Advertisement

Vesselness-geführte Level-Set Segmentierung von zerebralen Gefäßen

  • Nils D. ForkertEmail author
  • Alexander Schmidt-Richberg
  • Jan Ehrhardt
  • Jens Fiehler
  • Heinz Handels
  • Dennis Säring
Chapter
Part of the Informatik aktuell book series (INFORMAT)

Kurzfassung

Die Extraktion von zerebralen Gefäßstrukturen ist trotz hoher Forschungsaktivität in diesem Bereich noch immer eine große Herausforderung. Insbesondere die in ihrem Verlauf immer dünner werdenden Gefäße, welche sich durch abnehmende Kontraste darstellen, sind ein Problem für Segmentierungsmethoden. In diesem Beitrag wird eine Level-Set Methode vorgestellt, welche unter Zuhilfenahme der Richtungsinformation aus dem Vesselnessfilter eine verbesserte Gefäßsegmentierung erlaubt. Die von einem Vesselnessfilter berechnete Richtung eines Gefäßes wird hierbei verwendet, um das Gewicht der für die Glättung zuständigen internen Energie der Level-Set Funktion ortsabhängig zu variieren. Die Idee hierbei ist es, die interne Energie niedriger zu gewichten, falls der Gradient des Level-Sets ähnlich der vorgegebenen Richtung des Vesselness Filters ist. Eine erste quantitative Evaluation basierend auf drei 3D-TOF-MRA-Bildsequenzen mit vorhandenen manuellen Segmentierungen zeigte, dass die Vesselness geführte Gefäßsegmentierung in der Lage ist Gefäße, insbesondere kleine, besser zu detektieren als die korrespondierende Methode ohne Integration der Richtungsinformation. Zusammenfassend zeigen die ersten Ergebnisse, dass die vorgestellte Methode einen vielversprechenden Ansatz darstellt, um eine verbesserte Gefäßsegmentierung, insbesondere die von kleinen Gefäßen, zu erlauben.

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literaturverzeichnis

  1. 1.
    Hassouna MS, Farag AA, Hushek S, et al. Cerebrovascular segmentation from TOF using stochastic models. Med Image Anal. 2006;10(1):2–18.CrossRefGoogle Scholar
  2. 2.
    Chapman BE, Stapelton JO, Parker DL. Intracranial vessel segmentation from time-of-flight MRA using pre-processing of the MIP z-buffer. Med Image Anal. 2004;8(2):113–26.CrossRefGoogle Scholar
  3. 3.
    Sato Y, Nakajimaothers S, Shiraga N, et al. Three-dimensional multi-scale line filter for segmentation and visualization of curvelinear structures in medical images. Med Image Anal. 1998;2(2):143–68.CrossRefGoogle Scholar
  4. 4.
    Lorigo LM, Faugeras OD, Grimson WE, et al. CURVES: Curve evolution for vessel segmentation. Med Image Anal. 2001;5(3):195–206.CrossRefGoogle Scholar
  5. 5.
    Parzen E. On estimation of a probability density function and mode. Ann Math Stat. 1962;33(3):1065–76.MathSciNetzbMATHCrossRefGoogle Scholar
  6. 6.
    Forkert ND, Säring D, Wenzel K, et al. Fuzzy-based extraction of vascular structures from time-of-flight MR images. Stud Health Technol Inform. 2009;150:816–20.Google Scholar

Copyright information

© Springer-Verlag Berlin Heidelberg 2011

Authors and Affiliations

  • Nils D. Forkert
    • 1
    Email author
  • Alexander Schmidt-Richberg
    • 2
  • Jan Ehrhardt
    • 2
  • Jens Fiehler
    • 3
  • Heinz Handels
    • 2
  • Dennis Säring
    • 1
  1. 1.Institut für Medizinische InformatikUniversitätsklinikum Hamburg-EppendorfHamburg-EppendorfDeutschland
  2. 2.Institut für Medizinische InformatikUniversität zu LübeckLübeckDeutschland
  3. 3.Klinik und Poliklinik für Neuroradiologische Diagnostik und InterventionUniversitätsklinikum Hamburg-EppendorfHamburg-EppendorfDeutschland

Personalised recommendations