Segmentation of pelvic arteries to image guided radiotherapy
Translated title
Segmentering af bækken arterier til billede guidet radioterapi
Author
Hammarberg Andresen, Asger
Term
4. term
Publication year
2011
Submitted on
2011-08-31
Pages
72
Abstract
Billedvejledt strålebehandling sigter mod at ramme kræftvæv præcist og skåne raskt væv. En automatisk, detaljeret afgrænsning af det kliniske målvolumen kan forkorte planlægningen og mindske forskelle mellem klinikere. I dette arbejde udvikler vi en metode til at segmentere blodkar i medicinske billeder som et indirekte spor til lymfeknuder, der er svære at se. Metoden har tre trin: 1) et områdevæksttrin (region growing), der fra ét manuelt valgt startpunkt (en frø-voxel) automatisk vælger en tærskel og udtrækker et første karnetværk; samtidig fjerner et knoglefilter knoglestrukturer. 2) Identifikation af rørformede karsegmenter ved hjælp af elliptiske tværsnitsegenskaber, oprindeligt udviklet til billedvejledt perifer bronkoskopi. 3) Sammenkobling af det første karnetværk med de fundne karsegmenter for at danne et mere komplet karvolumen. Metoden er semiautomatisk og kræver kun ét manuelt valgt startpunkt. Den blev testet på 14 bolus-sporede CTA-datasæt (CT-angiografi). Det første trin kunne uden oversegmentering udtrække et indledende karnetværk, og knoglefilteret fjernede knogle. Den fulde metode udvidede karnetværket med de definerede segmenter, men det endelige karvolumen var tilbøjeligt til oversegmentering, muligvis på grund af valg i den beregningsmæssige udformning. Flere parametre kan optimeres, og fordi kvaliteten af CTA-data varierer, er metodens fulde potentiale endnu ikke fuldt belyst. Samlet set viser metoden lovende resultater og kan potentielt forbedre udtrækning af karvolumen til at støtte strålebehandling.
Image-guided radiotherapy aims to target tumors precisely while sparing healthy tissue. Automatically outlining the clinical target volume could speed planning and reduce differences between clinicians. This work develops a blood-vessel segmentation method in medical images as an indirect cue to lymph nodes that are hard to see. The method has three stages: (1) a region-growing step that starts from one manually chosen seed voxel, automatically selects a threshold, and extracts an initial vessel tree; a bone filter removes bone structures. (2) Detection of tube-like vessel segments using elliptic cross-section features, originally developed for image-guided peripheral bronchoscopy. (3) Merging the initial vessel tree with the detected segments to form a more complete vessel volume. The method is semi-automatic and requires only one seed point. We tested it on 14 bolus-tracked CTA datasets (CT angiography). Stage one produced an initial vessel tree without over-segmentation, and the bone filter successfully removed bone. The full method extended the vessel tree with the defined segments, but the final vessel volume was prone to over-segmentation, possibly due to design-related computational choices. Several parameters allow optimization, and because CTA data quality varies, the method’s full potential is not yet fully explored. Overall, the approach shows promising results and may improve vessel volume extraction to support radiotherapy.
[This abstract was generated with the help of AI]
Documents