Mustererkennung 1990 pp 484-492 | Cite as
Regelbasierte Segmentierung von 3D-Datensätzen der Kernspintomographie
Abstract
Die automatische Segmentierung von Gewebestrukturen aus kernspintomographischen Bildern stellt eines der Hauptprobleme bei der Verarbeitung dreidimensionaler Magnetresonanz-Datensätze dar. Auch die Anwendung leistungsfähiger Segmentierungsoperatoren führt in Teilbereichen eines 3D-Datensatzes zu befriedigenden Ergebnissen, erlaubt aber keine zuverlässige Segmentierung eines gesamten Datenvolumens. Der daraus resultierende Interaktionsaufwand für Kontrolle und Korrektur der Segmentierung ist klinisch nicht akzeptabel. Durch den Einsatz von Wissen aus unterschiedlichen Disziplinen (Anatomie, Bildverarbeitung, MR-Physik) ist es möglich, die Zuverlässigkeit und Präzision automatischer Segmentierungsverfahren deutlich zu verbessern.
Dieser Artikel beschreibt ein regelbasiertes System, mit dessen Hilfe 3D-Datensätze schrittweise in immer feinere anatomische Details untergliedert werden können. Dabei werden von einem in PROIOG realisierten Steuerungssystem einzelne low-level-Operatoren aus einem Pool von unterschiedlichen Segmentierungsprozeduren ausgewählt, an die jeweilige Aufgabenstellung angepaßt, angesteuert und kontrolliert. Bei der Konzeption des Systems wurde besonderer Wert darauf gelegt, das verwendete Wissen möglichst in nichtprozeduraler Form zu repräsentieren. Die dadurch erzeugte hohe Flexibilität kann dazu genutzt werden, das System von der Segmentierung von Kopfdatensätzen auf andere anatomische Fragestellungen (Knie, Abdomen, Wirbelsäule) zu übertragen.
Preview
Unable to display preview. Download preview PDF.
Literatur
- 1.Bomans M, Riemer M, Tiede U, Höhne KH. 3D Segmentation von Kernspin-Tomogrammen. In: Mustererkennung 1987. Springer, 1988.Google Scholar
- 2.Ehricke H-H. Problems and approaches for tissue segmentation in 3D-MR imaging. In: Schneider RH, Dayer SJ, Jost RG, eds. Proc. SPIE 90 Medical Imaging IV.Google Scholar
- 3.Ehricke H-H, Laub G. 3D-visualization of intracranial vessels and brain anatomy in MRI. In: Schneider RH, Dayer SJ, Jost RG, eds. Proc. SPIE 90 Medical Imaging IV.Google Scholar
- 4.Härle W, Zuna I, Schad LR, et al. MR-tissue characterization and segmentation of human brain tissues using a prolog-based expert system. In: Higer HP, Bielke G, eds. Tissue Characterization in MR Imaging. Berlin: Springer, 1990.Google Scholar
- 5.Herman GT, Liu HK. Three-dimensional display of human organs from computed tomograms. Compu Graph and Image Process 1979; 9: 1–21.CrossRefGoogle Scholar
- 6.Höhne KH. 3D-Bildverarbeitung und Computer-Graphik in der Medizin. Informatik-Spektrum 1987; 10: 192–204.CrossRefGoogle Scholar
- 7.Höhne KH, Riemer M, Tiede U. Viewing Operations for 3DTomographic Gray Level Data. In: Lemke HU, eds. Proceedings of CAR 87. Berlin: Springer, 1987: 599–609.Google Scholar
- 8.Levin DN, Hu X, Tan KK, Galhotra S. Surface of the brain: Three-dimensional MR images created with volume rendering. Radiology 1989; 1: 277–280.Google Scholar
- 9.Levin DN, Hu X, Tan KK et al. The brain: Integrated three-dimensional display of MR and PET images. Radiology 1989; 172: 783–789.Google Scholar
- 10.Levoy M. Display of surfaces from volume data. IEEE Transac on Comput Graphics and Applic 1988; 3: 29–32.CrossRefGoogle Scholar
- 11.Marr D, Hildreth E. Theory of edge detection. Proceedings of the Royal Society of London 1980; 207: 187–217.CrossRefGoogle Scholar
- 12.Menhardt W, Schmidt K-H. Automated interpretation of transaxial MR-images. In: Lemke HU, eds. Proceedings of CAR 87. Berlin: Springer, 1987: 386–390.Google Scholar
- 13.Menhardt W. Ein Ansatz für die Interpretation von MR-Bildern. In: Mustererkennung 1986. S986. Springer: 250–254.Google Scholar
- 14.Newell JA, Sokolowska E. Model Based Recognition of CT Scan Images. In: Salamon R, Blum B, Jorgensen M, eds. MEDINFO 86: 619–623.Google Scholar
- 15.Pelizzari CA, Chen GTY, Spelbring DR, Weichselbaum RR, Chen C-T. Accurate three-dimensional registration of CT, PET and/or MR images of the brain. J. Comput A Assist Tomogr 1989; 1: 20–26.CrossRefGoogle Scholar
- 16.Stansfield SA. ANGY: A Rule-Based Expert System for Automatic Segmentation of Coronary Vessels From Digital Subtracted Angiograms. IEEE Transac on Pattern Analysis and Machine Intelligence 1986; 2: 188–199.CrossRefGoogle Scholar
- 17.Suetens P, Oosterlinck A. Using Expert Systems for Image Understanding. Journal of Pattern Recognition and Artificial Intelligence 1986; 1: 237–250.CrossRefGoogle Scholar
- 18.Tolxdorff T. Wissensbasierte Diagnoseunterstützung bei der Gewebecharakterisierenden Kernspintomographie. In: Mustererkennung 1987. Springer 1988: 242–246.Google Scholar
- 19.Wang H-Q, Ritchings RT, Colchester ACF. Image understanding system for carotid angiograms.Google Scholar