Weniger Sehen – mehr Verstehen: Größen-basierte und Textur ...
Weniger Sehen – mehr Verstehen: Größen-basierte und Textur ...
Weniger Sehen – mehr Verstehen: Größen-basierte und Textur ...
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
<strong>Weniger</strong> <strong>Sehen</strong> <strong>–</strong> <strong>mehr</strong> <strong>Verstehen</strong>: <strong>Größen</strong>-<strong>basierte</strong> <strong>und</strong><br />
<strong>Textur</strong>-<strong>basierte</strong> Transferfunktionen zur<br />
Volumenvisualisierung von CT Daten der Koronargefäße<br />
Stephan Arens 1 , Gitta Domik 1 , Reiner Weise 2 , Harald Fricke 2 , Wolfgang Burchert 2<br />
1 Universität Paderborn, Institut für Informatik, Fachgebiet Computergrafik, Visualisierung <strong>und</strong><br />
Bildverarbeitung<br />
2 Herz- <strong>und</strong> Diabeteszentrum Nordrhein-Westfalen, Institut für Radiologie, Nuklearmedizin <strong>und</strong><br />
Molekulare Bildgebung<br />
Abstract<br />
Transferfunktionen bilden Datenwerte aus Volumendaten in Echtzeit auf Transparenz- <strong>und</strong> Farbwerte ab. Durch<br />
ihre Spezifikation sollen dabei unwichtige Strukturen durch Transparenz eliminiert („weniger sehen“) <strong>und</strong><br />
gleichzeitig alle für den jeweiligen Betrachter <strong>und</strong> Zweck wichtigen Strukturen visuell hervorgehoben werden<br />
(„<strong>mehr</strong> verstehen“). Somit kann eine gut gewählte Transferfunktion durchaus der Darstellungsqualität einer<br />
Segmentierung entsprechen <strong>und</strong> trotzdem den Vorteil der Echtzeitexploration eines 3D Datensatzes liefern.<br />
Voraussetzung ist, dass unterschiedliche Strukturen durch unterschiedliche lokale Eigenschaften der Daten zu<br />
trennen sind.<br />
Dies ist auf den ersten Blick bei der Trennung von Herz <strong>und</strong> Koronargefäße durch die Hounsfieldwerte der CT-<br />
Volumendaten nicht der Fall, auch nicht durch Zuhilfenahme des Gradienten (1. Ableitung der Daten) durch die<br />
bekannte Gradienten-<strong>basierte</strong> Transferfunktion [1]. In diesem Beitrag werden zwei neuere Transferfunktionen,<br />
die <strong>Größen</strong>-<strong>basierte</strong> [2] <strong>und</strong> die <strong>Textur</strong>-<strong>basierte</strong> Transferfunktion [3], für die Abgrenzung von Koronargefäßen<br />
zu anderen Strukturen demonstriert.<br />
In unserem Beitrag können wir zeigen, dass die Kombination<br />
einer Daten-<strong>basierte</strong>n Transferfunktion (zur Darstellung von Organen mit erwünschten<br />
Hounsfieldwerten)<br />
<br />
<br />
mit einer <strong>Größen</strong>-<strong>basierte</strong>n Transferfunktion (zur Hervorhebung der Koronargefäße gegenüber den<br />
Herzkammern)<br />
mit einer <strong>Textur</strong>-<strong>basierte</strong>n Transferfunktion (zur Eliminierung der Lungengefäße gegenüber den<br />
Koronargefäßen)<br />
ähnliche visuelle Ergebnisse liefert wie eine Segmentierung der Koronargefäße, dabei aber die Möglichkeit der<br />
vorteilhaften, interaktiven Exploration der Gefäße erhält.<br />
1. Einleitung<br />
In der medizinischen Nutzung sind durch Algorithmen bestimmte Entscheidungen oft nicht tragbar, so dass eine<br />
automatische Segmentierung nicht in jedem Falle anwendbar ist. So birgt zum Beispiel eine algorithmische<br />
