Segmentierung

• Trennung von räumlichen oder homogenen Bereichen innerhalb eines Bildes und Zuordnung zu einer Klasse (Klassifikation), z.B. Tumorgewebe

• Daten sind gestört

• Bilddaten sind nur ein Teil der Lösung, Zusatzinformationen hilfreich (z.B. Anatomische Atlanten)

• Problemspezifikation oft unklar

• Überdeckende Strukturen

• Viele Verfahren sem-automatisch

• Validierung der Lösung ist schwer

• Unterschied zwischchen 3d und 2d verfahren

• Vorverarbeitung zur:

  • Erkennung von Strukturen

  • Abschätzung von physikalischen Größen

• Segmentierung zur Planung der Therapie (z.B. zielregion für bestrahlung eines tumors)

• Segmentierung zur Visualisierung, z.B. überlagerung der gefäße in ein MRT-Bild

• Allgemeine Annahme

  • Homogenität zwischen Pixeln eines Segments

  • Segmentgrenzen Flatt mit gutem Kontrast

  • Segmentgrenzen bleiben über die Zeit erhalten

  • Störungen lassen sich herausfiltern

• Objektspezifisches Wissen

  • Generelle Lage des Objektes

  • Generelle Größe, Form und Azssehen de Objektes

  • Relative Position zwischen Objekten

• Schwellenwertverfahren (Pixelorientiert)

• Regionenbasiert

• Kantenbasiert

• Regionen und Kantenbasiert (Wasserscheidentransformation)

• Lokales Formwissen Interaktionsbasiert (Live Wire)

• Lokales Formwissne - Active Contours

• Globales Formwissen - Deformierbare Templates, Statistical Shape

• Atlasbasiert

• Deep-Learning basiert

• Accuracy ist verzerrt

  • z.B. kleiner Bereich des Zielobjekts in großem Bild, die Detektion des nicht-Objekts zählt mit

• Jaccard-Index (Intersection over Union) besser

  • Schnittmenge/ Vereinigungsmenge

• Annahmen

  • Segmentinformation steckt in der Intensität

  • wenig Rauschen und wenig Artefakte

  • Binäre oder multilevel Trennung in Objekt und Hintergrund möglich

• Wissen wie z.B. Hounsfield Units kann eingebracht werden

• Vorverarbeitung

  • Schwellenwertbestimmung

  • Korrektur von Schattierungen

  • Rauschunterdrückung (Filterung)

• Nutzerwissen durch Interaktion

  • Interaktive Selektion des Schwellenwerts

  • Vorselektion der Region

  • Manuelle Nachbearbeitung

• Lokales Minimum im Histogramm entspricht etwa dem Schnittpunkt zweier Wahrscheinlichkeitsverteilungen

• Wahl des Minimum zwischen zwei Maxima als Schwellwert

• Automatisches multimodales Schwellwert-Verfahren

• findet optimalen Schwelwerte zur Klassifizierung aller Bildpunkte

  • aufgrund von Grauwertverteilung

• K schwellwerten wird bild in k+1 Grauwertregionen unterteilt

• Unterteilung mit Hilfe eines Diskriminanzkriteriums

• Interklassenvarianz: Maß für Streuung zwischen den Klassen

• Intraklassenvarianz: Maß für Streuung in den Klassen

• Möglich gute Trennung der Klassen wenn

  • möglichts große Interklassenvarianz

  • möglichts kleine Intraklassenvarianz

• Vorteile:

  • Einfach und schnell

  • Anatomiewissen kann hinzugefügt werden

• Nachteile:

  • Häufig Nachbereitung erforderlich

• Ziel: Aufteilung des Bildes in Zonen maximaler Homogenität

• Verfahren: Region Growing

• Vorteile:

  • Nachbarschaftsinformationen wird einbezogen

  • Robuster bei verrauschten Bilder

  • Objektspezifische Intensitätswerte können genutzt werden

  • Umsetzung in 3d ist sehr einfach

• Nachteil:

  • Modellwissen schwerer mit einzubeziehen

  • Startpunkt oder Regionen ist vorzugeben

  • Auslauf ist möglich

Untersuchung einer 4 oder 8er Nachbarschaft

• Fall 1: Punkt gehört zu keiner Region & Homogenitätskriterium erfüllt -> Zuordnung zur Region

• Fall 2: Punkt gehört zu keiner Region & Homogenitätskriterium nicht erfüllt -> Keine Zuordnung

• Fall 3: Punkt gehört bereits zu einer anderen Region & Homogenitätskriterium erfüllt -> Regionen werden vereinigt

• Fall 4: Punkt gehört bereits zu einer anderen Region & Homogenitätskriterium nicht erfüllt -> keine Vereinigung

• Umgekehrtes Prinzip zum Regionswachstum

• Start mit dem ganzen Bild als ein Segment

• Unterteilung (split) in 4 Regionen

• Rekursiv

• Regionen die bzgl. des Homogentitätskriterium gleich sind werden zusammengegeführt (merge)

• Arche-Noah Prinzip

• Interpretiert Bild als Gebirge und fülle mit Wasser

• Vorteil, keine Interaktion notwendig

• Annahme: Regionen sind durch hohe Gradienten voneinader abgegrenzt

• Grauwert (Gradientenbild) als topografisches Relief auffasen

• Damm/Wasseerscheide trennt regionen

• Einmal gebildete Wasserscheiden bleiben trotz weiterer Flutung erhalten

• Kanten entsprechen häufig den Konturen der gesuchten Objekte

• Wird im gegensatz zu punktbasiertem Verfahren nicht als Fläche des Objektes, sondern als Umrandung extrahiert

• Verarbeitungsschritte:

  • Kantenextraktion

  • Kontourverdünnung

  • Konturverfolgung

  • Bestimmung der umrandeten Gebierte

• Extremum mit erste Ableitung

• Nulldurchgang mit zweite Ableitung

• Ableitung in jedem Pixel

  • Ableitungsfilter 1. Ordnung (Roberts)

  • Ableitungsfilter mit einfacher Mittelwertbildung

  • Ableitungsfilter 2. Ordnung (Laplace)

• Ableitungsbilder werden mittels Schwellwert binarisiert

• Annahmen:

  • Bild enthält wenig Rauschen und keine Artefakte

  • Intensität im Vordergrundobjekt untersheidet sich lokal vom Hintergrund

• Objektspezifische Gradienteninformation kann mit eingebracht werden

• Vorverarbeitung: Rauschunterdrücken

• Wissen durch interaktion: Objektposionen, Anfangs und Endpunkt

• Vorgehen:

  • Fester Anfangspunkt des Kantenzugs

  • Wegberechnug zu jedem anderen Punkt

  • Angaben des Endpunkts: Sofortige Rückverfolgung

Vorteile:

• Intuitiv und schnell

Nachteil:

• nicht 3D

• keine Berücksichtigung von Rauschen

• Wissen über Formen nutzen

• Annahmen:

  • Kontur sollte möglichts Glatt und geschlossen sein

  • Kontur sollte komplex genug sein um das Objekt zu umschliessen

  • grobe lokalisierung ist bekannt (Startkontur)

• Active Contour in 2d: Snakes

  • in 3d ballons

• bestimmt Außenkontur von Bildobjekten

• Insbesondere für Segmentierung von Bildobjekten bei denen Kantenstärke der Außenkontur stark varriert oder Kanten von lücken durchbrochen sind

• Umgangssprachlich: biegsame, planare Gummringe die sich von außen objekt anpassen

• Interne Energieterm sorgt für Formerhaltung

• externe Energieterm hängt vom Bild ab und sorgt für Anpassung der Kontur

• Finale Position der Snake definiert durch Minimum des Energie-Funktionals