Gehirnsegmentierung mit der
Wasserscheidentransformation
Quelle: HK Hahn, HO Peitgen. “The Skull Stripping Problem In MRI Solved By A Single 3D Watershed Transform”, Medical
Image Computing and Computer-Assi-sted Intervention (MICCAI'2000), Pittsburgh, Springer, 2000, S. 134-143
Motivation:
Gehirnsegmentierung ist ein wichtiger Schritt in der neurologische
Bildverarbeitung.
Die erfolgreiche Segmentierung ist Ausgangspunkt für
Visualisierung und Quantifizierung des Gehirns.
Lydia Paasche
Medizinische Visualisierung - Seminar
Gehirnsegmentierung mit Wasserscheidentransformation
1/30
Gliederung
•
Grundlagen – Wasserscheidentransformation
•
Gehirnsegmentierung mit 3D Wasserscheidentransformation
•
•
•
•
Interaktive Wasserscheidentransformation
•
•
•
Ziele
Algorithmus/Methode
Evaluierung/Ergebnisse
Algorithmus/Methode
Evaluierung/Anwendungen
Aussicht
Lydia Paasche
Medizinische Visualisierung - Seminar
Gehirnsegmentierung mit Wasserscheidentransformation
2/30
Wasserscheidentransformation
•
•
Idee: Zweidimensionales Grauwertbild (Gradientenbild) als
topografisches Relief auffassen – Grauwert eines Bildpunktes
als Erhebung interpretieren
Annahme: Regionen sind durch hohe Gradienten voneinander
abgegrenzt
Quelle: Th Lehmann, W Oberschelp, E Pelikan und R Repges. Bildverarbeitung für die Medizin, Springer-Verlag, Heidelberg, 1997
Lydia Paasche
Medizinische Visualisierung - Seminar
Gehirnsegmentierung mit Wasserscheidentransformation
3/30
Wasserscheidentransformation
•
Strategien :
– Rainfalling: Beregnung
– Immersion: Absenken in einen See
•
Hauptprobleme:
– Abhängigkeit von der Bildqualität
– Übersegmentierung: Segmente sind nicht die gesuchten
Bedeutungsträger
Lydia Paasche
Medizinische Visualisierung - Seminar
Gehirnsegmentierung mit Wasserscheidentransformation
4/30
Wasserscheidentransformation
Flutung
Erweiterung
einer existierende
Region
neue Region
Quelle: K Tönnies, “Segmentierung und Klassifizierung”, Vorlesung medizinische Bildanalyse Nr. 7
Lydia Paasche
Medizinische Visualisierung - Seminar
Gehirnsegmentierung mit Wasserscheidentransformation
5/30
Wasserscheidentransformation
Flutung
Wasserscheide
Quelle: K Tönnies, “Segmentierung und Klassifizierung”, Vorlesung medizinische Bildanalyse Nr. 7
einmal gebildete Wasserscheiden bleiben trotz weiterer Flutung erhalten
Lydia Paasche
Medizinische Visualisierung - Seminar
Gehirnsegmentierung mit Wasserscheidentransformation
6/30
Gehirnsegmentierung
3D Wasserscheidentransformation
•
Ziel: vollständige Segmentierung des Gehirns
– Gehirn = weiße Substanz (WS), graue Substanz (GS), Cerebellum
(Kleinhirn), spinal cord (Rückenmark)
– Keine Vorverarbeitung der Daten (T1 gewichtete MR Bilder)
– robust gegen Rauschen und radio frequency non-uniformity
– einfach – bis auf den Zusammenhang der WS, keine weiteren
Annahmen über anatomische Strukturen
– schnell und leichte Interaktion
Lydia Paasche
Medizinische Visualisierung - Seminar
Gehirnsegmentierung mit Wasserscheidentransformation
7/30
Gehirnsegmentierung
3D Wasserscheidentransformation
•
Radio Frequency
– Magnetfeld nicht homogen
– Stärke des Magnetfeldes ist abhängig von der Nähe zur Spule
– Feldstärke = Tesla
•
T1 (Relaxationszeit) gewichtete MR Bilder
–
–
–
–
MR Bilder – guter Weichgewebekontrast
Magnetisierung der Wasserstoffatome
aufgrund von Test als am geeignetsten befunden
guter Kontrast zwischen WS, GS, sowie CSF
Lydia Paasche
Medizinische Visualisierung - Seminar
Gehirnsegmentierung mit Wasserscheidentransformation
8/30
Warum T1 gewichtete Bilder?
