Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie Wydział Elektrotechniki, Automatyki, Informatyki i Elektroniki Katedra Metrologii Rozprawa doktorska Segmentacja 3D danych medycznych pochodzących z tomografii komputerowej oraz endoskopowych zapisów wideo mgr inż. Andrzej Skalski Promotor: prof. dr hab. inż. Tomasz Zieliński Kraków, 2009 ... Spis treści Spis treści i 1 Wprowadzenie 3 1.1 Motywacja . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 1.2 Cel i teza pracy . . . . . . . . . . . . . . . . . . . . . . . . . 6 1.3 Struktura rozprawy . . . . . . . . . . . . . . . . . . . . . . . 7 2 Charakterystyka wykorzystywanych danych medycznych 10 2.1 Tomografia komputerowa . . . . . . . . . . . . . . . . . . . . 10 2.2 Tomografia spiralna z wiązką uformowaną w stożek - CBCT 14 2.3 Laryngologiczne zapisy endoskopowe wibracji strun głosowych 16 3 Segmentacja struktur okołooskrzelowych w komputero- wym systemie wspierającym zabieg igłowej biopsji prze- zoskrzelowej 19 3.1 Wprowadzenie . . . . . . . . . . . . . . . . . . . . . . . . . . 19 3.2 Algorytm wyodrębniania z danych CT struktur okołoskrze- lowych bazujący na metodzie wododziałowej . . . . . . . . . 23 3.3 Dwuetapowa metoda wyodrębniania struktur okołooskrzelo- wych z danych CT przy użyciu metody rozrostu obszarów oraz deformowalnych modeli . . . . . . . . . . . . . . . . . . 28 3.4 Ilościowa analiza jakości segmentacji przeprowadzanej przy użyciu proponowanych metod . . . . . . . . . . . . . . . . . 33 3.5 Podsumowanie . . . . . . . . . . . . . . . . . . . . . . . . . 36 4 Segmentacja jelita grubego w zastosowaniu do estymacji położenia kapsuły endoskopowej metodą wirtualnej kolo- noskopii 38 i SPISTREŚCI 4.1 Wprowadzenie . . . . . . . . . . . . . . . . . . . . . . . . . . 38 4.2 Metody czyszczenia danych pochodzących z CT . . . . . . . 40 4.2.1 Tło . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40 4.2.2 Algorytm cyfrowego czyszczenia jelita grubego bazu- jący na nieliniowej funkcji przetwarzania oraz opera- cjach morfologicznych . . . . . . . . . . . . . . . . . . 41 4.3 Wyodrębnianie jelita grubego z danych tomograficznych 3D . 47 4.4 Algorytm generacji ścieżki nawigacyjnej . . . . . . . . . . . . 49 4.5 Zastosowania metody wirtualnej kolonoskopii na przykładzie lokalizacji kapsuły endoskopowej w jelicie grubym . . . . . . 58 4.6 Podsumowanie . . . . . . . . . . . . . . . . . . . . . . . . . 60 5 Segmentacja strun głosowych w endoskopowych zapisach wideo 62 5.1 Wprowadzenie . . . . . . . . . . . . . . . . . . . . . . . . . . 62 5.2 Algorytm wyodrębniania światła krtani z danych HSV przy użyciu metody zbiorów poziomicowych . . . . . . . . . . . . 64 5.2.1 Metoda zbiorów poziomicowych . . . . . . . . . . . . 64 5.2.2 Metoda poziomic - podejście wariacyjne . . . . . . . 67 5.2.3 Segmentacjastrungłosowychprzywykorzystaniuwa- riacyjnego sformułowania metody zbirów poziomico- wych . . . . . . . . . . . . . . . . . . . . . . . . . . . 69 5.3 Algorytm wyodrębniania światła krtani z danych HSV bazu- jący na metodzie wododziałowej . . . . . . . . . . . . . . . . 71 5.4 Porównanie metod segmentacji danych HSV . . . . . . . . . 73 5.5 Analiza ruchu strun głosowych w zapisach HSV . . . . . . . 78 5.6 Podsumowanie . . . . . . . . . . . . . . . . . . . . . . . . . 82 6 Automatyczne śledzenie implantowanych znaczników w projekcjach pochodzących z CBCT 85 6.1 Wprowadzenie . . . . . . . . . . . . . . . . . . . . . . . . . . 85 6.2 Problemy związane z śledzeniem złotych znaczników w pro- jekcjach CBCT . . . . . . . . . . . . . . . . . . . . . . . . . 88 6.3 Algorytm śledzenia złotych znaczników w danych CBCT . . 89 6.3.1 Zarys proponowanej metody śledzenia markerów . . . 90 6.3.2 Przemieszczenia znaczników w projekcjach CBCT . . 91 6.3.3 Estymacja położenia markerów na podstawie wiedzy a priori . . . . . . . . . . . . . . . . . . . . . . . . . 94 ii SPISTREŚCI 6.3.4 Wyznaczanie położenia znaczników przy użyciu algo- rytmu mean shift . . . . . . . . . . . . . . . . . . . . 96 6.3.5 Wyznaczanie ostatecznej lokalizacji znaczników przy wykorzystaniu funkcji kosztów/punktów . . . . . . . 