Heinz Handels

A new segmentation algorithm for knowledge acquisition in tissue-characterizing magnetic resonance imaging

Tissue-characterizing magnetic resonance imaging (MRI) is a new imaging method for differentiation and biochemical characterization of tissue based on multidimensional MR-parameter information. To support knowledge acquisition in tissue-characterizing MRI, a new segmentation algorithm has been developed by using clustering techniques. The visualization of the complex biochemical MR-parameter information is performed by extraction of regions with similar biochemical properties. The clustering algorithm leads to an easy and comfortable handling of the complex tissue-characteristic MR information and supports knowledge acquisition for knowledge-based tissue characterization.

Segmentation of subcutaneous fat within mouse skin in 3D OCT image data using random forests.

Cryolipolysis is a well-established cosmetic procedure for non-invasive local fat reduction. This technique selectively destroys subcutaneous fat cells using controlled cooling. Thickness measurements of subcutaneous fat were conducted using a mouse model. For detailed examination of mouse skin optical coherence tomography (OCT) was performed, which is a non-invasive imaging modality. Due to a high number of image slices manual delineation is not feasible. Therefore, automatic segmentation algorithms are required. In this work an algorithm for the automatic 3D segmentation of the subcutaneous fat layer is presented, which is based on a random forest classification followed by a graph-based refinement step. Our approach is able to accurately segment the subcutaneous fat layer with an overall average symmetric surface distance of 11.80±6.05 μm and Dice coefficient of 0.921 ± 0.045. Furthermore, it was shown that the graph-based refining step leads to increased accuracy and robustness of the segmentation results of the random forest classifier.

Simulation und Evaluation tiefenbildgebender Verfahren zur Prädiktion atmungsbedingter Organ- und Tumorbewegungen

Lokalisationsunsicherheiten von Tumoren und umliegender Risikostrukturen durch Atembewegungen stellen ein zentrales Problem bei der Bestrahlung von abdominalen und thorakalen Tumoren dar. Moderne Ansatze zur Kompensation der Atembewegung werden in der Regel durch externe Atemsignale gesteuert, die ein Surrogat der inneren Tumor- und Organbewegung darstellen. Unter der Annahme eines Wirkungszusammenhangs zwischen Surrogatsignal und interner Bewegung lassen sich patientenspezifische Korrespondenzmodelle trainieren, um die internen Bewegungen zu pradiktieren. In diesem Beitrag wird der Einfluss der Dimensionalitat des Surrogats auf die Genauigkeit der Pradiktion von Organ- und Tumorbewegungen mithilfe eines multivariaten linearen Modells untersucht. Hierzu wird die externe Verfolgung der Brustwandbewegung durch tiefenbildgebende Verfahren simuliert und das resultierende Signal als mehrdimensionales Surrogat aufgefasst. Resultate auf der Basis von 10 Lungentumorpatienten zeigen, dass durch den Einsatz von mehrdimensionalen externen Atemsignalen (Linien- und Regionenabtastungen) im Vergleich zu eindimensionalen Signalen eine signifikante Verbesserung der Pradiktionsgenauigkeit erreicht wird.

Variationeller Ansatz für eine integrierte Segmentierung und nicht-lineare Registrierung

Vierdimensionale tomographische Bilddaten ermoglichen neuartige Therapie- und Diagnoseverfahren in der medizinischen Praxis. Voraussetzung dafur sind oft die raumlich-zeitliche Segmentierung anatomischer Strukturen in den 4D- Daten und die Bestimmung ihrer dynamischen Eigenschaften durch Schatzung der 3D-Bewegungsfelder mittels nicht-linearer Registrierungsverfahren. In dieser Arbeit wird ein Ansatz vorgestellt, mit dem sich Level-Set-Segmentierung und diffusive, nicht-lineare Registrierung unter Berucksichtigung ihrer wechelseitigen Abhangigkeiten integriert losen lassen. Die Aufgabe wird als Energieminimierung formuliert und ein variationelles Losungsverfahren angegeben. Anschliesend wird der Ansatz an Phantom- und CT-Patientendaten am Beispiel der Leber validiert.

Computergestützte 3D-Operationsplanung zur präoperativen Repositionierung von Knochenfragmenten bei komplizierten Knochenbrüchen

In diesem Beitrag wird das Softwaresystem PROFRAPS zur virtuellen Repositionierung von Knochenfragmenten bei komplexen Frakturen vorgestellt. Mittels verschiedener Visualisierungstechniken, wie z.B. Farb- und Transparenzdarstellungen, wird die raumliche Zusammensetzung der Fraktur dem Anwender verdeutlicht. Die detailierte Analyse eng beieinander liegender und verdeckter Fragmente wird dabei durch eine Explosionsdarstellung ermoglicht. Die Einzelschritte der vollstandigen Repositionierung werden in einer Transformationshistorie dokumentiert und fur die spatere intraoperative Umsetzung ausgegeben. Eine integrierte Kollisionserkennung gewahrleistet stets gultige Fragmentpositionen. PROFRAPS wurde an zwei Trummerfrakturen getestet. Eine quantitative Evaluation der Laufzeit ergab, dass die Kollisionserkennung auch fur sehr komplexe Frakturen in Echtzeit erfolgt. Die vorgestellte Anwendung ermoglicht damit die detaillierte Planung der Fragmentrepositionierung fur eine Operation, indem komplizierte Knochenbr uche praoperativ umfassend analysiert und virtuell repositioniert werden.