Ortung der Koronararterien viel Fehlerpotential, das starken Einfluss auf die Diagnoseentscheidungen haben<br />
kann. Da Transferfunktionen keine 0/1-Entscheidung treffen, sondern dem Benutzer einen Datenraum<br />
aufspannen, in dem er selbst die Entscheidung fällen kann, was er als Arterie ansieht <strong>und</strong> was nicht, ist ihre<br />
Nutzung weitaus weniger riskant, <strong>und</strong> ihre Darstellungsmöglichkeiten sind wesentlich flexibler. In dem<br />
Spezifizierungsprozess verlangt eine Transferfunktion eine visuelle Exploration des Datensatzes, was durchaus<br />
wünschenswert ist, <strong>und</strong> bietet dabei eine Art Originalsicht auf den Datensatz in verschiedenen<br />
Kontrastverhältnissen. Dabei ist es wichtig, dass der Spezifizierung einer Transferfunktion im Datenraum eine<br />
unmittelbare Visualisierung im 3D Raum folgt. Nur eine direkte Rückmeldung ermöglicht die Exploration eines<br />
Datensatzes im Sinne des Ausprobierens.<br />
Auf der anderen Seite bringt eine gute Segmentierung von Koronargefäßen viele Vorteile mit sich. Mit ihrer<br />
Hilfe können zum Beispiel abgewickelte Ansichten der Arterien erzeugt werden, die dem Arzt eine verbesserte<br />
Perspektive bieten. Deshalb sollen in diesem Beitrag lediglich die dreidimensionalen Volumendarstellungen der<br />
Transferfunktionen <strong>und</strong> Segmentierungen beispielhaft gegenübergestellt werden.
2. Vorangegangene Arbeiten<br />
Seit Beginn des Volume Renderings werden Transferfunktionen weiterentwickelt. Da Gewebe in medizinischen<br />
Daten häufig denselben Messwert aufweisen <strong>und</strong> eine eindimensionale daten<strong>basierte</strong> Transferfunktion nicht<br />
zwischen Stichproben mit demselben Messwert unterscheiden kann, wurde viel Aufwand investiert, um zweioder<br />
höherdimensionale Transferfunktionen zu entwickeln. Marc Levoy erkannte den Wert des Gradienten eines<br />
Voxels als weitere Metrik, um verschiedene Oberflächen besser unterscheiden zu können [4]. Erweitert um die<br />
zweite Ableitung können noch <strong>mehr</strong> Übergänge zwischen Geweben unterschieden werden [5] <strong>und</strong> immer <strong>mehr</strong><br />
Metriken <strong>und</strong> höherdimensionale Transferfunktionen kommen hinzu [6, 7, 2, 3].<br />
Die Komplexität der Spezifikation von Transferfunktionen nimmt jedoch mit der Anzahl der Metriken zu,<br />
weshalb die Intuitivität von Metriken <strong>und</strong> Spezifikationswerkzeugen, wie auch automatisierte Techniken<br />
untersucht wurden. Dabei scheint die Metrik "Größe" intuitiver verwendbar zu sein als der Gradient [8]. In "the<br />
transfer function bake-off" [9] wurden vier Möglichkeiten eines Benutzerinterfaces miteinander verglichen, eine<br />
zweidimensionale Gradienten-<strong>basierte</strong> Transferfunktion zu spezifizieren. Histogramme bieten dabei einen ersten<br />
Einblick in die Daten <strong>und</strong> verhelfen zu einer ersten Orientierung, wie eine Spezifikation aussehen könnte.<br />
Verschiedene Hilfswerkzeuge, die eine sogenannte "Dual-Domain-Interaction" ermöglichen, werden zudem in<br />
[10] vorgestellt, um den Benutzer bei der komplizierten Aufgabe zu unterstützen, sich im Datenraum <strong>und</strong> im 3D<br />
