Weniger Sehen – mehr Verstehen: Größen-basierte und Textur ...

2. Vorangegangene Arbeiten
Seit Beginn des Volume Renderings werden Transferfunktionen weiterentwickelt. Da Gewebe in medizinischen
Daten häufig denselben Messwert aufweisen und eine eindimensionale datenbasierte Transferfunktion nicht
zwischen Stichproben mit demselben Messwert unterscheiden kann, wurde viel Aufwand investiert, um zweioder
höherdimensionale Transferfunktionen zu entwickeln. Marc Levoy erkannte den Wert des Gradienten eines
Voxels als weitere Metrik, um verschiedene Oberflächen besser unterscheiden zu können [4]. Erweitert um die
zweite Ableitung können noch mehr Übergänge zwischen Geweben unterschieden werden [5] und immer mehr
Metriken und höherdimensionale Transferfunktionen kommen hinzu [6, 7, 2, 3].
Die Komplexität der Spezifikation von Transferfunktionen nimmt jedoch mit der Anzahl der Metriken zu,
weshalb die Intuitivität von Metriken und Spezifikationswerkzeugen, wie auch automatisierte Techniken
untersucht wurden. Dabei scheint die Metrik "Größe" intuitiver verwendbar zu sein als der Gradient [8]. In "the
transfer function bake-off" [9] wurden vier Möglichkeiten eines Benutzerinterfaces miteinander verglichen, eine
zweidimensionale Gradienten-basierte Transferfunktion zu spezifizieren. Histogramme bieten dabei einen ersten
Einblick in die Daten und verhelfen zu einer ersten Orientierung, wie eine Spezifikation aussehen könnte.
Verschiedene Hilfswerkzeuge, die eine sogenannte "Dual-Domain-Interaction" ermöglichen, werden zudem in
[10] vorgestellt, um den Benutzer bei der komplizierten Aufgabe zu unterstützen, sich im Datenraum und im 3D
Raum zu orientieren. Ein weiteres intuitives Verfahren, bietet dem Benutzer eine Menge an gerenderten Bildern
zur Auswahl an, welche durch mögliche Spezifikation erzielt werden können. Es wurden auch einige
automatisierte Spezifizierungstechniken vorgestellt, die jedoch den wichtigen explorativen Anteil der
Spezifikation ersetzen oder stark einschränken [11, 3].
3. Kombination von Transferfunktionen
Die Visualisierung von Koronararterien ist eine besondere Herausforderung für Algorithmen, Mediziner und CT-
Scanner. Viele Faktoren erschweren dabei die Detektion: Sie sind klein, durch Herzschlag und Atmung ständig
in Bewegung, sind nur durch Kontrastmittel gut erkennbar, welches sich je nach Anatomie ungleichmäßig
verteilt, und sie liegen in direkter Nachbarschaft zu anderen mit Blut gefüllten Gefäßen, wie den Lungenarterien
und den Herzkammern.
Um sie dennoch von dem restlichen Gewebe unterscheiden zu können verwenden wir in diesem Beitrag einen
mehrdimensionalen Merkmalsraum, der durch die Metriken Datenwert, Größe und Varianz aufgespannt wird,
die im Folgenden kurz erklärt werden.
Daten-basierte Transferfunktion
Die häufig verwendete eindimensionale Daten-basierte Transferfunktion bietet die Möglichkeit Gewebe nach
ihren Hounsfieldwerten selektiert darzustellen. Es findet dabei eine Abbildung von Datenwert auf Farbwert und
Transparenz statt.
Größen-basierte Transferfunktion
Zur Unterscheidung von Merkmalen nach ihrer Größe wird der Datensatz in einen „Scale Space“ umgerechnet.
Für einen „Scale Space“ wird ein Volumen via Diffusion, zum Beispiel mit einem Gauss-Filter, wiederholt
„weich gezeichnet“. Die Idee dabei ist, dass kleinere Merkmale dadurch schneller verwaschen als große, und
ihren dazugehörigen Samples somit durch die Anzahl der durchgeführten Filterungen eine relative Größe
zugewiesen werden kann. Für röhrenartige Strukturen wie Koronargefäße müssen dabei besondere Maßnahmen
getroffen werden, damit auch ihre Größe korrekt erkannt wird [12]. Bei den Größen-basierten
Transferfunktionen liegt also nun neben dem eigentlichen Datenwert aus der Hounsfieldskala auch ein
Größenwert zur Zuweisung von Transparenz und Farbe vor.
Textur-basierte Transferfunktion
Texturmerkmale sind strukturelle Eigenschaften lokaler Bildbereiche und können durch mathematische Ansätze
(statistisch gewonnene Parameter) beschrieben werden, z.B. Durchschnittswert, Varianz, Kontrast, Homogenität
oder Energie. Sind zwei Datenwerte eines CT Datensatzes auf der Hounsfieldskala gleich, sind sie oft in den
statistischen Eigenschaften ihres Umfeldes unterschiedlich [3]. So ist zum Beispiel die Varianz der
Nachbarschaft zwischen Samples von Lungen- und Koronargefäßen unterschiedlich. Wird die Nachbarschaft
groß genug gewählt, gilt dasselbe für den Mittelwert an diesen Stellen.