Für die computergestützte Bildverarbeitung eignen sich vor allem Aufgaben, die entweder routinemäßig in großer Zahl anfallen, etwa Reihenuntersuchungen der weiblichen Brust zur Früherkennung von Krebs, oder bei denen der Computer dem ansonsten überforderten Vorstellungsvermögen aufhelfen kann.

Um nach einem Verkehrsunfall einen Verdacht auf Knochenbruch abzuklären, ist nach wie vor das klassische Röntgen-(Durchleuchtungs-)Bild das Diagnosemittel der Wahl: Es ist fast überall schnell und kostengünstig anzufertigen; der Arzt kann es ohne weitere Hilfsmittel rasch und sicher auswerten und daraufhin sofort handeln. Die erheblich modernere Magnetresonanz-Tomographie anzuwenden wäre sogar verfehlt, weil sich dabei gerade Knochen schlecht von dem umgebenden Gewebe abheben.

Wenn dagegen ein Patient unter starker Beeinträchtigung oder Ausfall von Sinnesleistungen wie Einschränkung des Gesichtsfeldes, Gedächtnisschwäche oder motorischen Störungen leidet, kommt in der Regel eine Fülle möglicher Ursachen in Frage. Es kann etwa ein Tumor sein, ein Aneurysma (eine sackartige Ausbuchtung eines Blutgefäßes) oder auch ein Verschluß des Ventrikelsystems (der flüssigkeitsgefüllten Hohlräume im Gehirn). Die computergestützte Verarbeitung tomographischer Daten ist dann häufig die einzige Methode, den Krankheitsherd zu lokalisieren und einen Operationsweg dorthin zu finden, der weder größere Blutgefäße noch beispielsweise den Sehnerv trifft. Millimetergenaue Planung ist um so dringender geboten, je tiefer das Zielgebiet im Kopf sitzt.

Radiologen und Neuroradiologen sind es zwar gewohnt, von mehreren Schichtbildern des Körperinneren auf die dreidimensionale Struktur zu schließen. Diese mentale Rekonstruktion ist jedoch abhängig von der Erfahrung und dem Vorstellungsvermögen und stößt bei sehr komplexen Strukturen bald an ihre Grenzen. Ideal wäre ein dreidimensionales Modell des Patienten, an dem der Neurochirurg die beste Operationstechnik und den schonendsten Zugangsweg bestimmen kann. Unser Projekt soll dem Arzt ein solches Modell in kurzer Zeit an die Hand geben.

Das schwierigste Problem ist dabei die Trennung der relevanten anatomischen Strukturen voneinander und von weniger wichtigen Bildbereichen, die sogenannte Segmentierung. Wenn man die Nerven auf dem Bildschirm gelb dargestellt haben will, muß im Computer das Wissen darüber vorliegen, welche Teile des Gesamtvolumens – welche Voxel im Datenquader – zu Nerven gehören. Da dies für jeden Patienten neu erarbeitet werden muß, sind die erforderliche Zeit und die erreichbare Genauigkeit für die klinische Anwendbarkeit entscheidend.


Einfache Ansätze

Ein erster grober Anhalt für die Zugehörigkeit eines Voxels zu einem anatomischen Objekt ist sein Grauwert selbst. Wenn man im Computertomogramm alle Bildpunkte mit einem Hounsfield-Wert von 100 bis 3000 (siehe Kasten Seite 108) einheitlich einfärbt, kann man schon die Knochenstruktur erkennen.

Man möchte aber einzelne, nicht mit anderen zusammenhängende Knochen auch getrennt behandeln. Dazu verwendet man das Keimzellenwachstumsverfahren: Innerhalb der interessierenden Struktur wählt man ein Voxel, die sogenannte Keimzelle. Im ersten Schritt untersucht man alle Nachbarvoxel, ob sie ebenfalls Grauwerte aus dem gewählten Bereich haben und somit zum selben Objekt gehören sollten. Wenn ja, werden sie markiert, dann deren Nachbarn auf Objektzugehörigkeit geprüft, und so weiter, bis das Objekt erschöpft ist (Bild 2). Beim Bereichswachstumsverfahren tritt an die Stelle eines einzelnen Punktes ein ganzer Bereich als Startvolumen.

