Számítási módszerek kép által vezetett minimál invazív beavatkozásokhoz

Budapesti Műszaki és Gazdaságtudományi Egyetem Irányítástechnika és Informatika Tanszék

Számítási módszerek kép által vezetett minimál invazív beavatkozásokhoz tézisfüzet Lassó András

Témavezető: Dr. Vajta László 2011

Bevezetés Az orvosokat évszázadokon keresztül érzékszerveik, főként látásuk és tapintásuk segítette a diagnózis felállításában és a betegségek kezelésében. Jelentős változást a röntgen radiográfia széles körű elterjedése hozott a XX. század elején, amit néhány évtizeddel később további orvosi képalkotó eljárások kifejlesztése követett. A képalkotó technikák, mint például a komputertomográfia (CT), az ultrahang vagy a mágneses rezonancia (MR) alkalmazása, illetve a képalkotó eszközöknek a rutin orvosi diagnosztikába való bevezetése nyomán lehetővé vált, hogy a diagnosztizáló orvos strukturális jellegű információhoz jusson az emberi test azon területeiről is, amelyek megtekintése vagy tapintása fizikailag nem lehetséges. A képalkotó technológia és az orvosi műszerek rohamos fejlődése hamarosan új típusú orvosi eljárások megjelenéséhez vezetett. A kép által vezetett (image-guided) minimál invazív beavatkozások során mind az érzékelés, mind a beavatkozás közvetve, speciális eszközök használatával történik; minimál invazív módon, vagyis az egészséges szövetek lehető legkisebb mértékű károsítása mellett. A kép által vezetett minimál invazív beavatkozások alkalmazása terén a fő kihívást az elegendően nagy felbontóképességű megjelenítés és eszköz-követés, a képek hatékony felvétele, regisztrációja és szegmentálása, a beavatkozás közben létrejövő szöveti deformáció kezelése, valamint a különféle módszerek teljesítményének ellenőrzésére vonatkozó szabványos eljárások kidolgozása jelenti ([Haigron2009], [Cleary2010] és [DiMaio2007b]).

Kutatási célok Kutatási tevékenységemet telerobotikai rendszerek tanulmányozásával kezdtem, majd éveken át foglalkoztam kép által vezetett manipulációs eszközök fejlesztésével. Ennek során érdeklődésem e rendszerek modellezése felé, illetve a képminőség javulását célzó technikák, valamint regisztrációs módszerek kidolgozása felé irányult. Részt vettem a GE Innova® intervenciós, speciálisan minimál invazív beavatkozásokhoz készült röntgenberendezés fejlesztésében. Célom olyan módszer kidolgozása volt, amellyel az erek láthatósága a felvételeken többlet kontrasztanyag, ill. röntgen sugárdózis nélkül fokozható, vagy azonos képminőség alacsonyabb dózis mellett is elérhetővé válik, a képsorozatokban rejlő időbeli összefüggések jobb hasznosítása révén. Részt vettem egy MR által vezetett, robotizált prosztata-biopszia (szövetmintavétel) rendszer fejlesztésében is. A beavatkozások elemzése alapján kiderült, hogy a prosztata elmozdulása gyakran jelentős találati hibát (megcélzott és eltalált pont közti eltérést) okoz. Kutatási célul tűztem ki a prosztatának a beavatkozás folyamán megfigyelhető elmozdulásának kvantitatív elemzését, valamint egy olyan kompenzációs módszer kidolgozását, amellyel a prosztata elmozdulása esetén a találati hiba csökkenthető. A különféle kép által vezetett intervenciós rendszerekkel foglalkozva megfigyeltem azt a jelenséget, mely szerint annak ellenére, hogy léteznek olyan alacsony szintű hardver és szoftver komponensek, amelyek több berendezésben is felhasználhatóak, illetve a tervezési 2

követelmények nagy része minden berendezésre nézve hasonló, egy új intervenciós rendszer építése többnyire mégis teljesen az alapoktól kezdve történik. Ennek fő oka abban keresendő, hogy nem áll rendelkezésre egy elegendően pontos és általánosan használható rendszermodell. Általános érvényű modell hiányában pedig az egyes komponensek vagy koncepciók újrahasznosítása és megosztása nem valósítható meg hatékonyan. Munkám céljául egy olyan modell megalkotását tűztem ki, amely közös alapként szolgálhat különféle kép által vezetett intervenciós rendszerek tervezéséhez és megvalósításához.

