Patient-Specific Cerebral Vessel Segmentation with Application in Hemodynamic Simulation [Elektronische Ressource] = Patientenindividuelle zerebrale Gefäßsegmentierung mit Anwendung in der Blutflusssimulation / Martin Spiegel. Betreuer: Joachim Hornegger

Martin Spiegel

Sujets

• Gesundheit

Informations

• Publié par: friedrich-alexander-universitat_erlangen-nurnberg
• Publié le: 01 janvier 2011
• Nombre de lectures: 11
• Langue: English
• Poids de l'ouvrage: 9 Mo

Extrait

Patient-SpecificCerebralVessel
SegmentationwithApplicationin
HemodynamicSimulation
Patientenindividuellezerebrale
GefäßsegmentierungmitAnwendung
inderBlutflusssimulation
DerTechnischenFakultätder
UniversitätErlangen-Nürnberg
zurErlangungdesGrades
DOKTOR-INGENIEUR
vorgelegtvon
MartinSpiegel
Erlangen—2011AlsDissertationgenehmigtvonder
TechnischenFakultätder
UniversitätErlangen-Nürnberg
TagderEinreichung: 02.05.2011
TagderPromotion: 04.07.2011
Dekan: Prof. Dr.-Ing. R.German
Berichterstatter: Prof. Dr.-Ing. J.Hornegger
Prof. Dr. rer. nat. C.PflaumAbstract
Cerebral3-Drotationalangiographyhasbecomethestate-of-the-artimagingmod-
alityinmodernangiosuitesfordiagnosisandtreatmentplanningofcerebrovascu-
lardiseases,e.g. intracranialaneurysms. Amongotherreasons,itisbelievedthat
theincidenceofaneurysmsisduetothelocalprevalenthemodynamicpattern. To
studysuchahemodynamicbehavior,the3-Dvesselgeometryhastobeextracted
from 3-D DSA data. Since 3-D DSA data may be influenced by beam hardening,
inhomogeneous contrast agent distribution, patient movement or the applied re-
construction kernel, this thesis describes a novel vessel segmentation framework
seamlesslycombining2-Dand3-Dvesselinformationtoovercometheaforemen-
tioned factors of influence. The main purpose of this framework is to validate
3-Dsegmentationresultsbasedon2-Dinformationandtoincreasetheaccuracyof
3-Dvesselgeometriesbyincorporatingadditional2-Dvesselinformationintothe
3-Dsegmentationprocess. Threemajoralgorithmiccontributionsaregivenwithin
thisframework: (1)aclassification-basedsummationalgorithmof2-DDSAseries
suchthat2-Dvesselsegmentationbecomesfeasible,(2)a3-Dellipsoid-basedves-
selsegmentationmethodwhichallowsforlocaladaptationsdrivenby2-Dvessel
segmentationsand(3)ameshsizeevaluationstudyinvestigatingtheinfluenceof
different mesh type elements and resolutions w.r.t. hemodynamic simulation re-
sults. Moreover, this work is chamfered by a simulation study which evaluates
the impact of different vessel geometries on the simulation result. The vessel ge-
ometriesarecomputedbydifferentsegmentationtechniquesworkingonthesame
patient dataset. The evaluation of each framework component revealed high ac-
curacyandalgorithmicstabilitytobeappliedinaclinicalenvironment.Kurzübersicht
Zerebrale3-DRotationsangiographieistseiteinigenJahreneineanerkannteBildge-
bungsmodalität, die in modernen Neuroradiologieabteilungen zur Diagnose und
Therapieplanung von zerebralen Gefäßerkrankungen, wie zum Beispiel von in-
trakraniellenAneurysmen,bevorzugteingesetztwird. NebenvielenanderenGrün-
den, nimmt man an, dass die Ursache für das Auftreten von Aneurysmen mit
denlokalvorherrschendenDruck-undFlussmusternzusammenhängt. Umsolche
Flussmustervirtuellsimulierenunduntersuchenzukönnen,mussdieentsprech-
ende 3-D Gefäßgeometrie aus dem 3-D DSA Datensatz so genau wie möglich ex-
trahiert werden. Dabei kann die Qualität von 3-D DSA Datensätzen von unter-
schiedlichenFaktoren(Aufhärtungsartefakte,heterogeneKontrastmittelverteilung,
Patientenbewegung,Rekonstruktionskern)beeinträchtigtsein,waseineexakte3-D
Segmentierung der Gefäße erschwert. Diese Arbeit beschreibt ein neues System
zurGefäßsegmentierung,das2-Dund3-DGefäßdatengeschicktmiteinanderkom-
biniert,umdenEinflussdervorhergenanntenFaktorenzuminimieren. DerHaupt-
zweck dieses Systems besteht darin, 3-D Segmentierungsergebnisse anhand von
2-D DSA Daten zu validieren sowie die Genauigkeit von 3-D Gefäßgeometrien
mittels zusätzlicher Einbindung von 2-D Gefäßinformation im 3-D Segmentier-
ungsprozess zu erhöhen. Der wissenschaftliche Beitrag dieses Systems ist dabei
dreigeteilt: (1) ein klassifikationsbasierender Algorithmus zur Aufsummierung
von DSA Serien, wodurch eine einfache 2-D Gefäßsegmentierung durchführbar
wird;(2)eine3-DGefäßsegmentierungbasierendaufineinandergesteckterEllip-
soiden, die eine lokale Anpassung aufgrund von 2-D Segmentierungen erlaubt
und(3)eineBewertungsstudiezurNetzunabhängigkeitsanalyse,diedenEinfluss
von unterschiedlichen Netzgrößen und Typen auf die Blutflusssimulationsergeb-
