Machine Learning Methods in Computed Tomography Image Analysis

Verfahren des maschinellen Lernens zur Analyse computertomographischer Bilder

  • Lymph nodes have high clinical relevance because they are often affected by cancer, and also play an important role in all kinds of infections and inflammations in general. Lymph nodes are commonly examined using computed tomography (CT). Manually counting and measuring lymph nodes in CT volumes images is not only cumbersome but also introduces the problem of inter-observer variability and even intra-observer variability. Automatic detection is however challenging as lymph nodes are hard to see due to low contrast, irregular shape, and clutter. In this work, a top-down approach for lymph node detection in 3-D CT volume images is proposed. The focus is put on lymph nodes that lie in the regioLymph nodes have high clinical relevance because they are often affected by cancer, and also play an important role in all kinds of infections and inflammations in general. Lymph nodes are commonly examined using computed tomography (CT). Manually counting and measuring lymph nodes in CT volumes images is not only cumbersome but also introduces the problem of inter-observer variability and even intra-observer variability. Automatic detection is however challenging as lymph nodes are hard to see due to low contrast, irregular shape, and clutter. In this work, a top-down approach for lymph node detection in 3-D CT volume images is proposed. The focus is put on lymph nodes that lie in the region of the mediastinum. CT volumes that show the mediastinum are typically scans of the thorax or even the whole thoracic and abdominal region. Therefore, the first step of the method proposed in this work is to determine the visible portion of the body from a CT volume. This allows pruning the search space for mediastinal lymph nodes and also other structures of interest. Furthermore, it can tell whether the mediastinum is actually visible. The visible body region of an unknown test volume is determined by 1-D registration along the longitudinal axis with a number of reference volumes whose body regions are known. A similarity measure for axial CT slices is proposed that has its origin in scene classification. An axial slice is described by a spatial pyramid of histograms of visual words, which are code words of a quantized feature space. The similarity of two slices is measured by comparing their histograms. As features, descriptors of the Speeded Up Robust Features are used. This work proposes an extension of the SURF descriptors to an arbitrary number of dimensions (N-SURF). Here, we make use of 2-SURF and 3-SURF descriptors. The mediastinal body region contains a number of structures that can be confused with lymph nodes. One of them is the esophagus. Its attenuation coefficient is usually similar, and at the same time it is often surrounded by lymph nodes. Therefore, knowing the outline of the esophagus both helps to reduce false alarms in lymph node detection, and to put focus on the neighborhood. In the second part of this work, a fully automatic method for segmenting the esophagus in 3-D CT images is proposed. Esophagus segmentation is a challenging problem due to limited contrast to surrounding structures and a versatile shape and appearance. Here, a multi step method is proposed: First, a detector that is trained to learn a discriminative model of the appearance is combined with an explicit model of the distribution of respiratory and esophageal air. In the next step, prior shape knowledge is incorporated using a Markov chain model and used to approximate the esophagus shape. Finally, the surface of this approximation is non-rigidly deformed to better fit the boundary of the organ. The third part of this work is a method for automatic detection and segmentation of mediastinal lymph nodes. Having low contrast to neighboring structures, it is vital to incorporate as much anatomical knowledge as possible to achieve good detection rates. Here, a prior of the spatial distribution is proposed to model this knowledge. Different variants of this prior are compared to each other. This is combined with a discriminative model that detects lymph nodes from their appearance. It first generates a set of possible lymph node center positions. Two model variants are compared. Given a detected center point, either the bounding box of the lymph node is directly detected, or a lymph node is segmented. A feature set is introduced that is extracted from this segmentation, and a classifier is trained on this feature set and used to reject false detections.show moreshow less
