SEGMENTACE OBRAZU V CT ANGIOGRAFII
Přehled metod. Aplikace
algoritmů pro registraci obrazu jako segmentační metody v
angiografii mozku
Obsah referátu
• Co je angiografie
• Principy modalit používaných v angiografii
• Principy segmentace
• Segmentační algoritmy pro angiografii
• Registrace obrazu
Co je angiografie
• Vyšetření, které umožňuje zobrazit tepny
• Používá se při onemocněních jako jsou např.:
– Cévní malformace (např. aneurysma, žilně-tepenný zkrat) – Ischemická choroba dolních končetin
– Léčba nádorů (zásobení nádorů krví)
– Akutní indikace: úrazy, krvácení do mozku
• Invazivita záleží na použitém způsobu vyšetření: DSA invazivní, CTA a MRI ne
• Obvykle princip použití kontrastní látky
Digital subtraction angiography (DSA)
• Klasická metoda, která umožňuje kromě zobrazování i léčebný zásah
• Invazivní – pacientovi je zaveden katetr, vyžaduje hospitalizaci;
umožňuje však provedení angioplastiky (balónek, stent)
• Využívá rentgenový přístroj s pohyblivou hlavicí, která snímá vyšetřované místo
• Problém: jak ze snímku odstranit tkáně, přes které nelze vidět obraz cévy (např. kosti)
• Řešení:
– Snímek před podáním kontrastní látky (maska) – Snímek po podání kontrastní látky
• Dříve: „odečtení“ ručně ve fotolaboratoři – pomalé a náročné
• Dnes: odečtení získaných snímků v reálném čase pomocí počítače
Princip DSA
DSA
Computed Tomography
• 1979 vynalezl Sir Godfrey Hounsfield
– Odtud jednotka denzity na CT snímcích – HU
• Dnes již základní RTG vyšetřovací metoda poskytující lékaři mnoho informací
• Základní princip: rentgenový zářič rotuje kolem osy pacienta, naproti němu snímá signál pole detektorů
• Signál je digitalizován a na počítači složen do posloupnosti axiálních snímků
• Dnes se používá tzv. spirální CT, kde se pohybuje snímací
soustava i stůl s pacientem – data z jednoho otočení snímacího pole reprezentují řez rovinou, která není kolmá k ose pacienta.
Pro získání axiálních řezů je nutné provést interpolaci.
CT: Siemens SOMATOM
Spirit
CTA vyšetření
• Zviditelnění cév pomocí intravaskulárně podané kontrastní látky
• Standardní postup:
– Sejmutí prekontrastního skenu – Aplikace kontrastního média
– Čekaní na cévní fázi distribuce konstrastního média – Sejmutí postkontrastního skenu
• Standardně trvá v jednotkách minut
• Hlavní úkol: oddělit cévy od ostatních tkání
Struktura tomografických
dat
Struktura tomografických dat (2)
• Hodnotou obrazové funkce ve voxelu je denzita tkáně
• V CT obvykle reprezentace pomocí stupňů šedi
– V jiných modalitách často aplikace barevné palety
• Konkrétní hodnoty a rozměry se liší v závislosti na typu a kvalitě zařízení, nastavené přesnosti a formátu výstupu
• Dále uvažujeme dohodnuté standardní parametry s FN Bulovka
• Typické rozměry 512*512*200 voxelů
• Nejznámější formát: DICOM
• Denzita uložena jako 12bitové číslo – 4096 hodnot
• Velký objem dat pro real-time zpracování: 512*512*2 = 512 kB na slice, 100 MB na sérii!
Reprezentace CT dat
Nativní MIP =
maximum intensity projection
VRT =
volume
rendering
Segmentace
- = „rozčlenění obrazu do částí, které mají úzkou souvislost s předměty či oblastmi reálného světa zachyceného na obraze“
(Počítačové vidění) - Kompletní
- Jednoznačná korespondence s objekty vstupního obrazu - Matematicky:
- Kompletní segmentací obrazu R nazýváme konečnou neprázdnou množinu oblastí {R1, …, RS}, pro kterou platí:
- Částečná
- Vytvořené segmenty souhlasí částečně s objekty obrazu
j i Rj
R R
R i
S i
i ∩ = ∅ ≠
=
=
pro
,
1Algoritmy pro segmentaci
1. Prahování (thresholding) 2. Detekce hran
3. Narůstání oblastí 4. Srovnání se vzorem
- Rozhodující charakteristikou pro rozdělování do oblastí je pro nás denzita tkáně
- Klíčový problém: denzita kontrastního média spadá do intervalu denzit pro kosti, které chceme segmentací odstranit!