100 6.3.6 Ocena skuteczności algorytmu śledzenia znaczników w projekcjach CBCT . . . . . . . . . . . . . . . . . . 102 6.4 Podsumowanie . . . . . . . . . . . . . . . . . . . . . . . . . 106 7 Wnioski końcowe 108 7.1 Podsumowanie wyników pracy . . . . . . . . . . . . . . . . . 108 7.2 Oryginalne elementy pracy . . . . . . . . . . . . . . . . . . . 110 Bibliografia 112 Spis używanych skrótów 125 Spis rysunków 126 Spis tabel 130 Skorowidz 131 iii Podziękowania W tym miejscu chciałbym bardzo serdecznie podziękować mojemu pro- motorowi Panu prof. Tomaszowi Zielińskiemu, z Katedry Telekomunikacji, AGH w Krakowie za życzliwą i wszechstronną opiekę oraz cenne rady, które otrzymałem. Dziękuję również Panu dr med. Mariuszowi Dupladze z II Katedry Cho- róbWewnętrznych,CollegiumMedicumUniwersytetuJagiellońskiegowKra- kowie za udostępnienie zapisów tomograficznych klatki piersiowej i jamy brzusznej, Panu prof. Christopherowi J. Moore’owi z North Western Medical Physics, The Christie NHS Fundation Trust, Manchester, Wielka Brytania za użyczenie zapisów projekcji CBCT, Panu dr Dimitarowi D. Deliyskie- mu z Department of Communication Sciences and Disorders, University of South Carolina, USA za udostępnienie bazy laryngologicznych zapisów en- doskopowych. Szczególne podziękowania chciałbym złożyć Panu dr Bogdanowi Matu- szewskiemu z Research Centre for Applied Digital Signal and Image Proces- sing, University of Central Lancashire, Preston, Wielka Brytania za wpro- wadzenie mnie w tajniki przetwarzania obrazów oraz za wszelką pomoc, jaką otrzymałem. Podziękowania za cierpliwość oraz nieustanne mobilizowanie mnie do działania składam mojej żonie Monice oraz rodzinie. 1 Acknowledgements I would like to thank my supervisor prof. Tomasz Zieliński from De- partment of Telecomunication, AGH University of Science and Technology, Cracow for kind and comprehensive care and helpful advices very much. I also thank Mariusz Duplaga, MD, PhD from II Chair of Internal Me- dicine, Jagiellonian University Department of Medicine for facilitating CT data of chest and abdomen. I am grateful to prof. Christopher J. Moore from North Western Medical Physics, The Christie NHS Fundation Trust, Manchester, UK for giving me CBCT projections. I thank Dimitar D. De- liyski, PhD from Department of Communication Sciences and Disorders, University of South Carolina, USA for facilitating laryngeal HSV base. Special thanks to Bogdan Matuszewski, PhD, from Research Centre for Applied Digital Signal and Image Processing, University of Central Lanca- shire, Preston, UK for revealing secrets of image processing and analysis as well as for help I have received. I am grateful to my wife Monika and my family for patience and conti- nuous mobilizing. 2 Rozdział 1 Wprowadzenie 1.1 Motywacja Wraz ze wzrostem mocy obliczeniowych współczesnych komputerów ob- serwuje się dynamiczny rozwój różnego rodzaju metod wspierających pracę lekarza. Powstają systemy, które po pierwsze, usprawniają przeprowadzanie zabiegów medycznych a po drugie, podnoszą możliwości diagnostyczne. Możliwości powszechnie stosowanych obecnie komputerów pozwalają na przetwarzanie, analizę oraz wizualizację ogromnej ilości danych medycznych pochodzących z różnych źródeł. Najczęściej są to dane z tomografii kom- puterowej , rezonansu magnetycznego, ultrasonografii czy pozytonowej emi- syjnej tomografii komputerowej (PET). Konstrukcja złożonych systemów sprzętowych i programowych, wspie- rających diagnostykę obrazową, zabiegi oraz procedury medyczne, jest nie- zmiernie ważna z punktu widzenia lekarza, a w konsekwencji - ma wpływ na życie i zdrowie pacjentów. Systemy takie pozwalają na przedstawienie dwuwymiarowych serii danych pomiarowych w postaci trójwymiarowych przestrzennych rekonstrukcji struktur anatomicznych. Jako przykład takich systemów można podać opisane w pracy: system do wspierania biopsji aspi- racyjnej cienkoigłowej (BAC), system wirtualnej kolonoskopii oraz metody śledzenia znaczników umieszczonych w zmianie nowotworowej, które są wy- korzystywane w radioterapii. Jednym z najważniejszych składników w takich systemach jest moduł