UNIUNEA EUROPEANĂ GUVERNUL ROMÂNIEI MINISTERUL MUNCII, FAMILIEI ŞI PROTECłIEI SOCIALE AMPOSDRU Fondul Social European POSDRU 2007-2013 Instrumente Structurale 2007-2013 OIPOSDRU UNIVERSITATEA TEHNICĂ “GHEORGHE ASACHI” DIN IAŞI UNIVERSITATEA TEHNICĂ “GHEORGHE ASACHI” DIN IAŞI Şcoala Doctorală a FacultăŃii de Automatică şi Calculatoare Analiza şi vizualizarea seturilor de date biomedicale - REZUMATUL TEZEI DE DOCTORAT - Conducător de doctorat: Prof. univ. dr. ing. Vasile-Ion Manta Doctorand: Ing. Paul-Corneliu Herghelegiu IAŞI - 2011
55
Embed
Analiza şi vizualizarea seturilor de date biomedicale Rezumat final.pdf · and Algorithms”, Vienna University of Technology pentru sprijinul acordat pe perioada desfăşurării
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
UNIUNEA EUROPEANĂ GUVERNUL ROMÂNIEI
MINISTERUL MUNCII, FAMILIEI ŞI PROTECłIEI SOCIALE
AMPOSDRU
Fondul Social European POSDRU 2007-2013
Instrumente Structurale 2007-2013
OIPOSDRU UNIVERSITATEA TEHNICĂ “GHEORGHE ASACHI”
DIN IAŞI
UNIVERSITATEA TEHNICĂ “GHEORGHE ASACHI” DIN IAŞI
Şcoala Doctorală a FacultăŃii de Automatică şi Calculatoare
Analiza şi vizualizarea seturilor
de date biomedicale - REZUMATUL TEZEI DE DOCTORAT -
Conducător de doctorat:
Prof. univ. dr. ing. Vasile-Ion Manta Doctorand:
Ing. Paul-Corneliu Herghelegiu
IAŞI - 2011
UNIUNEA EUROPEANĂ GUVERNUL ROMÂNIEI
MINISTERUL MUNCII, FAMILIEI ŞI PROTECłIEI SOCIALE
AMPOSDRU
Fondul Social European POSDRU 2007-2013
Instrumente Structurale 2007-2013
OIPOSDRU UNIVERSITATEA TEHNICĂ “GHEORGHE ASACHI”
DIN IAŞI
Teza de doctorat a fost realizată cu sprijinul financiar al proiectului
„Burse Doctorale - O InvestiŃie în InteligenŃă (BRAIN)”.
Proiectul „Burse Doctorale - O InvestiŃie în InteligenŃă (BRAIN)”,
POSDRU/6/1.5/S/9, ID 6681, este un proiect strategic care are ca
obiectiv general „ÎmbunătăŃirea formării viitorilor cercetători în cadrul
ciclului 3 al învăŃământului superior - studiile universitare de doctorat -
cu impact asupra creşterii atractivităŃii şi motivaŃiei pentru cariera în
cercetare”.
Proiect finanŃat în perioada 2008 - 2011.
FinanŃare proiect: 14.424.856,15 RON
Beneficiar: Universitatea Tehnică “Gheorghe Asachi” din Iaşi
Partener: Universitatea “Vasile Alecsandri” din Bacău
Director proiect: Prof. univ. dr. ing. Carmen TEODOSIU
Responsabil proiect partener: Prof. univ. dr. ing. Gabriel LAZĂR
UNIUNEA EUROPEANĂ GUVERNUL ROMÂNIEI
MINISTERUL MUNCII, FAMILIEI ŞI PROTECłIEI SOCIALE
AMPOSDRU
Fondul Social European POSDRU 2007-2013
Instrumente Structurale 2007-2013
OIPOSDRU UNIVERSITATEA TEHNICĂ “GHEORGHE ASACHI”
DIN IAŞI
MenŃiuni
Doresc să îmi exprim recunoştinŃa faŃă de domnul prof. dr. ing. Vasile Ion
Manta, pentru răbdarea cu care mi-a îndrumat paşii spre publicarea lucrărilor
ştiinŃifice ce au dus la realizarea prezentei teze.
De asemenea, vreau să mulŃumesc domnului profesor Eduard Gröller,
coordonatorul grupului de vizualizare din cadrul “Institute of Computer Graphics
and Algorithms”, Vienna University of Technology pentru sprijinul acordat pe
perioada desfăşurării unui stadiu extern de cercetare în institutul pe care îl
coordonează. Din cadrul aceluiaşi institut, doresc să-l menŃionez pe Stefan
Bruckner fără ajutorul şi îndrumarea căruia implementările descrise în prezenta
teză ar fi fost infinit mai dificile.
Sincere mulŃumiri se adresează şi "Centrului de ExcelenŃă în
Neurochirurgie" din cadrul spitalului Bagdasar - Arseni din Bucureşti pentru
ajutorul acordat în înŃelegerea imaginilor medicale utilizate si în realizarea unor
aplicaŃii prezentate în această teză.
Alese mulŃumiri şi colegilor cu care am dezbătut numeroase teme ştiinŃifice
şi care m-au ajutat foarte mult de-a lungul anilor. Dintre aceştia, îi menŃionez pe
Marius, Cristi, Nicu, Cristina, Robert, cu ajutorul cărora am reuşit să creăm un
mediu competitiv şi prietenos în cadrul departamentului unde ne-am desfăşurat
munca.
De asemenea, mulŃumesc doamnei Elena Zbranca pentru înŃelegerea de
care a dat dovadă de nenumăratele ori când am greşit fără intenŃie partea
birocratică atât de necesară finalizării acestei teze.
Nu în ultimul rând aş dori să mulŃumesc familiei şi prietenei mele pentru
sprijinul necondiŃionat acordat în perioada dezvoltării acestei teze şi nu numai.
Aplică transformarea InitialTransf asupra volumului volumT2
Execută
V = Calculează valoarea metricii folosite MS
T = Transformarea ce maximizează similaritatea volumelor
Aplică transformarea T asupra volumului volumT2
cât timp ( V < ε sau numărul maxim de paşi a fost atins)
Valoarea parametrilor utilizaŃi în aplicarea Algoritmului 5.1 este ε = 0.0001, iar numărul
maxim de iteraŃii este 200. Valorile alese pentru aceşti parametri au fost stabilite experimental şi
s-a dovedit că permit obŃinerea performanŃelor urmărite. În cazul alinierii a două volume,
operaŃiile de translaŃie şi rotire, rezultate ca date de ieşire ale algoritmului de aliniere, sunt
aplicate celui de-al doilea volum, care este considerat mobil, pentru a se alinia la coordonatele
primului volum. În figura 5.1 se prezintă câte două imagini succesive din cele două seturi de date
considerate. PoziŃia acestor imagini este aliniată utilizând algoritmul prezentat. În partea de sus
imaginile au aceeaşi coordonată de adâncime, iar în partea de jos, o mică diferenŃă poate fi
observată în regiunea indicată de săgeŃi din cauza diferenŃelor de grosime ale imaginilor generate
de procesul de achiziŃie şi a procesului de interpolare dintre două imagini succesive.
32
Figura 5.1. Două seturi consecutive de imagini: în ponderaŃie T1 cu substanŃă de contrast paramagnetică în partea
stângă şi în ponderaŃie T2 în partea dreaptă. SăgeŃile indică o regiune unde algoritmul de aliniere produce unele erori datorită diferenŃei de grosime a imaginilor rezultate în urma scanării RMN (Herghelegiu, et al., 2011b).
