Automatische Berechnung des Milzvolumens aus Spiral-CT-Daten mit Hilfe neuronaler Netze und „Fuzzy Logik”[∗]

Zusammenfassung.

Ziel: Auf der Basis von Spiral-CT-Aufnahmen sollte Milzparenchym mit und ohne pathologische Veränderungen mit Hilfe eines entwickelten Softwaresystems ausgewertet (segmentiert und volumetriert) werden. Methoden: Die Software HYBRIKON ist ein auf Voxelseeding, selbst-organisierenden neuronalen Netzen und fuzzy-anatomischen Regeln basierendes Bildanalyseprogramm zur Analyse von DICOM-Volumen-Daten. Die neuronalen Netze wurden mit Spiral-CT-Daten von 10 Patienten trainiert, die nicht in der folgenden Evaluierung an Spiral-CT-Daten von 19 Patienten beurteilt wurden. Die Ergebnisse wurden von einem erfahrenen Radiologen überprüft. Richtig-positive (korrekt als Milz detektierte) Areale und falsch-positive (fehlerhaft als Milz detektierte) Areale wurden prozentual im Vergleich zum tatsächlichen, vom Radiologen markierten Milz-Areal berechnet. Zusätzlich wurden die Ergebnisse mit den Resultaten einer Standard-Dichtemaske verglichen. Ergebnisse: Die neuronalen Netze zeigten eine deutlich höhere Genauigkeit in der Erkennung des Milzparenchyms als die Dichtemaske: Korrelationskoeffizient 0,99 (Dichtemaske: 0,63), richtig-positiver Anteil etwa 90 % (Dichtemaske: 75 %), falsch-positiver Anteil etwa 5 % (Dichtemaske: > 100 %). Fehlerursachen waren Nebenmilzen, Fälle mit extrem veränderter Morphologie (Tumor-Metastasen, Zysten) sowie perilienale Raumforderungen. Schlußfolgerungen: Fuzzy-neuronale Netze können zur automatischen Milzsegmentierung und Milzvolumetrie in der Spiral-CT sinnvoll eingesetzt werden.

Purpose: To assess spleen segmentation and volumetry in spiral CT scans with and without pathological changes of splenic tissue. Methods: The image analysis software HYBRIKON is based on region growing, self-organized neural nets, and fuzzy-anatomic rules. The neural nets were trained with spiral CT data from 10 patients, not used in the following evaluation on spiral CT scans from 19 patients. An experienced radiologist verified the results. The true positive and false positive areas were compared in terms to the areas marked by the radiologist. The results were compared with a standard thresholding method. Results: The neural nets achieved a higher accuracy than the thresholding method. Correlation coefficient of the fuzzy-neural nets: 0.99 (thresholding: 0.63). Mean true positive rate: 90 % (thresholding: 75 %), mean false positive rate: 5 % (thresholding > 100 %). Pitfalls were caused by accessory spleens, extreme changes in the morphology (tumors, metastases, cysts), and parasplenic masses. Conclusions: Self-organizing neural nets combined with fuzzy rules are ready for use in the automatic detection and volumetry of the spleen in spiral CT scans.

