Segmentierung mittels impliziter aktiver Konturen

Beteiligte Personen:
Karsten Rink
Teil von Forschungsprojekt:

Segmentierung mittels impliziter aktiver Konturen gehört zur Gruppe der modellbasierten Segmentierungsverfahren bzw. zu den dynamischen Modellen. Der grundlegende Ansatz dieses Verfahrens besteht darin, eine initiale geschlossene Kontur auf einem Bild zu markieren und dann einen Entwicklungsprozess zu starten, in dessen Verlauf die Kontur sich entsprechend bestimmter Vorgaben bewegt. Diese Vorgaben werden zum einen aus Eigenschaften der Kontur selbst (den sogenannten internen Kräften) und zum anderen aus Merkmalen des zugrundeliegenden Bildes (den externen Kräften) gewonnen. Bekannte Beispiele solcher Verfahren sind Snakes, Finite Elemente Methoden sowie Feder-Masse-Modelle.

Aber im Gegensatz zu diesen expliziten aktiven Konturen benutzen Levelsets keine Topologieinformationen, wodurch es möglich wird, topologische Änderungen ohne Veränderung des zugrundeliegenden Modells zu behandeln. Levelsets sind numerisch stabil und lassen sich leicht auch auf höherdimensionalen Daten anwenden. Andererseits ist aber die Berechnung der Entwicklung der Kontur zeitaufwendig, da hierfür eine Reihe von partiellen Differentialgleichungen gelöst werden müssen, in die sowohl das Modell als auch die zugrundeliegenden Daten einfließen.
Aus diesem Grund wurden in den letzten Jahren viele Methoden entwickelt, um diese Berechnung zu beschleunigen. Das wohl bekannteste dieser Verfahren ist die Fast Marching Methode, die unter bestimmten Bedingungen den Prozess einer Levelset-Evolution approximiert. Natürlich haben auch diese Methoden Nachteile, im Falle der Fast Marching Methode ist der größte Nachteil ein „Auslaufen“ der Kontour in benachbarte Regionen, wenn zuverlässige Informationen, etwa Kanten, fehlen.

In diesem Forschungsprojekt sollen nun die Beschränkungen existierender Methoden näher erforscht werden, um die Verfahren geeignet abwandeln zu können. Neben Experimenten mit Testdaten wurden Levelset-Methoden auch auf medizinische Daten angewandt, beispielsweise für die Segmentierung des Gefäßbaumes in CT-Daten des menschlichen Kopf- und Halsbereichs.
Ein weiterer interessanter Punkt ist die Definition weiterer externer Kräfte, wodurch zusätzliche Information über ein gegebenes Problem in den Entwicklungsprozess einfließen könnte, wodurch wiederum eine schnellere und genauere Segmentierung der gesuchten Objekte ermöglicht würde.

Forschung:

  • Ermöglichen von Benutzer-Interaktion auf lokaler Ebene während der Propagation
  • Kombination der aktiven Konturen mit einem statistischen Modell um die gewünschte Entwicklung der Kontur zu unterstützen
  • Erweiterung des klassischen Levelset-Ansatzes durch Einbeziehen weiterer interner und externer Kräfte, durch die eine genauere und robustere Segmentierung erzielt wird.