- Je proto možné využít standardních algoritmů jako vhodného preprocessingu, pro úspěšnou segmentaci však musíme
vyvinout speciální algoritmus
Prahování
• Transformace vstupního obrazu f na segmentovaný (binární) obraz g podle vztahu:
g(i,j) = 1 pro f(i,j) >= T 0 jinak,
kde T je zvolená konstanta (práh).
• Poloprahování modifikované pro interval denzit:
g(i,j) = f(i,j) pokud f(i,j) patří do D 0 jinak,
kde D je zvolený interval denzit.
Prahování (2)
• Základní otázka: volba prahu
– Ručně
• Na základě znalosti sémantiky problému
• Vyhovující pro námi zkoumanou aplikaci – Automaticky
• Ze znalosti poměru plochy objektů a pozadí nebo jiné apriorní znalosti
• Analýzou histogramu – lze snadno pro bimodální histogram; pro nás nepoužitelné
Další segmentační algoritmy?
• Detekce hran
– Aplikace hranového operátoru (sleduje gradient obrazové funkce)
– Prahování obrazu hran – Sledování hranice
• Spojování nebo štěpení oblastí
– Počáteční rozdělení obrazu do elementárních oblastí
– Spojování na základě různých kritérií (střední hodnota jasu a gradient mezi oblastmi)
• Srovnání se vzorem
– Nelze použít pro obecný vzor
– Konkrétním vzorem pro postkontrastní sérii může být prekontrastní série!
– Jak je to s deformacemi?
Speciální algoritmy pro CTA
• Wave vessel tracking
– Algoritmus vlny se šíří ze zvoleného bodu v kořeni cévního systému
– Detekce rozvětvení: přidání dvou nesousedních voxelů – Výhody:
• Jednoduchý a rychlý algoritmus – Nevýhody:
• Částečná interaktivita
• Nefunkční v případě přerušení cévy a pro periferní cévy na hranici přesnosti vstupních dat
• Problém při dotyku kosti a cévy
Speciální algoritmy pro CTA (2)
• Direct vessel tracking 3D
– Konstrukce osy cévy
– Uživatel zvolí dva body na začátku sledované cévy, které udávají její přibližný směr
– Algoritmus odhadne další bod, o který prodlouží osu
– V okolí tohoto bodu je lokálně odhadnuta hranice cévy a pro každý bod z okolí je vyslán paprsek směrem k hranici
– Pravděpodobnost, že bod náleží do osy, je dána poměrem kratší a delí vzdálenosti k hranici
– Výhoda:
• Rychlé vzhledem k malému objemu zkoumaných dat – Nevýhody:
• Interaktivita pro každou segmentovanou cévu
• Neřeší detekci bifurkací
Speciální algoritmy pro CTA (3)
• Modifikovaný Live Wire
– Vstupem je bod na začátku a konci cévy
– Sestaví orientovaný ohodnocený graf z pixelů a belů – Hledá nejkratší cestu modifikovaným Dijkstrovým
algoritmem tak, aby byla homogenní vzhledem k denzitám – Výhoda:
• Spolehlivé při výskytu stenóz, kalcifikací a přerušení, při dotyku kosti s cévou
– Nevýhoda:
• Interaktivita pro každou cévu
Speciální algoritmy pro CTA (4)
• Digital subtraction CTA
– Využívá myšlenku DSA: odečíst nativní a postkontrastní data – Segmentace srovnáním se vzorem
– Základní úkol: registrace obou sérií před odečtením – Výhoda:
• Plně automatické – Nevýhoda:
• Hledání transformace je výpočetně náročné
Registrace obrazových dat
• Jedna ze zkoumaných sérií je zafixována jako referenční, druhá série je plovoucí
• Cílem je nalézt transformaci plovoucí série na referenční sérii, která maximalizuje zvolené kritérium
• Kritérium musí co nejlépe
reflektovat shodu obou obrazů
• Otázky:
– Jakou transformaci?