3

Az új tudományos eredmények összefoglalása 1. téziscsoport: Érhálózat láthatóságának javítása időbeli statisztikus tanulással Motiváció Az érhálózatot érintő (vaszkuláris) beavatkozások megtervezése és elvégzése csak az érintett érszakaszra vonatkozó anatómiai, illetve morfológiai adatok ismeretében lehetséges. A vizsgált érszakaszt, illetve szervet, valamint az alkalmazott intervenciós eszközt a lehető legnagyobb térbeli és időbeli felbontással és pontossággal kell megjeleníteni, míg az egyéb, nem releváns struktúrák (pl. csontok, lágy szövetek) láthatóságát minimálisra kell csökkenteni. Az egyik leggyakrabban használt vaszkuláris képalkotó eljárás a röntgen angiográfia, amelynek során sugárzást elnyelő kontrasztanyagot juttatnak az érhálózatba egy katéteren keresztül. Amint az erek feltöltődnek a kontrasztanyaggal, a röntgenképen láthatóvá válnak, majd a kontrasztanyag kimosódik, és az erek rajzolata eltűnik. A folyamat során egy röntgenfelvétel-sorozat készül, amely információt szolgáltat az erek alakjáról és a véráramlás dinamikájáról. A legáltalánosabban elterjedt módszerek, mint például a digitális szubtrakciós angiográfia (DSA), a rendelkezésre álló téridőbeli információnak csak töredék részét hasznosítják az erek morfológiájának megjelenítésére. Az időbeli információ (hogyan változik időben az egyes képpontok szürkeárnyalata) hasznosítása többnyire néhány különböző időben felvett kép átlagolásában és kivonásában merül ki. A DSA módszer alternatívájaként, a jobb dózishatékonyság elérésének érdekében kidolgoztak időbeli sáváteresztő szűrésen (temporal bandpass filtering, TBF) alapuló módszereket is ([Kruger1979], [Kruger1981], [Kruger1982], [Riederer1983], [Liu1985] és [Kump2001]). A TBF módszerek az időbeli dinamikát rekurzív szűrővel ([Kruger1981]) vagy illesztett szűrővel ([Kruger1982]) valósítják meg. A szűrési paramétereket példa képsorozatokból manuálisan kell meghatározni. Kump és munkatársai ([Kump2001]) közelítő illesztett szűrőt (approximate matched filtering, AMF) javasolnak a képpontokat jellemző szürkeárnyalatok időbeli változásának modellezésére. A módszer egy optimális TBF-hez hasonló szűrőt alkalmaz különböző időbeli eltolásokkal a képsorozatra, a kimeneteket pedig egy maximum művelettel kombinálja. Kump eredményei azt mutatják, hogy szimulált képsorozatokon a módszer teljesítménye megközelíti az ideális TBF kimenetét. A maximum művelet miatt azonban ez a módszer felerősíti a klinikai képeken valamilyen mértékben mindig jelen lévő mozgási műtermékek zavaró hatását. A módszer nem teljesen automatikus, a filter paraméterek becsléséhez a felhasználónak meg kell jelölnie a képen az érhálózat több pontját.

