Semi-automatic spine labeling on T1- and T2-weighted MRI volume data

Abstract

Die Wirbelsäule wird in der medizinischen Diagnose oft als Referenz verwendet und unterstützt so die Lokalisierung von Krankheiten (z.B. Tumoren). Verfahren, die der Wirbelsäule automatisch ihre anatomischen Bezeichnungen zuordnen sind gefragt, um zeitraubendes manuelles Beschriften durch einen Radiologen einzusparen. Verschiedene Algorithmen wurden bisher in der Literatur vorgestellt, wobei die meisten mit Computertomographie- (CT) und Magnetresonanztomographie-Daten (MRI) arbeiten. Während CT-Daten eine einheitliche Intensitätsskala aufweisen, treten in MR-Daten hohe Variabilitäten innerhalb der Daten und folglich innerhalb der Gewebe auf. Verschiedene Faktoren beeinflussen das Aussehen von Wirbeln und Bandscheiben in MRI-Bildern: unterschiedliche Scanner, Änderungen in den Aufnahmeparametern, Inhomogenitäten des Magnetfeldes oder altersbedingte Änderungen in der Struktur der Wirbelsäulenanatomie. Diese Faktoren erschweren die Entwicklung von halb- und vollautomatischen Systemen, die der Wirbelsäule ihre anatomischen Beschriftungen zuordnen. Hauptziel dieser Diplomarbeit ist es, diese Variabilität zu überwinden und eine generalisierte Repräsentation für verschiedene Arten von MR-Daten zu finden. Weiters soll auf diesen normalisierten Bildern die Anatomie der Wirbelsäule beschriftet werden, wobei ein Benutzer einen Startpunkt zur Verfügung stellt. Entropie-optimierte Texturmodelle werden verwendet, um die Daten zu normalisieren und in eine standardisierte, reduzierte Intensitätsskala umzuwandeln. Mit Probabilistic Boosting Trees werden mögliche Punkte innerhalb der Bandscheiben detektiert, wobei der Mittelpunkt der Bandscheibe mit Hilfe eines Shape Particle Filters ausgewählt wird. Die Ergebnisse, die mit der vorgestellten Methode erzielt werden, sind vielversprechend hinsichtlich der Datennormalisierung, benötigten Zeit und erzielten Beschriftungs-Genauigkeit. Mit einer mittleren gesamten Verarbeitungszeit von 6.0 s für Normalisierung und Beschriftung eines Datensatzes (0.8 s pro Bandscheibe) liefert der Algorithmus eine Genauigkeit von 92.4% (Trefferquote = 86.8%). Verwendet man eine höhere Auflösung der Daten für die Detektierung der Bandscheiben (durchschnittliche Verarbeitungszeit von 1.6 s pro Bandscheibe beziehungsweise 12.4 s pro Datensatz), so reduziert sich die Anzahl nicht gefundener Bandscheiben und erhöht somit die Trefferquote auf 91.7% (mit einer Genauigkeit von 91.9%).

In medical diagnosis, the spine is often a frame of reference and so helps to localize diseases (e.g. tumors) in the human body. Automated spine labeling approaches are in demand, in order to replace time consuming, manual labeling by a radiologist. Different approaches have already been proposed in the literature, mainly for Computed Tomography (CT) and Magnetic Resonance Imaging (MRI) data. While CT scans exhibit a generalized intensity scale, MR images come with a high variability within the data and hence the tissues. Several factors influence the appearance of vertebrae and intervertebral disks in MRI data: different scanners, changes of acquisition parameters, magnetic field inhomogeneities or age-related, structural changes of the spinal anatomy. These factors compound the development of semi- and fully automatic spine labeling systems. The main goal of this thesis is to overcome these variations and find a generalized representation for different kinds of MR data. Furthermore, it aims for a semi-automatic labeling approach on these preprocessed scans where the user has to provide an initial click. Entropy-optimized Texture Models are applied to normalize the data to a standardized, reduced intensity scale. With Probabilistic Boosting Trees, intervertebral disk feature points are detected, whereby the disk center is selected with a Shape Particle Filter. The results achieved with the proposed pipeline are promising in terms of data normalization, timing and labeling accuracy. With a mean overall processing time of 6.0 s for normalizing and labeling a dataset (0.8 s per disk), the algorithm achieves a precision of 92.4% (recall = 86.8%). Using a higher resolution of the data for disk detection (average timing of 1.6 s per disk resp. 12.4 s per dataset), reduces the number of missed disk candidates and hence increases the recall to 91.7% (with a precision of 91.9%).