Coronary artery tracking with rule-based gap closing

Abstract

Die koronare Arterienkrankheit gehört zu den häufigsten Todesursachen in den Industrieländern. Die hohe Sterblichkeitsrate führt zu einer erhöhten Nachfrage nach Diagnose und Behandlung dieser Krankheiten. In der erweiterten Diagnose von Erkrankungen der Koronararterien kommt zusätzlich zu der konventionellen Koronarangiographie die CT-Angiographie vermehrt zum Einsatz. Diese Modalität ermöglicht eine detaillierte Beurteilung der Herzkranzgefäße sowie eventuell vorhandener Stenosen. Um den Radiologen bei der Analyse von Koronararterien mittels computerunterstützter Diagnostik zu unterstützen, sind robuste und effiziente Verfahren zur Erfassung des Koronararterienverlaufs gefragt.<br />Der vorgestellte Ansatz vereint die Stärken von Methoden, die hohe Genauigkeit erreichen mit Stärken von Methoden, die einen hohen Grad an Gefäßüberlappung erzielen. Der vorliegende Ansatz zielt somit auf hochgenaue Ergebnisse in Kombination mit einem hohen Überlappungsgrad der untersuchten koronaren Gefäßbäume und ist in drei Phasen unterteilt:<br />1) Berechnung von Initialisierungspunkten, 2) Erfassung von Gefäßsegmenten und 3) Zusammenführung der Gefäßsegmente zu koronaren Gefäßbäumen.<br />In Phase 1 werden Initialisierungspunkte innerhalb von Blutgefäßen berechnet, die in Phase 2 als Ausgangspunkte für die Erfassung von Gefäßsegmenten mittels zylindrischer Formmodelle dienen, wobei beide Phasen vollautomatisch ablaufen. Durch den Einsatz einer regelbasierten, anatomischen Heuristik werden in Phase 3 die erfassten Gefäßabschnitte zu vollständigen koronaren Gefäßbäumen zusammengesetzt. Diese Phase erfordert eine minimale Benutzerinteraktion, um jeweils die Wurzel des linken und rechten koronaren Gefäßbaums zu lokalisieren.<br />Neben der detaillierten Beschreibung des Algorithmus wird auch dessen Integration in eine professionelle radiologische Arbeitsumgebung demonstriert. Die durch die Auswertung von 24 CTA Testdatensätzen erhaltenen Resultate bestätigen einen hohen Überlappungsgrad (OV) von durchschnittlich 89.5 % bei einer sehr hohen Genauigkeit (AI) von durschnittlich 0.24 mm im Vergleich zu einer von Experten annotierten Referenzsegmentierung.<br />

Coronary artery diseases are among the leading causes of death in the industrial countries. The high death rate leads to an increased demand of diagnosis and treatment of these diseases. Additional to the conventional coronary angiography, the CT angiography is mainly used in the extended diagnostics of coronary artery diseases. This modality allows a detailed assessment of the coronary vessels and potentially present stenoses. For supporting the radiologist during the evaluation of the coronary arteries by the help of computer-aided diagnostic methods, robust and efficient procedures for the tracking of coronary arteries are needed. The approach presented in this thesis unifies the strong points of existing methods delivering high accuracy with the strong points of methods achieving high overlap. Therefore the approach presented in this thesis aims at highly accurate results in combination with high overlap of the investigated coronary artery vessel tree. The approach is divided into three phases: 1) calculation of seed points, 2) tracking of vessel segments, and 3) construction of the coronary artery trees.<br />Phase 1 & 2 are executed in an automatic manner. First potential seed points for the tracking of vessel segments are identified. During the second phase, vessel segments located at these seed points are tracked by use of a cylindrical shape model. By use of rule-based anatomical heuristics, the third and final phase combines vessel segments to form complete coronary artery trees. This phase requires minimal user interaction, as the location of the root of the left and right coronary artery tree needs to be specified.<br />Beside the detailed description of the algorithm, the integration into a professional radiology workstation is demonstrated. The results obtained by the evaluation on 24 CTA datasets show a high overlap (OV) of 89.5 % in combination with very precise accuracy (AI) of 0.24 mm in comparison to an expert-annotated reference segmentation.