Fraunhofer-Gesellschaft

Publica

Hier finden Sie wissenschaftliche Publikationen aus den Fraunhofer-Instituten.

Segmentierung von Strukturen mit unscharfen Rändern in medizinischen Bilddaten

Implementierung, Validierung und Erweiterung des Region Growing Verfahrens nach Hojjatoleslami und Kittler
 
: Schröer, T.
: Sakas, G.; Wesarg, S.

Heilbronn, 2005, 126 S.
Heilbronn, FH, Dipl.-Arb., 2005
Deutsch
Diplomarbeit
Fraunhofer IGD ()
Segmentation; image processing; medicine; data structure

Abstract
Gegenstand der Arbeit bildet ein 2D Region Growing Verfahren, welches sich durch die Behandlung von Objekten mit unscharfen Rändern auszeichnet, allerdings mit zunehmender Größe des zu segmentierenden Gebiets für den täglichen Einsatz zu langsam wird. Zunächst wurde daher ein 2D Prototyp auf Basis des Insight Segmentation and Registration Toolkit (ITK) erstellt, um das Verfahren, wie es in der Literatur beschrieben wird, zu validieren. Mit dem Prototypen konnten viel versprechende Ergebnisse, allerdings in unakzeptabler Zeit, produziert werden. Im folgenden wurde daher versucht, das Verfahren zu beschleunigen und auf einen 3D Algorithmus zu erweitern. Hierbei wurden unterschiedliche Datenstrukturen und Algorithmen eingesetzt und die Auswirkung auf die Geschwindigkeit des Algorithmus untersucht. Des weiteren werden zwei Multi Resolution Ansätze vorgestellt, die das Verfahren so weit beschleunigen, dass ein praktischer Einsatz auch für große Datensätze möglich wird. Da eine Beschränkung auf eine Modalität oder einen konkreten Anwendungsfall nicht gegeben war, wurde das Verfahren an unterschiedlichen Modalitäten getestet. Unter anderem wurden Computertomograhie-, Magnetzresonanz- und Ultraschalldaten verschiedener Körperregion ausgewählt, das Region Growing durchgeführt und die Ergebnisse qualitativ beurteilt bzw. mit Standard Region Growing Verfahren verglichen. Zusätzlich wurde ein Modell zur quantitativen Analyse des Algorithmus entwickelt. Das Modell wurde in Tests auf allen implementierten Varianten des Region Growings angewandt. Die Ergebnisse wurden verglichen und beurteilt. Es konnte gezeigt werden, dass alle 3D-Erweiterungen des Algorithmus auf unterschiedlichen medizinischen Bilddaten einsatzfähig sind. Dabei sind besonders die einfache Bedienung im Vergleich zu Standard Region Growing Verfahren (hoher Grad an Automatisierung) und die gute Behandlung von Kanten mit Gauß-verteilten Grauwertverfäufen hervorzuheben.

 

Main focus of this diploma thesis was on a special 2D region growing algorithm for segmenting image objects with fuzzy edged borders. One problem for its application is the decreasing performance with increasing object size. Different solutions regarding the speed-up of the computation are presented in detail in this work. First, the proposed algorithm was validated by programming an ITK (Insight Registration and Segmentation Toolkit) conformable 2D prototype. The algorithm's characteristics described in the literature could be reproduced, but the application's speed was unacceptable, as expected. For the development of the three dimensional expansion of the algorithm several data structures have been investigated - for example, linked lists, vectors combined with binary search, specialized binary trees, and red-black trees. The speed-up was continuously measured along all tests and is discussed in detail. The most significant performance increase could be achieved through multi resolution approaches, similar to those introduced for image registration. Now even large data sets could be segmented in acceptable time. The final algorithms have been tested on all kind of medical image data, such as computed tomography, magnetic resonance or ultrasound. Many structures could be successfully segmented, e.g. coronary arteries, stent implants, ventricle and white matter of the brain, and others. Beyond that, a quantitative test has been executed, which measures the algorithm's precision on objects with Gaussian shaped edges. Although the speed-up and the precision of the region growing is good, special pre-processing is essential for perfoming a special segmentation task. The main advatage of this region growing technique is its high degree of automation compared to standard region growing approaches.

: http://publica.fraunhofer.de/dokumente/N-32776.html