Zuvor ist allerdings festzulegen, was überhaupt unter der Nachbarschaft eines Voxels zu verstehen ist. Schränkt man sie auf die sechs Würfelchen ein, die mit einer ganzen Fläche angrenzen (N6-Nachbarschaft), ist eine Verbindung über zwei Voxel, die sich nur an einer Kante oder Ecke berühren, nicht möglich (Bild 1); sehr dünne Strukturen können so fälschlich auseinandergerissen werden. Bei zu großzügig gewählter Nachbarschaft wächst hingegen möglicherweise zusammen, was nicht zusammengehört. Je nach Abgrenzung des Bereichs und Wahl der Keimzelle lassen sich verschiedene Strukturen identifizieren (Bild 3).

Wenn es nicht gerade um Knochen geht, reicht allerdings ein Zugehörigkeitskriterium, das nur auf einem Schwellenwert (im Beispiel 100 Hounsfield-Einheiten) basiert, in der Regel nicht aus. In diesem Falle lassen sich Regionen nicht nach einem Grauwert trennen, wohl aber durch – mehr oder weniger deutlich erkennbare – Grenzen oder anhand ihrer Textur: Häufig unterscheidet das menschliche Auge ohne weiteres ein glattes von einem gesprenkelten Gebiet. Aber es ist extrem schwierig, diese Leistung in programmierbare formale Anweisungen zu fassen (Bild 4).

Mangels geeigneter Programme segmentieren noch heute viele Ärzte von Hand: Sie zeichnen die Objektkonturen in zweidimensionale Schichtbilder ein. Diese Konturen sind im Computer relativ problemlos zu einer dreidimensionalen Objektoberfläche zusammenzufügen und darzustellen. Das Verfahren ist einfach, aber viel zu zeitraubend und liefert nur schlecht reproduzierbare Ergebnisse, was die Vergleichbarkeit und die objektive Bewertung erschwert.

Etwas Abhilfe hat das Verfahren der aktiven Konturen geschaffen. Dabei fährt der Arzt nur mit mäßiger Genauigkeit die Objektkontur nach, während das Computerprogramm den gerade gezeichneten Polygonzug an unmittelbar in der Nähe befindliche Kantenstücke angleicht.

Ein typischer ärztlicher Nutzer will freilich nicht gerne langwierig einzelne Strukturen markieren oder immer wieder aufs neue durch Probieren die Schwellenwerte ausfindig machen, mit denen die Knochen am klarsten dargestellt werden; er möchte am liebsten vor einem Eingriff ins Gehirn den Schädel mit der Maus anklicken und ihn durchsichtig machen, oder er will einen Tumor in Kontrast zum gesunden Gewebe grün und durchscheinend sehen. Ohne große Umstände soll auf Knopfdruck die Umgebung von Sehnerven und Gefäßen freigestellt werden, so daß sich durch Vermessen der Abstände prüfen läßt, ob für das Operationsgerät genügend Platz vorhanden ist. All diese Funktionen hängen entscheidend von der Qualität der Segmentierung ab.

Fortgeschrittene Verfahren

Alle Segmentierungsverfahren folgen einigen wenigen Prinzipien, nach denen zum Teil auch die menschliche Wahrnehmung arbeitet. Genutzt werden unter anderem Kanten an Objektgrenzen, Grauwertunterschiede, Texturen und – soweit bekannt – weitere Eigenschaften gesuchter Strukturen. Eine universelle Strategie gibt es nicht und wird es auch wohl in Zukunft nicht geben: Zu unterschiedlich sind die Vorgehensweisen, ihre Parameter und ihr Einsatzbereich.