4

Új tudományos eredmények A képpontok szürkeárnyalatának időbeli változását manuálisan készített modell segítségével igen nehéz kellően általánosan és pontosan leírni, azonban konkrét mintákból, automatikus tanulással már kivitelezhető a modellalkotás. 1.1 Kidolgoztam egy új, statisztikus tanuláson alapuló módszert, a szupport vektor gépes időbeli szűrést (support vector machine temporal filtering , STF) az érhálózat láthatóságának javítására röntgen angiográfiás felvételeken. A módszer a szupport vektor gép (support vector machine, SVM) használatára épül, amelyet széles körben sikeresen alkalmaznak különféle osztályozási és regressziós feladatok megoldására, elsősorban jó általánosító képességének, hatékony megvalósíthatóságának és robusztusságának köszönhetően ([Vapnik1998]). Az új módszer segítségével a rendszer először megtanulja megkülönböztetni az érhálózatot ábrázoló képpontok szürkeárnyalatának időbeli változásait néhány képsorozat tanítómintáiból, majd ugyanazokon a képsorozatokon (vagy ugyanazzal a protokollal készült más képsorozatokon) osztályozza a képpontokat ér vagy egyéb kategóriába. Munkámban rámutattam, hogy a szupport vektorokat egymástól optimálisan elválasztó hipersíktól való távolság ekvivalens egy kontraszt–zaj arányt maximalizáló illesztett filter kimenetével. Így egy SVM egy egyszerű lineáris kernellel alkalmas az ér és egyéb képpontok megkülönböztetésére a szürkeárnyalatuk időbeli változása alapján. Az elválasztó hipersíktól való előjeles távolság egy képpont „ér-jellegűségét” mutató metrikaként használható. A kontrasztanyag áramlásának dinamikája az érhálózat különböző részein jelentősen változhat, azonban megfigyelhető, hogy a befolyásoló tényezők (pl. érátmérő, véráramlás sebessége) is eltérőek az érpálya különböző szakaszain. Ebből kifolyólag indokolttá válik egy térbeli lokalizációs kényszer bevezetése, amellyel biztosítható, hogy csak térben közel eső mintapontok befolyásolják egy adott minta megfelelő osztályba való sorolását. Ez a láthatóság javulásához vezet, ugyanis így az osztályba sorolást nem zavarják távoli, esetlegesen nagyon különböző dinamikájú szürkeárnyalat-változások. A lokalizációs kényszer beépítése az SVM keretrendszerbe kézenfekvően egy megfelelő nemlineáris kernel függvény alkalmazásával valósítható meg. 1.2 Egy új kernel függvényt készítettem térbeli lokalizációs kényszer megvalósítására SVM keretrendszerben, amellyel az érhálózat láthatósága egyidejűleg javítható magas és alacsony kontrasztú képterületeken, az alábbi képlet alkalmazásával: N

2 2 K RL (x, z ) = exp − γ ( x1 − z1 ) + ( x 2 − z 2 ) ∑ x i + 2 z i + 2 ,   i =1 ahol a mintavektor első két eleme ( x1 , x2 , z1 , z2 ) a pont képen belüli koordinátáját adja

meg, a vektor további elemei ( x3 , x4 ,…, z3 , z4 ,…) pedig a pont szürkeárnyalatának különböző időben felvett értékeit tükrözik. A γ paraméter a lokalizáció erősségét szabályozza (minél kisebb a γ érték, annál nagyobb befolyást gyakorolnak egy adott pont osztályozására távoli tanítóminták; γ = 0 esetben a javasolt új kernel a lineáris kernelfüggvénybe megy át). 5

Az eredmények hasznosítása A kidolgozott STF módszert szimulált és klinikai röntgen angiográfiás képsorozatokon is teszteltem. Az eredményeket öt másik, általánosan elterjedt eljárással hasonlítottam össze. A láthatóságot jellemző kontraszt–zaj érték az új STF módszer használatával 2-12%-kal magasabb volt a korábbi eljárások közül legjobb eredményt elérő AMF módszerénél. Az STF módszer emellett kisebb érzékenységet mutatott a strukturált zaj jelenlétére: míg az AMF módszer mozgási műtermékek esetén 25%-kal alacsonyabb kontraszt–zaj értéket adott, az STF módszernél a láthatóság alig romlott. Az alábbi képen egy klinikai angiográfiás felvétel látható a leggyakrabban használt DSA módszerrel (1. ábra bal oldal) és STF-fel (1. ábra jobb oldal) feldolgozva. Az STF módszer a háttér kivonását hatékonyan, a mozgási műtermékek szinte teljes kiküszöbölésével érte el.

