Show simple item record

dc.contributor.authorLa Cruz, Alexandraen_US
dc.coverage.spatialVienna, Austriaen_US
dc.date.accessioned2015-01-21T06:45:16Z
dc.date.available2015-01-21T06:45:16Z
dc.date.issuedJan 2006en_US
dc.identifier.urihttp://diglib.eg.org/handle/10.2312/8178
dc.description.abstractEin Modell ist eine vereinfachte Repräsentationsform eines Objekts. DieModellbildung kann als Formen von individuellen Objekte bezeichnet werden,die später in der Szene Verwendung finden. Seit vielen Jahren versuchenWissenschaftler ein geeignetes Modell für die Blutgefäße zu finden.Auf den ersten Blick scheint hierfür ein tubuläres Modell am Bestengeeignet zu sein, allerdings erweist sich dabei eine präzise Berücksichtigungder vielfältigen Gefäßpathologien als problematisch. Aus medizinischerSicht ist nicht nur der Mittelpunkt eines Gefäßlumens, sondern auchder Mittelpunkt des Gefäßes selbst relevant. Dies trifft vor allem bei auftretendenAnomalien, wie zum Beispiel bei pathologischen Blutgefäßen, zu.Eine präzise Berechnung von Gefäßparametern ist eine Grundvoraussetzungfür automatisierte Visualisierung und Analyse von sowohl gesundenwie auch erkrankten Blutgefäßen. Wir sind davon überzeugt, dass sicheine modell-basierte Technik am Besten für die Parametrierung von Blutgefäßen eignet. Ziel dieser Arbeit ist die Vorstellung einer neuen Technikzur Berechnung von Parametern erkrankter Blutgefäße der unteren Extremitäten.Der erste Teil beschreibt den Vergleich verschiedener Methoden zurApproximation der Mittellinie eines Gefäßes in einem Phantom der peripherenArterien. Sechs verschiedene Algorithmen wurden zur Berechnungder Mittellinie einer synthetischen peripheren Arterie verwendet. Dieevaluierten Methoden basieren auf folgenden Verfahren: Raycasting, beidem das Abbruchkriterium entweder schwellwertbasiert oder auf dem maximalenGradienten basiert ist; Block-Matching, bei dem die Pixelbewegungin aufeinander folgenden Bildern geschätzt wird und schwerpunkt- oderformbasierte Segmentierung. Für die formbasierte Segmentierung wurdesowohl die randomisierte Hough-Transformation als auch Ellipsen-Fittingverwendet. Da in dem synthetischen Datensatz die Mittellinie bekannt ist,kann die Genauigkeit der Verfahren berechnet werden.Der zweite Teil beschreibt die Einschätzung der Abmessungen derBeinarterien, die mittels Computertomographie aufgenommen wurden. DasBlutgefäß wird durch ein elliptisches oder zylindrisches Modell mit bestimmtenAbmessungen, bestimmter Ausrichtung und einer bestimmtenDichte (CT-Schwächungswerte) beschrieben. Das Modell separiert zweihomogene Regionen: Im Inneren des Modells befindet sich eine Regionmit der Dichte eines Gefäßes, außerhalb befindet sich der Hintergrund.Um die Punktbildfunktion des CT-Scanners zu modellieren, wurdeein Gauß Filter verwendet, der zu einer Verschmierung der Gefäßgrenzenführt. Ein Optimierungsvorgang dient zur Auffindung des Modells, dassich am besten mit den Eingangsdaten deckt. Die Methode bestimmt Mittelpunkt,Durchmesser, Orientierung und die durchschnittliche Dichte desBlutgefäßes, sowie die durchschnittliche Dichte des Hintergrundes.Der dritte Teil präsentiert die Ergebnisse einer klinschen Evaluation unsererMethoden, eine Grundvoraussetzung für den klinischen Einsatz. Fürdiese Evaluation wurden 20 Fälle aus den vorhandenen Patientendaten ausgewählt und nach Schweregrad der Erkrankung in zwei Gruppen klassifiziert.Manuelle Identifikation diente als Referenzstandard. Wir verglichendie Model-Fitting-Methode mit einer Standard-Methode, die derzeit imklinischen Einsatz ist. Im Allgemeinen war der durschnittliche Abstandsfehlerfür beide Methoden innerhalb der Variabilität zwischen den einzelnenmanuellen Identifikationen. Jedoch erzielte die nicht-lineare Model-Fitting-Technik basierend auf einem zylindrischen Modell in den meisten Fälleneine bessere Annäherung an die Mittellinie, sowohl in den leicht wie auchin den schwer erkrankten Fällen. Die nicht-lineare Model-Fitting-Technikist