Vorverarbeitung der CT/MRT Bilder für die weitere Segmentierung.

Zielsetzung:   Die Segmentierung spielt eine wichtige Rolle bei der computergestützten Auswertung in der medizinischen Praxis, wie z.B. bei der automatischen Strukturdetektion oder bei der Visualisierung von 3D-Daten. Oft kommt die Segmentierung nach der Bildvorverarbeitung, so dass die Qualität der Segmentierung von diesem Schritt abhängig ist. Üblicherweise spricht man dabei auch vom Entrauschen des Bildes. Die Waveletsverfahren, die sich schon lange als effektiv für das Entrauschen erwiesen haben, müssen in der Tat an den konkreten Fall angepasst werden. Das reduziert ihre Anwendbarkeit in der medizinischen Praxis. Hier schlagen wir ein Entrausch-Verfahren vor, das auf Wavelets basiert ist und dessen Vorteil darin liegt, dass man es für die Bilder jeder Modalität anwenden kann, d.h. ohne die vorherige Anpassung.   Material und Methodik:   Die Fähigkeit des Verfahrens zeigen wir in Beispielen für CT- und MRT-Bilder. Die Bilder werden entrauscht für die weitere Segmentierung mit dem Ziel der Visualisierung im Fall der CT Daten, und für die Abmessung von MS-Herden in MR Bildern des menschlichen Gehirns. In beiden Fällen (CT und MRT) werden die entrauschten Bilder segmentiert mit Hilfe des Snakes-Verfahren, - ein oft verwendbares Verfahren, dessen Effizienz von den korrekt gewählten Werten der Parameter (Snake-Parameter) abhängig ist.   Ergebnisse:   Das vorgeschlagene Entrausch-Verfahren ist iterativ, er konvergiert asymptotisch zu dem stückweise konstanten Bild, dabei entsprechen die Grenzen der Bildstrukturen sehr gut den Grenzen im Originalbild. In dieser Form ist das Bild für die automatische Segmentierung gut geeignet. Die Experimente zeigen, dass nach dem Entrauschen des Bildes mit diesem Verfahren viel mehr interessanten Bildstrukturen von demselben Snake (d.h. bei fixierten Snake-Parametern) erfasst werden können, als für den Fall des nicht entrauschten Bildes.   Schlußfolgerungen:   Der vorgeschlagene Algorithmus hängt von den freien Parametern nicht explizit ab. Wir hoffen, dass diese Tatsache, zusammen mit der hohen Funktionalität, den Algorithmus  zu einem attraktiven Vorverarbeitungsverfahren für die automatische Segmentierung und für die anderen Ziele der medizinischen Bildanalyse machen kann