Raum zu orientieren. Ein weiteres intuitives Verfahren, bietet dem Benutzer eine Menge an gerenderten Bildern<br />
zur Auswahl an, welche durch mögliche Spezifikation erzielt werden können. Es wurden auch einige<br />
automatisierte Spezifizierungstechniken vorgestellt, die jedoch den wichtigen explorativen Anteil der<br />
Spezifikation ersetzen oder stark einschränken [11, 3].<br />
3. Kombination von Transferfunktionen<br />
Die Visualisierung von Koronararterien ist eine besondere Herausforderung für Algorithmen, Mediziner <strong>und</strong> CT-<br />
Scanner. Viele Faktoren erschweren dabei die Detektion: Sie sind klein, durch Herzschlag <strong>und</strong> Atmung ständig<br />
in Bewegung, sind nur durch Kontrastmittel gut erkennbar, welches sich je nach Anatomie ungleichmäßig<br />
verteilt, <strong>und</strong> sie liegen in direkter Nachbarschaft zu anderen mit Blut gefüllten Gefäßen, wie den Lungenarterien<br />
<strong>und</strong> den Herzkammern.<br />
Um sie dennoch von dem restlichen Gewebe unterscheiden zu können verwenden wir in diesem Beitrag einen<br />
<strong>mehr</strong>dimensionalen Merkmalsraum, der durch die Metriken Datenwert, Größe <strong>und</strong> Varianz aufgespannt wird,<br />
die im Folgenden kurz erklärt werden.<br />
Daten-<strong>basierte</strong> Transferfunktion<br />
Die häufig verwendete eindimensionale Daten-<strong>basierte</strong> Transferfunktion bietet die Möglichkeit Gewebe nach<br />
ihren Hounsfieldwerten selektiert darzustellen. Es findet dabei eine Abbildung von Datenwert auf Farbwert <strong>und</strong><br />
Transparenz statt.<br />
<strong>Größen</strong>-<strong>basierte</strong> Transferfunktion<br />
Zur Unterscheidung von Merkmalen nach ihrer Größe wird der Datensatz in einen „Scale Space“ umgerechnet.<br />
Für einen „Scale Space“ wird ein Volumen via Diffusion, zum Beispiel mit einem Gauss-Filter, wiederholt<br />
„weich gezeichnet“. Die Idee dabei ist, dass kleinere Merkmale dadurch schneller verwaschen als große, <strong>und</strong><br />
ihren dazugehörigen Samples somit durch die Anzahl der durchgeführten Filterungen eine relative Größe<br />
zugewiesen werden kann. Für röhrenartige Strukturen wie Koronargefäße müssen dabei besondere Maßnahmen<br />
getroffen werden, damit auch ihre Größe korrekt erkannt wird [12]. Bei den <strong>Größen</strong>-<strong>basierte</strong>n<br />
Transferfunktionen liegt also nun neben dem eigentlichen Datenwert aus der Hounsfieldskala auch ein<br />
<strong>Größen</strong>wert zur Zuweisung von Transparenz <strong>und</strong> Farbe vor.<br />
<strong>Textur</strong>-<strong>basierte</strong> Transferfunktion<br />
<strong>Textur</strong>merkmale sind strukturelle Eigenschaften lokaler Bildbereiche <strong>und</strong> können durch mathematische Ansätze<br />
(statistisch gewonnene Parameter) beschrieben werden, z.B. Durchschnittswert, Varianz, Kontrast, Homogenität<br />
oder Energie. Sind zwei Datenwerte eines CT Datensatzes auf der Hounsfieldskala gleich, sind sie oft in den<br />
statistischen Eigenschaften ihres Umfeldes unterschiedlich [3]. So ist zum Beispiel die Varianz der<br />
Nachbarschaft zwischen Samples von Lungen- <strong>und</strong> Koronargefäßen unterschiedlich. Wird die Nachbarschaft<br />
groß genug gewählt, gilt dasselbe für den Mittelwert an diesen Stellen.