Spiral-CT - Milz - Neuronale Netze - Fuzzy Logik - Voxelseed

Spiral CT - - Spleen - Neural nets - Fuzzy logic - Region-growing

Literatur

• 1 Strijk S P, Wagener D JT, Bogman M JJT, de Pauw B E, Wobbes T. The spleen in Hodgkin disease: diagnostic value of CT.  Radiology. 1985;  154 753-757
• 2 Hancock S L, Scidmore N S, Hopkins K L, Cox R S, Bergin C J. Computed tomography assessment of splenic size as a predictor of splenic weight and disease in involvement in laparotomy staged Hodgkin's disease.  Int J Rad Oncol Biol Phys. 1994;  28 93-99
• 3 Heitmann K R, Diaz E, Uthmann T. HYBRIKON: Ein hybrides Multi-Ebenen Modell für die radiologische Bildanalyse. In: Uthmann T, Waschulzik T, Wischnewsky MB (Hrsg) Einsatz von Methoden und Konzepte der KI in der medizinischen Informationsverarbeitung. Mainz; Informatik-Bericht der Uni Mainz 1997 7: 19-26
• 4 Halpern E J, Wechsler R J, DiCampli D. Threshold selection for CT angiography shaded surface display of the renal arteries.  J Digit Imag. 1995;  8 142-147
• 5 Kaushikkar S V, Li D, Haacke E M, Davila-Roman V G. Adaptive blood pool segmentation in three-dimensions: application to MR cardiac evaluation.  J Magn Reson Imag. 1996;  6 690-697
• 6 Gao L, Heath D G, Kuszyk B S, Fishman E K. Automatic liver segmentation technique for three-dimensional visualization of CT data.  Radiology. 1996;  201 359-364
• 7 Kaski S, Nikkila J, Kohonen T. Methods for interpreting a self-organized map in data analysis. In: Verleysen M (ed) Proc. of the ESANN 98. Brüssel; D-Facto Publishing 1998: 185-190
• 8 Heitmann K R, Kauczor H-U, Mildenberger P, Uthmann T, Perl J, Thelen M. Automatic detection of ground glass opacities on lung HRCT using multiple neural networks.  Eur Radiol. 1997;  7 1463-1472
• 9 Delorme S, Keller-Reichenbecher M-A, Zuna I, Schlegel W, van Kaick G. Usual interstitial pneumonia: Quantitative assessment of high-aresolution computed tomography findings by computer-assisted texture-based image analysis.  Invest Radiol. 1997;  32 566-574
• 10 Ritter H, Martinetz T, Schulten K. Neuronale Netze - eine Einführung in die Neuroinformatik selbstorganisierender Netzwerke. Bonn, München; Addison-Wesley 1990: 67-77
• 11 Kohonen T. Self-organisation and associative memory. Berlin, Heidelberg, New York; Springer 1984
• 12 Heitmann K R, Kauczor H-U, Uthmann T, Mildenberger P, Perl J, Thelen M. Hybrid neural networks in the automatic detection and quantification of pathologies on HRCT and helical CT of the lung. In: Lemke HU, Vannier MW, Inamura K (ed) Proceedings of CAR '97. Amsterdam; Elsevier 1997: 331-336
• 13 Kaski S, Nikkila J, Kohonen T. Methods for interpreting a self-organized map in data analysis. In: Verleysen M (ed) Proc. of the ESANN 98. Brüssel; D-Facto Publishing 1998: 185-190
• 14 Tizhoosh H R. Fuzzy-Bildverarbeitung: Einführung in Theorie und Praxis. Berlin, Heidelberg, New York; Springer 1998: 12-41
• 15 Kalender W A, Fichte H, Bautz W, Skalej M. Semiautomatic evaluation procedures for quantitative CT of the lung.  J Comp Assist Tomogr. 1991;  15 248-255
• 16 Lehmann T. et al .Bildverarbeitung für die Medizin: Morphologische Operatoren.  Berlin, Heidelberg; Springer 1997: 218-232
• 17 Thurn P, Bücheler E, Lackner K J, Thelen M. Einführung in die radiologische Diagnostik. Stuttgart; Thieme 1998: 458-460
• 18 Yang J C. et al . The clinical diagnosis of splenomegaly.  West J Med. 1991;  155 47-52
• 19 Mattsson O. Scintigraphic spleen volumen calculation.  Acta Radiol. 1982;  23 471-477
• 20 Hoshi H. et al . Measurement of the liver and spleen volume by single photon emission computed tomography.  Radioisotopes. 1984;  33 203-206
• 21 Henderson J M. et al . Measurement of liver and spleen volume by computed tomography. Assessment of reproducibility and changes found following a selective distal splenorenal shunt.  Radiology. 1981;  141 525-527
• 22 Wenz W, Bogendörfer G. Moderne bildgebende Verfahren bei Milzerkrankungen.  Radiologe. 1987;  27 11-19
• 23 Rodrigues Junior A J. et al . Sonographic assessment of normal spleen volume.  Clin Anat. 1995;  8 252-255
• 24 Wooldridge M, Jennings N R. Intelligent agents: theory and practice.  The Engin Rev. 1995;  10 115-152
• 25 Weber S, Heitmann K R, Uthmann T. Agentenbasierte Detektion von Landmarks in Volumendaten. In: Handels, Uthmann, Waschulzik, Wischnewsky (Hrsg) Proceedings des Workshops KI-99 - Erfahrungen mit KI-Ansätzen in der medizinischen Bildanalyse und Bildverarbeitung. Mainz; Informatik-Bericht der Uni Mainz 1999 1: 20-25

1 ¹ Herrn Prof. Dr. med. M. Thelen zum 60. Geburtstag gewidmet ² Das Projekt wurde von der DFG gefördert (AZ: Th 315/6 - 2) ³ Diese Arbeit enthält wesentliche Bestandteile der Dissertation von cand. med. Stephanie Rückert