robuster und ergab eine bessere Beurteilung der meisten Fälle. Nichtdestowenigerhaben die Radiologen und die klinischen Experten das letzteWort im Hirblick auf den Einsatz dieser Technik im klinischen Umfeld. - Ein Modell ist eine vereinfachte Repräsentationsform eines Objekts. DieModellbildung kann als Formen von individuellen Objekte bezeichnet werden,die später in der Szene Verwendung finden. Seit vielen Jahren versuchenWissenschaftler ein geeignetes Modell für die Blutgefäße zu finden.Auf den ersten Blick scheint hierfür ein tubuläres Modell am Bestengeeignet zu sein, allerdings erweist sich dabei eine präzise Berücksichtigungder vielfältigen Gefäßpathologien als problematisch. Aus medizinischerSicht ist nicht nur der Mittelpunkt eines Gefäßlumens, sondern auchder Mittelpunkt des Gefäßes selbst relevant. Dies trifft vor allem bei auftretendenAnomalien, wie zum Beispiel bei pathologischen Blutgefäßen, zu.Eine präzise Berechnung von Gefäßparametern ist eine Grundvoraussetzungfür automatisierte Visualisierung und Analyse von sowohl gesundenwie auch erkrankten Blutgefäßen. Wir sind davon überzeugt, dass sicheine modell-basierte Technik am Besten für die Parametrierung von Blutgefäßen eignet. Ziel dieser Arbeit ist die Vorstellung einer neuen Technikzur Berechnung von Parametern erkrankter Blutgefäße der unteren Extremitäten.Der erste Teil beschreibt den Vergleich verschiedener Methoden zurApproximation der Mittellinie eines Gefäßes in einem Phantom der peripherenArterien. Sechs verschiedene Algorithmen wurden zur Berechnungder Mittellinie einer synthetischen peripheren Arterie verwendet. Dieevaluierten Methoden basieren auf folgenden Verfahren: Raycasting, beidem das Abbruchkriterium entweder schwellwertbasiert oder auf dem maximalenGradienten basiert ist; Block-Matching, bei dem die Pixelbewegungin aufeinander folgenden Bildern geschätzt wird und schwerpunkt- oderformbasierte Segmentierung. Für die formbasierte Segmentierung wurdesowohl die randomisierte Hough-Transformation als auch Ellipsen-Fittingverwendet. Da in dem synthetischen Datensatz die Mittellinie bekannt ist,kann die Genauigkeit der Verfahren berechnet werden.Der zweite Teil beschreibt die Einschätzung der Abmessungen derBeinarterien, die mittels Computertomographie aufgenommen wurden. DasBlutgefäß wird durch ein elliptisches oder zylindrisches Modell mit bestimmtenAbmessungen, bestimmter Ausrichtung und einer bestimmtenDichte (CT-Schwächungswerte) beschrieben. Das Modell separiert zweihomogene Regionen: Im Inneren des Modells befindet sich eine Regionmit der Dichte eines Gefäßes, außerhalb befindet sich der Hintergrund.Um die Punktbildfunktion des CT-Scanners zu modellieren, wurdeein Gauß Filter verwendet, der zu einer Verschmierung der Gefäßgrenzenführt. Ein Optimierungsvorgang dient zur Auffindung des Modells, dassich am besten mit den Eingangsdaten deckt. Die Methode bestimmt Mittelpunkt,Durchmesser, Orientierung und die durchschnittliche Dichte desBlutgefäßes, sowie die durchschnittliche Dichte des Hintergrundes.Der dritte Teil präsentiert die Ergebnisse einer klinschen Evaluation unsererMethoden, eine Grundvoraussetzung für den klinischen Einsatz. Fürdiese Evaluation wurden 20 Fälle aus den vorhandenen Patientendaten ausgewählt und nach Schweregrad der Erkrankung in zwei Gruppen klassifiziert.Manuelle Identifikation diente als Referenzstandard. Wir verglichendie Model-Fitting-Methode mit einer Standard-Methode, die derzeit imklinischen Einsatz ist. Im Allgemeinen war der durschnittliche Abstandsfehlerfür beide Methoden innerhalb der Variabilität zwischen den einzelnenmanuellen Identifikationen. Jedoch erzielte die nicht-lineare Model-Fitting-Technik basierend auf einem zylindrischen Modell in den meisten Fälleneine bessere Annäherung an die Mittellinie, sowohl in den leicht wie auchin den schwer erkrankten Fällen. Die nicht-lineare Model-Fitting-Technikist robuster und ergab eine bessere Beurteilung der meisten Fälle. Nichtdestowenigerhaben die Radiologen und die klinischen Experten das letzteWort im Hirblick auf den Einsatz dieser Technik im klinischen Umfeld.