Die akute Aortendissektion ist eine lebensbedrohende kardiovaskuläre Erkrankung, die unbehandelt schnell zum Tode führen kann. Deshalb verlangt sie eine schnelle Diagnose und Behandlung. Das Planen einer Behandlung setzt das exakte Wissen über das wahre und falsche Lumen und der Topologie der Dissektionsmembran voraus. Bisher benötigte man für die Diagnose einer Aortendissektion eine Multiplanare Reformatierung, eine Maximumintensitätsprojektion und volumenrendering Techniken. Im Falle einer Maximumintensitätsprojektion wird die Segmentierung der Lumina vollständig vermieden, während die anderen Techniken eine manuelle Segmentierung erfordern, was sogar für Spezialisten eine komplizierte und zeitaufwändige Aufgabe ist. Die vorliegende Arbeit hat daher zum Ziel, Radiologen ein vollautomatisches computergestütztes System zu bieten, welches die Identifikation und Abbildung der Dissektionslumina ermöglicht. Es wird angenommen, dass dieses generische Tool die Diagnose abdominaler Aortendissektion erheblich erleichtert und zu einer rascheren Planung der Behandlung und fundierten Entscheidungsfindung beiträgt. Das entwickelte System wurde in zwei Schritten realisiert: Als erstes stand die Segmentierung der ganzen Aorta im Mittelpunkt. Die entwickelte Methode detektiert mit Hilfe der Hough Transformation schichtenweise den annähernd kreisförmigen Querschnitt der Aorta in axialen Schichten. Durch das Verbinden der detektierten Kreise wird ein schlauchförmiges Mesh generiert, welches eine erste Abschätzung der Aortengeometrie ermöglicht. Schließlich passt ein elastisches deformierbares Masse-Feder Modell das initiale Mesh der lokalen Aortenwand an. Im zweiten Schritt wurde eine Methode erarbeitet, welche die Dissektionsmembran detektiert sowie die wahren und die falschen Lumina identifiziert. Die Membrandetektion basiert auf einer Eigenwertanalyse der Hesse-Matrix und einem Sheetness Maß. Um die unvermeidbaren Diskontinuitäten in der segmentierten Dissektionsmembran zu ergänzen, wird ein elastisch verformbares 3D-Sheet Modell verwendet. Wenn die Membran erst einmal detektiert ist, werden die Dissektionslumina mittels statistischer Methoden identifiziert. Der vorgeschlagene Ansatz ermöglicht die Segmentierung der gesamten Aorta, inklusive des Aortabogens sowie der aufsteigenden und absteigenden Teile, die Detektion der Dissektionsmembran und die automatische Identifikation der wahren und falschen Lumina. Des Weiteren ist die Methode robust gegenüber typischen Aufnahmeartefakten der 3D Computertomographie Bildgebung, weist eine klinisch genügende Genauigkeit auf und ist bedeutend schneller als eine manuelle Segmentierung.
Acute aortic dissection is a cardiovascular emergency and can quickly lead to death, therefore it requires prompt diagnosis and treatment. Exact knowledge of the true and false lumen and dissection membrane topology is vital for treatment planning. Up to now for the diagnosis of an aortic dissection multiplanar reformatting, maximum intensity projection, and volume rendering techniques were used. In case of maximum intensity projection the segmentation of the lumina was completely avoided, while the other techniques required manual segmentation, which is unfortunately a difficult and time-consuming task, even for trained professionals. This work, therefore, aims at providing the radiologist a fully automatic computer aided support system, capable of identifying and displaying the dissection lumina. It is believed that this generic tool significantly helps the diagnosis of abdominal aortic dissection and contributes to a faster treatment planning and a more grounded decision-making. The developed system was realized in two steps. In the first step the segmentation of the entire aorta was addressed. The developed method detects slicewise the approximately circular cross-section of the aorta using Hough transformation. By connecting the detected circles a tube-like mesh is then generated, which provides us the first estimation of the aorta. Finally, the algorithm fits this initial mesh to the aortic wall by the help of a 3D elastically deformable mass-spring model. In the second step we developed a method which detects the dissection membrane as well as identifies the true- and the false lumina. The membrane detection is based on eigenvalue analysis of the Hessian matrix and a related sheetness measure. To close the inevitable gaps in the segmented dissection membrane, an elastically deformable 3D sheet model is used. Once the membrane is detected, the dissection lumina are identified using statistical methods. The proposed approach is able to segment the entire aorta including the aortic arch as well as the ascending- and descending sections, to detect the dissection membrane and to identify the true- and the false lumina automatically. Furthermore, the method is robust against acquisition artifacts typically present in 3D CTA images of aortic dissections, has a clinically acceptable accuracy and is significantly faster than manual segmentation.