Mit nur einer oder zwei der genannten Metriken ist es nicht möglich die Koronargefäße allein darzustellen: Die<br />
Koronargefäße liegen im selben Hounsfieldwertebereich wie die Lungenarterien <strong>und</strong> die Herzkammern. Darüber<br />
hinaus weisen die Herzkammern an den Übergängen zum Herzmuskel dieselbe Varianz auf wie die<br />
Koronargefäße, während die Lungengefäße dieselbe Größe haben. In der Kombination aller drei Metriken<br />
können hingegen die Lungengefäße durch die Varianz <strong>und</strong> die Herzkammern durch ihre Größe ausgeblendet<br />
werden. Das Mengendiagramm aus Abbildung 1 stellt diesen Sachverhalt anschaulich dar.<br />
Die Wertebereiche der genannten Strukturen sind jedoch in den einzelnen Metriken nicht fest abgegrenzt.<br />
Viel<strong>mehr</strong> sind sie verschwommen <strong>und</strong> überlappend. Insofern ist es wichtig, die Grenzen dessen, was man sehen<br />
will, interaktiv zu setzen, um dabei den Datensatz genauer zu explorieren.<br />
Abbildung 1: Darstellung der sich überschneidenden Wertebereiche von Herzkammern, Koronararterien <strong>und</strong> Lungengefäßen<br />
in Größe, Varianz <strong>und</strong> Hounsfieldwerten als Venn-Diagramm.<br />
4. Resultate<br />
Ziel der Arbeit war es, dem Benutzer einen Datenraum anzubieten, in dem er mittels Transferfunktionen selbst<br />
interaktiv entscheiden kann, was er als Koronararterie ansieht <strong>und</strong> dabei möglichst ähnliche visuelle Ergebnisse<br />
erzielen kann, wie mit einer Segmentierung. Da mit Transferfunktionen nicht zwischen einzelnen<br />
Zusammenhangskomponenten unterschieden werden kann, sind dafür Metriken notwendig, anhand derer<br />
Koronargefäße eindeutig identifiziert werden können. Zunächst ist das der Hounsfieldwert mit dessen Hilfe das<br />
Blutvolumen einer CT-Angiographie selektiert werden kann. Abbildung 2 (a) zeigt ein dadurch erzielbares<br />
Resultat. Durch Hinzunehmen der Varianz (oder des Mittelwerts) als Metrik können überdies die Lungengefäße<br />
wie in Abbildung 2 (b) ausgeblendet werden, indem Regionen mit großen Varianzwerten (bzw. kleinen<br />
Mittelwerten) eine hohe Transparenz zugewiesen wird. Der Versuch durch eine zusätzliche <strong>Größen</strong>-<strong>basierte</strong><br />
Transferfunktion Regionen kleiner Größe farblich hervorzuheben, hebt sämtliche kleine Gefäße mit hervor, was<br />
insbesondere bei den Lungengefäßen störend ist (siehe Abbildung 2 (c)). Größere Regionen, wie die<br />
Herzkammern oder die großen Gefäße, sind durch diese Metrik jedoch sehr gut differenzierbar. Die<br />
Kombination aller drei Transferfunktionen ermöglicht eine beinahe ungehinderte, farblich hervorgehobene<br />
Darstellung der Koronargefäße, wie in Abbildung 2 (d) zu sehen ist. Vereinzelte ungewollte Hervorhebungen<br />
sind mit diesen drei Metriken nicht verhinderbar.<br />
Um die Qualität der Hervorhebung beurteilen zu können, haben wir sie visuell mit Referenzsegmentierungen aus<br />
dem „Rotterdam Coronary Artery Algorithm Evaluation Framework“ [13] verglichen. Dieses Framework bietet<br />
für ausgewählte Datensätze eine manuell von Gefäßspezialisten erstellte Segmentierung der Koronararterien.<br />
Abbildung 3 zeigt beispielhaft eine Gegenüberstellung der manuell segmentierten Arterie <strong>und</strong> derselben Arterie,<br />
hervorgehoben durch die vorgestellte Kombination an Transferfunktionen. Investiert man ein paar Minuten Zeit<br />
für die präzise Spezifikation, sind also durchaus ähnliche visuelle Ergebnisse erzielbar. Vorteilhaft ist dabei die<br />
während der Spezifikation stattfindende Exploration des Datensatzes. In Abbildung 4 (b) <strong>–</strong> (d) ist deutlich zu<br />
erkennen, dass die Grenzen der Koronararterien stark davon abhängen, welche Hounsfieldwerte der Benutzer als<br />
Arterie ansieht oder nicht. Eine Segmentierung enthält nur ein einziges unveränderbares Ergebnis, wie<br />
beispielhaft in Abbildung 4 (a) zu sehen ist. Abbildung 5 enthält weitere erzielte Resultate.
Abbildung 2: (a) Darstellung des Blutvolumens einer CT-Angiographie mit einer einfachen Daten-<strong>basierte</strong>n<br />
Transferfunktion. (b) Darstellung aus (a) erweitert um eine <strong>Textur</strong>-<strong>basierte</strong> Transferfunktion, um die Lungengefäße<br />
auszublenden. (c) Darstellung aus (a) erweitert um eine <strong>Größen</strong>-<strong>basierte</strong> Transferfunktion, um kleine Gefäße gegenüber den<br />
Herzkammern grün hervorzuheben. (d) Darstellung aus (a) erweitert um die <strong>Textur</strong>-<strong>basierte</strong> <strong>und</strong> die <strong>Größen</strong>-<strong>basierte</strong><br />
Transferfunktion.<br />
Abbildung 3: Links: RCA hervorgehoben durch die vorgestellte Kombination von Transferfunktionen. Rechts: RCA<br />
hervorgehoben durch eine Segmentierung.