5.4. Segmentarea tumorii
Pentru a integra unele structuri dintr-o secvenŃă RMN într-o altă secvenŃă, a fost necesară
implementarea unei metode de segmentare pentru a separa informaŃia utilă. Algoritmul de
segmentare clasifică voxelii din volumul iniŃial ca aparŃinând fie regiunii de interes, fie regiunii
de fundal. Pentru segmentarea tumorii intracraniene a fost folosit algoritmul watershed (Meyer,
1994), descris în secŃiunea 2.3.
PerformanŃa algoritmului watershed aplicat pe un volum reconstruit din imagini RMN în
ponderaŃie T1 cu substanŃă de contrast paramagnetică poate fi observată în figura 5.2. Valoarea
parametrilor prag şi nivel descrişi în secŃiunea 2.3 a fost de 0,06 respectiv 0,5. Valoarea acestora
a fost determinată experimental, constatându-se că pot suferi unele mici modificări fără a afecta
rezultatul procesului de segmentare.
33
Figura 5.2. Rezultatul algoritmului de segmentare watershed utilizat pentru segmentarea unei tumori intra-craniene:
imagine 2D (stanga), imagine 3D (dreapta). SăgeŃile indică poziŃia tumorii (Herghelegiu, et al., 2011b).
5.5. Vizualizarea datelor volumetrice
Datele procesate până acum sunt disponibile sub formă de date volumetrice, deci o
metodă de vizualizare 3D a acestora reprezintă o alegere naturală. Un aspect important, care
trebuie avut în vedere când se realizează vizualizarea datelor volumetrice, este necesitatea de a
menŃine obiectul de interes în prim plan şi păstrarea informaŃiilor cu privire la contextul spaŃial al
acestuia în aceeaşi scenă de vizualizare. InformaŃia de interes trebuie sa fie evidenŃiată, dar alte
informaŃii mai puŃin importante trebuie să fie de asemenea prezentate pentru a furniza un context
complet atât anatomic cât şi spaŃial asupra datelor investigate. Implementarea unui astfel de
algoritm simplu de vizualizare este ilustrată în figura 5.3. Tumora a fost clasificată separat
utilizând procedeul de segmentare watershed, deci aceasta poate fi izolată uşor fată de restul
structurilor prezente în scenă. Figura 5.3(a) arată o redare uzuală a unui set de date RMN.
Umbrirea şi iluminarea au fost adăugate pentru a furniza o doză de realism asupra imaginilor.
Acest mod de prezentare a informaŃiei nu furnizează mijloacele necesare pentru a vizualiza
informaŃia de interes, tumora în cazul de faŃă. Această problemă este rezolvată în figura 5.3(b),
unde, prin manipularea transparenŃei structurilor prezente în scenă, tumora segmentată poate fi
vizibilă şi evidenŃiată prin alegerea unei culori specifice.
O problemă a datelor RMN o reprezintă nivelul crescut de zgomot prezent, ceea ce face
foarte dificilă izolarea suprafeŃelor semitransparente. Acest lucru se poate observa în figura
5.3(b), unde structuri bine reprezentate în figura 5.3(a) nu mai sunt clar vizibile. Metoda propusă
combină aspectul precis al structurilor din figura 5.3(a) cu informaŃia de interes prezentată în
figura 5.3(b).
34
Figura. 5.3. Redarea volumetrică a unui set de date RMN. (a) Redarea cu suprafaŃa exterioară opacă; (b) Redarea cu
structurile ce blocau informaŃia de interes semitransparente, pentru a putea vizualiza tumora presegmentată (Herghelegiu, et al., 2011b).
Metoda propusă în acest capitol include utilizarea unui efect de tip lentilă pentru a
permite vizualizarea în interiorul setului de date (figura 5.4). Această lentilă este o regiune
circulară în spaŃiul imaginii, în interiorul căreia parametrii de redare volumetrică sunt modificaŃi.
Specific, lentila funcŃionează prin scalarea transparenŃei voxelilor proiectaŃi în interiorul regiunii,
făcând astfel vizibile utilizatorului unele structuri anterior ascunse. Voxelii aparŃinând
structurilor segmentate pot fi uşor identificaŃi prin accesarea măştii de segmentare, deci pot fi
evitaŃi în procesul de alterare a transparenŃei. În exteriorul regiunii corespunzătoare lentilei,
procesul de redare rămâne nealterat, menŃinând astfel aspectul precis al structurilor prezente. În
afara tumorii segmentate, pentru o mai bună exemplificare a metodei propuse, în figura 5.4 a fost
inclus şi volumul corespunzător vascularizaŃiei cerebrale ce a fost anterior segmentat manual.
Caracteristicile structurilor externe sunt păstrate, iar informaŃia de interes, tumora,
localizată în interiorul volumului este mai bine evidenŃiată. Efectul de lentilă poate fi uşor
integrat în orice interfaŃă cu utilizatorul, permiŃând acestuia sa modifice interactiv poziŃia şi deci
să inspecteze în mod dinamic interiorul volumului. Pseudocodul aferent metodei descrise este
prezentat ca Algoritmul 5.2. Acesta este executat într-o manieră paralelă pentru pixelii din
fereastra de vizualizare de către procesoarele fragment ale plăcilor video utilizate.
Algorimul 5.2 RedareaVolumelor
DRC = CalculeazăDirecŃiaRazei(razaCurentă)
Pentru fiecare punct P ∈ DRC
Dacă P∈InteriorLentilă Atunci
micşorează opacitatea pentru razaCurentă;
Dacă P∈MascaTumorii Atunci
35
culoareaRazeiCurente = culoareaTumorii;
C = Atributele culorii pentru punctul P din volumul RMN
Compune C cu culoarea razei curente razaCurentă;
P = punctul următor pe direcŃia razei;
Verifică dacă s-a atins condiŃia de terminare timpurie a razei
(valoarea componentei alfa a razei > 0.95 sau P nu aparŃine mulŃimii
punctelor volumelor utilizate)
Figura 5.4 Lentilă circulară utilizată pentru a vizualiza informaŃia segmentată (tumora şi vasele de sânge) din
interiorul volumului reconstruit din date RMN (Herghelegiu, et al., 2011b).
Algoritmul de redare a volumelor a fost rulat pe o placă video NVidia GeForce GTX 260,
cu o dimensiune a ferestrei de vizualizare de 1024 x 768 pixeli. Seturile de date reconstruite din
secvenŃele RMN în ponderaŃie T1 şi T2 au rezoluŃia de 512 x 512 x 85, respectiv 512 x 512 x 60.
Tabelul 5.1 prezintă datele privitoare la performanŃele algoritmului prezentat.
Volum Cadre pe secundă
Volum din Fig. 5.3(a) 9.52 fps
Volum din Fig. 5.3(b) 3.64 fps
Volum din Fig. 5.4 (fără vascularizaŃie) 7.83 fps
Volum din Fig. 5.4 6.84 fps
Tabel 5.1. Numărul de cadre pe secundă pentru volumele utilizate. Din rezultatele obŃinute se deduce faptul că redarea volumelor cu suprafaŃa exterioară
opacă este cea mai rapidă, iar acelaşi volum cu unele structuri redate semitransparent necesită un
timp de procesare mai îndelungat.
Se poate extinde în continuare conceptul de a menŃine obiectul de interes în prim plan, cu
păstrarea informaŃiilor cu privire la contextul spaŃial al acestuia în aceeaşi scenă prin utilizarea
unei funcŃii de transfer multidimensională. Figura 5.5 prezintă o imagine redată cu ajutorul unei
funcŃii de transfer multidimensionale ce incorporează magnitudinea gradientului şi curbura locală
36
în procesul de clasificare (Kniss, et al. 2002) (Hladuvka, et al. 2000). Lichidul cefalorahidian
precum şi alte Ńesuturi moi sunt preluate din setul de date RMN în ponderaŃie T2, iar tumora este
segmentată din setul de date din secvenŃa RMN în ponderaŃie T1. Tumora este prezentată ca
structură de interes, într-un mod evidenŃiat, alături de structurile care o înconjoară.
