Quantitative diagnostische Zweispektren-CT mit atlasbasiertem Vorwissen
Zusammenfassung der Projektergebnisse
Multiorgan-Segmentierung in DECT ist wichtig und notwendig für verschiedene klinische Anwendungen. In diesem Projekt haben wir verschiedene Möglichkeiten für die automatische Multiorgan-Segmentierung in DECT vorgeschlagen und verglichen, sowohl unter Verwendung traditioneller Methoden als auch unter Verwendung neuerer Deep Learning Techniken. Insbesondere die Deep Learning Methode erweist sich nach unseren Ergebnissen als die beste zur DECT-Segmentierung. Die energieabhängigen Darstellungen anatomischer Informationen werden im Netzwerk verschmolzen, während weder Fusionsgewicht noch organspezifisches oder energiespezifisches a priori-Wissen erforderlich sind. Eine Kostenfunktion unter Verwendung des gewichteten Dice-Koeffizienten löst das Problem des Klassenungleichgewichts bei der Segmentierung mehrerer Organe. Darüber hinaus wurde eine Vorstudie durchgeführt, um das weitere Potenzial der Verwendung von DECT-Bildern zur Verbesserung der Generalisierungsfähigkeit der lernbasierten Methode für CT-Bilder, die in verschiedenen Zentren, mit unterschiedlichen Scannern und Erfassungsprotokollen aufgenommen wurden, aufzuzeigen. Die anatomische Vorinformation ermöglicht die Kombination von gewünschten Bildmerkmalen in eine neuartige kontextsensitive CT-Bildentstehung und Präsentation. Der Vergleich mit herkömmlichen CT-Bildern zeigt eine verbesserte räumliche Auflösung sowohl bei stark schwächenden Materialien als auch innerhalb der Lunge sowie ein niedriges Bildrauschen im Weichgewebe. Die neuartige kontextsensitive CT-Bildgebung ermöglicht zudem die Kombination verschiedener Darstellungsarten wie beispielsweise organspezifische Fensterungen, die Darstellung dickerer Schichten im Gewebe oder die Anwendung von organabhängigen MIPs. Mithilfe von anatomischer Vorinformation werden weiterhin zahlreiche Zweispektrenanwendungen zu einem einzigen Werkzeug kombiniert. Kontextsensitive Materialzerlegungen und Materialklassifizierungen werden automatisch ausgewählt und gleichzeitig auf verschiedene Körperregionen angewendet. Anstatt wie bei herkömmlichen Methoden nur einzelne manuell ausgewählte Auswertungen zu erhalten, führt das vorgestellte Auswerteschema alle organspezifischen, realisierbaren Methoden auf einmal durch. Diese Kombination verschiedener Applikationen kann den Radiologen unterstützen, eine genaue Diagnose zu finden. Durch die Ausnutzung von Vorwissen aus der automatischen Mehrorgansegmentierung werden existierende Mehrdeutigkeiten in herkömmlichen Materialzerlegungen reduziert und eine robustere Zerlegung in mehr als drei Basismaterialien erzielt. Die präsentierte Pseudomehrmaterialzerlegung löst diese Mehrdeutigkeiten auf und liefert robuste Ergebnisse. Innerhalb einer manuell platzierten ROI wird die selektive Auswertung der Materialien automatisch durchgeführt und die einzelnen Basismaterialanteile in einem Tortendiagramm visualisiert. Diese Visualisierungsart der Volumenanteile der Basismaterialien ermöglicht dem Radiologen die Quantifizierung einzelner Bestandteile innerhalb der ROI.
Projektbezogene Publikationen (Auswahl)
- “A feasibility study of automatic multi-organ segmentation using probabilistic atlas,” Bildverarbeitung für die Medizin, Algorithmen-Systeme-Anwendungen. (Bildverarbeitung für die Medizin 2017), Heidelberg 2017
S. Chen, J. Endres, S. Dorn, J. Maier, M. M: Lell, M. Kachelrieß, A. Maier
(Siehe online unter https://doi.org/10.1007/978-3-662-54345-0_50) - “Organ-specific context-sensitive single and dual energy CT (DECT) image reconstruction, display and analysis, ” 103rd Scientific Assembly and Annual Meeting of the Radiological Society of North America (RSNA), November 2017
S. Dorn, S. Chen, F. Pisana, J. Maier, M. Knaup, S. Sawall, A. Maier, M. M. Lell, M. Kachelrieß
- “Automatic multi-organ segmentation in dual energy CT using 3D fully convolutional network,” MIDL (International Conference on Medical Imaging with Deep Learning), Amsterdam 2018
S. Chen, X. Zhong, S. Hu, S. Dorn, M. Kachelrieß, M. M. Lell, A. Maier
- “Context-sensitive organ-specific evaluation and analysis of dual energy computed tomography (DECT),” European Congress of Radiology (ECR) 2018, Feb. 2018
S. Dorn, S. Chen, F. Pisana, M. Özdemir, J. Maier, S. Sawall, M. Knaup, A. Maier, M. M. Lell, M. Kachelrieß
- “Manifold learning-based data sampling for model training,” Informatik-Aktuell (Bildverarbeitung für die Medizin 2018), Erlangen 2018
S. Chen, S. Dorn, M. M. Lell, M. Kachelrieß, A. Maier
(Siehe online unter https://doi.org/10.1007/978-3-662-56537-7_70) - “Organ-specific context-sensitive CT image reconstruction and display,” SPIE Medical Imaging 2018, Proc. SPIE 10573
S. Dorn, S. Chen, S. Sawall, D. Simons, M. May, J. Maier, M. Knaup, H.-P. Schlemmer, A. Maier, M. M. Lell, M. Kachelrieß
(Siehe online unter https://doi.org/10.1117/12.2291897) - “Prior-based multi material decomposition (PBMMD) for dual energy CT,” Proceedings of the Fifth International Conference on Image Formation in X-ray Computed Tomography, pp. 106-109, Mai 2018
S. Dorn, S. Chen, S. Sawall, J. Maier, M. Knaup, A. Maier, M. M. Lell, M. Kachelrieß
- “Towards automatic abdominal multi-organ segmentation in dual energy CT using cascaded 3D fully convolutional network,” Proceedings of the Fifth International Conference on Image Formation in X-ray Computed Tomography, pp. 395-398, Mai 2018
S. Chen, H. Roth, S. Dorn, M. May, A. Cavallaro, M. M. Lell, M. Kachelrieß, H. Oda, K. Mori, A. Maier
- “Towards context-sensitive CT imaging – Organ-specific image formation for single (SECT) and dual energy computed tomography (DECT),” Med. Phys., vol. 45, no. 10, pp. 4541-4557, 2018
S. Dorn, S. Chen, S. Sawall, J. Maier, M. Knaup, M. Uhrig, H.-P. Schlemmer, A. Maier, M. M. Lell, M. Kachelrieß
(Siehe online unter https://doi.org/10.1002/mp.13127) - “Automatic multiorgan segmentation in dual energy CT (DECT) with Dedicated 3D fully convolutional DECT networks,” Med. Phys., 2019 Dec 9
S. Chen, X. Zhong, S. Hu, S. Dorn, M. Kachelrieß, M.M.Lell, A. Maier
(Siehe online unter https://doi.org/10.1002/mp.13950) - “Iodine quantification accuracy in dual source dual energy CT using default parameters and patient-specific calibrations,” European Congress of Radiology (ECR) 2019, Feb. 2019
S. Dorn, S. Sawall, J. Maier, M. Kachelrieß