</p> <h2>Abstract</h2><p>A model is a simplified representation of an object. The modeling stagecould be described as shaping individual objects that are later used in thescene. For many years scientists are trying to create an appropriate model ofthe blood vessels. It looks quite intuitive to believe that a blood vessel can bemodeled as a tubular object, and this is true, but the problems appear whenyou want to create an accurate model that can deal with the wide variabilityof shapes of diseased blood vessels. From the medical point of view it isquite important to identify, not just the center of the vessel lumen but alsothe center of the vessel, particularly in the presences of some anomalies,which is the case diseased blood vessels.An accurate estimation of vessel parameters is a prerequisite for automatedvisualization and analysis of healthy and diseased blood vessels. Webelieve that a model-based technique is the most suitable one for parameterizingblood vessels. The main focus of this work is to present a new strategyto parameterize diseased blood vessels of the lower extremity arteries.The first part presents an evaluation of different methods for approximatingthe centerline of the vessel in a phantom simulating the peripheralarteries. Six algorithms were used to determine the centerline of a syntheticperipheral arterial vessel. They are based on: ray casting using thresholdsand a maximum gradient-like stop criterion, pixel-motion estimation betweensuccessive images called block matching, center of gravity and shapebased segmentation. The Randomized Hough Transform and ellipse fittinghave been used as shape based segmentation techniques. Since in the syntheticdata set the centerline is known, an estimation of the error can becalculated in order to determine the accuracy achieved by a given method.The second part describes an estimation of the dimensions of lower extremityarteries, imaged by computed tomography. The vessel is modeledusing an elliptical or cylindrical structure with specific dimensions, orientationand CT attenuation values. The model separates two homogeneousregions: Its inner side represents a region of density for vessels, and its outerside a region for background. Taking into account the point spread functionof a CT scanner, which is modeled using a Gaussian kernel, in order tosmooth the vessel boundary in the model. An optimization process is usedto find the best model that fits with the data input. The method providescenter location, diameter and orientation of the vessel as well as blood andbackground mean density values.The third part presents the result of a clinical evaluation of our methods,as a prerequisite step for being used in clinical environment. To performthis evaluation, twenty cases from available patient data were selectedand classified as mildly diseased and severely diseased datasets. Manualidentification was used as our reference standard. We compared the modelfitting method against a standard method, which is currently used in theclinical environment. In general, the mean distance error for every methodwas within the inter-operator variability. However, the non-linear model fittingtechnique based on a cylindrical model shows always a better centerapproximation in most of the cases, mildly diseased as well as severelydiseased cases. Clinically, the non-linear model fitting technique is morerobust and presented a better estimation in most of the cases. Nevertheless,the radiologists and clinical experts have the last word with respect to theuse of this technique in clinical environment.en_US
dc.formatapplication/pdfen_US
dc.languageEnglishen_US
dc.publisherLa Cruzen_US
dc.title3D Modelling and Reconstruction of Peripheral Arteriesen_US
dc.typeText.PhDThesisen_US


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record