Figura 5.5. Clasificarea datelor multimodale utilizând o funcŃie de transfer multi-dimensională. Tumora este vizibilă
ca structură de interes alături de alte Ńesuturi moi menite a furniza un context spaŃial (Herghelegiu, et al., 2011b).
5.6. Concluzii
În prezent, multe procese de diagnosticare sau de planificare a intervenŃiilor chirurgicale
necesită o inspecŃie a mai multor seturi de date obŃinute prin diverse metode de scanare medicală.
Fiecare metodă de scanare existentă, prezintă atât avantaje cât şi dezavantaje şi furnizează date
importante acolo unde celelalte metode nu reuşesc. Deoarece un pacient nu poate fi scanat cu
două metode diferite în acelaşi timp, seturile de date obŃinute în urma mai multor scanări vor
prezenta probleme de aliniere. Pentru a combina date volumetrice obŃinute din mai multe surse în
aceeaşi scenă de vizualizare, s-au aliniat datele folosite utilizând un algoritm de aliniere rigid
bazat pe intensitatea voxelilor.
În acest capitol s-a prezentat o metodă pentru vizualizarea unei structuri anterior
segmentată dintr-o secvenŃă RMN în ponderaŃie T1 cu substanŃă de contrast paramagnetică şi
integrarea ei într-un volum reconstruit pe baza imaginilor RMN dintr-o secvenŃă în ponderaŃie
T2. O abordare de vizualizare directă a volumelor (DVR) a fost utilizată pentru a reprezenta
informaŃia de interes (tumora), concomitent cu păstrarea informaŃiilor privind contextul spaŃial şi
anatomic al acesteia. Cu toate că datele de intrare au un nivel ridicat de complexitate, metoda
implementată rulează pe procesoarele grafice actuale, permiŃând astfel utilizatorului să
manipuleze în mod interactiv procesul de vizualizare şi de explorare a datelor. S-a prezentat, de
asemenea, modul în care combinarea algoritmilor de aliniere, a celor de segmentare şi a celor de
vizualizare poate face datele volumetrice mai uşor explorabile, într-un mod intuitiv. Tehnicile
prezentate urmăresc asistarea mediului medical în înŃelegerea anatomiei umane, a unor patologii
precum tumorile intracraniene, pentru o mai facilă şi rapidă diagnosticare a pacienŃilor.
37
6. Hartă a stabilităŃii direcŃiei de inserare a acului pentru biopsiile
efectuate tumorilor intracraniene
Procedurile medicale minim invazive, precum biopsiile, necesită inserarea unui ac pentru
prelevarea de mostre de Ńesut dintr-un organ specific. Acest proces de inserare a acului poate fi
afectat de un număr mare de erori care pot conduce la schimbări ale direcŃiei planificate iniŃial.
În cazul investigaŃiilor tumorilor intracraniene, aceste erori pot fi cauzate de mişcarea creierului
în urma perforării craniului, de unele erori de măsurare cauzate de folosirea unui cadru fizic
pentru sprijinirea acului în procesul de inserare a acului sau de alte erori umane. Pentru a oferi un
ajutor preoperatoriu, se introduce în acest capitol noŃiunea de hartă a stabilităŃii direcŃiei de
inserare a acului de biopsie. Această hartă furnizează informaŃii cu privire la stabilitatea unei
direcŃii de inserare a acului din punctul de vedere al erorilor ce pot apărea în procesul de inserare.
Se introduce de asemenea un algoritm de identificare a mulŃimii de puncte aparŃinând tumorii,
puncte ce pot fi atinse direct de către acul de biopsie. Se prezintă şi o tehnică automată de
selectare a direcŃiei ce oferă cea mai mare distanŃă până la vasele de sânge intracraniene,
considerându-se toate punctele de pe acea direcŃie. A fost implementată şi o metodă de
reprezentare 3D a structurilor de interes (tumora, vasele de sânge) împreună cu direcŃia de
inserare a acului şi cu mulŃimea punctelor accesibile de pe tumoare, folosind o nouă tehnică de
redare volumetrică, numită Maximum Intensity Difference Accumulation (MIDA). Harta
stabilităŃii direcŃiei de inserare a acului reprezintă, prin utilizarea unei corespondenŃe între costul
aferent fiecărei direcŃii şi o culoare, cât de aproape de vasele de sânge sunt direcŃiile de inserare
aflate în jurul unei direcŃii principale.
6.1. Introducere
Biopsiile sunt o procedură medicală frecvent utilizată pentru o mai bună înŃelegere a
tipului patologiei studiate. Ele reprezintă un test medical care presupune colectarea de Ńesut
dintr-o structură a corpului uman, utilizând un ac de biopsie. În cazul investigaŃiilor tumorilor
intracraniene, efectuarea unei biopsii reprezintă un pas preoperatoriu obligatoriu. În funcŃie de
rezultatul biopsiei se elaborează un plan de tratament. Testele efectuate pe mostrele de Ńesut
prelevate vor furniza detalii despre tipul tumorii, dacă trebuie luată în considerare posibilitatea
unei rezecŃii sau dacă se poate opri creşterea tumorii prin utilizarea razelor gama. Prima etapă
urmată de medicul care va efectua biopsia este stabilirea unei direcŃii pentru acul de biopsie. O
direcŃie a acului este definită de punctul de intrare şi punctul final al acestuia. Punctul de intrare
se va situa pe suprafaŃa craniană, iar punctul de final va fi reprezentat de către un punct de pe
tumoră.
Pentru stabilirea direcŃiei acului de biopsie, metodele folosite în prezent implică inspecŃia
manuală a imaginilor RMN pentru stabilirea punctelor de intrare şi de final ale acului. Acest
proces necesită o ajustare manuală de fineŃe a direcŃiei acului pentru a oferi siguranŃa că nici un
38
vas de sânge nu este atins. După efectuarea acestui pas extrem de laborios, aplicaŃiile medicale
utilizate în prezent furnizează datele care descriu poziŃia stabilită a acului. Aceste date sunt
corelate manual cu un cadru fizic care este fixat pe pacient şi care oferă suportul necesar
procesului de inserare a acului. Tot acest proces descris este supus erorilor umane precum şi
erorilor de măsurare. Algoritmii descrişi în acest capitol ajută medicii prin identificarea celei mai
bune direcŃii ale acului în funcŃie de distanŃa până la vasele de sânge.
Pentru a evidenŃia forma tridimensională a unei structuri sau pentru a o putea localiza mai
uşor, a fost necesară implementarea unui algoritm de segmentare ce separă regiunea de interes de
celelalte regiuni prezente în setul de date. Pentru a putea identifica punctele care pot fi
considerate puncte de final ale acului într-o manieră automată, s-a utilizat un algoritm de
segmentare a tumorilor intracraniene bazat pe metoda watershed. Masca de segmentare a
vascularizaŃiei cerebrale va furniza datele de intrare pentru calcularea distanŃelor de la fiecare
punct din setul de date până la cel mai apropiat vas de sânge. Pentru aceasta, s-a aplicat o
transformată distanŃă care va produce un volum de aceeaşi dimensiune precum volumul iniŃial,
dar în care valorile voxelilor vor reprezenta distanŃa până la cel mai apropiat vas de sânge.