Quelle: B Preim, “Bildverarbeitung und Bildanalyse für die Visualisierung (II)”, Vorlesung Visualisierung
T1 – Liquor dunkel
Lydia Paasche
T2 - Liquor hell
Medizinische Visualisierung - Seminar
Gehirnsegmentierung mit Wasserscheidentransformation
9/30
3D Wasserscheidentransformation
Algorithmus
•
Methode:
– Grundlage: Zusammenhang der WS – WS verbindet alle
funktionalen Teile des Gehhirns
– WS umgeben von dunkleren GS und noch dunklerer CSF
– Grauwertbild als Relief – 2 Pkt. sind nicht verbunden, wenn sie
durch ein Tal getrennt sind
–
Einführung eines pre-flooding Wertes Hpf
Lydia Paasche
Medizinische Visualisierung - Seminar
Gehirnsegmentierung mit Wasserscheidentransformation
10/30
3D Wasserscheidentransformation
Algorithmus
Isolation eines Hügels
Quelle: HK Hahn, HO Peitgen. “The Skull Stripping Problem In MRI Solved By A Single 3D Watershed Transform”, Medical Image
Computing and Computer-Assi-sted Intervention (MICCAI'2000), Pittsburgh, Springer, 2000, S. 134-143
für Wasserscheidentransformation wird das Bild invertiert
Quelle: HK Hahn, HO Peitgen. “The Skull Stripping Problem In MRI Solved By A Single 3D Watershed Transform”, Medical Image
Computing and Computer-Assi-sted Intervention (MICCAI'2000), Pittsburgh, Springer, 2000, S. 134-143
Lydia Paasche
Medizinische Visualisierung - Seminar
Gehirnsegmentierung mit Wasserscheidentransformation
11/30
3D Wasserscheidentransformation
Algorithmus
•
Ablauf
– sortieren der Voxel – des invertierten Bildes – in aufsteigender
Ordnung
– jedes Voxel wird nur einmal bearbeitet mit seinen 6 direkten
Nachbarn (3D)
– falls einer oder mehrere seiner Nachbarn bereits geflutet, aufgrund
niedrigerer oder gleicher Intensität
» Voxel-Basin-Merging
» Basin-Basin-Merging
sonst neues Becken – Sortierung sichert, dass isolierter Voxel
lokales Minima ist
Lydia Paasche
Medizinische Visualisierung - Seminar
Gehirnsegmentierung mit Wasserscheidentransformation
12/30
3D Wasserscheidentransformation
Algorithmus
•
Voxel-Basin-Merging
– Voxel verschmilzt mit tiefsten Nachbarbecken
» Becken mit dem kleinsten Minimum (dunkelsten)
•
Basin-Basin-Merging
– alle Nachbarbecken, deren Tiefe relativ zum aktuellen
Voxel gleich hoch oder niedriger als Hpf ist, verschmelzen
zu einem Becken
Lydia Paasche
Medizinische Visualisierung - Seminar
Gehirnsegmentierung mit Wasserscheidentransformation
13/30
3D Wasserscheidentransformation
Algorithmus
•
Ergebnisse
– mit Hilfe eines geeigneten Hpf repräsentiert ein Becken das
vollständige Gehirn – es ist das größte Becken
– Anzahl der Becken sinkt monoton mit steigender Größe und Hpf
– Robustheit des Alg. – Segmentierungsergebnis ändert sich nicht
kontinuierlich mit variierenden Hpf, sondern es existiert ein breiter
Bereich an geeigneten Hpf-Werten
Lydia Paasche
Medizinische Visualisierung - Seminar
Gehirnsegmentierung mit Wasserscheidentransformation
14/30
3D Wasserscheidentransformation
Algorithmus - Ergebnisse
Quelle: HK Hahn, HO Peitgen. “The Skull Stripping Problem In MRI Solved By A Single 3D Watershed Transform”, Medical Image
Computing and Computer-Assi-sted Intervention (MICCAI'2000), Pittsburgh, Springer, 2000, S. 134-143
Verhalten des Algorithmus: mit steigenden Hpf, Anzahl der resultierenden
Becken und der Größe der Becken (gestrichelte Linie)
Lydia Paasche
Medizinische Visualisierung - Seminar
Gehirnsegmentierung mit Wasserscheidentransformation
15/30
3D Wasserscheidentransformation
Evaluierung
•
Ist diese Methode erfolgreich in der Segmentierung des
vollständigen Gehirns?