odpowiedzialny za segmentację danych. Segmentacja może być rozumia- na jako podział danych na rozłączne podzbiory (w przypadku tak zwa- nej segmentacji „twardej”) w sensie określonego kryterium. W przypadku 3 ROZDZIAŁ1. WPROWADZENIE Rysunek 1.1: Liczba rekordów w bazie IEEE Xplore [46] dotycząca segmentacji obrazów w latach 1988 - 2008 danych medycznych podzbiory powinny reprezentować określone struktury anatomiczne lub ich części. Przeprowadzenie segmentacji nie jest zadaniem prostym. Zależy w dużej mierze od rodzaju danych, stopnia ich złożono- ści, wyrazistości krawędzi pomiędzy obiektami zobrazowanymi w danych oraz oświetlenia sceny w przypadku obrazów pochodzących z kamer. Naj- lepszym dowodem na to jest brak uniwersalnych metod segmentacji nadają- cych się do bezpośredniego stosowania w procedurach medycznych. Metody segmentacji ze względu na otrzymywany rezultat można podzielić na dwie grupy. Pierwsza, zawiera algorytmy segmentacji „twardej”, które jako wy- nik zwracają informację o przynależności poszczególnych pikseli/wokseli do konkretnych podzbiorów. Wynik jest kategoryczny, dlatego też niemożli- we jest przypisanie piksela/woksela do dwóch różnych podzbiorów. Druga grupa algorytmów, nosząca zazwyczaj nazwę „miękkich”, określa jedynie prawdopodobieństwo przynależności do poszczególnych podzbiorów repre- zentujących obiekty w obrazie. Ze względu na cel i oczekiwane wyniki w rozprawie ograniczono się do pierwszej z wyżej wymienionych grup algoryt- mów. Na rysunku 1.1 przedstawiono liczby rekordów w bazie IEEE Xplore, dotyczące segmentacji obrazów w latach 1988 - 2008. Wzrost liczby algo- rytmów jest ściśle powiązany z technicznymi możliwościami implementacji 4 ROZDZIAŁ1. WPROWADZENIE proponowanych metod. Ogromna liczba algorytmów segmentacji powsta- łych do tej pory (rys. 1.1), z jednej strony świadczy o ważności problemu wyodrębniania obiektów z obrazów, z drugiej natomiast stwarza problemy w opracowaniu klasyfikacji tychże metod. Jako przykład próby stworzenia podziału metod można podać jedną z najczęściej przedstawianych klasyfi- kacji [53] obejmującą pięć grup: 1. Metody bazujące na intensywności pikseli (ang. pixel-based seg- mentation). Algorytmy należące do tej grupy charakteryzują się dużą prostotą, co jednocześnie przekłada się na ich niewielką złożoność ob- liczeniową. Idea algorytmów sprowadza się do podziału zbioru pikseli na podzbiory w zależności od wartości intensywności. Najprostszym algorytmem jest progowanie (ang. thresholding). Podział obrazu na tło i obiekty następuje na podstawie wartości progu. Piksele posiada- jące wartości powyżej ustalonego progu są klasyfikowane jako obiekt, pozostałe piksele jako tło lub odwrotnie. Przegląd metod doboru pro- gu można znaleźć w [97, 40]. Metody należące do tej grupy są zwykle używane w sytuacji, gdy w obrazie występuje znacząca różnica w war- tościach intensywności pomiędzy pikselami reprezentującymi tło oraz obiekty. 2. Metody bazujące na wykrywaniu krawędzi (ang. edge-based seg- mentation). Techniki klasyfikowane do grupy algorytmów wykrywa- jących krawędzie wykorzystują informację gradientową wyznaczaną zwykle przy użyciu masek Sobela, Prewitta lub Robertsa [40]. Na wy- znaczonej mapie modułu gradientu przeprowadzane jest progowanie a następnie odtwarzana jest ciągłość krawędzi. Do tej grupy można również zaliczyć metody oparte na transformacji Hougha wykrywają- cą kształty w obrazie (np. linie, okręgi) [30]. Ze względu na założony model parametryczny poszukiwanych obiektów, metoda ta może zo- stać również zaklasyfikowana do metod opisanych w punkcie 4. 3. Metody wykorzystujące informację o sąsiedztwie pikseli (ang. region-based segmentation).Metodyglobalne,bazującenawartościach intensywności pikseli, mogą prowadzić do powstania izolowanych, ma- łych grup lub pojedynczych punktów klasyfikowanych błędnie jako obiekt [53]. Algorytmy wykorzystujące informację o sąsiedztwie pik- seli dodatkowo biorą pod uwagę fakt, iż zazwyczaj piksele należące do obiektu sąsiadują ze sobą oraz mają podobne właściwości. W re- zultacie metody należące do tej grupy w odróżnieniu, od algorytmów 5