Die von uns entwickelten Programme stützen sich auf die Kombination klassischer Verfahren sowie den Einsatz von Vorwissen über die Aufnahmetechnik, die Anatomie des Kopfes und die für die neurochirurgische Intervention relevanten Strukturen.

Voxel-basierte Verfahren klassifizieren ein Voxel nach seinem Grauwert und seiner – durch eine Nachbarschaftsrelation definierten – Umgebung. Die beschriebenen Schwellenwertverfahren gehören hierzu. Zu den regionen-basierten Verfahren zählen Methoden der Texturerkennung. Man versucht, Bereiche anhand der Einheitlichkeit oder Uneinheitlichkeit ihrer Grauwerte zu erkennen; in der Definition von Einheitlichkeit, dem sogenannten Homogenitätsprädikat, steckt meist Wissen über die zu bearbeitenden Daten. Kantenoperatoren sind Unterprogramme zum Auffinden einer Begrenzung, die zwei Regionen trennt.

Häufig gibt es keine optimalen Schwellenwerte. Setzt man die Grenzen zu eng, wird die Struktur nicht vollständig erfaßt; bei zu weit gefaßten Grenzen läuft das Bereichswachstumsverfahren in umliegendes Gewebe aus, und bei dazwischenliegenden Werten hat man möglicherweise beide Probleme zugleich. Eine mögliche Lösung bietet die Wasserscheidentransformation (siehe den folgenden Beitrag).

Kantenoperatoren arbeiten nach dem Vorbild des menschlichen Sehsystems, das Objektgrenzen auch bei unbekannten Strukturen schnell entdeckt. Nur findet man gerade bei MRT-Volumendaten sehr viele Kantenstücke, aber fast nie geschlossene Objektkonturen. Konturverfolgungsverfahren, die passende Kantenstücke zusammensetzen und kleine Lücken schließen, sind meist nicht eindeutig und bei dreidimensionalen Daten häufig recht zeitaufwendig. Manchmal kann man einige Verfahren mit größerem Erfolg anwenden, wenn die Bilddaten zuvor gefiltert wurden. Ein Mittelwert- oder Medianfilter kann Bildstörungen verringern; doch verschwinden mit ihnen auch kleine, dünne Strukturen.

Üblicherweise ordnet ein Segmentierungsverfahren ein Voxel genau einem Objekt zu. Häufig gerät ein Voxel aber auf eine Strukturgrenze, und sein Grauwert ist ein Mittelwert aus den Eigenschaften zweier Strukturen, der möglicherweise zu keiner von ihnen richtig paßt. Dieser Partialvolumeneffekt erschwert die korrekte Segmentierung insbesondere von Randbereichen anatomischer Details. Wenn beispielsweise zunächst ein Tumor in einem MRT-Datensatz segmentiert wurde, findet ein Bereichswachstumsverfahren für ein Blutgefäß, das in ihn hineinführt, dort ein vorzeitiges Ende. Wir benutzen darum auch sogenannte Mischvoxel, die zu zwei Objekten zugleich gehören dürfen.

Für die Segmentierung komplexer anatomischer Strukturen muß man Wissen über ihre Morphologie nutzen, das entweder in die Programme eingebaut oder im Einzelfall vom Benutzer bereitgestellt wird. So bilden Blutgefäße Baum- und Netzsysteme aus schlauchförmigen Teilstücken, deren Durchmesser und Richtung in bestimmten Grenzen variieren können. Dicke Nervenstränge ändern ihre Verlaufsrichtung nur geringfügig. Ventrikel (Hirnkammern) sind relativ kompakt, recht homogen und wegen der Flüssigkeit in ihnen kontrastreich von ihrer Umgebung abgegrenzt. Wir haben deshalb strukturspezifische Segmentierungsalgorithmen entwickelt. Bei gleichem prinzipiellem Ablauf unterscheiden sie sich zum Teil erheblich in den Einzelheiten.