  • Lymphknoten sind von hoher klinischer Relevanz. Zum einen sind sie häufig von Krebs betroffen, und zum anderen spielen sie eine wichtige Rolle bei Infektionen und Entzündungen. Zur Untersuchung von Lymphknoten ist die Computertomographie (CT) die bildgebende Modalität der Wahl. Lymphknoten in CT Aufnahmen von Hand zu zählen und zu vermessen ist allerdings nicht nur mühsam, sondern die Ergebnisse variieren auch stark von Beobachter zu Beobachter, und sogar auch innerhalb eines Beobachters. Eine Automatische Detektion ist wegen leichter Verwechselbarkeit mit benachbarten Strukturen allerdings schwierig. In dieser Arbeit wird ein Top-Down Verfahren zur Automatischen Lymphknotendetektion vorgestLymphknoten sind von hoher klinischer Relevanz. Zum einen sind sie häufig von Krebs betroffen, und zum anderen spielen sie eine wichtige Rolle bei Infektionen und Entzündungen. Zur Untersuchung von Lymphknoten ist die Computertomographie (CT) die bildgebende Modalität der Wahl. Lymphknoten in CT Aufnahmen von Hand zu zählen und zu vermessen ist allerdings nicht nur mühsam, sondern die Ergebnisse variieren auch stark von Beobachter zu Beobachter, und sogar auch innerhalb eines Beobachters. Eine Automatische Detektion ist wegen leichter Verwechselbarkeit mit benachbarten Strukturen allerdings schwierig. In dieser Arbeit wird ein Top-Down Verfahren zur Automatischen Lymphknotendetektion vorgestellt, wobei der Fokus auf der Region des Mediastinums liegt. CT Aufnahmen, die das Mediastinum zeigen, sind meist Aufnahmen der Brust oder des gesamten Rumpfes. Der erste Schritt des vorgestellten Verfahrens schätzt deshalb die sichtbare Körperregion eines CT Bildes. Dies erlaubt es, den Suchraum einzuschränken, und auch festzustellen, ob das Mediastinum im aktuellen Bild überhaupt sichtbar ist. Die Körperregion, die in einem unbekannten Volumenbild sichtbar ist, wird durch 1D Registrierung entlang der Längsachse mit Volumenbildern, deren Körperregionen bekannt sind, ermittelt. Ein Ähnlichkeitsmaß für axiale CT Schnittbilder wird vorgestellt, das ursprünglich aus dem Bereich der Szenenklassifikation kommt. Ein Schnittbild wird durch eine räumliche Pyramide von Histogrammen visueller Wörter beschrieben. Dies sind die Codewörter eines quantisierten Merkmalsraumes. Die Ähnlichkeit zweier Schnittbilder wird durch den Vergleich ihrer Histogramme gemessen. Als Merkmale werden die Deskriptoren der Speeded Up Robust Features (SURF) verwendet. In dieser Arbeit werden diese auf eine beliebige Anzahl von Dimensionen erweitert (N-SURF). Verwendet werden hier 2-SURF und 3-SURF Deskriptoren. Einige Strukturen der Region des Mediastinums können leicht mit Lymphknoten verwechselt werden. Darunter fällt auch der Ösophagus (Speiseröhre). Sein Abschwächungskoeffizient ähnelt dem von Lymphknoten, und gleichzeitig ist er oft von Lymphknoten umgeben. Eine Segmentierung des Ösophagus hilft daher einerseits, falsch positive Lymphknotendetektionen zu vermeiden, und kann zum anderen verwendet werden, mehr Aufmerksamkeit auf die direkte Nachbarschaft zu lenken. Im zweiten Teil dieser Arbeit wird ein vollautomatisches Verfahren zur Ösophagussegmentierung in 3D CT Bildern vorgestellt. Ösophagussegmentierung ist wegen schlechten Kontrastes zu benachbarten Strukturen und unterschiedlichen Aussehens ein schwieriges Problem. Das hier vorgestellte Verfahren besteht aus mehreren Schritten: Zunächst wird ein Detektor trainiert, Ösophagussegmente mit Hilfe eines diskriminativen Modells anhand ihres Aussehens zu erkennen. Dies wird mit einem expliziten Modell von ösophagealer Luft und Atemluft kombiniert. Im nächsten Schritt wird durch eine Markovkette modelliertes a priori Formwissen hinzugenommen und verwendet, um auf die ungefähre Form zu schließen. Schließlich wird die approximierte Oberfläche nichtrigide deformiert und besser an die Organgrenzen angepasst. Im dritten Teil dieser Arbeit wird ein Verfahren zur automatischen Detektion und Segmentierung mediastinaler Lymphknoten vorgestellt. Um gute Detektionsergebnisse zu erreichen, ist es wegen der leichten Verwechselbarkeit mit anderen Strukturen wichtig, so viel anatomisches Vorwissen wie möglich zu Hilfe zu nehmen. In dieser Arbeit wird dieses Vorwissen mittels einer räumlichen Aufenthaltswahrscheinlichkeit modelliert. Mehrere Varianten dieser Aufenthaltswahrscheinlichkeit werden miteinander verglichen. Dies wird mit einem diskriminativen Modell, das Lymphknoten anhand ihres Aussehens erkennt, kombiniert. Es erzeugt zunächst eine Menge möglicher Lymphknotenmittelpunkte. Zwei Modellvarianten werden verglichen. Ausgehend vom detektierten Zentrum wird entweder direkt eine Bounding Box des Lymphknotens detektiert, oder der Lymphknoten wird segmentiert. Ein aus einer solchen Segmentierung extrahierbarer Merkmalssatz wird vorgestellt und verwendet, um einen Klassifikator zu trainieren und falsch positive Detektionen auszusortieren.show moreshow less

Download full text files

Export metadata

  • Export Bibtex
  • Export RIS

Additional Services

Share in Twitter Search Google Scholar
Metadaten
Author:Johannes Feulner
URN:urn:nbn:de:bvb:29-opus-32919
Advisor:Joachim Hornegger
Document Type:Doctoral Thesis
Language:English
Date of Publication (online):2012/05/30
Publishing Institution:Friedrich-Alexander-Universität Erlangen-Nürnberg (FAU)
Granting Institution:Friedrich-Alexander-Universität Erlangen-Nürnberg (FAU), Technische Fakultät
Date of final exam:2012/03/05
Release Date:2012/05/30
Tag:Erkennung der Körperregion; Formmodell; räumliche a priori Aufenthaltswahrscheinlichkeit
body region recognition; shape model; spatial prior
SWD-Keyword:Bildanalyse; Bildsegmentierung; Computertomographie; Detektion; Lymphknoten; Maschinelles Lernen; Prior; Speiseröhre
Institutes:Technische Fakultät -ohne weitere Spezifikation-
Dewey Decimal Classification:004 Datenverarbeitung; Informatik

$Rev: 12793 $