Abbildung 4: (a) LCA hervorgehoben durch eine Segmentierung. (b) <strong>–</strong> (d) LCA hervorgehoben durch verschiedene<br />
Spezifizierungen der Daten-<strong>basierte</strong>n Transferfunktion mit zugehöriger Auswahl (rot) im Histogramm.<br />
Abbildung 5: Weitere Resultate bei verschiedenen Datensätzen. Die Qualität der Hervorhebung variiert, während die<br />
Eliminierung der Lungengefäße durchweg gut funktioniert.<br />
1. J. Kniss, G. Kindlmann, C. Hansen: Multidimensional transfer functions for interactive volume rendering.<br />
IEEE Transactions on Visualization and Computer Graphics 8, 3 (2002), 270<strong>–</strong>285.<br />
2. C.D. Correa, K.L. Ma: Size-based transfer functions: A new volume exploration technique. IEEE Trans. Vis.<br />
Comput. Graph. 14, 6 (2008), 1380<strong>–</strong>1387.<br />
3. J.J. Caban, P. Rheingans: <strong>Textur</strong>e-based transfer functions for direct volume rendering. IEEE Transactions on<br />
Visualization and Computer Graphics 14, 6 (2008), 1364<strong>–</strong>1371.<br />
4. M. Levoy: Display of surfaces from volume data. IEEE Computer Graphics and Applications 8, 3 (1988), 29<strong>–</strong><br />
37.<br />
5. G. Kindlmann, J.W. Durkin: Semi-automatic generation of transfer functions for direct volume rendering. In<br />
VVS ’98: Proceedings of the 1998 IEEE symposium on Volume visualization (New York, NY, USA, 1998),<br />
ACM, pp. 79<strong>–</strong>86.<br />
6. J. Hladuvka, A. König, E. Gröller: Curvature-based transfer functions for direct volume rendering. In Bianca<br />
Falcidieno, editor, Spring Conference on Computer Graphics 2000 (2000), pp. 58<strong>–</strong>65.<br />
7. G. Kindlmann, R. Whitaker, T. Tasdizent, T. Moller.: Curvature-based transfer functions for direct volume<br />
rendering: Methods and applications. In VIS ’03: Proceedings of the 14th IEEE Visualization 2003 (VIS’03)<br />
(Washington, DC, USA, 2003), IEEE Computer Society, p. 67.<br />
8. S. Wesarg, M. Kirschner: 3d visualization of medical image data employing 2d histograms. International<br />
Conference in Visualisation 0 (2009), 153<strong>–</strong>158.<br />
9. H. Pfister et al.: The transfer function bake-off. Computer Graphics and Applications, IEEE 21, 3 (May/Jun<br />
2001), 16<strong>–</strong>22.<br />
10 J. Kniss, G. Kindlmann, C. Hansen: Interactive volume rendering using multi-dimensional transfer functions<br />
and direct manipulation widgets. In VIS ’01: Proceedings of the conference on Visualization ’01<br />
(Washington, DC, USA, 2001), IEEE Computer Society, pp. 255<strong>–</strong>262.<br />
11. F.Y. Tzeng, E.B. Lum, K.L. Ma: A novel interface for higher-dimensional classification of volume data. In<br />
VIS ’03: Proceedings of the 14th IEEE Visualization 2003 (VIS’03) (Washington, DC, USA, 2003), IEEE<br />
Computer Society, p. 66.<br />
12. A.F. Frangi, W.J. Niessen, K.L. Vincken, M.A. Viergever: Multiscale Vessel Enhancement Filtering. In<br />
Medical Image Computing and Computer-Assisted Interventation (1998). p. 130.<br />
13. M. Schaap et al: Standardized Evaluation Methodology and Reference Database for Evaluating Coronary<br />
Artery Centerline Extraction Algorithms. In Medical Image Analysis 13, 5 (2009), pp. 701-714.