Titelaufnahme

Titel
Deformation based manual segmentation in three and four dimensions / von Tobias Fechter
VerfasserFechter, Tobias
Begutachter / BegutachterinGröller, Eduard
Erschienen2011
UmfangXIII, 99 S. : zahlr. Ill., graph. Darst.
HochschulschriftWien, Techn. Univ., Dipl.-Arb., 2011
Anmerkung
Zsfassung in dt. Sprache
SpracheEnglisch
DokumenttypDiplomarbeit
Schlagwörter (DE)segmentieren / deformation / mesh / 4D / 3D / medizinische datensätze / manuelle Segmentierung / multimodal
Schlagwörter (EN)segmentation / deformation / mesh / 4D / 3D / medical image / manual segmentation / multi modal
URNurn:nbn:at:at-ubtuw:1-44773 Persistent Identifier (URN)
Zugriffsbeschränkung
 Das Werk ist frei verfügbar
Dateien
Deformation based manual segmentation in three and four dimensions [4.05 mb]
Links
Nachweis
Klassifikation
Zusammenfassung (Deutsch)

Die Segmentierung von medizinischen 3D und 4D Bilddaten etablierte sich in den letzten Jahren zu einem der wichtigsten Teilgebiete der Medizin. Die Hauptaufgabengebiete der Segmentierung im medizinischen Bereich liegen in der Diagnose, der Simulation und der Planung von Therapien und Operationen. Der Forschungsfokus lag in den letzten Jahren hauptsächlich in der Entwicklung von automatischen und halb-automatischen Segmentierungsalgorithmen. Der Nachteil dieser Algorithmen ist, dass sie auf bestimmte Problemstellungen spezialisiert sind, weil viel Vorwissen für die automatische und halb-automatische Segmentierung notwendig ist und dass die Segmentierungsergebnisse oft nachkorrigiert werden müssen, wenn Pathologien oder andere Abnormalitäten existieren. Eine Alternative zu automatischen und halb-automatischen Methoden bietet die manuelle Segmentierung. Die Nachteile dieses Ansatzes liegen darin, dass er sehr zeitaufwändig und ermüdend ist, dass das Ergebnis sehr stark vom Wissen des Arztes abhängt und dass es sehr schwer ist, Ergebnisse zu reproduzieren.

Diese Arbeit präsentiert einen Ansatz, der es ermöglicht, die Ergebnisse von automatischen und halb-automatischen Segmentierungsalgorithmen zu verbessern, sowie eine schnelle manuelle Segmentierung von Objekten willkürlicher Form von Grund auf durchzuführen. Mit Hilfe des Programms, dass im Zuge dieser Arbeit entwickelt wurde, können 3D und 4D Bilddatensätze aller gängigen Bildgebungsverfahren segmentiert werden.

Die Segmentierung, basierend auf Dreiecksnetzen, wird anhand eines zweidimensionalen Schnittes durch das Gitternetz durchgeführt, der durch den Benutzer an die zu segmentierenden Form angepasst wird. Im Hintergrund wird dabei allerdings das Gitternetz in allen drei Dimensionen verändert. Um das Gitternetz besser an Kanten anzupassen, wird der Sticky Edges-Algorithmus vorgestellt, der den Anwender in dieser Aufgabe unterstützt. Um eine schnellere Segmentierung von 4D Datensätzen zu ermöglichen, stehen dem Benutzer zwei Methoden zur Verfügung. Mit Ersterer können die Segmentierungsschritte, die an einem Datensatz durchgeführt werden, aufgezeichnet und danach automatisch auf andere Datensätze übertragen werden. Die zweite Methode ermöglich es, ein bereits segmentiertes Gitternetz eines Datensatzes als Ausgangspunkt für die Segmentierung eines anderen Datensatzes zu verwenden. Der Ansatz dieser Arbeit ist bis zu 25 mal schneller, als die Segmentierung mit der Livewire-Methode, die zur Evaluierung herangezogen wurde. Bezüglich Glätte, Krümmung und Dreiecks-Qualität der Gitternetze sind die generierten Ergebnisse auf Augenhöhe mit denen der Evaluierungssoftware.

Der durchschnittliche geometrische Abstand zwischen den Gitternetzen der Evaluierungssoftware und dieses Ansatzes beträgt 2 mm. Die Abweichung der Normalen beträgt zwischen 0.3 und 0.4 Grad. Zusammenfassend wird in dieser Arbeit eine Methode präsentiert, die eine schnelle manuelle Segmentierung ermöglicht und Gitternetze von guter Qualität liefert.

Zusammenfassung (Englisch)

Segmentation of medical image data has grown into one of the most important parts in medicine during the past years. The main fields of segmentation in the area of medicine are surgical-planning, diagnosis, therapy-planning and simulation. The focus was in the last years mainly on automatic and semi-automatic segmentation methods for 3D and 4D datasets. Most of them are highly specialized as they need a lot of prior knowledge and often the results, especially in presence of pathologies or other abnormalities, have to be corrected manually. An alternative to automatic and semi-automatic methods is to perform the segmentation manually. The main drawbacks of this approach are that it is very tedious and time consuming, the user knowledge has a very high impact on the results and it is very hard to reproduce specific results.

This work presents a tool that enables the user to enhance results of automatic and semi-automatic algorithms and to do fast manual segmentation of shapes of arbitrary topology from scratch. The tool can deal with three and four dimensional image datasets captured by different modalities. The segmentation is mesh based and performed with a 2D cut approach. With the use of this approach the user aligns a 2D cut through the mesh to the shape to segment but in the background the 3D mesh gets deformed. To achieve a better alignment of the edges to a specific shape the edge class based Sticky Edges algorithm is introduced. Furthermore, well known mesh optimization algorithms like subdivision, smoothing and decimation were implemented to accomplish better results. To achieve a faster segmentation of four dimensional datasets two methods are presented. With the first one the user can record its interactions on one volume in the 4D dataset and apply them automatically to the other volumes. The other one enables the user set an already segmented mesh as start position for the segmentation of other volumes.

The approach presented in this work is up to 25 times faster than the Livewire approach that was used to evaluate this tool. Moreover, the mesh quality regarding smoothness, curvature and triangle quality are at eye level with the evaluation meshes. The geometric distance to the ground truth meshes is on average 2 mm and the normal deviation is between 0.3 and 0.4 degree. To sum up, this master thesis introduces a tool for fast manual image segmentation that provides proper mesh quality.