Lydia Paasche
Medizinische Visualisierung - Seminar
Gehirnsegmentierung mit Wasserscheidentransformation
16/30
3D Wasserscheidentransformation
Evaluierung
•
Evaluierung an Phantom-Daten und klinischen Daten
•
Phantom Studien
– Simulated Brain Database/Montréal Neurological Institut, McGill
University
– 90 T1- gewichtete Datensätze
– alle erfolgreich, auch bei extremer Schichtdicke (9mm), Rauschen
und RF- non uniformity
Lydia Paasche
Medizinische Visualisierung - Seminar
Gehirnsegmentierung mit Wasserscheidentransformation
17/30
3D Wasserscheidentransformation
Evaluierung
•
Phantom Studien
Quelle: HK Hahn, HO Peitgen. “The Skull Stripping Problem In MRI Solved By A Single 3D Watershed Transform”, Medical Image
Computing and Computer-Assi-sted Intervention (MICCAI'2000), Pittsburgh, Springer, 2000, S. 134-143
Lydia Paasche
Medizinische Visualisierung - Seminar
Gehirnsegmentierung mit Wasserscheidentransformation
18/30
3D Wasserscheidentransformation
Evaluierung
•
Klinische Studien
– 43 Bilder von Freiwilligen und Patienten
– unterschiedliche Parameter (Schichtdicke, Schnittrichtung)
– 43 erfolgreich, in 2 Segmentierungen Hpf unerwartet hoch
Quelle: HK Hahn, HO Peitgen. “The Skull Stripping Problem In MRI Solved By A Single 3D Watershed Transform”, Medical Image
Computing and Computer-Assi-sted Intervention (MICCAI'2000), Pittsburgh, Springer, 2000, S. 134-143
Lydia Paasche
Medizinische Visualisierung - Seminar
Gehirnsegmentierung mit Wasserscheidentransformation
19/30
3D Wasserscheidentransformation
Ergebnisse
•
3D Wasserscheidentransformation war in allen getesteten
Datenmengen erfolgreich
•
der Hpf kann innerhalb eines bestimmten Bereiches variieren
ohne das sich die Ausgabe der Segmentierung ändert – Beweis
für die Robustheit der Methode
•
96% von Experten als erfolgreich bewertet
Lydia Paasche
Medizinische Visualisierung - Seminar
Gehirnsegmentierung mit Wasserscheidentransformation
20/30
Interaktive
Wasserscheidentransformation (IWT)
•
•
•
IWT basiert auf dem Immersionsszenario und einer
hierarchischen Organisation der Becken in einer Baumstruktur
jedes lokale Minimum ist als atomares Becken auf der untersten
hierarchischen Ebene repräsentiert
erst nach der WT werden Marker und globale Parameter
(pre-flooding Wert) genutzt, um das Segmentierungsergebnis
zu kontrollieren
Quelle: HK Hahn, HO Peitgen. “IWT- Interactive
Watershed Transform: A hierarchical method for efficient
and automated segmentation of multidimensional
grayscale images”,Proc. Medical Imaging, SPIE 5032, San
Diego, Feb 2003, in press.
Lydia Paasche
Medizinische Visualisierung - Seminar
Gehirnsegmentierung mit Wasserscheidentransformation
21/30
Interaktive
Wasserscheidentransformation
•
WT – in 3 Schritten
•
•
1. Bildinterpretation – Grauwert- oder Gradientenbild
2. Sortierung – nach Intensität zur Beschleunigung und
Erleichterung des Flutungsschrittes
3. Flutung – jedes Bildelement nur einmal bearbeitet mit
Berücksichtigung des zugrundeliegenden Gitters Nachbarschaftskriterium
•
Lydia Paasche
Medizinische Visualisierung - Seminar
Gehirnsegmentierung mit Wasserscheidentransformation
22/30
IWT Algorithmus
Quelle: HK Hahn, HO Peitgen. “IWT- Interactive Watershed Transform: A hierarchical method for efficient and automated segmentation
of multidimensional grayscale images”, Proc. Medical Imaging, SPIE 5032, San Diego, Feb 2003, in press.
Lydia Paasche
Medizinische Visualisierung - Seminar
Gehirnsegmentierung mit Wasserscheidentransformation
23/30
IWT Algorithmus
•
Output des Algorithmus
– Tabelle der
Staubecken
(atomic basin table)
– Tabelle der möglichen
merging events
(merging table)
Lydia Paasche
Quelle: HK Hahn, HO Peitgen. “IWT- Interactive Watershed Transform: A
hierarchical method for efficient and automated segmentation of multidimensional
grayscale images”,Proc. Medical Imaging, SPIE 5032, San Diego, Feb 2003, in
press.