Bei der Anwendung unseres Programms wählt der Benutzer zunächst einen Startpunkt oder eine Startregion sowie ein Verfahren, das er für diese Struktur für geeignet hält. Damit hat er bereits Fachwissen über ihre Art sowie ihre Lage und Form eingebracht. Eine Nahbereichsanalyse bestimmt die für die Segmentierung benötigten Parameter jeweils neu aus den Bilddaten. Die Segmentierung selbst läuft je nach Struktur und Schwierigkeit in einer oder mehreren Phasen ab. Meist wird zunächst eine grobe, aber schnell ablaufende Vorsegmentierung und anschließend eine aufwendigere Nachbearbeitung, insbesondere der Randbereiche, durchgeführt.

Zur Abgrenzung von Nerven werden Suchstrahlen in der vermuteten Verlaufsrichtung berechnet; die Haut läßt sich durch von außen auf das Objekt zulaufende Suchstrahlen vom Hintergrund unterscheiden. Tumoren werden texturbasiert segmentiert, was ich etwas ausführlicher beschreiben will.


Texturbasierte Tumorsegmentierung

Eine Geschwulst ist ihrem Ursprungsgewebe in vieler Hinsicht sehr ähnlich; nur ihr Stoffwechsel ist typischerweise deutlich erhöht. Im Magnetresonanz-Tomogramm macht sich der Unterschied je nach Tumortyp bemerkbar oder auch nicht. Manche Tumoren geben sich dadurch zu erkennen, daß sie umliegendes Gewebe verdrängen, andere lassen sich bei gezieltem Verdacht durch Kontrastmittel sichtbar machen. Aber selbst wenn die Geschwulst erkannt ist, vermag man die Grenze zum umliegenden gesunden Gewebe im tomographischen Bild häufig nicht exakt zu bestimmen.

Die medizinische Klassifikation von Tumoren nach Ursprungsgewebe, Lokalisation und Grad der Malignität (Größe, Wachstumsrate und Neigung zur Metastasenbildung) ist für die Bildverarbeitung nicht nutzbar, weil diese Eigenschaften im allgemeinen nicht aus den Daten ermittelt werden können. Wir haben deshalb eine neue, morphologische Einteilung von Tumoren des Kopfbereichs entwickelt. Sie orientiert sich an Eigenschaften wie dem Grauwertbereich, der Homogenität, der Größe, der Kompaktheit, der Abgrenzbarkeit und der Textur.

Tumoren mit homogenem Grauwertbereich und hohem Kontrast zur Umgebung sind häufig schon gut mit dem Bereichswachstumsverfahren zu erfassen. Das versagt jedoch, wenn die Geschwulst fließend ins umgebende Gehirngewebe übergeht. Verschiedene Versuche, Tumoren ebenso wie Gefäße, Nerven und Ventrikel nach Vorgabe eines Startpunktes und unter Einsatz von Modellwissen zu segmentieren, schlugen bislang fehl. Das liegt hauptsächlich an der Inhomogenität der untersuchten Tumorstrukturen und ihrer hohen Variabilität. Die Analyse einer unmittelbaren Umgebung des Startpunktes lieferte keine geeigneten Parameter zur sicheren Abgrenzung vom gesunden Gewebe. Der Grauwertbereich invasiver Tumoren liegt meist irgendwo zwischen dem von Blut und Nervengewebe. An vielen Stellen ließen sich keine ausreichend klaren Kanten beziehungsweise Grenzflächen zwischen gesundem und krankem Gewebe finden.

Deshalb haben wir nach weiteren nutzbaren Kennzeichen gesucht und im wesentlichen Texturmerkmale gefunden. Dazu zählen der mittlere Grauwert einer Region, die durchschnittliche Abweichung all ihrer Grauwerte von diesem Mittelwert, die Homogenität, gemessen an der Häufigkeitsverteilung der Grauwerte, die Entropie (ein Maß für die Unordnung innerhalb einer Region) und die durchschnittliche Lauflänge, das ist die Anzahl der in einer bestimmten Richtung aufeinanderfolgenden Voxel gleichen Grauwertes.

