Jörg Bredno

Texture-Adaptive Active Contour Models

Unsupervised segmentation is a key challenge for automated quantification of medical images. Although a balloon model is able to detect arbitrarily shaped objects in images, it requires careful adjustment of parameters prior to segmentation. Based on global texture analyses, our method allows to set these parameters automatically for heterogeneous images such as MRI, ultrasound, or microscopy. Cooccurrence matrices are extracted from prototype images and used as feature vectors to train a synergetic classifier. These matrices are computed likewise for all other images. To control segmentation, similarity measures for these features are applied to weight the linear combination of the prototype parameters. The method was tested on 81 synthetic images and applied to a set of 1616 heterogeneous radiographs. Setting the parameters of active contour models by the proposed method improves the acceptance rate of unsupervised segmentation from 31% up to 71%.

Strategies to Configure Image Analysis Algorithms for Clinical Usage

Medical imaging informatics must exceed the mere development of algorithms. The discipline is also responsible for the establishment of methods in clinical practice to assist physicians and improve health care. From our point of view, it is commonly accepted that model-based analysis of medical images is superior to other concepts, but only a few applications are found in daily clinical use. The gap between development of model-based image analysis and its routine application can be addressed by identifying four necessary transfer steps: formulation, parameterization, instantiation, and validation. Usually, computer scientists formulate the model and define its parameterization, i.e., configure a model to handle a selected subset of clinical data. During instantiation, the algorithm adapts the model to the actual data, which is validated by physicians. Since medical a priori knowledge and particular knowledge on technical details are required for parameterization and validation, these steps are considered to be bottlenecks. In this paper, we propose general schemes that allow an application- or image-specific parameterization to be performed by medical users. Combining noncontextual and contextual approaches, we also suggest a reliable scheme that allows application-specific validation, even if a gold standard is unavailable. To emphasize our point of view, we provide examples based on unsupervised segmentation in medical imagery, which is one of the most difficult tasks. Following the proposed schemes, an exact delineation of cells in micrographs is parameterized, validated, and successfully established in daily clinical use, while automatic determination of body regions in radiographs cannot be configured to support reliable and robust clinical use. The results stress that parameterization and validation must be based on clinical data that show all potential variations and artifact sources.

Ein strukturiertes Konzept zum inhaltsbasierten Zugriff auf medizinische Bildarchive

Der inhaltsbasierte Zugriff auf grose medizinische Bildarchive ist bislang methodisch noch nicht ausreichend konzeptioniert. Unser Ansatz fur die Realisierung eines medizinischen Image-Retrieval-Systems basiert auf der strikten Trennung, der sequentiell aufbauenden Kombination und der eindeutigen Formalisierung von Kategorisierung, Registrierung, Merkmalsextraktion, Merkmalsselektion, Abstraktion, Identifikation und des eigentlichen Retrievals. Bilder einer Datenbank werden zunachst mit globalen Bildverarbeitungsalgorithmen oder DICOM-Informationen in Hauptklassen nach Modalitat, Korperregion und Orientierung eingeteilt, bevor eine automatische Registrierung innerhalb der jeweiligen Kategorie erfolgt. Die Bilder befinden sich danach in einer standardisierten und somit vergleichbaren Darstellung. Aus den Bildern werden lokale Merkmale ermittelt und zu Merkmalsvektorbildem kombiniert. Nachfolgend wird eine abstrakte, im Informationsumfang stark reduzierte Bildreprasentation bestimmt. Unter Berucksichtigung des medizinischen Kontextes konnen auf dieser abstrakten Ebene semantische Anfragen behandelt werden, die sowohl in der diagnostischen Routine als auch in der klinischen Forschung von Bedeutung sind.

Automatische Parameterwahl für Ballon-Modelle

Wir stellen eine automatische Methode vor, mit der auch Nutzer ohne technisches Wissen uber Ballon-Modelle die notige Parametrierung fur Bildmaterial vornehmen konnen. Fur das vorliegende Modell werden (1) die maximale Kantenlange, (2) die Grose des Bildraums, aus dem externe Einflusse gelesen werden, (3) Ursprung und (4) Steigung der Zuordnung von Bildwerten zu Bildpotentialen, (5) die Starke der inneren Einflusse und (6) die durch den Druckvorgegebene Richtung der Segmentierung aus einer einmaligen manuellen Segmentierung eines exemplarischen Bildes bestimmt. Die Methode wird sowohl fur Grauwert— als auch fur Farbbilder eingesetzt.

Kategorisierung von Röntgenbildern mit aktiven Konturmodellen

Fur das Image Retrieval in Medical Applications (IRMA) mussen digitalen Radiographien automatisch Korperregionen zugeordnet werden. Experimentell werden Methoden zum formbasierten Image Retrieval auf radiologische Bilder angewendet. Es wird untersucht, ob die Umrislinie dargestellter Korperteile mit einem Ballon-Modell aufgefunden werden kann. Anschliesend werden semilokale invariante Signaturen ermittelt und in ihren Klassifikationseigenschaften mit invarianten Momenten und Fourier-Koeffizienten verglichen. Eine dem visuellen Eindruck entsprechende Konturfindung mit dem Ballon-Modell gelingt auf 496 von 1616 Radiographien, die Nearest-Neighbour-Klassifikation auf Basis der extrahierten Formmerkmale in sechs Kategorien erreicht bisher nur Klassifikationsraten von 65%.

