TU Darmstadt / ULB / TUprints

Registrierung und Segmentierung von Lymphknoten aus multimodalen Zeitreihen im Kopf-Hals-Bereich

Steger, Sebastian (2013)
Registrierung und Segmentierung von Lymphknoten aus multimodalen Zeitreihen im Kopf-Hals-Bereich.
Technische Universität Darmstadt
Ph.D. Thesis, Primary publication

[img]
Preview
Text
DissertationSebastianStegerFinal.pdf - Accepted Version
Copyright Information: In Copyright.

Download (12MB) | Preview
Item Type: Ph.D. Thesis
Type of entry: Primary publication
Title: Registrierung und Segmentierung von Lymphknoten aus multimodalen Zeitreihen im Kopf-Hals-Bereich
Language: German
Referees: Sakas, Prof. Dr. Georgios ; Fellner, Prof. Dr. Dieter
Date: 22 March 2013
Place of Publication: Darmstadt
Date of oral examination: 7 February 2013
Abstract:

Der verlässlichste unabhängige prognostische Faktor für den Krankheitsverlauf von Patienten mit Kopf-Hals-Karzinom ist das Vorhandensein von Lymphknotenmetastasen. Eine computergestützte Untersuchung und zeitliche Verfolgung von Lymphknoten in mehreren Bildmodalitäten durch ein multimodales, multitemporales Modell bietet viele Vorteile, insbesondere in Bezug auf Reproduzierbarkeit. Grundvoraussetzung dafür ist jedoch eine robuste automatische Registrierung und Segmentierung von Lymphknoten aus multimodalen Zeitreihen. Da existierende Verfahren den Anforderungen nicht genügen, werden dazu in dieser Arbeit neuartige Methoden entwickelt und evaluiert. Zur Lymphknotensegmentierung aus CT-Datensätzen wird ein Radialstrahl-basiertes 3D-Verfahren umfangreich behandelt. Ausgehend von einem Saatpunkt werden Strahlen radial in alle möglichen Richtungen gleichverteilt geschickt und ein Optimierungsverfahren bestimmt für jeden Strahl unter Einbeziehung von Bildinformation und lokalem Formwissen den bestmöglichen Radius und somit eine Segmentierung. Erstmalig findet ein Vergleich unterschiedlicher bildbasierter Kostenfunktionen statt und die Parameter werden durch ein datengetriebenes Verfahren bestimmt. Mit einer durchschnittlichen Oberflächendistanz von nur 0.46 mm ist die Segmentierungsgenauigkeit im Bereich der manuellen Expertensegmentierung und deutlich besser als existierende semi-automatische Verfahren. Die Inter-Observer-Variabilität zur Volumenbestimmung ist um den Faktor 3 geringer als bei manueller Volumenbestimmung. Neben Lymphknoten eignet sich das Verfahren auch zur Segmentierung anderer rundlicher Strukturen, wie z.B. Tumore, und bietet auch für einige Organe, wie z.B. die Prostata, eine Alternative zur modellbasierten Segmentierung. Die Registrierung einzelner Lymphknoten erfordert die automatische deformierbare Registrierung des gesamten Kopf-Hals-Bereichs. Dazu wird in dieser Arbeit die erste vollautomatische generalisierbare multi-rigide Methode vorgestellt. Sie basiert auf einem neuartigen artikulierten Atlas, welcher neben Wissen über Form und Aussehen einzelner Knochen auch deren relative Lagen (Artikulation) aus Trainingsdaten lernt. Dieser wird zunächst zur gleichzeitigen Segmentierung der Knochen aus dem CT-Datensatz verwendet. Ausgehend davon wird er durch personalisiertes Wissen angereichert und an die andere Bildmodalität oder Zeitserienaufnahme unter Berücksichtigung des gelernten Artikulationsraums angepasst. Die daraus berechneten rigiden Transformationen werden in einem zweistufigen Prozess in das umliegende Weichteilgewebe propagiert und ein dichtes Deformationsfeld entsteht. Abschließend wird die Registrierungsgenauigkeit innerhalb der Lymphknoten durch ein lokal rigides Registrierungsverfahren verbessert. Die Vorteile der multi-rigiden Registrierung liegen in dem großen Konvergenzbereich und der geringen Anfälligkeit für Bildartefakte aufgrund der einzigartigen globalen Regularisierung. Innerhalb von Lymphknotenzentren wird eine Registrierungsgenauigkeit von durchschnittlich 5.05 mm erreicht. Gegenüber der B-Spline Registrierung ergibt sich eine Verbesserung um 37% und eine subjektiv deutlich besser empfundene Qualität der erzeugten deformierten Bilder. Die wichtigsten Beiträge dieser Arbeit sind zur Segmentierung von Lymphknoten eine neue Kostenfunktion, ein umfangreicher Vergleich verschiedener Kostenfunktionen und eine datengetriebene Parameterwahl. Die Hauptbeiträge zur Bildregistrierung sind das Lernen der relativen Elementlagen, ein adaptives Anpassungsverfahren und die Personalisierung des artikulierten Atlas.