Texturmaße werden immer auf einer Fläche ermittelt, die eine bestimmte Mindestgröße haben muß. Deswegen erfordert dieses Verfahren auch relativ viel Rechenzeit und kann die Aussage, ob eine Region zum Tumor gehört oder nicht, nur für die ganze Texturfläche treffen, nicht für ein einzelnes Pixel. Bislang berechnen wir Texturmaße nicht auf räumlichen Regionen, weil Auflösung und Gesamthelligkeit der Tomogramme von Schicht zu Schicht zuweilen zu stark variieren und die zweidimensionalen Texturmaße bereits zufriedenstellende Ergebnisse liefern.

Die Startregion für die Tumorsegmentierung besteht aus einem Polygonzug in einem ebenen Schnitt, der nicht unbedingt einer der ursprünglichen Tomographie-Bildebenen entsprechen muß. In dieser Ebene ermittelt das Verfahren zunächst die Texturmaße von Flächen innerhalb und außerhalb der Startregion. Dadurch gewinnt es gewissermaßen eine Vorstellung davon, welche Kombination von Texturmaßen – man spricht vom Merkmalsvektor – für diesen speziellen Tumor typisch ist und im welcher Hinsicht sich gesundes Nachbargewebe davon unterscheidet.

Zur Rekonstruktion des Tumors untersucht das Verfahren, von der Startregion ausgehend, Texturflächen im gesamten Volumen, bestimmt ihre Merkmalsvektoren, vergleicht sie mit den zuvor gefundenen Beispielvektoren für entartetes und umliegendes Gewebe und klassifiziert sie entsprechend. Das liefert eine grobe Eingrenzung; denn wegen ihrer Größe sind die Texturflächen gewissermaßen zu sperrig, um überall den Rand des Tumors zu erreichen. In einer Nachbearbeitungsphase wird die Umgebung nach bisher nicht gefundenen Tumoranteilen abgesucht und das Ergebnis im Randbereich optimiert. Der gesamte Prozeß benötigt je nach Größe des Objekts zwei bis drei Minuten. Die Genauigkeit an den Rändern läßt aber oft noch zu wünschen übrig (Bild 5).


Ein integriertes System zur Operationsplanung

Computer- und Magnetresonanz-Tomogramme ergänzen sich in ihrem Informationsgehalt. Das CT-Verfahren stellt Knochen und mit Kontrastmittel angereicherte Strukturen sehr gut dar, nicht jedoch Weichteile. Nervenstränge im Gehirngewebe kann man damit schlecht unterscheiden. Dagegen haben MRT-Bilder hohen Weichteilkontrast, zeigen aber Knochen ebensowenig an wie luftgefüllte Hohlräume, so daß etwa Nasennebenhöhlen und Knochen kaum zu unterscheiden sind. Für die Operationsplanung möchte man darum gerne beide Informationsquellen zugleich nutzen.

Für die integrierte Bearbeitung von CT- und MRT-Bilddaten, ihre Segmentierung und Überlagerung sowie die Zugangsplanung haben wir das Programm NeurOPS entwickelt. Dabei ging es uns besonders um die Verringerung der Segmentierungszeit.

Nach der Überlagerung von Bilddaten aus beiden Quellen und der Rekonstruktion aller für den Eingriff relevanten Strukturen kann der Chirurg Zugangswege definieren, indem er den Eintrittspunkt auf der Haut und das Zielgebiet angibt. Diese beiden Endpunkte sind auch nachträglich verschiebbar. NeurOPS stellt in einem Fenster (Bild 6 rechts, oben rechts) den Blick durch eine gedachte Kamera dar, die im Zugangsweg vor- und zurückbewegt werden kann; auch die verzerrte Perspektive eines endoskopischen Weitwinkelobjektivs läßt sich simulieren.