Eine Entwicklungsumgebung für die interdisziplinare Zusammenarbeit bei der Entwicklung des Image-Retrieval-Systems IRMA

Beim Aufbau eines Image-Retrieval-Systems, das inhaltsbasierte Anfragen an eine medizinische Bilddatenbank erlauben soil, mus das Zusammenfuhren der interdisziplinaren Kompetenzen aller Beteiligten durch eine entsprechend gestaltete Entwicklungsumgebung unterstutzt werden. Die Ressourcen eines Image-Retrieval-Systems sind das Bildmaterial, zu den Bildern extrahierte Merkmale inhaltlicher Relevanz und die Algorithmen zur Merkmalsextraktion, die bei den Projektpartnern verteilt zur Verfugung stehen. Eine Entwicklungsumgebung mus im interdisziplinaren Rahmen den Austausch dieser Ressourcen moglichst einfach gestalten. Dies erst erlaubt die konstruktive Zusammenarbeit trotz raumlicher Trennung der Partner, die in der klinischen Routine und im Forschungsbereich tatig sind.

Texturadaptive Parametrierung aktiver Konturmodelle

Zu den Aufgaben vieler Bildverarbeitungsapplikationen gehort die unuberwachte Segmentierung. Ein Bailon-Modell kann beliebig geformte Objekte in medizinischen Bildern erkennen, benotigt aber eine geeignete Parametrierung fur jedes Bild. Unsere Methode wahlt diese Parameter automatisch auf Basis einer globalen Texturanalyse. Cooccurrence-Matrizen von Bildern einer Trainingsmenge werden synergetischen klassifiziert, urn dann ihre Ahnlichkeit zu neuen Bilder zu bestimmen. Ein individueller Parametersatz wird aus denen der Prototypen mit Ahnlichkeitsmasen der Texturmerkmale interpoliert. Die mit der Methode erreichbare Verbesserung wurde auf synthetischem Bildmaterial quantifiziert. Bei der Anwendung auf 1616 realen Radiographien stieg die Erkennungsrate mit adaptiver Parametrierung von 31% auf 71%.

Silberstandards aus Fourier-basierter Textursynthese zur Evaluierung von Segmentierungsalgorithmen

Segmentierung ist eine wesentliche Aufgabe der medizinischen Bildverarbeitung, aber es fehlen einheitliche Methoden zu ihrer Evaluierung. Goldstandards stehen nur selten zur Verfugung und eine subjektive visuelle Inspektion ergibt keine reproduzierbaren Ergebnisse. Mit der hier vorgestellten Methode werden reaIistische Silberstandardbilder erzeugt, bei denen das richtige Ergebnis einer Segmentierung a-priori bekannt ist. Beispieltexturen aus realen Bildern werden gesammelt und in einer Fourier-Reprasentation gespeichert. Durch Neukombination der Amplituden- und Phasenspektren sowie der Mittelwerte werden synthetische Texturen gebildet. Diese werden dann in ein Bild mit vorgegebener Referenzkontur eingefugt. Mit der Methode wurde ein Bailon-Modell zur Segmentierung auf 2D Mikroskopien, 3D CT- und 4D MR-Bilddaten evaIuiert. Dabei wurden auch systematische Abweichungen quantifiziert, die durch die Generierung der Silberstandards induziert werden. Sie liegen fur aile Bilddimensionen im Subpixelbereich.

Qualität von DICOM-Informationen in Bilddaten aus der klinischen Routine

In der medizinischen Diagnostik wird in zunehmendem Maβe das DICOM-Format bei digitalen Modalitaten verwendet. Diese Arbeit untersucht, inwieweit der DICOM-Standard in der Version 3.0 von 1999 eingehalten wird und damit Informationen aus den DICOM-Headern uber die aufgenommene Region des Korpers zu einer zuverlassigen automatischen Kategorisierung des Bildmaterials verwendet werden konnen. Dazu wurden Bilder aus der klinischen Routine von insgesamt 4 verschiedenen digitalen Modalitaten der Klinik fur Radiologische Diagnostik der RWTH Aachen untersucht. Bisher konnen DICOM-Informationen nicht fur eine zuverlassige Kategorisierung des Bildmaterials verwendet werden. Dies hat zwei wesentliche Grunde: nur bei 1 von 4 untersuchten Geraten sind die benotigten Informationen in den Headern enthalten. Zusatzlich kommt es in der klinischen Routine durch das medizinische Personal mit einer Haufigkeit von 15,5% zu konfigurationsbedingten Fehlbelegungen der relevant en DICOM Eintrage.

Finite-Elemente-Segmentierung mit Formwissen: Hybridisierung aus Aktiver Kontur und Point-Distribution-Modell

Bei der Segmentierung medizinischer Bilder konnen Algorithmen robuster gestaltet werden, wenn Wissen uber die Form dargestellter Strukturen in eine Erkennung einfliest. In unserer Methode wird ein Ballon-Modell hybrid mit einem Point-Distribution-Modell (PDM) verknupft. Dabei wird in jeder Iteration des Ballon-Modells der zur Kontur ahnlichste zulassige Formprototyp des PDM geschatzt, eine elastische Anbindung fuhrt zu einer Formkraft, die als neuer Anteil der Einflusse das Ballon-Modell deformiert. Die gegenseitige Annaherung beider Modelle unter gleichzeitigem Einflus von Bildinformationen fuhrt zu einer robusten Objekterkennung auf artefaktbehaftetem Bildmaterial. Tests auf synthetischen Bildern quantifizieren die Verbesserung einer Segmentierung durch Einsatz von Formwissen. Auf 52 realen Bildern eines sprechenden Mundes konnte die subjektiv bewertete Erkennungsrate von 3,8% auf 80,8% gesteigert werden.