Interaktive Techniken zur Korrektur medizinischer Segmentierungen auf Basis Stabiler Feder-Masse-Modelle

Die Auswertung digitaler Bilddaten fur die Diagnose und Therapie von Krankheitsbildern nimmt heute einen hohen Stellenwert ein. Eine Computerunterstutzung fur die Segmentierung anatomischer Strukturen ist von Bedeutung, nach heutigem Stand der Technik aber nicht vollkommen exakt, was Fehlsegmentierungen zur Folge hat. Fur die Planung von Halstumor-Operationen etwa werden Segmentierungen genutzt, um Maszahlen wie Tumorgrose oder -ausdehnung, sowie Informationen uber mogliche Infiltration und Sicherheitsabstande zu berechnen. Die Korrektheit der Segmentierungen muss in solchen Fallen gewahrleistet sein und erfordert gerade bei automatischen Verfahren haufig manuelle Korrekturen. Wir stellen vier Interaktionstechniken zur nachtraglichen Korrektur modellbasierter Segmentierungen auf Basis Stabiler Feder-Masse-Modelle vor. Erstmalig wird dabei das durch die Formmodelle integrierte Wissen uber die zu segmentierende Struktur zur Korrekturdurchfuhrung hinzugezogen. In einer ersten Nutzerstudie konnte gezeigt werden, dass die entwickelten Interaktionstechniken auch untrainierten Anwendern eine effektive und effiziente Durchfuhrung von Nachbesserungen ermoglichen. Schlusselworte: Stabile Feder-Masse-Modelle, interaktive Korrekturwerkzeuge, Modellbasierte Segmentierung, CT

[1]  Heiko Seim,et al.  Ein 2-Fronten-Feder-Masse-Modell zur Segmentierung von Lymphknoten in CT-Daten des Halses , 2006, Bildverarbeitung für die Medizin.

[2]  Klaus D. Tönnies Grundlagen der Bildverarbeitung , 2005 .

[3]  Hans-Peter Meinzer,et al.  Empirische Vergleichsmaße für die Evaluation von Segmentierungsergebnissen , 2004, Bildverarbeitung für die Medizin.

[4]  M. Carlsson,et al.  Time resolved three-dimensional automated segmentation of the left ventricle , 2005, Computers in Cardiology, 2005.

[5]  Paul Heckel,et al.  The elements of friendly software design , 1984 .

[6]  Richard Rubinstein,et al.  The Human Factor: Designing Computer Systems for People , 1984 .

[7]  William A. Barrett,et al.  Interactive Segmentation with Intelligent Scissors , 1998, Graph. Model. Image Process..

[8]  Rolf Adams,et al.  Seeded Region Growing , 1994, IEEE Trans. Pattern Anal. Mach. Intell..

[9]  Edsger W. Dijkstra,et al.  A note on two problems in connexion with graphs , 1959, Numerische Mathematik.

[10]  Demetri Terzopoulos,et al.  Snakes: Active contour models , 2004, International Journal of Computer Vision.

[11]  Heinz-Otto Peitgen,et al.  3D contour based local manual correction of tumor segmentations in CT scans , 2009, Medical Imaging.

[12]  M Ostergaard,et al.  Different approaches to synovial membrane volume determination by magnetic resonance imaging: manual versus automated segmentation. , 1997, British journal of rheumatology.

[13]  David N. Kennedy,et al.  Automated Segmentation of Brain Exterior in MR Images Driven by Empirical Procedures and Anatomical Knowledge , 1997, IPMI.

[14]  Jakob Wasza,et al.  Article in Press G Model Computerized Medical Imaging and Graphics Segmentation of Kidneys Using a New Active Shape Model Generation Technique Based on Non-rigid Image Registration , 2022 .

[15]  Demetri Terzopoulos,et al.  Deformable models in medical image analysis: a survey , 1996, Medical Image Anal..

[16]  Bernhard Preim,et al.  Interaktionstechniken zur Korrektur medizinischer 3D-Segmentierungen , 2010, Bildverarbeitung für die Medizin.

[17]  Bernhard Preim,et al.  Segmentation of Neck Lymph Nodes in CT Datasets with Stable 3D Mass-Spring Models , 2006, MICCAI.

[18]  Bernhard Preim,et al.  Entwicklung interaktiver Systeme , 1999 .

[19]  Ron Kikinis,et al.  Adaptive Template Moderated Brain Tumor Segmentation in MRI , 1999, Bildverarbeitung für die Medizin.

[20]  Klaus D. Tönnies,et al.  Stable dynamic 3D shape models , 2005, IEEE International Conference on Image Processing 2005.

[21]  Jayaram K. Udupa,et al.  User-Steered Image Segmentation Paradigms: Live Wire and Live Lane , 1998, Graph. Model. Image Process..

[22]  Bernhard Preim,et al.  Generation and Initialization of Stable 3D Mass-Spring Models for the Segmentation of the Thyroid Cartilage , 2006, DAGM-Symposium.

[23]  Silvia Delgado Olabarriaga,et al.  Human-Computer Interaction for the Segmentation of Medical Images , 1999 .

[24]  Lars Dornheim Generierung und Dynamik physikalisch basierter 3D-Modelle zur Segmentierung des linken Ventrikels in SPECT-Daten , 2005 .

[25]  C. Duchon Lanczos Filtering in One and Two Dimensions , 1979 .

[26]  Timothy F. Cootes,et al.  Active Shape Models - 'smart snakes' , 1992, BMVC.

[27]  Yan Kang,et al.  Interactive 3D editing tools for image segmentation , 2004, Medical Image Anal..

[28]  Arnold W. M. Smeulders,et al.  Interaction in the segmentation of medical images: A survey , 2001, Medical Image Anal..

[29]  Bernhard Preim,et al.  Pre-operative segmentation of neck CT datasets for the planning of neck dissections , 2006, SPIE Medical Imaging.

[30]  Heinz-Otto Peitgen,et al.  IWT-interactive watershed transform: a hierarchical method for efficient interactive and automated segmentation of multidimensional gray-scale images , 2003, SPIE Medical Imaging.

[31]  Serge Beucher,et al.  THE WATERSHED TRANSFORMATION APPLIED TO IMAGE SEGMENTATION , 2009 .

[32]  Colin Studholme,et al.  Hierarchical Segmentation Satisfying Constraints , 1994, BMVC.

[33]  Bernhard Preim,et al.  Segmentation of neck lymph nodes in CT datasets with stable 3D mass-spring models segmentation of neck lymph nodes. , 2007, Academic radiology.