Knowledge based segmentation of calvarial tumors with automatic parameter screening [Elektronische Ressource] / vorgelegt von Aleksandra Popovic

Aleksandra Popovic

Sujets

• Gesundheit

Informations

• Publié par: rheinisch-westfalischen_technischen_hochschule_-rwth-_aachen
• Publié le: 01 janvier 2007
• Nombre de lectures: 16
• Langue: English
• Poids de l'ouvrage: 4 Mo

Extrait

Knowledge based segmentation of calvarial tumors
with automatic parameter screening
Von der Fakultät für Elektrotechnik und Informationstechnik
der Rheinisch Westfälischen Technischen Hochschule Aachen
zur Erlangung des akademischen Grades
einer Doktorin der Ingenieurwissenschaften genehmigte Dissertation
vorgelegt von
Diplom Ingenieurin Aleksandra Popovic
aus Podgorica, Montenegro
Berichter: Univ. Prof. Dr. Ing. Til Aach
Univ Dr. Ing. Klaus Radermacher
Univ. Prof. Dr. rer. nat. Günter Rau
Tag der mündlichen Prüfung
19.12.2007
Diese Dissertation ist auf den Internetseiten der Hochschulbibliothek online verfügbar.Summary
This thesis addresses the problem of automatic segmentation of calvarial tumors from Computed To
mography (CT) images and open issues related to validation in the medical image segmentation. The
motivation for this work is based on the development of the CRANIO system for computer and robot
assisted craniotomy under development at the Chair of Medical Engineering, Helmholtz Institute for
Biomedical Engineering, RWTH Aachen University.
Calvarial tumors comprise different tissue types, occupy a wide range of image intensities, have frail
borders, and may often exhibit isolated islands of the bone within the soft tissue. Therefore, modeling
and segmentation of the calvarial tumors is a challenging task.
In the first part of the thesis, commonly used statistical and geometrical validation metrics are
presented, followed by feature analysis and definition of requirements for an application oriented
figure of merit. Finally, a novel statistical metric is proposed and evaluated.
Intensity and shape appearance of calvarial tumors is analyzed to obtain information that might
be used in a knowledge guided segmentation algorithm. Different intensity distribution models are
presented and statistically compared.
The models are integrated in a knowledge driven segmentation algorithm, based on the level set
variational framework. A novel level set speed function, combining image and a priori knowledge
terms is proposed. The impact of modeling approaches on the outcome is investigated, followed by a
clinical validation study.
The major obstacle for using automated segmentation algorithms in medical practice is their incapa
bility to capture the biological and image quality variability. To overcome this problem, segmentation
algorithms are guided with an inherent parameter set. In this thesis, a framework for an automatic
statistical parameter screening is proposed and validated.
Finally, some practical considerations for the integration of the proposed methods in a medical
system and guidelines for the further work are given.
This work offers three major contributions: a medically oriented segmentation validation metric,
a knowledge guided extension of the level set segmentation framework, and an automatic parameter
screening algorithm.Zusammenfassung
Die vorliegende Arbeit befasst sich mit dem Problem der automatischen Segmentierung von Schädel
tumoren aus Computer Tomographie Bildern und offenen Fragen im Bereich der Validation der Seg
mentierung medizinischer Bilder. Die Motivation dieser Arbeit liegt in der Entwicklung des CRANIO
Systems für die computer- und robotergestützte Craniotomie (in Entwicklung am Lehrstuhl für Mediz
intechnik, Helmholtz Institut für Biomedizinische Technik der RWTH Aachen). Schädeltumore beste
hen aus verschiedenen Gewebetypen, erzeugen eine große Bandbreite von Bildintensitäten, zeigen
schwache Konturgrenzen und weisen oft isolierte knöcherne Inseln im Weichgewebe auf. Dies macht
die Modellierung und Segmentierung von Schädeltumoren zu einer herausfordernden Aufgabe.
Im ersten Teil der Arbeit werden gebräuchliche statistische und geometrische Maße zur Validierung
vorgestellt und analysiert. Hierauf folgt eine Anfoderungsanalyse für ein anwendungsorientiertes Be
wertungskriterium. Zum Schluss wird ein neues statistisches Validierungsmaß vorgeschlagen und
evaluiert. Bildintensität und Form von Schädeltumoren werden analysiert um Informationen zu er-
halten, die für wissensbasierte Segmentierungsalgorithmen verwendet werden können. Verschiedene