1. ábra. Az erek láthatóságának összehasonlítása hagyományos DSA módszerrel (bal oldalon) és a javasolt STF módszerrel (jobb oldalon). Az STF módszer a felvételen hatékonyabban küszöböli ki a háttérben mozgó lágy szövetek zavaró hatását, és lényegesen jobb láthatóságot eredményez.

A módszernek számos további lehetséges alkalmazási területe van, például szívkoszorúerek szegmentálása szívizom perfúzió becsléséhez ([Ungi2009a], [Ungi2009b], [Ungi2009c]), vagy agyi erek szegmentálása véráramlás dinamika elemzéséhez ([Lasso2008a]). A módszer módosított változatai kontrasztanyagos digitális mammográfia felvételek elemzéséhez ([Jeunehomme2004]) és szövetabláció ultrahangos monitorozásához is alkalmazásra kerültek ([Imani2011]).

A téziscsoporthoz kapcsolódó publikációk • •

•

[Lasso2005]: Folyóiratcikk, amely részletesen leírja az STF módszert és alkalmazását. Egyéb cikkek SVM használatáról orvosi képek feldolgozására: o [Jeunehomme2004]: Konferenciacikk, az SVM időbeli szűrés alkalmazhatóságáról kontrasztanyagos mammográfia felvételeken. o [Imani2011]: Folyóiratcikk, SVM használatáról ultrahang rádiófrekvenciás képsorozatokon abláció eredményének kiértékelésére. Egyéb cikkek röntgen angiográfiás képek feldolgozásáról: o [Ungi2009a], [Ungi2009b], [Ungi2009c]: Két folyóiratcikk és egy konferenciakivonat szívizom perfúzió angiográfiás képeken való kiértékeléséről. Az STF módszer alkalmazható lett volna az eljárás során az erek szegmentálására, de nem volt rá szükség, mert egyszerűbb módszerrel is meg lehetett oldani a feladatot. o [Lasso2008a]: Szabadalom a véráramlás elemzésére röntgen angiográfiás felvételek alapján. 6

2. téziscsoport: Mozgás jellemzése és kompenzációja MR által vezetett transzrektális prosztata biopsziához Motiváció Az MR képalkotó rendszerek ígéretes lehetőségeket kínálnak prosztatarák diagnosztizálására és kezelésére, elsősorban nagy felbontásuknak, valamint kitűnő, lágy szöveteket megkülönböztető és háromdimenziós képfelvételi képességeiknek köszönhetően ([Tempany2008]). Krieger és munkatársai kifejlesztettek egy MR által vezetett transzrektális prosztata-biopszia robotot, ([Krieger2005], a manipulátor képét ld. a 2. ábrán), amelyet eddig már több, mint 200 szövetminta kinyerésére használtak fel a National Cancer Institute-ban (Bethesda, MD, USA). A beavatkozások során először egy nagy felbontású MR felvételt készítenek a medence területéről, majd az orvos ezen a tervezési képen meghatározza a biopszia célpontjait. Ezután a következő három lépést végzik el minden célpont esetében: 1. Az orvos a robot segítségével beilleszti a biopsziás tűt a tervezett célpontba. 2. Egy gyors, alacsony minőségű beillesztés utáni MR felvételt készítenek a tű helyes pozíciójának ellenőrzésére. 3. A tű segítségével kimetszik a szövetmintát, majd kihúzzák a tűt a prosztatából.

2. ábra. A Krieger-féle MR-kompatibilis prosztata-biopszia robot manipulátora oldalnézetben (Forrás: [Krieger2005]).

