappens) kann der berechnete Schwerpunkt im Inneren des Ellipsoids liegen und damit in der weißen Masse. Aufgrund der komplexen Topologie des Gehirns ko¨nnen in diesem Fall die am na¨chsten gelegenen GM Voxel nicht zwingend der markierten VOI zugeordnet werden. Die Ergebnisse zeigen, dass der neu implementierte Least-Squares Ansatz in den meisten Fa¨llen und insbesondere bei ellipsoiden VOIs eine zuverla¨ssigere Bestimmung des Startpunktes ermo¨glicht. Da mit keinem Verfahren eine 100 prozentige Erfolgsrate garantiert werden kann, wird dem Benutzer zusa¨tzlich die Option gegeben den Startpunkt manuell zu setzen.
Danksagung. Diese Arbeit wurde mit Mitteln des BMBF unter dem Fo¨rderkennzeichen 01EZ0822 gefo¨rdert.
Literaturverzeichnis