Lipsa unei reprezentări 3D a tumorii sau a direcŃiei acului sporeşte eventualitatea apariŃiei
unor erori în procesul de efectuare a biopsiei. O reprezentare vizuală asupra stabilităŃii direcŃiei
planificate a acului în funcŃie de erorile ce pot apărea (de măsurare, umane sau de calcul) poate
ajuta medicul să înŃeleagă riscurile de a nu atinge punctul stabilit ca şi destinaŃie pentru ac. Se
introduce în acest capitol un algoritm de reprezentare vizuală prin intermediul culorilor a
stabilităŃii direcŃiei acului de biopsie, denumită hartă de stabilitate a direcŃiei de inserare a
acului de biopsie (Herghelegiu et al., 2011a). Algoritmul propus creează de asemenea o ierarhie
a direcŃiilor posibile ale acului şi poate furniza în mod automat direcŃia care oferă cea mai mare
distanŃă până la cel mai apropiat vas de sânge, considerând toate punctele de pe direcŃia acului.
Calcului transformatei distanŃă (distance transform - DT) reprezintă un pas important
folosit în diverse aplicaŃii ale graficii asistate de calculator sau în procesarea de imagini. Un
algoritm de calcul a DT aplicat pe o imagine binară are ca rezultat o imagine de aceeaşi
dimensiune, cu fiecare pixel reprezentând distanŃa până la regiunea de interes (pixel cu valoare
non zero).
HărŃile de stabilitate sunt introduse în aplicaŃii pentru a furniza un ajutor vizual precum şi
unele indicii menite să sprijine utilizatorul în procesul de luare a unei decizii.
Au fost dezvoltate până în prezent numeroase metode de simulare a inserŃiei acului de
biopsie. A fost dezvoltată o tehnică de simulare a procesului de inserŃie prin Ńesuturi moi
(Alterovitz, et al. 2009). Metoda calculează erorile ce pot apărea din cauza procesului de inserare
a acului, calculate ca distanŃe euclidiene. De asemenea, a fost introdusă şi o metrică de măsurare
a stabilităŃii acului pentru procesul de simulare. O altă metodă ce a fost dezvoltată este
reprezentată de simularea preoperatorie a inserŃiei acului de biopsie pentru biopsiile mamare
(Vancamberg, et al. 2010). Erorile considerate de către autori sunt cele datorate procesului de
inserŃie a acului prin Ńesutul glandular mamar. Aceste abordări nu sunt viabile pentru cazul
39
studiat în acest capitol şi anume biopsiile tumorilor intracraniene. łesutul intracranian (creierul)
are un comportament diferit faŃă de celelalte Ńesuturi moi studiate până în prezent. În cazul
biopsiilor tumorilor intracraniene, se consideră faptul că procesul de inserare a acului nu schimbă
poziŃia tumorii sau a vaselor de sânge.
6.2. Transformata distanŃă
Calculul transformatei distanŃă (DT) a fost aplicat în domeniul imagisticii medicale în
principal în cazurile 2D, dar poate fi uşor extins pentru seturile de date 3D. În aceste cazuri, DT
determină distanŃa fiecărui voxel aparŃinând volumului până la o regiune de interes reprezentată
în aplicaŃia prezentată în acest capitol de vasele de sânge. Masca corespunzătoare vaselor de
sânge a fost obŃinută printr-o segmentare manuală. Se consideră: 1,0: 3 →⊂Ω ZVol un volum
binar unde domeniul Ω este convex. Fie O un obiect ce cuprinde toŃi pixelii de culoare albă (cu
valoare 1) ai volumului Vol , 1)( =Ω∈= pVolpO .
Voxelii obiectului O sunt consideraŃi ca făcând parte din obiectul de fundal, iar
complementul său, cO este denumit obiect de interes constituit din pixelii de culoare neagră (de
valoare 0) aparŃinând Ω . Harta de distanŃă (sau transformata distantă) a volumului Vol este dată
de următoarea definiŃie:
cOqqpdpD ∈= ),(min)(
unde ),( qpd reprezintă distanŃa dintre punctele p şi q . Această distantă este de obicei
considerată ca fiind distanŃa euclidiană.
La realizarea aplicaŃiei prezentate în acest capitol, s-a utilizat o transformare distanŃă care
este uşor de reprodus şi furnizează rezultate satisfăcătoare într-un timp scăzut (Felzenszwalb, et
al. 2004). Figura 6.1 prezintă o imagine din volumul DT. Regiunile mai închise la culoare
corespund regiunilor aflate în vecinătatea unui vas de sânge, iar regiunile mai deschise la culoare
indică o distanŃă mai mare până la un vas de sânge.
6.3. Punctele accesibile aparŃinând tumorii
Punctele accesibile ale tumorii pentru acul de biopsie se definesc ca fiind mulŃimea
punctelor de pe suprafaŃa tumorii pentru care direcŃiile de inserare ale acului au proprietatea de a
atinge numai punctul considerat de pe tumoră. Masca punctelor corespunzătoare tumorii
segmentate a fost utilizată ca dată de intrare pentru determinarea punctelor accesibile aparŃinând
tumorii.
Algoritmul folosit pentru a segmenta tumora este identic cu algoritmul prezentat în
secŃiunea 5.4. Metoda propusă pentru identificarea punctelor accesibile de pe tumoră este o
metodă directă şi uşor de implementat şi urmăreşte determinarea acestor puncte pentru un punct
fix de incizie a acului de biopsie.
40
Figura 6.1. O felie a volumului rezultat în urma aplicării transformatei distanŃă pe masca vaselor de sânge
intracraniene. Regiunile închise la culoare indică prezenŃa unui vas de sânge în regiunea învecinată (Herghelegiu, et al., 2011a).
Pentru că acul de biopsie nu prelevă mostrele de Ńesut din vârful său şi prezintă o
deschizătură pe o parte a sa apropiată de vârf (figura 6.2), algoritmul de determinare a punctelor
accesibile aparŃinând tumorii trebuie să Ńină cont de aceste specificaŃii fizice ale acului de
biopsie.
Figura 6.2. Vârful unui ac de biopsie (Herghelegiu, et al., 2011a).
Determinarea automată a punctelor accesibile ajută medicii în procesul de vizualizare a
zonelor ce pot fi atinse de către acul de biopsie, pentru un punct de intrare fix. PoziŃia vaselor de
sânge nu influenŃează rezultatul furnizat de către acest algoritm, deoarece se doreşte
determinarea tuturor punctelor accesibile. Pseudocodul pentru algoritmul de calcul al punctelor
accesibile aparŃinând tumorii ale acului de biopsie este prezentat ca Algoritmul 6.1: Algoritm 6.1 DeterminăPuncteleAccesibile
Pentru punctul de intrare EP
Pentru fiecare punct de pe tumoră TP
Dacă (Voxelul precedent lui TP de pe direcŃia definită de EP şi
TP nu aparŃine tumorii)
Şi (Următorii n voxeli de după TP de pe direcŃia definită de EP
şi TP aparŃin tumorii)
Atunci
Adaugă TP la mulŃimea punctelor accesibile
41
Numărul n este dat de specificaŃiile fizice ale acului utilizat. Specific, acest număr
corespunde distanŃei dintre vârful acului şi mijlocul deschizăturii acului de unde se preleva
mostrele de Ńesut (distanŃa d în figura 6.2). Punctele determinate ca fiind puncte accesibile
pentru un punct de intrare notat EP sunt prezentate în figura 6.3 ca o suprafaŃă albă ce acoperă
tumora. Scena a fost rotită pentru evidenŃierea regiunilor de tranzit dintre punctele accesibile şi
punctele ce nu pot fi atinse de către acul de biopsie.
Figura 6.3. Punctele accesibile de pe tumoră (cu alb) considerându-se un punct de intrare al acului de biopsie fix
(vedere din lateral). Tumora este colorată în albastru (Herghelegiu, et al., 2011a).