nisseuntersucht. EineSimulationsstudie,diedieAuswirkungenvonunterschied-
lichen Gefäßsegmentierungen auf das Simulationsergebnis zeigt, rundet die Ar-
beit ab. Die Segmentierungen basieren dabei auf den gleichen Datensätzen. Jede
KomponentedesSegmentierungssystemswurdeausgiebigevaluiertundgetestet,
damit eine hohe Genauigkeit sowie algorithmische Stabilität für einen Klinikein-
satzgewährleistetsind.Acknowledgment
To successfully accomplish a Ph.D. project, four things are required: great ideas,
discipline,enduranceandacreativeworkingenvironment. Thispageisdedicated
to the people who supported my work and made this creative working environ-
mentpossible.
First of all, I would like to thank Prof. Dr.-Ing. Joachim Hornegger for his en-
during support, trust and all the fruitful discussions since my student thesis at
his lab. He gave me the excellent opportunity to take part and contribute in a
demandingandchallengingresearchfieldandtodevelopmyself.
IamverygratefultoProf.Dr.med.ArndDörflerforco-supervisingmythesis,
sharing his medical expertise, his great support and his willingness to consider
myselfasateammemberattheDepartmentofNeuroradiologyErlangen.
Many thanks go to Dr. Thomas Redel (Siemens AG, Healthcare Sector, AX
Forchheim)whoenthusiasticallysupportedthisworkwithhelpfulcommentsand
critical proof-reading. I also wish to thank Dr. med. Tobias Struffert who quali-
tatively evaluated my results from the perspective of a physician and gave me a
close insight into medical workflows. Prof. Dr. rer. nat. Christoph Pflaum thank
youforreviewingmywork.
IenjoyedmytimewithDr.ChristofKarmonikwhoprovidedmetheopportu-
nitytostayinHouston,TX,USAattheMethodistHospitalResearchInstituteand
taughtmeinperformingbloodflowsimulationexperiments. Myspecialthanksgo
tomyfellowcolleaguesatthePatternRecognitionLabparticularlywithregardto
EvaKollorz,SebastianBauer,BenjaminKeck,ChristopherRohkohlandChristian
Riess. Iwanttothankmystudentsfortheirwork-especiallyDominikSchuldhaus
andThomasKlugeforwritingourpublications.
Last but not least, I am very grateful to my girlfriend Bettina. Thank you so
muchforyourencouragementandpatienceoverthelastfouryears.
Erlangen,2. May2011 MartinSpiegelContents
Chapter 1 Introduction 1
1.1 CerebrovascularAnatomy,PathologyandInterventionalTherapy. . . . . . 2
1.2 2-DAngiography . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3 C-armCTand3-DRotationalAngiography . . . . . . . . . . . . . . . . . . . . . . 6
1.4 HemodynamicSimulationandFactorsofInfluence. . . . . . . . . . . . . . . . . 7
1.5 ScientificFocusandContributions. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.6 Outline. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
I 2-DVesselSegmentation 15
Chapter 2 Classification-based Summation of 2-D DSA Series 17
2.1 Motivation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.2 Methods. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.2.1 BasicIdea . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.2.2 FeatureSelection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.2.3 Learning-basedClassificationoftheLowerBorder. . . . . . . . . . . . . 23
2.2.4 Threshold-basedClassificationoftheUpperBorder. . . . . . . . . . . . 24
2.3 EvaluationandResults . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.3.1 MethodsofEvaluation. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.3.2 ExperimentalResults. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.4 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.5 Conclusion. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
Chapter 3 2-D Vessel Segmentation using Local Contrast Enhancement 33
3.1 Motivation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.2 Methods. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.2.1 CenterlineGenerationforSemi-AutomaticApplication . . . . . . . . . 35
3.2.2 ParameterEstimationforLocalBoxAlignment . . . . . . . . . . . . . . . 36
3.2.3 LocalAdaptiveContrastEnhancement . . . . . . . . . . . . . . . . . . . . . 38
3.2.4 SegmentationandPostprocessing. . . . . . . . . . . . . . . . . . . . . . . . . 39
3.3 EvaluationandResults . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.3.1 MethodsofEvaluation. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.3.2 ExperimentalResults. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
3.4 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
3.5 Conclusion. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .