Kurzfassung. Multimodale Bilddaten (MRT, PET) des Gehirns liefern wichtige Informationen für die Diagnose von Gehirnerkrankungen, wie z.B. M. Alzheimer. Von besonderem Interesse sind dabei Untersuchungen in ausgewählten 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 Kortexoberfläche entwickelt. Die 3D Visualisierung der Kortexoberfläche und die automatische Bestimmung von Startpunkten werden erläutert und Ergebnisse präsentiert. 1 Einleitung Die Volume-of-Interest (VOI) Segmentierung ist ein wichtiger Schritt zur Analyse funktioneller Parameter innerhalb kortikaler Regionen des menschlichen Gehirns auf Basis multimodaler Bilddaten (MRT, PET). Die übliche Vorgehensweise zur Segmentierung von VOIs ist die manuelle Markierung der gewünschten Strukturen in 2D Schnittbildern. Um die Markierung zu beschleunigen, bieten viele Toolkits (z.B. 3D-Slicer [1]) Werkzeuge an, wie z.B. das Legen von Polygonen, die aber nicht speziell auf die Markierung von kortikalen Regionen ausgerichtet sind. Zudem ist diese Vorgehensweise sehr zeitaufwendig, weshalb die Markierung der VOIs typischerweise nur in einigen wenigen Schnittbildern vorgenommen wird. Die Arbeiten von Mangin et al. [2] und Lohmann et al. [3] konzentrieren sich primär auf die Ermittlung der allgemeinen sulcalen Struktur und nicht auf die Bestimmung dreidimensionaler kortikaler VOIs.
In dem hier vorgestellten Ansatz soll der Benutzer möglichst intuitiv die VOIs auf Basis einer 3D Visualisierung der Kortexoberfläche markieren. Die zu bestimmende VOI umfasst im Wesentlichen den Teil der kortikalen grauen Masse, der durch die begrenzenden Sulci bis in die Tiefe hinein abgegrenzt ist.
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 [4]. Die einzelnen Schritte lassen sich wie folgt zusammenfassen [5]. Als Erstes wird mit einem morphologischen Skelettierungsalgorithmus [6] auf Basis der zusammengefassten Klassen K, L und GM ein Skelett der Sulci erstellt. Anschließend wird die Kortexoberfläche visualisiert. Dann werden die VOIs markiert, indem durch den Benutzer Punkte auf der Kortexoberfläche im Bereich der die VOI begrenzenden Sulci gesetzt und automatisch mittels eines 3D Live-Wire-Verfahrens verbunden werden. Diese VOI-Oberflächenkontur dient der Markierung der die VOI umschließenden Skelettäste. Durch weitere Schritte wie Interpolation und Dilatation wird die dreidimensionale VOI-Grenzfläche generiert, zu der auch die Klassengrenzen L/GM und GM/WM beitragen. Alle innerhalb der geschlossenen Grenzfläche liegenden GM Voxel werden anschließend mittels eines Volume-Growing Algorithmus markiert.
Die Methodik wurde in eine Toolbox eingebettet, die dem Benutzer die Parametrierung, Visualisierung und Interaktion mit dem Datensatz ermöglicht. Diese Toolbox wurde als Applikation innerhalb des Medical Imaging Interaction Toolkits (MITK) [7] realisiert.
Entscheidend für die Markierung der VOIs ist die klare visuelle Abgrenzbarkeit der Sulci auf der Kortexoberfläche. Die 3D Visualisierung der Kortexoberfläche erfolgt, indem die Klassen GM und WM zusammengefasst werden und ein 3D Mesh mit Hilfe des Marching Cubes Algorithmus extrahiert wird. Die kortikale Oberfläche kann bei realen MRT-Bilddaten jedoch Störungen enthalten, die bei der Visualisierung die für die Markierung wichtigen Sulci überlagern (Abb. 1a,b). Zur Reduktion dieser Störungen 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 Oberfläche zusätzlich mit Hilfe von VTK Filtern geglättet und dezimiert.
Ein Volume-Growing Algorithmus dient der Markierung aller innerhalb der geschlossenen VOI-Grenzfläche liegenden Voxel der Klasse GM. Der Startpunkt p GM für dieses Volume-Growing soll automatisch bestimmt werden können. Entscheidend ist es, hierzu einen Punkt der grauen Masse auszuwählen, der innerhalb der auf der kortikalen Oberfläche 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 p i E in der Kalotte bestimmt wird (Abb.
Zur Unterstützung des Benutzers bei der Markierung von VOI-Konturen auf der Kortexoberfläche 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 Datensätzen untersucht (Patient1 (P1), Patient2 (P2), Colin27 (http://www.bic.mni.mcgill.ca/ServicesAtlases)). Dafür wurden größere (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 für die Verfahren, also die erfolgreiche Markierung der VOI ausgehend vom Startpunkt, sind in Tabelle 1 angegeben. Zusätzlich zu einer Gesamterfolgsrate über alle Datensätze und VOIs (Σ) sind auch Erfolgsraten für 14 ausgewählte ellipsoide VOIs angegeben (P1(e), P2(e), Colin27(e)). Die berechnete Least-Squares Ebene für eine beispielhafte VOI ist in Abbildung 2c dargestellt.