6.4. Harta de stabilitate a direcŃiei acului de biopsie
Pentru crearea hărŃii de stabilitate a direcŃiei acului de biopsie, a fost necesară crearea
unui disc notat Ds în planul normal direcŃiei acului (NP), cu centrul în punctul ales ca punct de
final al acului (RTP). Acest disc proiectat de-a lungul direcŃiei de inserare a acului va fi folosit ca
obiect intermediar pentru crearea hărŃii de stabilitate. Paşii necesari identificării planului în care
va fi creat discul Ds sunt prezentaŃi în Algoritmul 6.2. Algoritm 6.2 CreeazăDiscDs:
Alege P ca punct arbitrar ce nu aparŃine direcŃiei acului definită de
(Vectorii unitate R şi S sunt doi vectori ortonormali în planul ∏
perpendicular pe direcŃia definită de punctele EP şi RTP )
Creează discul Ds în planul ∏ , cu raza specificată r
Un exemplu de direcŃie de inserare a acului ce porneşte din punctul de intrare EP, precum
şi discul Ds aferent punctului de pe tumoră RTP este prezentat în figura 6.4.
Ca funcŃie cost pentru o direcŃie de inserare a acului s-a considerat distanŃa minimă până
la cel mai apropiat vas de sânge, luându-se în considerare toate punctele de pe direcŃia acului.
42
Figura 6.4. Discul Ds creat în planul normal direcŃiei de inserŃie a acului de biopsie NP, cu centrul în punctul de pe
tumoră RTP. Tumora a fost redată semitransparentă pentru a face vizibil întreg discul creat (Herghelegiu, et al., 2011a).
Pentru calcularea acestei distanŃe, s-a utilizat transformata distanŃă prezentată anterior.
După cum s-a menŃionat în secŃiunea 6.2, volumul transformatei distanŃă conŃine ca voxeli
distanŃele până la cel mai apropiat vas de sânge. Pentru determinarea costului aferent fiecărei
direcŃii de introducere a acului ce va fi reprezentată pe harta de stabilitate, este necesară stabilirea
punctelor de pe tumoră corespunzătoare acestora. Pentru aceasta, algoritmul propus are ca date
de intrare tumora segmentată, punctul de intrare şi discul Ds. Pseudocodul aferent acestui
algoritm precum şi a algoritmului de atribuire a unei culori pentru fiecare punct de pe harta de
stabilitate este prezentat ca Algoritmul 6.3: Algoritm 6.3 CreeazăHartaStabilităŃii:
Pentru fiecare voxel V ∈ discului Ds Caută un punct al tumorii TP pe direcŃia definită de V şi EP
Dacă TP a fost găsit
Atunci
Calculează costul direcŃiei definite de EP şi TP
Atribuie o culoare corespunzătoare costului aferent
direcŃiei
Desenează punctele corespunzătoare razei pe harta
stabilităŃii
Altfel
Desenează punctele corespunzătoare direcŃiei pe harta de
stabilitate cu alb, deoarece direcŃia nu atinge tumora
În conformitate cu costul aferent fiecărei direcŃii considerate, a fost implementată o
schemă de codificare prin culoare a acestuia (figura 6.5). Regiunile albe indică zonele unde
direcŃia dată de punctul de intrare şi de punctul corespunzător de pe discul Ds nu atinge tumora.
Culoarea verde indică faptul că direcŃia corespunzătoare are o distanŃă mare până la cel mai
apropiat vas de sânge, iar culoarea roşie indică faptul că direcŃia aferentă loveşte un vas de sânge.
43
Figura 6.5. Hartă a stabilităŃii direcŃiei de inserare a acului de biopsie pentru o direcŃie a acestuia. Regiunile verzi indică o direcŃie a acului ce prezintă o distanŃă mare până la vasele de sânge adiacente, iar regiunile roşii indică direcŃiile unde un vas de sânge este atins. Regiunile albe indică faptul ca direcŃiile respective nu ating tumora
(Herghelegiu et al., 2011a).
În cazul particular prezentat în figura 6.5, chiar dacă direcŃia principală considerată (cea din
centrul discului) asigură o distanŃă suficientă până la vasele de sânge adiacente, medicul poate
opta pentru o altă direcŃie de inserare a acului pentru că, în cazul apariŃiei unor erori foarte mici,
se poate rata atingerea tumorii (regiunea cu alb).
Prin sortarea direcŃiilor după costul fiecăreia descris anterior, se poate reprezenta într-o
manieră automată harta de stabilitate pentru direcŃia care oferă cel mai bun cost. Medicul poate
apoi inspecta harta de stabilitate şi decide dacă direcŃia considerată satisface nevoile medicale.
Metoda prezentată a fot implementată ca un plugin al aplicaŃiei de vizualizare
VolumeShop (Bruckner şi Gröller 2005), cu redarea volumetrică a seturilor de date realizată în
GLSL. AplicaŃia cuprinde o fereastră de vizualizare volumetrică ce oferă informaŃii vizuale cu
privire la poziŃia tumorii investigate, poziŃia vaselor de sânge, direcŃia acului de biopsie, masca
punctelor de intrare, discul aferent direcŃiei curente (figura 6.6). În continuare, utilizatorului i se
oferă posibilitatea de vizualizare în acelaşi ecran a imaginilor 2D corespunzătoare structurilor
menŃionate mai sus, de-a lungul celor trei plane principale de scanare (sagital, axial, coronal).
Sunt deci prezente trei astfel de ferestre de vizualizare 2D, conectate între ele pentru a oferi o
navigare intuitivă. Se utilizează şi o codare a poziŃiei planelor prin intermediul culorilor.
No tumor point hit
Blood vessel hit
Large distance to blood vessels
44
Pentru redarea volumetrică, s-a folosit o metodă nouă de redare ce combină avantajele
redării directe a volumelor (DVR) cu avantajele metodei de redare MIP (descrisă în secŃiunea
3.2.2, ecuaŃia (3.17)), numită Maximum Intensity Difference Accumulation (MIDA) (Bruckner
şi Gröller, 2009). Această metodă de redare este asemănătoare cu MIP din punctul de vedere al
exploatării caracteristicilor datelor folosite şi nu necesită definirea unor funcŃii complexe de
transfer pentru generarea unor rezultate satisfăcătoare.
Figura 6.6. Sistemul de vizualizare propus: fereastră de vizualizare volumetrică (stânga sus) în care pot fi
identificate structurile de interes: tumora, vasele de sânge, direcŃia de inserare a acului, discul Ds corespunzător, masca punctelor de intrare considerate şi structurile anatomice înconjurătoare; ferestre de vizualizare 2D
interconectate pentru o navigare intuitivă între imaginile rezultate din scanarea RMN.
6.5. Concluzii
În acest capitol s-a prezentat o aplicaŃie pentru crearea hărŃii de stabilitate a direcŃiei de
inserare a acului de biopsie pentru procedurile efectuate tumorilor intracraniene. S-au prezentat
algoritmii folosiŃi pentru segmentarea tumorii şi pentru calculul transformatei distanŃă a
volumului ce conŃine masca vaselor de sânge. Harta de stabilitate creată ajută medicul
neurochirurg la vizualizarea direcŃiei acului, dând o măsură stabilităŃii acestuia. Prin vizualizarea
hărŃii introduse, medicul poate alege direcŃiile care oferă cea mai mare marjă de eroare din
punctul de vedere al distanŃei până la cel mai apropiat vas de sânge. Această distanŃă este foarte
importantă deoarece, la eventuala apariŃie a unor erori în procesul de inserare, pacientul nu va
suferi nici o traumă datorată atingerii unui vas de sânge de către acul de biopsie. De asemenea,
harta introdusă oferă informaŃii cu privire la direcŃiile de inserare a acului aflate în vecinătatea
direcŃiei luată în considerare care nu vor atinge tumora, caz în care o alta procedură de inserŃie
este necesară. AplicaŃia poate de asemenea să sugereze o direcŃie de inserŃie pe baza sortării
tuturor direcŃiilor posibile în funcŃie de distanŃa minimă până la cel mai apropiat vas de sânge.