Gyakran előfordul, hogy a beillesztés utáni képen látható tényleges pozíció nem egyezik meg az eredetileg tervezettel. Ezt a hibát elsősorban a prosztata elmozdulása és deformációja okozza ([Krieger2005]). A találati pontosság javítása érdekében szükség van a robotizált eljárás során jellemzően előforduló prosztata-elmozdulások és -deformációk jellemzésére, valamint egy olyan – lehetőség szerint tisztán szoftveres – módszerre, amelynek segítségével ezek az eredeti tervhez képest mutatkozó prosztatapozíció-változások kompenzálhatóak. 7

Új tudományos eredmények 2.1 Kidolgoztam egy háromlépéses deformációs képregisztrációs módszert a prosztata – MR által vezetett robotizált transzrektális biopszia beavatkozások során való – elmozdulásainak kvantitatív jellemzésére. A módszer egy előfeldolgozó és három regisztrációs lépésből épül fel (3. ábra). Az első regisztrációs lépés a tervezési képet és a beillesztés utáni képet hozza fedésbe egy kijelölt régióban, merev transzformáció segítségével. Ez meghatározza a páciens és a robot együttes elmozdulásának mértékét. A páciens és a robot különálló elmozdulásának meghatározására a második lépésben újra fedésbe hozzuk a tervezési és a beillesztés utáni képet, de csak egy kisebb, prosztata közeli régióra vonatkozóan. A harmadik lépés deformációs transzformációval hozza még pontosabb fedésbe a képeket. Ezt a transzformációt egymástól egyenlő távolságra felvett vezérlőpontok eltolásával és köztük B-spline interpolációval definiáljuk. Az eljárás jól bevált regisztrációs módszerekre épít, de azokhoz képest a következő új koncepciókat tartalmazza: 1. Alkalmas régiók választása az egyes regisztrációs lépésekhez (főbb befolyásoló tényezők azonosítása után általánosan használható régiók specifikálásával), 2. Hasonlósági metrika kidolgozása (létező metrika kiválasztásával, és ennek a konkrét feladatra való módosításával), 3. Transzformációs modell megadása (megfelelő transzformáció típusok kiválasztásával és ezek paramétereinek meghatározásával). Beillesztés utáni kép

1. lépés

2. lépés

3. lépés

álló kép

álló kép

álló kép

Illeszkedés számítás (MMI) Régió: P+R+SZ

Illeszkedés számítás (PMMI) Régió: P

Illeszkedés számítás (MMI) Régió: P

távolság érték

távolság érték

távolság érték

Optimalizálás (GM) transzformáció paraméterek

Kép transzformáció (merev) Tervezési kép

mozgó kép

transzformált mozgó kép

Optimalizálás (GM)

transzformáció paraméterek eredmény transzformáció

Kép transzformáció (merev) mozgó kép

transzformált mozgó kép

Optimalizálás (L-BFGS-B)

transzformált mozgó kép

transzformáció paraméterek

Kép

eredmény transzformáció transzformáció

(B-spline)

Prosztata mozgás transzformációja

mozgó kép

3. ábra. A háromlépéses deformációs képregisztráció módszer főbb elemei. GM: gradiens módszer. MMI: Mattes-féle kölcsönös információ metrika ([Mattes2001]). PMMI: adott irány menti elmozdulást korlátozó taggal módosított MMI metrika. L-BFGS-B: korlátozott memóriájú Broyden-Fletcher-Goldfarb-Shannon-féle optimalizáló egyszerű korlátokkal (limited memory Broyden Fletcher Goldfarb Shannon optimizer with simple bounds, [Zhu1997]). Régió: P=prosztata, R=rektum, SZ=szeméremcsont.