Medizinische Visualisierung - Seminar
Gehirnsegmentierung mit Wasserscheidentransformation
24/30
IWT Algorithmus
Rekonstruktion von Bildelementen
•
•
Marker und pre-flooding Wert werden jetzt vom Nutzer gesetzt
hierarchischer Baum wird von der niedrigsten Ebene aus
traversiert
Quelle: HK Hahn, HO Peitgen. “IWT- Interactive Watershed Transform: A hierarchical method for efficient and automated segmentation of
multidimensional grayscale images”,Proc. Medical Imaging, SPIE 5032, San Diego, Feb 2003, in press.
Lydia Paasche
Medizinische Visualisierung - Seminar
Gehirnsegmentierung mit Wasserscheidentransformation
25/30
IWT Algorithmus
Anwendungen
•
Eine der Hauptanwendungen der IWT ist die
Volumendarstellung von neuroanatomischen Strukturen, vor
allem die Quantifizierung der Gehirnverkümmerung
Quelle: HK Hahn, HO Peitgen. “IWT- Interactive Watershed Transform: A hierarchical method for efficient and automated segmentation of
multidimensional grayscale images”,Proc. Medical Imaging, SPIE 5032, San Diego, Feb 2003, in press.
Lydia Paasche
Medizinische Visualisierung - Seminar
Gehirnsegmentierung mit Wasserscheidentransformation
26/30
IWT Algorithmus
Anwendungen
•
CT Bilder – Segmentierung benachbarter Knochen
– Pro Knochen ein Marker
Quelle: HK Hahn, HO Peitgen. “IWT- Interactive Watershed Transform: A hierarchical method for efficient and automated segmentation of
multidimensional grayscale images”,Proc. Medical Imaging, SPIE 5032, San Diego, Feb 2003, in press.
Lydia Paasche
Medizinische Visualisierung - Seminar
Gehirnsegmentierung mit Wasserscheidentransformation
27/30
IWT
Zusammenfassung
•
IWT
– verhindert Übersegmentierung (Hauptproblem der WT)
– hierarchische Organisation der einzelnen Becken vermeidet teure
Mehrfachberechnungen
– keine Vorprozesse sind notwendig
– wichtigster Vorteil ist die Interaktivität – alle Parameter können in
Echtzeit geändert werden, um das Ergebnis zu verfeinern
– es müssen keine Annahmen über die Form, der zu
segmentierenden Objekte gemacht werden – Kennzeichen der
Robustheit
Lydia Paasche
Medizinische Visualisierung - Seminar
Gehirnsegmentierung mit Wasserscheidentransformation
28/30
IWT
Aussicht
•
IWT schafft die Grundlage für robuste, vielseitig einsatzfähigen
und leicht zu benutzenden Segmentierungsalgorithmen
•
Interaktivität erlaubt gültige Segmentierung selbst auf Bildern
mit schlechter Qualität
•
die Kombination von Verfahren, z.B. Histogrammanalyse auf
dem Ergebnis der IWT, ist oft vorteilhaft
Lydia Paasche
Medizinische Visualisierung - Seminar
Gehirnsegmentierung mit Wasserscheidentransformation
29/30
Literatur
HK Hahn, HO Peitgen. “The Skull Stripping Problem In MRI Solved By A Single 3D Watershed
Transform”, Medical Image Computing and Computer-Assi-sted Intervention
(MICCAI'2000), Pittsburgh, Springer, 2000, S. 134-143
HK Hahn, HO Peitgen. “IWT- Interactive Watershed Transform: A hierarchical method for efficient
and automated segmentation of multidimensional grayscale images”,
Proc. Medical Imaging, SPIE 5032, San Diego, Feb 2003, in press.
Th Lehmann, W Oberschelp, E Pelikan und R Repges. Bildverarbeitung für die Medizin,
Springer-Verlag, Heidelberg, 1997
B Preim, “Bildverarbeitung und Bildanalyse für die Visualisierung (II)”, Vorlesung Visualisierung
A Schubert, HK Hahn, HO Peitgen. “Robuste vollautomatische Gehirnsegmentierung basierend
auf einer 3D-Wasserscheidentransformation, MeVis
K Tönnies, “Segmentierung und Klassifizierung”, Vorlesung medizinische Bildanalyse Nr. 7
Lydia Paasche
Medizinische Visualisierung - Seminar
Gehirnsegmentierung mit Wasserscheidentransformation
30/30

Medical Image Computing and Computer-Assi