– Jaké kritérium?
Druhy registrace
(jedno z možných dělení)• Extrinsic registration
– Založeno na zavedení umělých objektů do skenovaného obrazu – V neurochirurgii: stereotactic frame připevněný k hlavě
– Výhoda: transformaci lze přímo vypočítat – Nevýhoda: invazivní charakter
• Intrinsic registration
– Landmark based
• Ručně zadané anatomické landmarky, vypočítané geometrické landmarky
• Jednoduché nalezení transformace (obvykle rigidní)
• Lze použít i jako doplňkovou metodu (pre-registraci) pro jiné typy registrací
Druhy registrace (2)
• Segmentation based intrinsic registration
– Segmentace anatomických struktur (obvykle ploch) – Alignment segmentovaných struktur samostatně – Rigidní nebo elastická transformace
– Populární pro registraci CT, MR a PET snímků hlavy (na základě segmentace povrchu hlavy)
• Voxel property based intrinsic registration
– Nejnovější – náročné na vypočetní výkon, ale velmi obecné – Pracují přímo s hodnotami denzit voxelů, bez předchozí
segmentace nebo jiné redukce dat – Reduktivní vs. využívající celý obraz
Druhy registrace (3)
• Reduktivní metody
– Výpočet těžiště a hlavních os obrazu z momentů nultého a prvního stupně
– Alignment os a těžiště
– Výhoda: jednoduché a automatické – Nevýhoda: nepřesné
– využívá se jako preregistrace
• Metody využívající celých dat
– Obecně lze použít s jakýmkoliv typem transformace pro jakákoliv data
– Klíčovým elementem je kritérium registrace: MI (NMI),
minimalizace variability poměrů denzit, min. čtverců rozdílů intenzit,
…
Moduly pro registraci
S je typ série, R jsou reálná čísla.
• Transformace T: S x R
n-> S
• Interpolace I: S -> S
• Kritérium C: S x S -> R
• Optimalizace
Nechť Rf je referenční série a F je plovoucí série. Pak registrace obrazu docílíme optimalizací funkce
C(Rf, I(T(F, t))), kde t je parametr transformace.
Schéma algoritmu
PRE
PREPROCESSING
T C
Není optimum
SUBTRAKCE
Nalezena nejvýhodnější transformace
POST
OUTPUT
OPT
Preprocessing
• Segmentace prahováním na základě znalosti sémantiky problému:
– Denzity tkání v jednotlivých částech těla jsou známé a jsou součástí nastavení programu
• Umožní oddělit měkké tkáně od kostí+cév
• Volitelně – neaplikuje se, pokud by způsobilo snížení
přesnosti kriteriální funkce
Preprocessing (2)
Transformační funkce
Originál Transformace aplikovaná globálně
Transformace
aplikovaná lokálně Typ transformace
Rigidní
Afinní
Perspektivní
Elastická
Transformační funkce (2)
- Rigidní
- Translace + rotace (6 st. volnosti – 6 parametrů) - Afinní
- Mapuje paralelní přímky na paralelní přímky - Projektivní (perspektivní)
- Mapuje přímky na přímky - Elastická
- Mapuje přímky na křivky
- Volba podle vlastností zkoumané tkáně - Více parametrů – delší doba výpočtu
Rigidní transformace
• Jestliže x je vektor, pak jeho transformaci y vypočítáme jako
Ax y =
konkrétně
kde t je vektor translace a r je matice 3x3 definovaná jako:
Kritérium registrace: MI
• Kritérií je celá řada – zaměříme se jen na Mutual Information
• Entropie = měří množství obsažené informace
• 1928: Hartley hledá míru informace pro zprávu chápanou jako řetězec n znaků, přičemž každý znak může mít s hodnot
• Celkem existuje sn takových zpráv
• Požadavek: množství obsažené informace roste lineárně s délkou zprávy
• Tedy: chceme míru H takovou, že platí H = K*n, kde K je konstanta závislá na počtu symbolů s
• Dále předpokládáme, že pokud s1n1= s2n1, tak obě zprávy obsahují stejné množství informace
Kritérium registrace: MI (2)
