Kombination zweier Verfahren zur automatischen Segmentierung des Myokards in Magnetresonanztomographie - Bildern

[introduction]

Die quantifizierte und nicht invasive Beurteilung der Herzfunktion anhand eines Magnetresonanztomographie-Datensatzes bedingt die Segmentierung des Herzens in den jeweiligen Bilddaten. Dies ist eine Aufgabe, die häufig manuell vorgenommen wird und aufgrund des großen Datenvolumens sehr zeitaufwendig und monoton ist. Es ist daher wünschenswert, die Aufgaben durch entsprechende Algorithmen zu automatisieren. Artefakte, wie etwa variierende Grauwerte und anatomische Herzanomalien, stellen eine Herausforderung dar, die durch die Vielzahl von vorhandenen computergestützten Lösungen bisher nicht angemessen gelöst werden konnte. Unzulänglichkeiten treten häufig bezüglich der hohen Rechenzeit, der mathematischen Komplexität der Verfahren und der geringen Genauigkeit der berechneten Lösungen auf. Die Entwicklung neuer methodischer Ansätze zur Herzsegmentierung bleibt demnach in der medizinischen Bildverarbeitung von aktuellem Interesse.

Ziel dieser Diplomarbeit ist die Entwicklung eines automatischen Verfahrens zur Segmentierung des Herzens in cineloop Magnetresonanztomographie-Bildern. Dabei liegt der Fokus auf der Außen- und Innenwand der linken Herzkammer, sowie auf der Innenwand der rechten Herzkammer. Ihre Außenwand wird nicht berücksichtigt, da sie mit herkömmlichen Magnetresonanztomographie-Verfahren nicht aufgelöst werden kann. Die Grundlage des Verfahrens stellen eine pixelbasierte und eine modellbasierte Segmentierungsmethode [19], die zu einem neuen Verfahren kombiniert und erweitert werden. Das Segmentierungsproblem des kombinierten Verfahrens ist dabei in eine Bayes'sche Formulierung eingebettet, das anhand von (sequentiellen) Monte Carlo Methoden gelöst wird. Der Vorteil dieses Lösungsansatzes gegenüber numerischen Optimierungsalgorithmen besteht in der hohen Robustheit bezüglich vorhandener Bildartefakte. Darüber hinaus ermöglicht die Bayes'sche Formulierung wahlweise die Berechnung einer optimalen Lösung für eine einzelne Phase oder für den gesamten Datensatz. Die Darstellung der Segmentierungsergebnisse erfolgt anhand einer parametrisierten Oberflächenbeschreibung auf Basis von Surface Harmonics.