Rekonstruktion von 4D-CT-Daten aus räumlich-zeitlichen CT-Segmentfolgen zur Analyse atmungsbedingter Organbewegungen

Atmungsbedingte Organbewegungen stellen eines der Hauptprobleme der Strahlentherapie thorakaler und abdominaler Tumoren dar. Die Entwicklung von Losungsansatzen bedarf der Analyse des raumlich-zeitlichen Verhaltens der strahlentherapeutisch relevanten Volumina, z.B. auf Basis von 4D-CT-Daten. Moderne CT-Scanner gestatten allerdings lediglich die simultane Aufnahme einer begrenzten Anzahl benachbarter Korperschichten. Um dennoch Bewegungen groserer Volumina untersuchen zu konnen, werden durch wiederholtes Scannen der entsprechenden anatomischen Segmente raumlich-zeitliche CT-Segmentfolgen generiert. Es kann jedoch nicht sichergestellt werden, dass fur die Scans der unterschiedlichen anatomischen Segmente die Zeitpunkte relativ zum Atemzyklus des Patienten einander entsprechen. Werden 3DCT-Daten zu einem vorgegebenen Zeitpunkt des Atemzyklus ausschlieslich aus den aufgezeichneten Datensegmenten zusammengesetzt, treten folglich Bewegungsartefakte an den Segmentgrenzen auf. Dieser Beitrag prasentiert ein Verfahren zur Rekonstruktion von (3D+t)-CT-Daten (4DCT-Daten), das zur Reduktion der Artefakte fuhrt. Hierzu wird der Optische Fluss zwischen den aufgezeichneten Datensegmenten bestimmt und zur Interpolation von Datensegmenten fur vorgegebene Zeitpunkte des Atemzyklus eingesetzt. Die rekonstruierten 4D-CT-Daten bilden die Grundlage der Analyse und Visualisierung der Bewegungen der dargestellten Bildstrukturen (Lungenflugel, Bronchialbaum, Lungentumoren).

Erratum zu: Bildverarbeitung für die Medizin 2018

A. Maier et al. (Hrsg.), Bildverarbeitung fur die Medizin 2018, Informatik aktuell, https://doi.org/10.1007/978-3-662-56537-7

Self-reference-based and during-registration detection of motion artifacts in spatio-temporal image data.

Respiration-correlated or 4D CT imaging represents the standard of care in radiation therapy treatment planning for patients with tumors subject to significant breathing-induced motion. Applications like motion field estimation, correspondence modeling and 4D dose simulation further rely on deformable image registration (DIR) of the individual phase images of the 4D CT data set with DIR accuracy and reliability of derived information being impeded by common 4D CT motion artifacts. Development of image-based approaches for reduction of artifacts or dampening their influence on DIR would benefit from precise artifact detection and localization. In this work, we propose applying groupwise non-linear registration of the 4D CT phase images and during-registration analysis of phase-based contributions to the DIR cost function to detect and localize artifacts. In detail, we build on the B-spline-based elastix framework and focus on the variance metric with the rational being that contributions of artifact-affected phase images and image regions to the variance metric and respective distances to the implicit reference frame (= self reference) are significantly larger than those of non-affected. Evaluation is based on selected artifact-free 4D CT data sets of lung tumor patients. By manipulation of the 4D CT reconstruction, we introduced artifacts at specific breathing phases and known localization. Results show that both detecting artifact-affected breathing phases and localizing the artifacts during registration is feasible. The present proof-of-concept opens up the opportunity for targeted local adjustment of, e.g., regularization weights for artifact-affected image regions to increase robustness of DIR in artifact-affected spatio-temporal image data.

Abstract: Probabilistic Appearance Models for Medical Image Analysis

The identification of one-to-one point correspondences between image objects is one key aspect and at the same time the most challenging part of generating statistical shape and appearance models. Using probabilistic correspondences between samples instead of accurately placed landmarks for shape models [1] eliminated the need of extensive and time consuming landmark and correspondence determination, and furthermore, the dependency of the quality of the generated model on potentially wrong correspondences was reduced.

Abstract: Random-Forest-basierte Segmentierung der subkutanen Fettschicht der Mäusehaut in 3D-OCT-Bilddaten

Die Kryolipolyse ist ein nichtinvasives kosmetisches Verfahren zur lokalen Fettreduktion [1], bei der durch kontrollierte Kuhlung selektiv subkutane Fettzellen zerstӧrt werden. Fur eine quantitative Evaluation des Verfahrens soll die subkutane Fettschicht in Mausen segmentiert werden. Fur eine Darstellung der Mausehaut wurde die Optische Koharenztomographie (OCT) als Bildmodalitat genutzt, die eine detaillierte Aufnahme der subkutanen Fettschicht in Mikrometer-Auflӧsung ermӧglicht.