Segmentierung medizinischer Bilddaten mit der Level-Set-Methode

Björn Scheuermann, Leibniz Universität Hannover, Studienarbeit
10/2007

In vielen Bereichen der modernen Medizin werden Bilddaten aus Röntgen-Geräten, Sonographen Magnet-Resonanz- oder Computer-Tomographen zur Diagnostik oder Operationsplanung herangezogen. Dabei gibt es jedoch Schwierigkeiten vielfältiger Art: häufig sind die Bilder kontrastarm und verrauscht oder Bildausschnitt und Aufnahmerichtung sind nicht optimal. Dadurch wird es dem Betrachter erschwert, relevante Informationen von irrelevanten Informationen zu unterscheiden.

Experten können die relevanten Informationen meistens manuell extrahieren, dies ist jedoch vor allem bei dreidimensionalen Daten sehr zeitaufwändig, da sich der Experte durch viele dutzend oder gar hunderte Schichtbilder arbeiten muss. Daher sind effiziente automatische oder halbautomatische Verfahren, die dem Benutzer helfen, mit wenig Interaktion relevante Informationen zu finden Gegenstand aktueller Forschung.

Solche Segmentierungsalgorithmen trennen relevante von irrelevanten Daten und erkennen Bildinhalte, die unter bestimmten Homogenitätskriterien inhaltlich zusammen gehören. Solche Verfahren sollen robust gegenüber Bildstörungen sein und der Genauigkeit einer manuellen Segmentation zumindest ebenbürtig sein.

Es existieren bereits eine Vielzahl von Verfahren, die unterschiedliche Ansätze verfolgen und es dem Benutzer erleichtern, relevanten Informationen zu extrahieren. Einfachste Verfahren dieser Art sind etwa die Min-max-Segmentierung und die Region-Grow-Segmentierung.

Ziel dieser Arbeit ist es, zwei Verfahren zu implementieren und zu untersuchen, die zur Segmentierung aktive Konturen (oder Snakes) verwenden und auf Level-Set Methoden aufbauen. Das erste Verfahren nutzt das so genannte Edge-stopping, wohingegen das zweite Verfahren auf einem Energy Minimization Algorithmus basiert.

Kontakt: Philipp Blanke