Real-time Respiratory Motion Analysis Using GPU-accelerated Range Imaging
Language
Document Type
Issue Date
Issue Year
Authors
Editor
Abstract
Respiratory motion analysis and management are crucial issues for a plurality of medical applications. Of particular scientific concern are methods that allow to analyze the patient’s breathing in a non-invasive and real-time manner that does not involve ionizing radiation exposure. For this purpose, range imaging technologies, that allow to dynamically acquire three-dimensional body surface data, have been proposed over the last years. A particular challenge with such methods is a fully automatic investigation and assessment of the body surface data, as well as computation times that comply with real-time constraints. This dissertation is concerned with the application of range imaging principles for real-time automatic respiratory motion analysis. The focus is on the development of efficient methods for data preprocessing and fusion as well as machine learning and surface registration techniques. A particular emphasis of this thesis is the design of the proposed algorithms for GPU architectures to enable real-time computation. The first part of this thesis covers the general challenges and requirements for respiratory motion analysis in diagnostic and therapeutic applications. Furthermore, the range imaging technologies that are relevant for this thesis are introduced and the suitability of GPU architectures for accelerating the computation of several tasks inherent to range imaging based respiratory motion analysis are investigated. The second part of this work is concerned with pre-processing and fusion techniques for range data. To account for the low signal-to-noise ratio that is common with range data, this work proposes a processing pipeline that allows to reconstruct the ideal data with an error trueness less than 1.0mm at run-times of 2 ms. For fusing range image data in a multi-camera setup, as it is required for the simultaneous acquisition of frontal and lateral body surface, this thesis proposes a novel framework that enables the computation of a 180� coverage body surface model consisting of more than 3.0 � 105 points with a computation time of less than 5 ms. The third part of this work is concerned with patient-specific respiratory motion models. The thesis proposes machine learning techniques to generate a continuous motion model that features the ability to automatically differentiate between thoracic and abdominal breathing as well as to quantitatively analyze the patient’s respiration magnitude. By using purposely developed surface registration schemes, these models are then brought in congruence with body surface data acquired by range imaging sensors. This allows for respiratory motion compensated patient positioning that reduces the alignment error observed with conventional approaches by a factor of 3 to less than 4.0mm. Further, this approach allows to automatically derive a multi-dimensional respiration surrogate that yields a correlation coefficient greater than 0.97 compared to commonly employed invasive or semi-automatic approaches and that can be computed in 20 ms. The fourth part concludes this thesis with a summary of the presented methods and results, as well as an outlook regarding future research directions and challenges towards clinical translation.
Abstract
Die Analyse und Handhabung von Atembewegungen sind grundlegende Probleme für viele medizinische Anwendungen. Von speziellem wissenschaftlichen Interesse sind hierbei Methoden, die es ermöglichen die Atmung des Patienten nichtinvasiv, ohne den Einsatz ionisierender Strahlung, und in Echtzeit zu analysieren. Für diese Fragestellung wurden kürzlich Technologien der Tiefenbildgebung, die es ermöglichen dreidimensionale Abbildungen der Körperoberfläche dynamisch zu erfassen, vorgeschlagen. Die besonderen Herausforderungen in diesem Umfeld sind eine vollautomatische Untersuchung und Auswertung der Körperoberflächendaten sowie Berechnungszeiten die Echtzeitanforderungen gerecht werden. Diese Dissertation befasst sich mit der Nutzung der Tiefenbildgebung zur echtzeitfähigen automatischen Atembewegungsanalyse. Der Schwerpunkt liegt hierbei auf der Entwicklung von effizienten Methoden zur Datenvorverarbeitung und Sensorfusion sowie Verfahren des maschinellen Lernens und der Oberflächenregistrierung. Ein zentraler Bestandteil ist dabei die Konzipierung der Algorithmen für Grafikprozessoren um eine echtzeitfähige Berechnung zu ermöglichen. Im ersten Teil der Arbeit werden die generellen Herausforderungen und Anforderungen der Atembewegungsanalyse für diagnostische und therapeutische Verfahren dargelegt. Des Weiteren werden für diese Arbeit relevante Technologien der Tiefenbildgebung beschrieben, sowie die Eignung von Grafikprozessoren zur effizienten Berechnung von Problemen der tiefenbildgebungsbasierten Atembewegungsanalyse untersucht. Der zweite Teil der Arbeit befasst sich mit der Vorverarbeitung und Fusion von Tiefendaten. Zur Verbesserung des oftmals niedrigen Signal-Rausch-Verhältnisses von Tiefendaten wird eine Verarbeitungskette vorgestellt, die es ermöglicht die idealen Daten mit einer Genauigkeit unter 1.0mm und einer Laufzeit von 2 ms zu rekonstruieren. Zur Fusionierung von Tiefendaten in einem Mehrkameraaufbau, wie er zur gleichzeitigen Erfassung der vorderen und seitlichen Körperoberfläche notwendig ist, beschreibt diese Arbeit ein neuartiges Verfahren das es ermöglicht ein dreidimensionales 180� Abbild der Körperoberfläche bestehend aus über 3.0 � 105 Punkten und einer Laufzeit von unter 5 ms zu berechnen. Der Fokus des dritten Teils der Arbeit liegt auf patientenspezifischen Atembewegungsmodellen. Es werden Verfahren des maschinellen Lernens zur Erstellung kontinuierlicher Atembewegungsmodelle beschrieben, welche eine automatische Unterscheidung zwischen Brust- und Bauchatmung sowie eine quantitative Bewertung der Atemmagnitude ermöglichen. Durch speziell entwickelte Registrierungsverfahren werden diese Modelle mit Oberflächendaten in Deckungsgleichheit gebracht. Dies ermöglicht eine atembewegungskompensierte Patientenpositionierung die, im Vergleich zu herkömmlichen Verfahren, den Positionierungsfehler um den Faktor 3 auf unter 7.0mm reduziert. Zudem erlaubt dieser Ansatz die vollautomatische Ableitung eines mehrdimensionalen Atemsurrogates das zu konventionellen semi-automatischen oder invasiven Verfahren einen Korrelationskoeffizienten von mehr als 0.97 aufweist, und in 20 ms berechnet werden kann. Der vierte Teil schließt die Arbeit mit einer Zusammenfassung der vorgestellten Verfahren und Ergebnisse sowie einem Ausblick bezüglich weiterführenden Forschungsrichtungen und Herausforderungen einer klinischen Umsetzung.