Medizinische Universität Graz

Meine Abschlussarbeiten - Publikationen

Diplomarbeit - Detailansicht

Gehe zu

Betreute Abschlussarbeiten

Sprachversion

Deutsch (Sprache des Volltextes) Englisch

Bibliografische Informationen

Titel

Klinische Evaluierung semiautomatischer bild-basierter Unterkiefersegmentierung mithilfe eines open-source Softwarealgorithmus Möglichkeit der praktischen Durchführbarkeit einer neuen Vorgehensweise

Kurzfassung

Einleitung: Bildbasierte Segmentierungsmethoden bilden die Grundlage für die Visualisierung von virtuellen, dreidimensionalen (3D) anatomischen Strukturen oder für die Herstellung von realen 3D Modellen. Im Bereich der Mund-, Kiefer- und Gesichtschirurgie beziehen sich die Einsatzgebiete dieser Methode vor allem auf die Unterstützung in der Diagnosestellung, in der chirurgischen Planung oder in der Bilddatenanalyse, insbesondere bei komplexen chirurgischen Fällen. Für die bildbasierte Segmentierung von anatomischen Strukturen stehen verschiedene Softwarealgorithmen zur Verfügung. Viele davon sind im Rahmen von lizenzgeschützten Softwarepakten mit hohem finanziellem Aufwand kommerziell zu erwerben. Weiters ist der Einsatz dieser Softwarepakte in der klinischen Routine oft nicht funktionsstabil, mit hohem Arbeitsaufwand verbunden. Das Ziel dieser Studie war daher, eine lizenzfreie, konventionell erhältliche und frei zugängliche (open-source) Segmentierungsmethode in Bezug auf die Genauigkeit, Funktionalität und potentielle Anwendbarkeit im klinischen Bereich zu testen.
Material und Methoden: In dieser retrospektiven, randomisierten, kontrollierten Studie wurden die Genauigkeit und die Funktionalität einer konventionellen, lizenzfreien semiautomatischen Segmentierungsmethode (GrowCut), im Vergleich zur echten visualisierten anatomischen Struktur derselben Region (Ground Truth) überprüft. Diese Ground Truth Modelle wurden durch zweifache manuelle schichtweise Segmentierung auf Grundlage von CT-Datensätzen erstellt, um eine entsprechende Kontrollgruppe zu generieren. Für eine vergleichende Beurteilung der open-source Segmentierungsmethode durch den GrowCut-Algorithmus wurden 10 CT-Datensätzen des Unterkiefers aus der klinischen Routine zufällig ausgewählt. Die Auswahl wurde anhand von definierten Ein- und Ausschlusskriterien durchgeführt. Die beiden Gruppen (Segmentierungsgruppe- GrowCut und Ground Truth Kontrollgruppe) wurden untereinander anhand objektiv messbarer Parameter mit Hilfe von statistischen Methoden verglichen: Zeit der Segmentierung, Dice-Score-Koeffizient, Hausdorff- Distanz, Volumen, Anzahl der Voxel.
Ergebnisse: Die Zeit für die vollständige semiautomatische Segmentierung durch den GrowCut-Algorithmus betrug für die anatomische Struktur eines kompletten Unterkiefers rund 1 Minute. Vergleicht man die Übereinstimmung der Segmentierung durch die semiautomatische Methode (Segmentierungsgruppe) mit der der manuellen segmentierten Ground Truth derselben anatomischen Struktur (Kontrollgruppe), zeigt sich ein mittlerer Dice-Score Wert von über 85% und im Schnitt eine Hausdorff-Distanz von unter 33.5 Voxel. Die ermittelten Parameter zwischen den beiden Gruppen waren statistisch nicht signifikant unterschiedlich (p<0.05). Der Korrelationskoeffizient war für sämtliche Vergleiche der beiden Gruppen untereinander nahe dem Wert 1 (r>0.94).
Diskussion: Die in dieser retrospektiven, kontrollierten Studie vorgestellte, lizenzfreie, konventionelle, semiautomatische Segmentierungsmethode mit Hilfe des GrowCut-Algorithmus liefert vielversprechende Ergebnisse in Bezug auf die Genauigkeit, Funktionalität und eine klinische Anwendung. Die Unterstützung von Diagnosestellungen und chirurgischen Therapieplanungen sowie die Erstellung von virtuellen 3D Visualisierungen oder gedruckten 3D Modellen könnten mit der untersuchten Methode mit hoher Genauigkeit durchgeführt werden. Im Bereich der Mund- Kiefer- und Gesichtschirurgie stellt der untersuchte Algorithmus eine frei zugängliche und schnell verfügbare Alternative zur Bildsegmentierung im Vergleich zu kommerziell erhältlichen Softwarepaketen dar. Lizenzbasierte Zusatzkosten oder Einschränkungen sind durch die Anwendung dieser open-source Segmentierungsmethode nicht zu erwarten. Die generierten Ground Truth Daten aus dieser Studie können für die Prüfung von anderen bildbasierten Segmentierungsmethoden verwendet werden.

Schlagwörter

Lizenzfrei, GrowCut, Algorithmus, Segmentation, Hausdorff Distanz, Dice-Score Koefficient; Mandibula, Unterkiefer, Kontrollgruppe

Anzahl Seiten

Publikationsjahr

2018

Volltext

Volltext downloaden