Automatisk segmentering av LGE-CMR bilder ved bruk av graphcut

Abstract

Etter at en person har hatt hjerteinfarkt, blir det tatt Late Gadolinium Enhanced Cardiac Magnetic Resconance (LGE-CMR) bilder av pasientens hjerte. I disse bildene vil friskt muskelvev tilhørende hjertet fremstå som mørkt, mens arrvev vil fremstå som lysere. Dette gjør at konturene av indre og ytre hjertevegg (endokard og epikard) må finnes manuelt eller semi-automatisk av eksperter. Dette er tidkrevende arbeid og kan bære preg av forskjeller avhengig av personen som utfører arbeidet. Det er derfor ønskelig at denne segmenteringen kan automatiseres. Dette vil gjøre det mulig å behandle større datamengder på kortere tid. I denne oppgaven skal segmenteringsmetoden graphcut vurderes. Målet med oppgaven er å utvikle en helautomatisk segmenteringsalgoritme for endokard og epikard i LGE- CMR bilder. Det skal gåes nærmere på hvordan graphcut fungerer, påkrevd initialisering og hvilke resultat som kan oppnås. For å nå målet blir det benyttet en forbehandling av bildene før selve segmenteringen utføres. Forbehandling består av estimering av initielle konturer til endokard og epikard med et felles estimert hjertesenter. Dette er gjort slik at graphcutsegmenteringen tar utgangspunkt i de initielle konturene, og optimaliserer dem mot det aktuelle bildet. For å teste algoritmen er det benyttet LGE-CMR bildesett av 54 pasienter, hvor alle tidligere har hatt hjerteinfarkt av varierende grad. Arrdannelsen på hjertemuskulaturen varier i størrelse og plassering fra pasient til pasient. For noen er det et lite arr, og hjertemukulaturen kan sees tydelig i bildene. For andre er det store gjennomgående arr som medfører at konturen av hjertemuskulaturen i noen områder forsvinner helt. Dette gjør at det er utfordrende data å jobbe med. Resultatene blir målt i Dice Index, varierende fra 0 til 1, hvor 1 er identisk segmentering sammenlignet med korrekt segmentering, 0 er ingen overlapp. Gjennomsnittlig Dice Index av de initielle konturene etter forbehandlingen er 0.4833, med høyeste verdi på 0.7042 og laveste p a 0.1891. Etter graphcutsegmenteringen er alle verdiene forbedret. Konklusjonen på oppgaven er at graphcut kan fungere til automatisk segmentering av bildene, men denne løsnignen er ikke godt nok til å kunne gi en løsning alene.