Automatisierte Koregistrierung von kardialen CT und PET Volumendaten

Masterarbeit von Tobias Kenter

Motivation

IIn der Medizin sind heute verschiedene Aufnahmeverfahren wie Computertomographie (CT) und Positronen Emmisions Tomographie (PET) zur Diagnose weit verbreitet. Wenn von einem Patienten mehrere Volumendatensätze erstellt wurden, ist es häufig wünschenswert, diese miteinander so in Einklang zu bringen, dass die Teile des Körpers, die abgebildet werden, sich in allen Datensätzen an der selben Stelle befinden. Der Vorgang, diese Übereinstimmung herzustellen, wird als Registrierung bezeichnet. 

Ein Anwendungsfall dafür ergibt sich, wenn von einem Patienten in der selben Modalität zu unterschiedlichen Zeitpunkten Datensätze gemessen wurden. Um nun den Verlauf eines Krankheitsbildes beurteilen zu können, muss der Mediziner die Datensätze entweder im Geiste miteinander vergleichen, oder sie müssen zunächst registriert werden, um dann in einer geeigneten Ansicht gemeinsam angezeigt zu werden.

Ein anderer wichtiger Anwendungsfall ist die Kombination von Erkenntnissen aus Datensätzen mit verschiedenen Modalitäten, bei deren Registrierung man auch von Koregistierung spricht. Dies ist beispielsweise zur Diagnose von verengten Herzkranzgefäßen hilfreich. Ein PET Datensatz kann dafür Informationen über die Durchblutung des Herzmuskels liefern. Die Blutgefäße sind in ihm aber nicht zu identifizieren. Dies ist dagegen in einem CT Datensatz möglich, der dafür allerdings keine Informationen über die Durchblutung des Herzmuskels enthält. Erst durch Kombination der beiden Datensätze ist eine sinnvolle Diagnose möglich. Diese Problemstellung steht im Fokus dieser Arbeit.

Die Koregistrierung von kardialen CT und PET Datensätzen ist im Vergleich zu anderen Registrierungsaufgaben als besonders kompliziert anzusehen. Dies liegt zunächst daran, dass die Koregistrierung mit PET Datensätzen generell durch deren geringe Auflösung und das in ihnen enthaltene Rauschen erschwert wird. Dennoch gibt es erfolgreiche Ansätze zur Koregistrierung von PET Daten des Gehirns mit anderen Modalitäten. Die PET Daten des Gehirns enthalten allerdings praktisch im gesamten Gehirnvolumen aussagekräftige Werte, während sich bei Datensätzen des Brustbereichs nur der Herzmuskel, sowie je nach Größe des gescannten Bereichs, die Leber und die Bauchspeicheldrüse überhaupt abzeichnen. Außerdem ist das Gehirn durch den wesentlich dichteren Schädelknochen und die diesen umgebende Luft in fast allen Modalitäten abgegrenzt. Der Herzmuskel ist dagegen von verschiedenen anderen Gewebetypen umgeben, die zwar unterschiedliche Eigenschaften besitzen, aber im CT Datensatz ähnliche Datenwerte wie der Herzmuskel selbst annehmen können. Als zusätzliche Schwierigkeit kommen mögliche Bewegungen des Patienten während der Aufnahmen hinzu.

Ziel der Arbeit

Ziel dieser Arbeit ist es, ein allgemeines automatisiertes Verfahren zur Koregistrierung von medizinischen Volumendaten zu suchen, das insbesondere für die Koregistrierung kardialer CT und PET Daten geeignet sein soll.

Von zentraler Bedeutung sind dafür Ähnlichkeitsmaße, mit denen die Übereinstimmung zwischen zwei Datensätzen in einer bestimmten Anordnung bewertet werden kann. Es werden dazu verschiedene Ähnlichkeitsmaße aus der Literatur, die zur Koregistrierung entwickelt wurden, vorgestellt, sowie eigene Varianten dazu entworfen. Eine Auswahl von Ähnlichkeitsmaßen wird implementiert und durch Werteverläufe und statistische Eigenschaften auf ihre Tauglichkeit für die konkrete Koregistrierung von kardialen CT und PET Datensätzen untersucht. Unter den untersuchten Ähnlichkeitsmaßen befinden sich weit verbreitete Maße, wie die Mutual Information, ebenso wie neuere Maße, wie die Gradienteninformation.

Mit einem aussagekräftigen Ähnlichkeitsmaß soll anschließend eine Suche nach einer Registrierungsposition durchgeführt werden, die dieses Maß optimiert. Dazu werden verschiedene Transformationen auf einen der beiden Datensätze angewandt. Es werden in dieser Arbeit Translationen und Rotationen berücksichtigt. Auf Skalierungen oder lokale Transformationen auf Basis von Kontrollpunkten wird verzichtet, weil diese in den manuellen Registrierungen, die als Referenz dienen, auch nicht berücksichtigt werden.

Mit Translationen und Rotationen in jeweils drei Dimensionen ergibt sich ein sechsdimensionaler Suchraum. Dafür wird ein Algorithmus zur mehrdimensionalen Optimierung benötigt. Nach Vergleichen mit anderen Verfahren wird hier das Downhill-Simplex-Verfahren nach Nelder und Mead implementiert.

Realisierung

Schon bei der Untersuchung der Ähnlichkeitsmaße zeigt sich, dass keins davon eine problemlose Registrierung der untersuchten Modalitäten verspricht. Maximale Ähnlichkeitswerte, die in verschiedenen Abständen von der durch manuelle Registrierung gefundenen Position auftreten, sowie Anstiege zu lokalen Maxima liefern Hinweise auf die zu erwartenden Probleme. Es zeigt sich aber, dass die Gradienteninformation und ihre Varianten deutlich bessere Ergebnisse als die anderen untersuchten Ähnlichkeitsmaße liefern. Diese Gruppe von Ähnlichkeitsmaßen zeigt sich auch robust gegenüber dem Einsatz von Mipmaps, der sich als geeignetes Mittel zur Verringerung der Samplemenge und damit der Laufzeit herausstellt.

Die vollständige automatisierte Koregistrierung der vorliegenden kardialen CT und PET Volumendaten gelingt nicht. Dies liegt an den unterschiedlichen Aufnahmebereichen der beiden Datensätze, insbesondere daran, dass der auffälligste Bereich im PET Datensatz, die Leber, nicht vom CT Datensatz erfasst wird. Diese Erkenntnis führt zu einer teilautomatisierten Koregistrierung, bei der der Benutzer zunächst einen Punkt im Bereich des Herzmuskels markieren muss. Wenn auf Basis dieser Markierung die betrachteten Datenbereiche auf den Herzmuskel und dessen unmittelbare Umgebung eingeschränkt werden, gelingt die Koregistrierung.