• Na základě toho je Hartleyho entropie definovaná takto:
• Nevýhoda: předpokládá, že všechny symboly, a tedy i zprávy dané délky, jsou stejně pravděpodobné (to neplatí)
• Shannonova entropie pro jevy e1,…, en s pravděpodobnostmi p1 ,
…, pn je definována jako:
s
ns n
H = log = log
i i
i i i
i
p p
p p
H 1 * log
log
* ∑
∑ = −
=
Kritérium registrace: MI (3)
• Na entropii se můžeme dívat také jako na „míru nejistoty“
• Můžeme ji spočítat i pro (černobílý) obraz – jevem je výskyt určitého odstínu šedi, jeho pravděpodobnost získáme z obrazu
• Chápeme-li obrazovou funkci jako dvourozměrnou náhodnou veličinu, pak Shannonova entropie je rovněž mírou disperze rozdělení pravděpodobnosti
• Sdružené (joint) rozdělení pravděpodobnosti: budeme uvažovat dvě dvourozměrné náhodné veličiny a zkoumat současný téže hodnoty náhodné veličiny
Příklad hodnot Shannonovy
entropie
Definice Mutual Information
)
| ( )
( )
,
( A B H B H B A
I = −
) ,
( )
( )
( )
,
( A B H A H B H A B
I = + −
∑
=
b
a
p a p b
b a b p
a p B
A I
,
( ) ( )
) , log (
* ) , ( )
,
(
Joint histogram
Disperze joint histogramu a její souvislost s registrací obrazu
H(A, B)
Optimalizace
• Chceme najít takové parametry transformace, pro které nabývá kriteriální funkce maxima
• V případě rigidní transformace a MI se jedná o reálnou funkci šesti reálných proměnných:
)) ,
, , , , , _
( , _
( reference volume T floating volume t
1t
2t
3α
1α
2α
3mi
Fixní parametry
Parametry, které jsou předmětem optimalizace
Optimalizace (2)
• Problém: tato funkce obecně není hladká a obsahuje řadu lokálních extrémů
– Lokálně dobrý match obou snímků – Změna ve velikosti překryvu snímků – Interpolace
• Jak to řešit:
– Vyšší řád interpolace vs. speciální interpolace
– Metrika méně závislá na velikosti oblasti, ze které se počítá
• Optimalizační funkce je řídící část celého algoritmu a
její volba má velké dopady na robustnost, přesnost a
rychlost algoritmu
Optimalizovaná funkce
Rotace snímku od –180 st. do +180 st. kolem jedné z os s použitím různých interpolačních metod
Nearest neigbour Trilinear Partial volume
Algoritmy pro optimalizaci
• Bez výpočtu gradientu
– Downhill simplex method ( resp. hillclimbing method) – Powell’s direction set method
– Simplexová metoda
• S výpočtem gradientu
– quasi-Newtonovské metody – Conjugate gradient methods
• Téma pro jiný referát
Další vylepšení pro DS-CTA mozku
• Hierachické zpracování dat
• Expanze masky po registraci obrazů
• Hlídání rychlosti konvergence a odmaskování
voxelů, které nepřispívají ke změně kritéria
Ukázka programu
Ukázka programu
Literatura
[1] Josien P. W. Pluim, J. B. Antoine Maintz, Max A. Viergever: Mutual information based registration of medical images: a survey, IEEE Transactions on Medical
Imaging, vol. XX, no. Y, month 2003
[2] Frederik Maes, Andr´e Collignon, Dirk Vandermeulen, Guy Marchal, Paul Suetens: Multimodality Image Registration by Maximization of Mutual
Information, IEEE Transactions on Medical Imaging, vol. 16, no. 2, april 1997 [3] Sung Min Kwon, Yong Sun Kim, Tae-Sung Kim, Jong Beom Ra: Digital
subtraction CT angiography based on efficient 3D registration and refinement, Computerized Medical Imaging and Graphics 28 (2004) 391–400
[4] Václav Hlaváč, Milan Šonka: Počítačové vidění, Grada 1992
[5] Numerical Recipes In C: The Art of Scientific Computing, Cambridge University Press, 1992
Toť vše.
Jakákoliv podobnost se skutečnými algoritmy je čistě záměrná.
Použité obrázky pocházejí z řady různých článků a nejsou mým vlastním dílem.