Probabilistische statistische Form- und Appearance-Modelle zur robusten Multi-Objekt-Segmentierung in medizinischen Bilddaten
Final Report Abstract
Wesentliches Ziel dieses Forschungsprojekts war die Entwicklung von modellbasierten Methoden zur automatischen Segmentierung von multiplen anatomischen Objekten in medizinischen Bildern. Im Rahmen des Projektes sollten die im Vorgängerprojekt entwickelten statistischen Formmodelle mit probabilistischen Punktkorrespondenzen weiterentwickelt werden, so dass neben Forminformationen über die Organe auch Vorwissen über die lokale Erscheinung (Appearance) der Objekte sowie die globalen räumlichen Nachbarschaftsbeziehungen von Organen in einem erweiterten statistisches Form- und Appearance-Modell erfasst werden. Durch Integration probabilistischer Form- und Erscheinungsmodelle in einen Segmentierungsansatz sollte die robuste und flexible Multi-Objekt-Segmentierung ermöglicht werden. Im Rahmen des Projektes wurde ein vollkommen neuartiges probabilistisches Appearance-Modell entwickelt, das ohne aufwändige initiale Korrespondenzbestimmung generiert werden kann. Positionsmerkmale, Appearance-Merkmale und Segmentierungsmerkmale werden in einer Datenrepräsentation vereint und gemeinsam optimiert. Besonders hervorzuheben ist, dass in dem entwickelten mathematischen Framework sowohl die Modellgenerierung als auch die Modelladaption mathematisch elegant als Optimierungsproblem mit einem globalen Minimierungskriterium formuliert werden kann. Es wurde ein flexibles und breit einsetzbares probabilistisches Modell zur Bildsegmentierung und –klassifikaton entwickelt. Durch die Nutzung probabilistischer Korrespondenzen anstelle von 1-zu-1-Korrespondenzen ist das entwickelte Modell unabhängig von aufwändigen Vorverarbeitungsschritten und potentiell falschen Korrespondenzbestimmungen. Die entwickelte punktbasierte Bildrepräsentation kombiniert Positions-, Appearance- und Segmentierungsmerkmale und entkoppelt sogleich die Abhängigkeit der Sample-Wahl von den Objektgrenzen. Dies führt ebenfalls zu einer gesteigerten Robustheit gegenüber Vorverarbeitungsschritten (Wahl der Sample-Punkte etc.). Die Robustheit des Ansatzes wurde durch Methoden der lokalen Regularisierung (Erweiterung des Kriteriums um die A-priori-Wahrscheinlichkeit des Modells) als auch durch die globale Regularisierung mittels Multi-Level-Ansatz weiter gesteigert. Über die ursprünglichen Projektziele hinausgehend konnte gezeigt werden, dass das entwickelte probabilistische Appearance-Modell nicht nur zur Segmentierung, sondern auch zur Bildklassifikation und Bildrekonstruktion erfolgreich eingesetzt werden kann. Das entwickelte probabilistische Appearance-Modell wurde zum einen an synthetischen Bilddaten getestet, um die erhöhte Robustheit des Modells für die in der Praxis häufig vorkommenden Situation nachzuweisen, bei denen 1-zu-1-Korrespondenzen nicht sicher oder nur stark eingeschränkt bestimmt werden können. Des Weiteren wurde das Modell erfolgreich zur Segmentierung von 2D-Röntgenbildern der Hand eingesetzt, wobei sowohl eine Segmentierung der gesamten Hand als auch eine Bestimmung von modellierten Landmarken (Fingerknochen-Zwischenräume) ermöglicht wurde. Außerdem wurden die Leistungsfähigkeit und die weiten Einsatzmöglichkeiten des neuen Modellansatzes anhand von 2D- und 3D-MRT-Kopfbilddaten nachgewiesen.
Publications
- Statistical Shape and Appearance Models without One-to-One Correspondences, In: Ourselin S., Styner M.A. (eds.), SPIE Medical Imaging 2014, Image Processing, San Diego, USA, SPIE, 9034, 90340U, 7 pages, 2014
Ehrhardt J., Krüger J., Handels H.
- A Maximum-A-Posteriori Framework for Statistical Appearance Models with Probabilistic Correspondences, Proceedings, MICCAI Workshop Bayesian and grAphical Models for Biomedical Imaging 2015 (BAMBI), 18th International Conference on Medical Image Computing and Computer-Assisted Intervention - MICCAI 2015, München, 93-104, 2015
Krüger, J., Ehrhardt, J., Handels, H.
- Probabilistic Appearance Models for Segmentation and Classification, In: International Conference on Computer Vision - ICCV 2015, Santiago de Chile, Chile, 1698-1706, 2015
Krüger J., Ehrhardt J., Handels H
(See online at https://doi.org/10.1109/ICCV.2015.198) - Multi-level Approach for Statistical Appearance Models with Probabilistic Correspondences, In: Styner M.A., Angelini E.D. (eds.), SPIE Medical Imaging 2016, Image Processing, San Diego, USA, SPIE, 9784, 978433, 6 pages, 2016
Krüger J., Ehrhardt J., Handels H.
(See online at https://doi.org/10.1117/12.2214885) - Statistical Appearance Models based on Probabilistic Correspondences, Medical Image Analysis, 37, 146-159, 2017
Krüger J., Ehrhardt J., Handels H.
(See online at https://doi.org/10.1016/j.media.2017.02.004)