45
7. Concluzii generale
În acest capitol se prezintă principalele contribuŃii pe care teza de doctorat prezentă le
aduce în domeniul procesării şi vizualizării datelor volumetrice, cu aplicabilitate în domeniul
medical. Analiza datelor medicale este un pas necesar în vederea stabilirii unor diagnostice
exacte. În cazul investigării structurilor interne, în funcŃie de natura lor, se aplică diferite metode
de scanare medicală. Deoarece dezvoltarea aparaturii medicale de scanare a cunoscut un progres
remarcabil în ultima perioadă de timp, au trebuit dezvoltate noi metode de vizualizare a datelor
obŃinute. InspecŃia imaginilor 2D captate de-a lungul mai multor plane de scanare poate dura
foarte mult timp, iar lipsa unei reprezentări 3D poate conduce la apariŃia unor erori ce se pot
dovedi fatale în unele cazuri. Din aceste considerente, problema vizualizării datelor medicale sub
forma unui volum este o problemă actuală şi de interes major în comunitatea oamenilor din
domeniul graficii asistate de calculator.
Rezultatele cercetărilor prezentate în această teză se regăsesc în mare parte în cele 8
lucrări ştiinŃifice, astfel: 1 lucrare cotată ISI (factor de impact 0.688), 1 lucrare publicată în
volumele unei conferinŃe IEEE, 3 lucrări publicate în reviste de specialitate categoria B+
(indexate BDI), 2 lucrări publicate în volumele unor manifestări ştiinŃifice internaŃionale
recunoscute din Ńară şi străinătate şi o lucrare în curs de evaluare.
7.1. ContribuŃii
ContribuŃiile personale aduse se pot încadra în următoarele categorii:
controlul iluminării volumelor utilizând modelul sferei luminate;
algoritmi de reconstrucŃie şi de combinare a imaginilor provenite în urma unei scanări
medicale;
algoritm de vizualizare a structurilor segmentate în seturi de date multimodale;
algoritm de creare a unei hărŃi a stabilităŃii acului de biopsie.
7.1.1. Controlul iluminării volumelor utilizând modelul sferei luminate
Adăugarea unui surse de iluminare într-o scenă de vizualizare poate îmbunătăŃi doza de
realism. De asemenea, poate ghida atenŃia utilizatorului spre anumite structuri de interes. În
capitolul 3 a fost introdusă o metodă de adăugare şi editare a surselor de iluminare dintr-o scenă.
Modelul de iluminare este captat pe o emisferă, iar prin utilizarea corespondenŃelor între
normalele la această emisferă şi normalele la suprafaŃa volumului, se poate crea efectul unui
volum iluminat. Avantajul major al acestei tehnici este acela că timpii de afişare ai volumelor nu
cresc odată cu numărul de surse de lumină existente. Un alt avantaj evidenŃiat este faptul că
modelul de iluminare este salvat ca o textură, creată ca o proiecŃie a emisferei utilizată ca obiect
intermediar, pentru captarea influenŃelor pe care fiecare sursă de lumină le va avea asupra
iluminării finale a scenei vizualizate. Au fost prezentate de asemenea tehnicile de captare a unui
stil de iluminare existent într-o operă de artă şi de folosire a acestuia într-o funcŃie de transfer al
46
stilului. Aceste funcŃii de transfer permit definirea mai multor modele de iluminare şi introduc
modalităŃi noi de interpolare între aceste stiluri. Editarea interactivă a modelului de iluminare
permite crearea, mult mai rapidă, de stiluri de iluminare a scenei, transferul stilului creat de la o
scenă la alta efectuându-se într-un mod intuitiv.
7.1.2. Algoritmi de reconstrucŃie şi de combinare a imaginilor provenite în urma unei scanări medicale
Combinarea datelor volumetrice reconstruite din mai multe surse a fost abordată în
această teză prin două direcŃii:
reconstrucŃia volumelor dintr-o singură secvenŃă RMN prezentată în secŃiunea 4.1. De
asemenea, tehnica a fost utilizată şi pentru reconstrucŃia imaginilor 2D segmentate pentru a
pune în evidenŃă o anumită structură de interes, în cazul prezentat, măduva spinării.
Segmentarea imaginilor a necesitat utilizarea algoritmului region-growing. Prin segmentarea
imaginilor 2D şi reconstrucŃia ulterioară a acestora, s-a evitat implementarea unui algoritm de
segmentare 3D, care este mult mai greu de controlat şi de aplicat. Volumul original,
reconstruit din imaginile RMN, împreună cu volumul reconstruit din imaginile segmentate au
fost combinate într-o manieră paralelă utilizând proprietăŃile procesorului grafic pentru a
putea fi vizualizate în aceeaşi scenă.
combinarea volumelor reconstruite din imagini RMN provenite din mai multe secvenŃe a fost
implementată, testată şi evaluată în secŃiunea 4.2. Fiecare secvenŃă RMN furnizează un set de
imagini captate de-a lungul unor plane diferite de scanare (sagital, axial sau coronal). Prin
reconstrucŃia acestor imagini, se obŃine câte un volum pentru fiecare secvenŃă RMN utilizată,
densitatea imaginilor influenŃând modul de reconstrucŃie a acestora. Sunt utilizate densităŃi
diferite de captare a imaginilor pentru a micşora timpul de scanare, crescând astfel confortul
pacientului. O vizualizare a tuturor volumelor aliniate în aceeaşi scenă ajută medicii în
înŃelegerea unei anumite boli, precum şi la o planificare preoperatorie detaliată. Tehnica de
combinare introdusă se bazează pe metoda ray-casting de afişare a volumelor. Se utilizează
câte un cub RGB pentru fiecare volum reconstruit, iar prin manipularea acestor cuburi în
conformitate cu poziŃiile spaŃiale ale fiecărei imagini se obŃine o reducere semnificativă a
timpului de calcul necesar alinierii volumelor. Astfel, scena finală conŃine date provenite din
toate secvenŃele RMN obŃinute în urma scanării medicale, oferind totodată utilizatorului
posibilitatea de interacŃionare, în timp real, spre o mai bună înŃelegere a anatomiei
structurilor urmărite.
Au fost investigate probleme de reconstrucŃie şi de combinare a volumelor obŃinute în
principal din imaginile RMN. S-au folosit imaginile RMN datorită naturii structurilor medicale
investigate (măduva spinării, creier, tumori intracraniene), dar generalitatea algoritmilor nu
restricŃionează utilizarea acestui tip de imagini. Pentru investigarea unor probleme la nivelul
sistemului osos, se pot folosi imaginile CT corespunzătoare, fără a modifica structura
algoritmilor prezentaŃi.
47
7.1.3. Algoritm de vizualizare a structurilor segmentate în seturi de date multimodale
În capitolul 5 a fost prezentată o metodă de integrare a unei structuri anterior segmentată,
dintr-o secvenŃă RMN în ponderaŃie T1 cu substanŃă de contrast paramagnetică şi integrarea ei
într-un volum reconstruit pe baza imaginilor RMN dintr-o secvenŃă în ponderaŃie T2. În urma
segmentării imaginilor provenite din secvenŃa RMN în ponderaŃie T1 cu substanŃă de contrast
paramagnetică, obŃinându-se masca pentru structura de interes, reprezentată de tumora
intracraniană. Această structură a fost integrată în volumul reconstruit din imaginile RMN în
ponderaŃie T2 fără substanŃă de contrast, folosind o abordare de vizualizare directă a volumelor.
