3D modelling and reconstruction of peripheral arteries

Abstract

Ein Modell ist eine vereinfachte Repräsentationsform eines Objekts. Die Modellbildung kann als Formen von individuellen Objekte bezeichnet werden, die später in der Szene Verwendung finden. Seit vielen Jahren versuchen Wissenschaftler ein geeignetes Modell für die Blutgefäße zu finden.<br />Auf den ersten Blick scheint hierfür ein tubuläres Modell am Besten geeignet zu sein, allerdings erweist sich dabei eine präzise Berücksichtigung der vielfältigen Gefäßpathologien als problematisch.<br />Aus medizinischer Sicht ist nicht nur der Mittelpunkt eines Gefäßlumens, sondern auch der Mittelpunkt des Gefäßes selbst relevant. Dies trifft vor allem bei auftretenden Anomalien, wie zum Beispiel bei pathologischen Blutgefäßen, zu. Eine präzise Berechnung von Gefäßparametern ist eine Grundvoraussetzung für automatisierte Visualisierung und Analyse von sowohl gesunden wie auch erkrankten Blutgefäßen. Wir sind davon überzeugt, dass sich eine modell-basierte Technik am Besten für die Parametrierung von Blutgef äßen eignet. Ziel dieser Arbeit ist die Vorstellung einer neuen Technik zur Berechnung von Parametern erkrankter Blutgefäße der unteren Extremitäten.<br />Der erste Teil beschreibt den Vergleich verschiedener Methoden zur Approximation der Mittellinie eines Gefäßes in einem Phantom der peripheren Arterien. Sechs verschiedene Algorithmen wurden zur Berechnung der Mittellinie einer synthetischen peripheren Arterie verwendet. Die evaluierten Methoden basieren auf folgenden Verfahren:<br />Raycasting, bei dem das Abbruchkriterium entweder schwellwertbasiert oder auf dem maximalen Gradienten basiert ist; Block-Matching, bei dem die Pixelbewegung in aufeinander folgenden Bildern geschätzt wird und schwerpunkt oder formbasierte Segmentierung. Für die formbasierte Segmentierung wurde sowohl die randomisierte Hough-Transformation als auch Ellipsen-Fitting verwendet. Da in dem synthetischen Datensatz die Mittellinie bekannt ist, kann die Genauigkeit der Verfahren berechnet werden. Der zweite Teil beschreibt die Einschätzung der Abmessungen der Beinarterien, die mittels Computertomographie aufgenommen wurden. Das Blutgefäß wird durch ein elliptisches oder zylindrisches Modell mit bestimmten Abmessungen, bestimmter Ausrichtung und einer bestimmten Dichte (CT-Schwächungswerte) beschrieben. Das Modell separiert zwei homogene Regionen: Im Inneren des Modells befindet sich eine Region mit der Dichte eines Gefäßes, außerhalb befindet sich der Hintergrund. Um die Punktbildfunktion des CT-Scanners zu modellieren, wurde ein Gauß Filter verwendet, der zu einer Verschmierung der Gefäßgrenzen führt. Ein Optimierungsvorgang dient zur Auffindung des Modells, das sich am besten mit den Eingangsdaten deckt. Die Methode bestimmt Mittelpunkt, Durchmesser, Orientierung und die durchschnittliche Dichte des Blutgefäßes, sowie die durchschnittliche Dichte des Hintergrundes. Der dritte Teil präsentiert die Ergebnisse einer klinschen Evaluation unsererMethoden, eine Grundvoraussetzung für den klinischen Einsatz. Für diese Evaluation wurden 20 Fälle aus den vorhandenen Patientendaten ausgew ählt und nach Schweregrad der Erkrankung in zwei Gruppen klassifiziert. Manuelle Identifikation diente als Referenzstandard. Wir verglichen die Model-Fitting-Methode mit einer Standard-Methode, die derzeit im klinischen Einsatz ist. Im Allgemeinen war der durschnittliche Abstandsfehler für beide Methoden innerhalb der Variabilität zwischen den einzelnen manuellen Identifikationen. Jedoch erzielte die nicht-lineare Model-Fitting-Technik basierend auf einem zylindrischen Modell in den meisten Fällen eine bessere Annäherung an die Mittellinie, sowohl in den leicht wie auch in den schwer erkrankten Fällen. Die nicht-lineare Model-Fitting-Technik ist robuster und ergab eine bessere Beurteilung der meisten Fälle. Nichtdestoweniger haben die Radiologen und die klinischen Experten das letzte Wort im Hirblick auf den Einsatz dieser Technik im klinischen Umfeld.<br />

A model is a simplified representation of an object. The modeling stage could be described as shaping individual objects that are later used in the scene. For many years scientists are trying to create an appropriate model of the blood vessels. It looks quite intuitive to believe that a blood vessel can be modeled as a tubular object, and this is true, but the problems appear when you want to create an accurate model that can deal with the wide variability of shapes of diseased blood vessels. From the medical point of view it is quite important to identify, not just the center of the vessel lumen but also the center of the vessel, particularly in the presences of some anomalies, which is the case diseased blood vessels. An accurate estimation of vessel parameters is a prerequisite for automated visualization and analysis of healthy and diseased blood vessels. We believe that a model-based technique is the most suitable one for parameterizing blood vessels. The main focus of this work is to present a new strategy to parameterize diseased blood vessels of the lower extremity arteries. The first part presents an evaluation of different methods for approximating the centerline of the vessel in a phantom simulating the peripheral arteries. Six algorithms were used to determine the centerline of a synthetic peripheral arterial vessel. They are based on:<br />ray casting using thresholds and a maximum gradient-like stop criterion, pixel-motion estimation between successive images called block matching, center of gravity and shape based segmentation. The Randomized Hough Transform and ellipse fitting have been used as shape based segmentation techniques. Since in the synthetic data set the centerline is known, an estimation of the error can be calculated in order to determine the accuracy achieved by a given method. The second part describes an estimation of the dimensions of lower extremity arteries, imaged by computed tomography. The vessel is modeled using an elliptical or cylindrical structure with specific dimensions, orientation and CT attenuation values. The model separates two homogeneous regions: Its inner side represents a region of density for vessels, and its outer side a region for background. Taking into account the point spread function of a CT scanner, which is modeled using a Gaussian kernel, in order to smooth the vessel boundary in the model. An optimization process is used to find the best model that fits with the data input. The method provides center location, diameter and orientation of the vessel as well as blood and background mean density values.<br />The third part presents the result of a clinical evaluation of our methods, as a prerequisite step for being used in clinical environment.<br />To perform this evaluation, twenty cases from available patient data were selected and classified as 'mildly diseased' and 'severely diseased' datasets. Manual identification was used as our reference standard. We compared the model fitting method against a standard method, which is currently used in the clinical environment. In general, the mean distance error for every method was within the inter-operator variability. However, the non-linear model fitting technique based on a cylindrical model shows always a better center approximation in most of the cases, 'mildly diseased' as well as 'severely diseased' cases.<br />Clinically, the non-linear model fitting technique is more robust and presented a better estimation in most of the cases. Nevertheless, the radiologists and clinical experts have the last word with respect to the use of this technique in clinical environment.