TU Darmstadt / ULB / TUprints

The Probabilistic Active Shape Model: From Model Construction to Flexible Medical Image Segmentation

Kirschner, Matthias (2013)
The Probabilistic Active Shape Model: From Model Construction to Flexible Medical Image Segmentation.
Technische Universität Darmstadt
Ph.D. Thesis, Primary publication

[img]
Preview
Text
thesis.pdf - Accepted Version
Copyright Information: CC BY-NC-ND 2.5 Generic - Creative Commons, Attribution, NonCommercial, NoDerivs .

Download (17MB) | Preview
Item Type: Ph.D. Thesis
Type of entry: Primary publication
Title: The Probabilistic Active Shape Model: From Model Construction to Flexible Medical Image Segmentation
Language: English
Referees: Fellner, Prof. Dr. Dieter W. ; Meinzer, Prof. Dr. Hans-Peter
Date: 2013
Place of Publication: Darmstadt
Date of oral examination: 4 July 2013
Abstract:

Automatic processing of three-dimensional image data acquired with computed tomography or magnetic resonance imaging plays an increasingly important role in medicine. For example, the automatic segmentation of anatomical structures in tomographic images allows to generate three-dimensional visualizations of a patient’s anatomy and thereby supports surgeons during planning of various kinds of surgeries.

Because organs in medical images often exhibit a low contrast to adjacent structures, and because the image quality may be hampered by noise or other image acquisition artifacts, the development of segmentation algorithms that are both robust and accurate is very challenging. In order to increase the robustness, the use of model-based algorithms is mandatory, as for example algorithms that incorporate prior knowledge about an organ’s shape into the segmentation process. Recent research has proven that Statistical Shape Models are especially appropriate for robust medical image segmentation. In these models, the typical shape of an organ is learned from a set of training examples. However, Statistical Shape Models have two major disadvantages: The construction of the models is relatively difficult, and the models are often used too restrictively, such that the resulting segmentation does not delineate the organ exactly.

This thesis addresses both problems: The first part of the thesis introduces new methods for establishing correspondence between training shapes, which is a necessary prerequisite for shape model learning. The developed methods include consistent parameterization algorithms for organs with spherical and genus 1 topology, as well as a nonrigid mesh registration algorithm for shapes with arbitrary topology. The second part of the thesis presents a new shape model-based segmentation algorithm that allows for an accurate delineation of organs. In contrast to existing approaches, it is possible to integrate not only linear shape models into the algorithm, but also nonlinear shape models, which allow for a more specific description of an organ’s shape variation.

The proposed segmentation algorithm is evaluated in three applications to medical image data: Liver and vertebra segmentation in contrast-enhanced computed tomography scans, and prostate segmentation in magnetic resonance images.

Alternative Abstract:
Alternative AbstractLanguage

Die computergestützte Verarbeitung dreidimensionaler Bilddaten aus der Computer- oder Magnetresonanztomographie spielt eine immer wichtigere Rolle in der Medizin. So kann die automatische Segmentierung anatomischer Strukturen in den Bilddaten dabei helfen, die Anatomie eines Patienten dreidimensional zu visualisieren und somit Chirurgen bei der Planung verschiedenster Eingriffe zu unterstützen.

Da Organe in medizinischen Bilddaten häufig einen geringen Kontrast zueinander aufweisen und die Bildqualität zudem durch Rauschen oder diverse andere Aufnahmeartefakte beeinträchtigt sein kann, ist die Entwicklung von Segmentierungsverfahren, die sowohl zuverlässig als auch genau arbeiten, äußerst schwierig. Um eine hohe Robustheit zu erreichen, ist eine modellbasierte Segmentierung unabdingbar, bei der etwa Vorwissen über die Form eines Organs in den Segmentierungsprozess eingebunden wird. Die bisherige Forschung hat gezeigt, dass sich insbesondere statistische Formmodelle für die robuste Segmentierung medizinischer Bilder eignen. Bei diesen Modellen wird die typische Form eines Organs aus einer Menge von Trainingsdaten gelernt. Allerdings haben statistische Formmodelle zwei wesentliche Nachteile: Zum einen ist der Aufbau der Modelle relativ aufwändig, und zum anderen werden die Modelle häufig zu restriktiv eingesetzt, so dass die resultierende Segmentierung das Organs nicht genau umrandet. Diese Arbeit adressiert beide Nachteile: Im ersten Teil der Arbeit werden neue Methoden vorgestellt, um Korrespondenzen zwischen Trainingsformen herzustellen, was für den Aufbau von Formmodellen zwingend erforderlich sind. Die entwickelten Methoden umfassen konsistente Parametrisierungsverfahren für Organe mit sphärischer und toroidaler Topologie, sowie ein nicht-rigides Registrierungsverfahren für Organe mit beliebiger Topologie. Der zweite Teil der Arbeit stellt einen neuen Segmentierungsalgorithmus vor, der eine präzise formmodellbasierte Segmentierung ermöglicht. Im Gegensatz zu bestehenden Algorithmen ist das Verfahren in der Lage, neben den sonst üblichen linearen Formmodellen auch nichtlineare Formmodelle zu integrieren, so dass die Formvariation von Organen spezifischer modelliert werden kann.

Das vorgeschlagene Segmentierungsverfahren wird an drei klinischen Problemstellungen evaluiert: Leber- und Wirbelknochensegmentierung in kontrastverstärkten Aufnahmen aus der Computertomographie, sowie Prostatasegmentierung in Aufnahmen aus der Magnetresonanztomographie.

German
Uncontrolled Keywords: medizinische Bildverarbeitung, Segmentierung
URN: urn:nbn:de:tuda-tuprints-35192
Classification DDC: 000 Generalities, computers, information > 004 Computer science
Divisions: 20 Department of Computer Science
20 Department of Computer Science > Interactive Graphics Systems
Date Deposited: 18 Jul 2013 07:56
Last Modified: 09 Jul 2020 00:29
URI: https://tuprints.ulb.tu-darmstadt.de/id/eprint/3519
PPN: 386305455
Export:
Actions (login required)
View Item View Item