Această integrare a fost realizată prin introducerea unei noi tehnici de vizualizare, ce păstrează
informaŃiile cele mai importante din cele două volume corespunzătoare celor două scanări în
ponderaŃii diferite. Astfel, poziŃia tumorii în lichidul cefalorahidian generat de aceasta poate fi
vizualizată în aceeaşi scenă, ajutând medicii neurochirurgi în localizarea tridimensională a
tumorii şi în planificarea preoperatorie. Utilizatorul are posibilitatea de modificare a parametrilor
folosiŃi în procesul de vizualizare, lucru ce face posibilă vizualizarea interactivă a datelor
volumetrice. S-a prezentat, de asemenea, modul în care combinarea algoritmilor de aliniere, a
celor de segmentare şi a celor de vizualizare poate face datele volumetrice mai uşor explorabile,
într-un mod intuitiv. Tehnicile prezentate urmăresc asistarea mediului medical în înŃelegerea
anatomiei umane, a unor patologii precum tumorile intracraniene, pentru o mai facilă şi rapidă
diagnosticare a pacienŃilor.
7.1.4. Algoritm de creare a unei hărŃi a stabilităŃii acului de biopsie
Un nou algoritm de creare a unei hărŃi a stabilităŃii acului de biopsie pentru intervenŃiile
chirurgicale efectuate tumorilor intracraniene a fost prezentat în capitolul 6. Algoritmul propus
implică folosirea unor algoritmi de segmentare a tumorii şi a vaselor de sânge intracraniene. Prin
utilizarea transformatei distanŃă aplicată volumului ce conŃine masca vaselor de sânge s-a obŃinut
un volum separat, în care valorile voxelilor sunt reprezentate de distanŃele euclidiene până la cel
mai apropiat vas de sânge. De asemenea, a fost prezentat un algoritm ce determină punctele
accesibile de pe tumoră, considerându-se un punct de intrare fix pentru acul de biopsie. Pentru a
crea harta stabilităŃii acului, s-a folosit un obiect intermediar, şi anume, un disc perpendicular pe
direcŃia de inserare a acului de biopsie şi cu centrul în punctul ales de pe tumoră ca punct de
destinaŃie pentru acul de biopsie. Costul unei direcŃii a acului este dat de distanŃa minimă până la
cel mai apropiat vas de sânge, luându-se în considerare toate punctele de pe direcŃia acului. Harta
astfel creată ajută medicii neurochirurgi în evaluarea riscului ce îl presupune o anumită direcŃie
de inserare a acului în raport cu erorile ce pot apărea în întreg procesul de efectuare a biopsiei
tumorii intracraniene. Ca algoritm de vizualizare volumetrică s-a folosit o metodă recent
introdusă, numită Maximum Intensity Difference Accumulation (MIDA). Această metodă
permite utilizarea unei funcŃii de transfer intuitive pentru vizualizarea structurilor interne într-un
context spaŃial, reducând astfel timpul necesar utilizatorului pentru definirea parametrilor
funcŃiei de transfer. Algoritmii propuşi au fost implementaŃi, testaŃi şi evaluaŃi, iar aplicaŃia a fost
evaluată şi de către experŃi medicali generând un feedback pozitiv.
48
7.2. DirecŃii viitoare de cercetare
DirecŃiile viitoare de cercetare se vor îndrepta în special spre dezvoltarea aplicaŃiei
prezentate în capitolul 6, urmărind astfel cererile formulate de către partenerii medicali implicaŃi
în realizarea aplicaŃiilor. Se vor realiza elementele de interfaŃă necesare vizualizării datelor
medicale în direcŃia acului de biopsie, precum şi o reprezentare a distanŃelor până la vasele de
sânge pe tot traseul urmat de ac. De asemenea, va fi implementat un algoritm de desenare a
punctelor de intrare care oferă cea mai mare distanŃă până la orice vas de sânge, în cazul în care
se consideră un punct de final al acului fix de pe tumoră.
O altă direcŃie viitoare de cercetare o reprezintă studierea reconstrucŃiei şi combinării
volumelor considerând direcŃia fluxului luminos în procesul de interpolară liniară între două
imagini succesive obŃinute în urma unei scanări medicale. Această tehnică, utilizată în
concomitent cu o metodă de analiză a profilului unei raze, poate conduce la o reducere a timpului
de scanare prin necesitatea unui număr mai mic de imagini.
49
Bibliografie selectivă
(Alterovitz, et al., 2009) R. Alterovitz, K. Y. Goldberg, J. Pouliot, I. C. Hsu, Sensorless Motion Planning for Medical Needle Insertion in Deformable Tissues, IEEE Transactions on
Information Technology in Biomedicine, Vol. 13, No. 2, pp. 217 – 225, 2009. (Abellán and Tost, 2008) P. Abellán, D. Tost, Multimodal volume rendering with 3D textures,
Computers & Graphics, Vol. 32, No. 4, pp. 412-419, 2008. (Ahrens, et al., 2005) J. Ahrens, B. Geveci, C. Law, An End-User Tool for Large-Data Visualization,
Visualization Handbook, pp. 717-731, 2005. (Bailey şi Meikle, 2008) D. L. Bailey, S. R. Meikle, SPECT: Basic Science and Clinical
Applications, Springer, 2008. (Brown şi Semelka, 2010) M. A. Brown, R. C. Semelka, MRI: Basic Principles and Applications,
John Wiley and Sons, 2010. (Bruckner şi Gröller, 2005) S. Bruckner, M. E. Gröller, VolumeShop: An interactive system for
direct volume illustration, VIS 05 IEEE Visualization, Vol. 3, No. April 2005, 2005. (Bruckner şi Gröller, 2007) S. Bruckner, E. Gröller. Style Transfer Functions for Illustrative Volume
Rendering, Computer Graphics Forum, Vol. 26, No. 3, pp. 715-724, 2007. (Bruckner şi Gröller, 2009) S. Bruckner, E. Gröller. Instant Volume Visualization using Maximum
(Burns, et al., 2007) M. Burns, M. Haidacher, W. Wein, I. Viola, E. Gröller, Feature Emphasis and Contextual Cutaways for Multimodal Medical Visualization, EuroVis'2007, pp. 275–282, 2007.
(Bushberg, et al., 2001) J. A. Bushberg, J. A. Seibert, E. M. Leidholdt Jr., J. M. Boone, The Essential Physics of Medical Imaging (2nd Edition), Lippincott Williams & Wilkins, 2001.
(Debevec, 1998) P. Debevec, Rendering synthetic objects into real scenes: Bridging traditional and image-based graphics with global illumination and high dynamic range photography, ACM SIGGRAPH, pp. 189–198, 1998.
(Dong şi Clapworthy, 2005) F. Dong, G. J. Clapworthy, Volumetric texture synthesis for non-photorealistic volume rendering of medical data, The Visual Computer, Vol. 21, No. 7, pp. 463–473, 2005.
(Ebert şi Rheingans, 2000) D. S. Ebert, P. Rheingans, Volume illustration: Non-photorealistic rendering of volume models, IEEE Visualization, pp. 195–202, 2000.
(Engel, et al., 2006) K. Engel, M. Hadwiger, J. Kniss, C. Rezk-Salama, D. Weiskopf, Real-time Volume Graphics, AK Peters, 2006.
(Felzenszwalb şi Huttenlocher, 2004) P. Felzenszwalb, D. Huttenlocher, Distance transforms of sampled functions, Cornell Computing and Information Science, Vol. C, No. TR2004-1963, pp. 1-15, 2004.
(Gering, et al., 1999) D. T. Gering, A. Nabavi, R. Kikinis, W. E. L. Grimson, N. Hata, P. Everett, F. A. Jolesz, W. M. Wells 3rd., An integrated visualization system for surgical planning and guidance using image fusion and interventional imaging, Medical Image
Computing and Computer Assisted Intervention–MICCAI’99, pp. 809–819, 1999. (Gonzalez şi Woods, 2008) R. C. Gonzalez şi R. E. Woods. Digital image processing. Prentice Hall,
2008.