Der Arzt kann nun anhand der Darstellungen das Risiko für unterschiedliche Zugangswege bewerten und dabei auch die Zugänglichkeit des Operationsgebietes für die geplante Technik prüfen. In Primär- und Sekundärschnitt-Darstellungen der Originaldaten sind Risikostrukturen erkennbar, die ausgespart werden müssen.

Das System stellt Volumenbilddaten mit dem von Ärzten gewünschten hohen Abstraktionsgrad bereit. In Mainz erproben wir eine neue Art der Arbeitsteilung: Ein Neuroradiologe nimmt die Segmentierung vor, ein Neurochirurg die Zugangsplanung. Die Weitwinkeldarstellung eignet sich auch zum Trainieren der Arbeit mit einem Endoskop.

NeurOPS ist in der Programmiersprache C++ entwickelt worden und kann auf den gängigsten UNIX-Systemen wie AIX, Solaris und Linux betrieben werden. Eine Entwicklung für Windows 95 und Windows NT haben wir in diesem Jahr begonnen. Inzwischen testet das Institut für Neuroradiologie der Universität Mainz unter Leitung von Peter Stoeter unser Programm unter klinischen Bedingungen auf Funktionsfähigkeit, Genauigkeit und Fehler. Für andere Universitätskliniken ist es als Testversion ebenfalls erhältlich. Das Mainzer Institut für Anatomie nutzt NeurOPS für die Rekonstruktion und Darstellung von Zellorganellen aus Gewebeschnitten, und seit Dezember letzten Jahres wird es an der dortigen Klinik und Poliklinik für Neurochirurgie zur Simulation endoskopischer Operationen getestet.

Mehr zu diesem Thema ist im World Wide Web unter http://www-klinik.uni-mainz.de/neurops zu finden.

Kasten: Computer- und Magnetresonanz-Tomographie

Bei der Computertomographie (CT) entspricht der Grauwert eines Bildpunktes dem Ausmaß, in dem ein Röntgenstrahl im entsprechenden Objektvolumen abgeschwächt wird|; diese Zahl hängt wiederum von der lokalen Elektronendichte ab. Zur Normierung setzte der britische Elektroingenieur Godfrey Newbold Hounsfield, der für die Entwicklung dieses bildgebenden Verfahrens 1979 zusammen mit dem amerikanischen Physiker Allan M. McCormack den Medizin-Nobelpreis erhielt, den Dichtewert von Wasser auf 0 und den von Luft auf –1000; Vakuum hat einen noch geringeren Wert. Sehr dichtes Knochengewebe liegt bei +3000 HE (Hounsfield-Einheiten). Chemische Elemente höherer Ordnungszahl und mithin größerer Elektronendichte haben entsprechend höhere Werte. Sie kommen im menschlichen Körper natürlicherweise nicht vor und werden bei medizinischen Anwendungen des Verfahrens auch nicht berücksichtigt. Deswegen verursachen Zahnfüllungen und metallene Implantate typische Bildverfälschungen.

Da sich die Hounsfield-Werte unterschiedlicher Substanzen überlappen (Bild), läßt sich allein daraus nicht eindeutig auf ein Gewebe schließen – mit Ausnahme von sehr dichtem Knochengewebe.

Die Magnetresonanz-Tomographie (MRT|) bildet die lokale Häufigkeit von Protonen (Wasserstoff-Atomkernen) ab, indem sie die Reaktion auf ein eingestrahltes magnetisches Hochfrequenzsignal mißt (Spektrum der Wissenschaft, Juli 1982, Seite 40). Verschiedene Weichteilgewebe enthalten häufig unterschiedliche Wasserstoffanteile und ergeben dadurch einen hohen Bildkontrast. Anders als bei der CT gibt es bei der MRT keine Norm. Je nach Parametereinstellung können beispielsweise Gefäße sehr hell oder auch dunkel abgebildet werden, was die Verarbeitung erschwert.


Aus: Spektrum der Wissenschaft 6 / 1997, Seite 107
© Spektrum der Wissenschaft Verlagsgesellschaft mbH