In dieser Arbeit wird ein Ansatz zur modellbasierten Bildverarbeitung von hochaufgelösten CT- und MRT-Daten der Orbita beschrieben. Die Zielsetzung des in dieser Arbeit entwickelten Bildverarbeitungsansatzes bestand in der semiautomatischen Auswertung der Daten zur Rekonstruktion eines Bestrahlungsmodells für die Strahlentherapie von Augentumoren. Dabei sollte der interaktive Arbeitsaufwand für die Auswertung der Daten minimiert werden, die Qualität der Ergebnisse und die Benutzerfreundlichkeit hingegen sollten optimiert werden. Der Bildverarbeitungsansatz wurde für die Protonentherapie von Augentumoren entwickelt. Um die Möglichkeiten der hohen Dosierungspräzision der Protonenstrahlung ausnutzen, mußte der Bildverarbeitungsalgorithmus eine hohe Segmentierungskorrektheit aufweisen. Andererseits mußte die Auswertung des Bildmaterials so weit wie möglich automatisiert werden, da eine manuelle Segmentierung von 150 bis 300 Bildschichten, die im Rahmen der Bestrahlungsplanung anfallen, nicht möglich ist. Als einer der wichtigsten Parameter zur Umsetzung eines Verfahrens, das den Anforderungen entspricht, wurde das Vorwissen identifiziert, das über das zu bearbeitende Bildmaterial vorliegt und während des Verarbeitungsprozesses zur Anwendung kommt. Aufsetzend auf dem Case-based-Reasoning-Ansatz wurden dementsprechend vollständig segmentierte Datensätze als Musterlösungen in einer Falldatenbank zusammengefaßt. Um die Segmentierung eines aktuellen Datensatzes durchzuführen, wurde zunächst ein ähnlicher Datensatz aus der Falldatenbank geladen. Als Ähnlichkeitskriterium für diese Selektion wurden der Bildmodus, die Schichtorientierung und die Übereinstimmung in den Proportionen des Auges gewählt. Für die Umsetzung der Segmentierung wurde ein komparativer Segmentierungsansatz entwickelt, der auf dem Snakes-Verfahren basiert. Um die Musterlösung in den Segmentierungsprozeß einzubinden, wurden die Energiedefinitionen des Snake modifiziert. Für die interne und externe Energie kamen geometrische und bildbasierte Vergleichsfunktionen zur Anwendung. Die Verwendung von dreidimensionalen Segmentierungsvorlagen, die automatisch der Segmentierung zugrunde gelegt werden, ermöglicht die Einbeziehung von umfangreichem Vorwissen über die Eigenschaften des Bildmaterials, die Darstellung der betreffenden Organe, die Charakteristiken der Kantenstrukturen, die räumliche Anordnung der Organe zueinander und die dreidimensionale Geometrie der Organe. Der fallbasierte Segmentierungsansatz erwies sich als komfortabel und benutzerfreundlich, da bearbeitete Fälle ohne zusätzlichen Arbeitsaufwand der Datenbank hinzugefügt werden konnten. Eine Anpassung an unterschiedliche Aufgabenstellung kann problemlos durch ein Austauschen der Referenzdatenbank erreicht werden. Nach der Eingabe von Referenzmarken wurde die Selektion des Referenzfalls und die Anwendung der Segmentierung automatisch durchgeführt. Die automatisch berechneten Segmentierungsergebnisse wiesen eine hohe Korrektheit auf, die in umfangreichen Tests interindividuelle manuelle Segmentierungsergebnisse übertrafen. Lediglich intraindividuelle Tests konnten größere Übereinstimmungen zwischen einer vorgegebenen Segmentierung und einer manuell angefertigten Segmentierung erreichen. Die entwickelten Verfahren wurden um eine modellbasierte Interpolation und Registrierung erweitert, um die Segmentierungsergebnisse für eine Kombination unterschiedlicher Bilddatensätze und Bildmodi anzuwenden. Die durchgeführten Tests belegten, daß der in dieser Arbeit dargestellte modellbasierte Bildverarbeitungsansatz ein erfolgreiches Lösungskonzept für die Segmentierung, Interpolation und Registrierung von multimodalen medizinischen Bilddatensätzen darstellt.
In the underlying dissertation a new approach towards model-based image processing of high-resolution CT and MRI images is described. The aim of this project was to develop a semi-automatic segmentation approach of medical data that allows the reconstruction of an irradiation model for the proton therapy of eye cancer. The usage of the image-processing algorithm was to require as few as possible interactions by a user while the correctness and the usability were to be optimized. Especially, the precision requirements were very high in order to leverage the high dose precision of proton therapy. On the other side, a viable alternative to the manual segmentation was to be found as the workload connected to the manual evaluation of 150 to 300 image slices were unacceptable. The investigations had shown that a critical factor to achieve the aimed at targets was the preliminary knowledge about the image material and the organs that are to be segmented. Based on the case-based reasoning approach a new image processing technique has been developed that performs a comparative segmentation using previously segmented data sets. These data sets are similar to the data set that is to be segmented with respect to content and imaging characteristics. They had been segmented by an expert within the clinical routine and are now reused as exemplary expected results. For the segmentation of a current data set, one of the exemplary solutions is retrieved from the case database using similarity criteria. Image type, slice orientation, and similarity in eye proportions were used to calculate the similarity of the data sets. To perform the segmentation a modified snake approach was adopted. Internal and external energy definitions were based on comparative similarity measures to perform a comparative segmentation that takes the expected segmentation result into account. The usage of three- dimensional exemplary segmentations allows the inclusion of comprehensive knowledge about the expected properties of the image data, the representation of the organs of interest, the characteristics of the boundaries, the spatial arrangement, and the geometry of the organs. The case-based segmentation approach proved to be comfortable and user-friendly. No additional work was necessary to generate new cases for the case database after a data set had been segmented and an expert had confirmed the correctness of the segmentation. Adjustment to other organs and tasks can be achieved by replacing the according case database. The tests proved the model-based segmentation approach to be precise and reliable. Only intra-individual manual segmentations provided a higher consistency and correctness. Still, the model- based segmentation approach achieved better results than inter-individual manual segmentations. The segmentation approach had been extended by a model- based interpolation and registration reusing major parts of the methodology to achieve multi-modal image integration. The performed tests confirmed the good results of the described model-based image processing approach as a reliable technique for the segmentation, interpolation, and registration of medical data sets.