50
(Gooch, et al., 1998) A. Gooch, B. Gooch, P. Shirley, E. Cohen, A non-photorealistic lighting model for automatic technical illustration. ACM SIGGRAPH, pp. 447–452, 1998.
(Herghelegiu şi Manta, 2008) P. Herghelegiu, V. Manta. Volume Illumination Based On Lit Sphere Maps, Buletinul Institutului Politehnic din Iasi, Automatic Control and Computer
Science, Tom LIV (LVIII), fasc. 3-4, 2008. (Herghelegiu şi Manta, 2010a) P. Herghelegiu, V. Manta. 3D Reconstruction Of Spinal Cord
Segmented By A Semi-automated Algorithm Based On Region Growing. Computer
Graphics, Visualization, Computer Vision and Image Processing 2010, Freiburg, Germany, 27 - 29 July 2010.
(Herghelegiu şi Manta, 2010b) P. Herghelegiu, V. Manta. Single volume reconstruction from multiple MRI images, 14th International Conference on System Theory and Control
(Joint conference of SINTES14, SACCS10, SIMSIS14), October 17-19, Sinaia, Romania, 2010.
(Herghelegiu, et al., 2010c) P. Herghelegiu, C. Smochină, V. Manta. GPU Method for Registering Multiple MRI Sequences, Buletinul Institutului Politehnic din Iasi, Automatic Control
and Computer Science, LVI (LX), fasc. 4, 2010. (Herghelegiu, et al., 2011a) P. Herghelegiu, E. Gröller, V. Manta. Needle Direction Stability Maps
for Brain Tumors Biopsies. 15th International Conference on System Theory and
Control (Joint conference of SINTES15, SACCS11, SIMSIS15), October 16-18, Sinaia, Romania, 2011.
(Herghelegiu, et al., 2011b) P. Herghelegiu, M. Gavrilescu, V. Manta. Visualization of Segmented Structures in 3D Multimodal Medical Data Sets, Advances in Electrical and Computer
Engineering, vol. 11, no. 3, pp. 99-104,. (factor impact 0.688), 2011 (Hill, et al., 2001) D. L. G. Hill, P. G. Batchelor, M. Holden, D. J. Hawkes, Medical image
registration, Physics in medicine and biology, Vol. 46, No. 3, pp. 1-45, 2001. (Hladuvka, et al., 2000) J. Hladuvka, A. H. König, E. Gröller, Curvature-based transfer functions for
direct volume rendering, Spring Conference on Computer Graphics, pp. 58-65, 2000. (Ibanez, et al., 2005) L. Ibanez, W. Schroeder, L. Ng, J. Cates, The ITK Software Guide, Kitware,
2005. (Kalender, 2011) W. A. Kalender. Computed Tomography: Fundamentals, System Technology,
Image Quality, Applications, John Wiley and Sons, 2011. (Kass, et al., 1987) M. Kass, A. Witkin, and D. Terzopoulos, Snakes - Active Contour Models
International Journal of Computer Vision, Vol. 1, No. 4, pp 321-331, 1987. (Kniss, et al., 2002) J. Kniss, G. Kindlmann, C. Hansen, Multidimensional transfer functions for
interactive volume rendering, IEEE Transactions on Visualization and Computer
Graphics, Vol. 8, No. 3, pp. 270-285, 2002. (Krüger şi Westermann, 2003) J. Krüger, R. Westermann, Acceleration techniques for GPU-based
volume rendering, in Proceedings Visualization 2003, Seattle, USA, pp. 287 - 292, 2003.
(Lee, et al., 2009) T.-H. Lee, J. Lee, H. Lee, H. Kye, Y. G. Shin, S. H. Kim. Fast perspective volume ray casting method using GPU-based acceleration techniques for translucency rendering in 3D endoluminal CT colonography. Computers in Biology and Medicine, Vol. 39, No. 8, pp. 657-666, 2009.
(Levin, et al., 2005) D. Levin, U. Aladl, G. Germano, P. Slomka, Techniques for efficient, real-time, 3D visualization of multi-modality cardiac data using consumer graphics hardware, Computerized Medical Imaging and Graphics, Vol. 29, No. 6, pp 463-475, 2005.
51
(Levoy, 1988) M. Levoy, Display of surfaces from volume data, IEEE Computer Graphics and
Applications, Vol. 8, No. 3, pp. 29–37, 1988. (Lu and Ebert, 2005) A. Lu, D. Ebert, Example-based volume illustrations. IEEE Visualization, pp.
655–662, 2005. (Lum şi Ma, 2004) E. B. Lum, K.-L. Ma, Lighting transfer functions using gradient aligned
sampling, IEEE Visualization, pp. 289–296, 2004. (Meyer, 1994) F. Meyer, Topographic distance and watershed lines, Signal Processing, Vol. 38, No.
1, pp. 113-125, 1994. (Meyer-Spradow, et al., 2009) J. Meyer-Spradow, T. Ropinski, J. Mensmann, K. Hinrichs, Voreen:
A Rapid-Prototyping Environment for Ray-Casting-Based Volume Visualizations, IEEE Computer Graphics and Applications, Vol. 29, No. 6, pp. 6-13, 2009.
(Osher şi Paragios, 2003) S. Osher şi N. Paragios. Geometric level set methods in imaging, vision, and graphics. Springer-Verlag, New York, USA, 2003.
(Pratt, 2006) W. K Pratt. Morphological Image Processing, in Digital Image Processing: PIKS Scientific Inside, Fourth Edition, John Wiley and Sons, Inc., Hoboken, 2006.
(Preim şi Bartz, 2007) B. Preim şi D. Bartz, Visualization in Medicine, Theory, Algorithms, and Applications, , MA: Morgan Kaufmann, 2007.
(Ray, et al., 1999) H. Ray, H. Pfister, D. Silver, T. A. Cook, Ray casting architectures for volume visualization, IEEE Transactions on Visualization and Computer Graphics, Vol. 5, No. 3, pp. 210-223, 1999.
(Saha, 2010) G. B. Saha, Basics of PET Imaging: Physics, Chemistry, and Regulations, Springer, 2010.
(Schmidt, et al., 2008) B. Schmidt, K.R. Chun, F. Ouyang, A. Metzner, M. Antz, K.H. Kuck, Three-dimensional reconstruction of the anatomic course of the right phrenic nerve in humans by pace mapping, Heart Rhythm, Vol. 5, No. 8, pp. 1120-1126, 2008.
(Seram, 2009) E. Seeram, Computed Tomography: Physical Priniciples, Clinical Applications and Quality Control, 3rd Edition, WB Saunders Company, 2009.
(Sloan, et al., 2001) P.-P. Sloan, W. Martin, A. Gooch, B. Gooch, The lit sphere: A model for capturing NPR shading from art, Graphics Interface, pp. 143–150, 2001.
(Smochină, et al., 2011) C. Smochină, P. Herghelegiu, V. Manta, Image Processing Techniques Used in Microscopic Image Segmentation, Buletinul Institutului Politehnic din Iasi,
Automatic Control and Computer Science, Tom LVII(LXI), fasc. 2, 2011. (Suri, et al., 2008) J. S. Suri, R.-F. Chang, C. Kathuria, Advances in diagnostic and therapeutic
ultrasound imaging, Artech House, 2008. (Vancamberg, et al., 2010) L. Vancamberg, A. Sahbani, S. Muller, G. Morel, Needle path planning
for digital breast tomosynthesis biopsy, International Conference on Robotics and
Automation - ICRA, pp. 2062-2067, 2010. (Vidyasagar, et al., 2010) R. Vidyasagar, A. Stancak, L.M. Parkes, A multimodal brain imaging
study of repetition suppression in the human visual cortex. NeuroImage Vol. 49, No. 2, pp 1612-1621, 2010.