Longitudinal diffeomorphic fetal brain atlas learning for tissue labeling using geodesic regression and graph cuts

Abstract

Das Gehirn eines Fötus weist während des zweiten und dritten Schwangerschaftstrimesters Veränderungen sowohl in der Größe als auch Morphologie auf, welche auf Wachstumsprozesse des Hirnes und Faltungsprozesse der Hirnoberfläche zurück zu führen sind. Eine geeignete Aufnahmemodalität für das Hirn des Fötus ist die beschleunigte Magnetresonanztomographie. Sie ermöglicht es auf nicht invasivem Weg Bilder innerhalb von 20 Sekunden aufzunehmen, um Bewegungsartefakten, erzeugt durch die fetale Bewegung, entgegen zu wirken. Diese Technik weist jedoch ein Problem der Konstanz von Grauwerten für gleiche Strukturen auf. Um fetale Hirne vergleichen zu können wird ein Atlas als ein Referenzmodell verwendet, welcher daraufhin die Untersuchung der Gehirnentwicklung, fetaler Pathologielokalisationen, von Abnormalitäten des Fötus oder dessen Hirnanatomie ermöglicht. Bei der Erstellung eines Atlas für das Hirn eines Fötus müssen sowohl die strukturellen Veränderungen in Form und Größe als auch patientenbezogene Unterschiede des Hirnes einbezogen werden. Daher ist es Ziel dieser Masterarbeit ein kontinuierliches Modell der Hirnentwicklung zu erstellen, um dieses als Ausgang für die automatisierte Markierung von Hirnstrukturen zu verwenden, welches in einem selbsterstellten Framework integriert ist. Diese Arbeit stellt ein neues Konzept zur Berechnung eines spatio-temporalen fötalen Hirnatlas- unter der Verwendung von geodätischer Bildregression vor. Anhand der Analyseergebnisse des Atlasbildungsprozesses werden drei Altersgruppen definiert, um gezielt drei unterschiedliche Atlanten angepasst auf den Entwicklungsstatus des fetalen Hirns zu modellieren. Der für die Evaluierung verwendete Datensatz besteht aus 45 T2 gewichteten 1:5 Tesla Magnetresonanz-Bildern von Föten im Alter zwischen 18 und 30 Schwangerschaftswochen. Das vorgestellte Framework verwendet den berechneten Atlas als Kostenterm in einem Graph Cut Ansatz um automatisiert kortikale Hirnstrukturen und Ventrikel zu segmentieren. Vom Framework automatisiert bestimmte Segmentierungen für Kortexstrukturen weisen einen Dice Koeffizienten bis zu 0:85 und für Ventrikelstrukturen bis zu 0:60 auf.

The human brain undergoes structural changes in size and in morphology between the second and the third trimester of pregnancy, according to accelerated growth and the progress of cortical folding. The most accurate non-invasive method for observing these events is the fast Magnetic Resonance (MR) imaging technique. It allows to image a fetus within 20 seconds and consequently reduce artefacts, caused by the fetal movement. A problem of MR imaging is the lack of comparability and constancy of gray-values. To make fetal brains comparable, atlases are used as a standard space for studying brain development, fetal pathology locations, fetal abnormalities or anatomy. The fetal atlas building process takes into account both inter-patient variability of brain shapes and the gestational age dependent structural changes. Thus, a time-varying atlas is required. The aim of the work is to provide a continuous model of brain development and to use it as base for an automatic tissue labeling framework. This master-s thesis provides a novel longitudinal fetal brain atlas construction concept for geodesic image regression using three different age-ranges which are parametrized according to the developmental stage of the fetus. The dataset used for evaluation contains 45 T2-weighted 1:5 Tesla MR images between Gestational Week (GW) 18:0 and GW 30 day 2. The proposed tissue labeling framework uses the learned spatio-temporal atlas as cost term in a graph cut based annotation procedure to automatically segment cortical and ventricle brain tissue. The automatic tissue labeling framework estimates cortical segmentations with a Dice Coefficient (DC) up to 0:85 and ventricle segmentations with a DC up to 0:60.