Fully automated modelling, localisation and segmentation of 3D CT hand data

Abstract

Rheumatoide Arthritis ist ein Problem in unserer alternden Gesellschaft. Eine frühe Diagnose und Behandlung kann das Voranschreiten der Krankheit verlangsamen. Das kontinuierliche Messen der Gelenkspaltsabstände und die Verfolgung von Loci auf den Knochenkonturen sind die Hauptinteressen im Zusammenhang mit medizinischen Studien.<br />Bildsegmentierungstechniken wurden in der Vergangenheit mit Erfolg auf Röntgenbildern eingesetzt, um die medizinische Praxis und die Evaluierung von Longitudinalstudien zum Thema rheumatoide Arthritis zu beschleunigen. Da bildgebende Verfahren immer ausgereifter werden, ist ein stetiger Anstieg der Benutzung von Computertomographie und Magnetresonanz bei der medizinischen Befundung und in Studien zu bemerken. Demzufolge müssen auch existierende Segmentierungs- methoden, wie Sparse MRF Appearance Models und Active Shape Models (ASMs), an die nun dreidimensionalen Daten angepasst werden, um zu funktionieren.<br />Diese Diplomarbeit schlägt folgende Segmentierungspipeline für die Handhabung von dreidimensionalen Bilddaten vor: Für das Finden von Punktkorrespondenzen wird Minimum Description Length und Coherent Point Drift eingesetzt, um Point Distribution Models zu bilden. Die Lokalisierung von anatomischen Strukturen wird mit Random Forests und Discrete Optimisation bewerkstelligt, welche einen Startpunkt für die finale ASM Segmentierung liefern.<br />Die vorgeschlagenen Methoden werden auf zwei unterschiedlichen Datentypen evaluiert. Einerseits werden CT Volumen von Händen von Patienten, die unter rheumatoider Arthritis leiden, für die Lokalisierung von Gelenksspalten und die Segmentierung der Daumenknochen Os Metacarpale I, Phalanx Proximalis Pollicis und Phalanx Distalis Pollicis benutzt. Andererseits werden zusätzlich synthetische Daten für Experimente zur Segmentierungsgenauigkeit generiert. Eine individuelle Analyse aller Methoden wird vollzogen, um von einander unabhängige Resultate zu erhalten.<br />Die durchgeführten Experimente zur Lokalisierung anatomischer Strukturen liefern brauchbare Resultate für die Knochensegmentierung mit ASMs.<br />Falls das Objekt im ungesehenen Bild sich innerhalb des Suchbereichs des ASM befindet, werden präzise Segmentierungsresultate erzielt. Fälle in denen die ASM Suche nicht erfolgreich ist, werden analysiert, um die Ursachen des Scheiterns zu finden. Diese und andere Probleme, die sich beim Testen der Methoden ergaben, werden aufgezeigt und Lösungsvorschläge zu deren Bewältigung gegeben.<br />

Rheumatoid arthritis is a problem in our aging society. To slow down the progression of the disease early diagnosis and treatment is needed. A continuing quantification of joint space widths and the tracking of loci on bone contours are the main subjects of medical interest. Image segmentation techniques have been successfully used on X-ray images in the past, to speed up medical practice and the evaluation of longitudinal studies on the background of rheumatoid arthritis. As imaging technology advances the use of computed tomography and magnetic resonance imaging in medical diagnoses and studies rises.<br />Therefore existing segmentation techniques like Sparse MRF Appearance Models and Active Shape Models (ASMs) have to be adapted to work on three-dimensional data as well.<br />This thesis proposes a fully automated segmentation pipeline to handle 3D imaging data. It uses Minimum Description Length and Coherent Point Drift to find point correspondences to build Point Distribution Models.<br />The localisation of anatomical structures is achieved with Random Forests and Discrete Optimisation giving a starting point for the final ASM segmentation.<br />The proposed methods are evaluated on two different types of data. CT volumes of hands from patients suffering from rheumatoid arthritis are used for the localisation of joint positions and the segmentation of os metacarpale I, phalanx proximalis pollicis and phalanx distalis pollicis. Additionally, synthetic volumes containing bone like objects are created for the evaluation of segmentation accuracy. All methods are analysed individually to yield unbiased results.<br />The outcome of the experiments on the localisation of anatomical structures are adequate to segment the bones with ASMs. If the object searched for in the unseen image is within the ASM's capture range, precise segmentation results are achieved. Cases where the ASM search is unsuccessful are analysed to find the failures' causes. These and other problems that occurred during the testing of the methods are pointed out and suggestions to possible solutions are given.<br />