Alternative Abstract:
Alternative AbstractLanguage

The most reliable independet prognostic factor for the disease evolution of head&neck cancer patients is the presence of lymph node metastasis. A computer aided evaluation and follow up assessment of relevant lymph nodes in different imaging modalities using a multimodal multitemporal model has many advantages, in particular in terms of reproducibility. However, this requires the robust automated registration and segmentation of lymph nodes from multi-modal time series medical images. In this work, new approaches for both imaging problems are presented because existing solutions do not satisfy the requirements. For the segmentation of lymph nodes from CT-data, a radial ray based 3D-method is treated comprehensively. From a seed point, rays are cast into all directions and an optimization technique determines a radius for each ray based on image appearance and shape knowledge thereby obtaining a segmentation. For the first time, different appearance cost functions are compared and parameters are selected using a data driven approach. With an average symmetric surface distance of only 0.46 mm, the segmentation accuracy is close to manual segmentation and outperforms existing semiautomatic methods. The inter-observer-variablity for volume assessment is approximately three times lower compared to manual volume assessment. Beyond lymph nodes, this method is also suitable for the segementation of other spherical structures such as tumors and offers an alternative to model based segmentation approaches for certain organs like the prostate. Prerequisite for a registration of individual lymph nodes is the automated deformable registration of the entire head&neck images. Therefore, the first fully automated general purpose multi-rigid registration method is presented. It is based on an articulated atlas combining shape and appearance knowledge of individual bones with information about their relative spatial locations (articulation). It is created from annotated training data and used to obtain a segmentation of individual bones from CT-data. Based on that, the atlas is personalized and then adapted to the other imaging modality or time series image, thereby incorporating the learned articulation space. The resulting rigid transformations for each bone are propagated into the surrounding soft tissue in a two step process resulting into a dense deformation field. Finally, the accuracy within the lymph nodes is improved using local rigid registration. Advantages of the multi-rigid image registration approach presented in this work are the huge capture range as well as low sensitivity towards imaging artifacts due to global regularization. The average registration accuracy in the lymph node centers is 5.05 mm. Compared to B-spline registration, this is 37% better while at the same time a considerable better quality of the deformed images is achieved. The major contributions of this work to the segmentation of lymph nodes are a new cost function, a comprehensive comparison of cost functions and a data driven parameter selection. The main contributions to image registration are the learned articulation, a dynamic adaptation strategy and the personalization of the articulated atlas.

English
Uncontrolled Keywords: Lymphknoten, Segmentierung, Registrierung, Zeitreihe, Medizinische Bildverarbeitung
URN: urn:nbn:de:tuda-tuprints-33561
Classification DDC: 000 Generalities, computers, information > 004 Computer science
600 Technology, medicine, applied sciences > 610 Medicine and health
Divisions: 20 Department of Computer Science > Interactive Graphics Systems
Date Deposited: 28 Mar 2013 11:06
Last Modified: 09 Jul 2020 00:18
URI: https://tuprints.ulb.tu-darmstadt.de/id/eprint/3356
PPN: 386756139
Export:
Actions (login required)
View Item View Item