The diagnosis of certain spine pathologies, such as scoliosis, spondylolisthesis

and vertebral fractures, are part of the daily clinical routine. Very

frequently, MRI data are used to diagnose these kinds of pathologies in

order to avoid exposing patients to harmful radiation, like X-ray.

Developing a segmentation system for an array of vertebrae is complex,

so the method was first tested on brain tumors of types glioblastoma

multiforme and pituitary adenoma. A small triangular surface mesh at

the approximate center of the tumor is inflated towards the boundary

using balloon force, keeping it approximately star-shaped. The boundary

is implicitly binarized by the inflation rules, based on the minimum and

maximum intensity from the initialization step. After the segmentation is

finished, the tumor volume is calculated.

The spine segmentation system uses a bottom-up approach for detecting

vertebral bodies based on just one manual initialization. A subdivision

surface hierarchy is introduced as an efficient global-to-local smoothness

constraint, which can be thought of as an internal force. Together with

intensities, low-high (LH) values were initially used to ease boundary

finding, but the boundary estimation evolved into a multi-feature combiner.

The final system utilizes a Viola-Jones detector to determine centers

and approximate sizes of vertebral bodies. This gives the user a chance

to manually correct detections, enables parallel feature calculation and

segmentation, and is a basis for reliable diagnosis established at the end.

The system was evaluated on 26 lumbar datasets containing 234 reference

vertebrae. Vertebra detection has 7.1% false negatives and 1.3% false

positives. The average Dice coefficient to manual reference is 79.3% and

mean distance error is 1.77 mm. No severe case of the three addressed

illnesses was missed, and false alarms occurred rarely – 0% for scoliosis,

3.9% for spondylolisthesis and 2.6% for vertebral fractures.

The main advantages of this system are high speed, robust handling

of a large variety of routine clinical images, and simple and minimal user

interaction.

Die Diagnose von bestimmten Wirbelsäulenerkrankungen, wie z.B. Skoliose,

Spondylolisthesis oder Wirbelbrüche, sind Teil des Klinikalltags. Häufig

werden zur Diagnose dieser Art von Erkrankungen MRT-Daten benutzt,

um zu vermeiden, dass Patienten schädlicher Strahlung, wie z.B. Röntgenstrahlung,

ausgesetzt werden.

Die Entwicklung eines Segmentierungssystems für eine Reihe von Wirbeln

ist komplex. Deshalb wurde die Methode zuerst für zwei Typen von

Gehirntumoren, Glioblastoma multiforme und Hypophysenadenom, getestet.

Ein kleines Dreiecksnetz wird am ungefähren Zentrum des Tumors

durch Ballon-Forces expandiert, wobei seine Struktur näherungsweise sternförmig

gehalten wird. Der Datensatz wird durch diese Kräfte basierend

auf den Minimum- und Maximumintensitäten beim Initialisierungsschritt

implizit in ein inneres und ein äußeres Segment unterteilt. Nachdem die

Segmentierung abgeschlossen ist, wird das Volumen des Tumors berechnet.

Das Segmentierungssystem für die Wirbelsäule benutzt einen „Bottumup“-

Ansatz zur Erkennung der Wirbel, der auf nur einer manuellen Initialisierung

basiert. Als effiziente global-zu-lokal Glättungsbedingung

wurde eine Oberflächenunterteilungshierarchie eingeführt, die man sich

als interne Kraft vorstellen kann. Zu Beginn wurden Intensitätswerte zusammen

mit „low-high“-Werten verwendet um die Ermittlung von Kanten

zu erleichtern. Aber der Kantenschätzer entwickelte sich hin zu einem

Multimerkmalsansatz.

Das endgültige System benutzt einen Viola-Jones-Detektor um das Zentrum

und die ungefähre Größe von Wirbeln zu bestimmen. Dieser Ansatz

gibt dem Nutzer die Möglichkeit die Erkennung manuell zu korrigieren

und ermöglicht eine parallele Berechnung der Merkmale und Segmentierung

und stellt eine Basis für eine zuverlässige Diagnose dar.

Das System wurde an 26 lumbalen Datensätzen evaluiert, welche 234

Referenzwirbel beinhalteten. Die Wirbelerkennung hat 7.1% „false positives“

und 1.3% „false negatives“. Der durchschnittliche Dice-Koeffizient im

Vergleich zur Handsegmentierung ist 79.3% und der mittlere Abstandsfehler

beträgt 1.77mm. Alle schlimmere Fälle der drei Erkrankungen wurde

korrekt erkannt und Fehlalarme traten selten auf – 0% bei Skoliose, 3.9%

bei Spondylolisthesis und 2.6% bei Wirbelfrakturen.

Die Hauptvorteile dieses Systems sind die hohe Geschwindigkeit, die

robuste Handhabung von alltäglichen klinischen Aufnahmen und die einfache

als auch minimale Benutzerinteraktion.