Englische Übersetzung des Titels: Interactive Segmentation Algorithms in the Context of Adaptive Radiotherapy Planning

Vorschau

PDF, Deutsch Download (3MB) | Nutzungsbedingungen

Abstract

Die Segmentierung der Risikoorgane ist ein zeitraubender Teil der computergestützten Strahlentherapieplanung. Im Rahmen neuer Bestrahlungstechniken der adaptiven Therapie sind schnelle, robuste und genaue Segmentierungsverfahren die Voraussetzung für eine effiziente Neu-Segmentierung von Verfikationsaufnahmen und Planungsdaten verschiedener Modalitäten. Im Rahmen dieser Arbeit wurden daher verschiedene interaktive Segmentierungsverfahren implementiert und evaluiert. Diese umfassen Verfahren aus den Bereichen der aktiven Konturmodelle, der Formmodelle und der graphenbasierten Verfahren. Das verwendete aktive Konturmodell basiert auf einem T-Snakes-Ansatz. Dabei handelt es sich um die Anpassung einer parametrisierten Oberfläche an die Bilddaten unter Einfluss einer Ähnlichkeitskraft, die aus den Bilddaten gewonnen wird, und einer regularisierenden Krümmungskraft, die eine glatte Oberfläche favorisiert. Zusätzlich erlauben T-Snakes topologische Änderungen ihrer Oberfläche während der Segmentierung. Aufbauend auf dem Optimierungsverfahren der T-Snakes wurde ein Formmodell entwickelt. Aus Trainingsdaten wird eine typische Form ermittelt, die bei der Segmentierung berücksichtigt wird. Dies geschieht im verwendeten Verfahren durch Aufteilung der Oberfläche in Bereiche gleicher Krümmung und einer anschließenden Anpassung dieser Bereiche an die Bilddaten. Beim dritten Ansatz, dem graphenbasierten Verfahren, wurde der multi-labelled Random-Walk-Algorithmus umgesetzt. Dieser übersetzt einen Bilddatensatz in einen Graphen und partitioniert diesen dann aufgrund der Erreichungswahrscheinlichkeit eines Random-Walk-Prozesses bzgl. manuell gesetzter Markierungen, sog. Label. Getestet wurden die implementierten Verfahren vor allem auf planungsrelevanten CT-Daten, obwohl sie ohne Einschränkung auch für andere Bildmodalitäten verwendbar sind. Die unterschiedlichen Algorithmen decken ein breites Spektrum an Segmentierungsanforderungen bzgl. Robustheit, Genauigkeit und Effizienz ab. Dadurch reduzieren sie den Zeitbedarf für die Segmentierung von Planungsdaten und erlauben eine weitere Automatisierung der Segmentierung im Rahmen der Strahlentherapieplanung.

Übersetzung des Abstracts (Englisch)

Segmentation of organs at risk is a time consuming task within computer-based radiotherapy planning. In the framework of adaptive radiotherapy an efficient and accurate segmentation tool is necessary for re-segmentation of verification images of various image modalities. Therefore we implemented and evaluated various interactive segmentation tools. They belong to the class of active contour models, shape models, and graph-cut algorithms. The active contour model is based on a T-Snakes approach, which adapts a surface to an image under the influence of forces, trying to drive the surface towards edges while keeping it smooth at the same time. In addition topological changes of the surface are taken account of during segmentation. Starting from the active contour model a shape model was derived. A typical organ-dependent shape is extracted from training data sets which is taken account of during segmentation. This is done by dividing the surface into patches with similar curvature and an adaption of these patches to the image data. The third approach is a graph-based multi-labelled random-walk algorithm. It transforms an image into a graph consisting of nodes and edges. The partioning of the graph is done with respect to the probability that a random walk reaches certain manually defined label nodes. These implemented segmentation tools were mainly tested on CT scans although they are applicable to other imaging modalities without any known restrictions. The various algorithms cover a wide range of segmentation requirements, as for robustness, accuracy, and efficiency. Given these tools the time needed for the segmentation of planning data sets can be reduced and further automation of the segmentation can be achieved.