Modelle zur Beschreibung von Intensitätsverteilung werden vorgestellt und statistisch verglichen.
Die Modelle werden in einen wissensgesteuerten Segmentierungsalgorithmus integriert, der auf
einem Level Set Framework basiert. Eine innovative Level Set Speed Function wird vorgeschlagen,
welche Bildinformationen und a priori Wissen verbindet. Der Einfluss der Modellierungsmethoden
auf das Segmentierungsergebnis wird untersucht, gefolgt von einer klinischen Studie mit zehn Patien
ten. Die größte Hürde für die Nutzung automatischer Segmentierungsalgorithmen in der medizinis
chen Praxis ist ihre Unfähigkeit, sich an biologische und Bild Variationen anzupassen. Zur Lösung
dieses Problems werden Segmentierungsalgorithmen durch inhärente Parameter gesteuert.
In dieser Arbeit wird ein Rahmen für ein automatisches statistisches P Screening vorgeschla
gen und validiert. Zum Abschluss werden einige praktische Überlegungen für die Integration der
vorgeschlagenen Methoden in ein medizinisches System sowie Richtlinien für die weitere Arbeit
gegeben. In der Arbeit werden drei Beiträge entwickelt: eine medizinisch orientiertes Maß zur
Segmentierungsvalidierung, ein wissensbasierte Verbesserung des Level Set Algorithmus sowie einen
Rahmen für ein automatisches Parameter Screening.Contents
Summary iii
Zusammenfassung v
1 Introduction 1
1.1 Background . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Objectives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 Original Contributions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.4 Thesis Structure . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2 Medical Motivation 7
2.1 Classification of Calvarial Tumors . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.2 Diagnosis of Calvarial Tumors . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.3 Clinical Treatment of Calvarial Tumors . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.3.1 Neuronavigation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.3.2 Robot Aided Craniotomy - CRANIO System . . . . . . . . . . . . . . . . . . 13
2.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3 Medical Image Analysis 17
3.1 Medical Image Segmentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3.2 Computer Aided Diagnosis (CADx) . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3.3 Characteristics of CT Image Analysis
of Calvarial Tumors . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
4 Evaluation Methodology in the Medical Image Analysis 23
4.1 Gold Standard . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
4.1.1 Gold Standards Used in This Work . . . . . . . . . . . . . . . . . . . . . . . 25
4.2 Validation Metrics: An Overview and Limitations . . . . . . . . . . . . . . . . . . . . 26
4.2.1 Statistical Metrics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
4.2.2 Geometrical Metrics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
4.3 C Factor: A New Discrepancy Measure . . . . . . . . . . . . . . . . . . . . . . . . . 31
4.3.1 Prevalence Independence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
4.3.2 Asymmetry . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
4.3.3 Absolute Value . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
4.3.4 Comparison with Other Metrics . . . . . . . . . . . . . . . . . . . . . . . . . 35
4.3.5 C Factor: Sign Calibration . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
4.4 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
5 Calvarial Tumors Analysis and Modeling 41
5.1 Materials . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
5.2 Intensity Analysis and Modeling . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42viii Contents
5.2.1 Expectation Maximization (EM) Algorithm . . . . . . . . . . . . . . . . . . . 42
5.2.2 Adaptation of EM to Intensity Modeling . . . . . . . . . . . . . . . . . . . . . 43
5.2.3 Delta Priors . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
5.2.4 Accuracy of Intensity Modeling . . . . . . . . . . . . . . . . . . . . . . . . . 45
5.2.5 Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
5.2.6 Final Models . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
5.2.7 Robustness of the Intensity Models . . . . . . . . . . . . . . . . . . . . . . . 50
5.3 Shape Analysis and Modeling . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
5.3.1 Shape Descriptors . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
5.3.2 Shape Modeling . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
5.4 Cranial Thickness Analysis . . . . . . . . . . . . . . . . . .