8

A térfogati MR képek felvétele perceket vesz igénybe, ezért ilyen felvételek regisztrációján alapuló módszer nem használható beavatkozás közben a prosztata mozgásának követésére. Kétdimenziós képszeletek felvétele azonban néhány másodperc alatt kivitelezhető, így egy olyan módszer, amely képes a prosztata elmozdulást pár képszelet alapján meghatározni, már beilleszthető a beavatkozás munkafolyamatába. 2.2 Új eljárást dolgoztam ki a találati pontosság javítására robotizált MR által vezetett biopsziához, a prosztata elmozdulásának kompenzálásával. A módszer több képszelet és egy térfogati kép kétlépéses regisztrációja segítségével határozza meg a prosztata mozgását és deformációját. A módszer egy előfeldolgozó és két regisztrációs lépésből épül fel (4. ábra). Az első regisztrációs lépés a tervezési képet és a beillesztés utáni képszeletekből konstruált ritka térfogati képet egy merev transzformációval hozza fedésbe, majd a második lépésben a fedést egy deformációs transzformációval tovább finomítja. A hasonlósági metrika, a deformációs modell és az optimalizáló algoritmusok megegyeznek a volumetrikus módszernél használtakkal. Az irodalomban leírt hasonló mozgáskompenzációs eljárásokhoz képesti újdonságok a következők: 1. A volumetrikus képek helyett képszeletek használata és több képszelet együttes figyelembe vétele, 2. Deformációs transzformáció megvalósítása, 3. Jellegzetes prosztata-elmozdulások ismeretének hasznosítása (a transzformációs paraméterek és régiók meghatározásához és a validációhoz). Beillesztés utáni kép szeletek

Ritka térfogati kép konstrukció

1. lépés

2. lépés

ritka térfogati kép álló kép

álló kép

Illeszkedés számítás (MMI) Régió: P+R+SZ

Illeszkedés számítás (MMI) Régió: P

távolság érték

távolság érték

Optimalizálás (GM) transzformáció paraméterek

Kép transzformáció (merev) Tervezési kép

mozgó kép

transzformált mozgó kép

Optimalizálás (L-BFGS-B)

transzformált mozgó kép

transzformáció paraméterek eredmény transzformáció

Kép transzformáció (B-spline)

Prosztata mozgás transzformációja

mozgó kép

4. ábra. A képszeletet térfogati képpel regisztráló módszer főbb elemei. GM: gradiens módszer. MMI: Mattes-féle kölcsönös információ metrika ([Mattes2001]). L-BFGS-B: korlátozott memóriájú Broyden-Fletcher-Goldfarb-Shannon-féle optimalizáló egyszerű korlátokkal (limited memory Broyden Fletcher Goldfarb Shannon optimizer with simple bounds, [Zhu1997]). Régió: P=prosztata, R=rektum, SZ=szeméremcsont.

9

Az eredmények hasznosítása A prosztata-elmozdulást jellemző, illetve az azt kompenzáló módszereket szimulált és valós deformációkat tartalmazó klinikai képeken teszteltem. A kvalitatív és kvantitatív ellenőrzések eredménye azt mutatta, hogy a prosztata-elmozdulás jellemzésére használt módszer hibája kevesebb, mint 2 mm (regisztrált prosztatakontúrok közötti átlagos Hausdorff távolság). A prosztata-elmozdulás jellemzését több, mint 80 klinikai képen végeztem el, és számos jellemző mozgási paramétert határoztam meg. A beavatkozás közben használható, prosztata-elmozdulást kompenzáló módszert 30 szimulált és több klinikai képen teszteltem három egymásra merőleges, beillesztés utáni képszelet felhasználásával. A szimulált képeken az ismert és a számított prosztatabeli elmozdulások különbsége nem volt lényegesen nagyobb a teljes térfogati képek használatával kapott eredményeknél. A mozgáskompenzációs eljárás a kezdeti 2,1-5,6 mm elmozdulást 0,6-0,9 mm-re csökkentette. A valós klinikai képek alapján kapott eredmények alátámasztják, hogy a módszer kielégíti a beavatkozás közbeni használatra vonatkozó követelményeket mind pontosság (követelmény: max. 3 mm hiba; elért: kb. 1-2 mm hiba), mind számítási idő (követelmény: max. 60 s; elért: kb. 40 s) tekintetében. Példaként egy konkrét regisztrációs eredmény látható a 5. ábrán.

5. ábra. Prosztata, rektum és szeméremcsont kontúrok a beillesztés utáni képről a tervezési képre vetítve. Regisztráció nélkül (bal oldalon), merev regisztráció után (középen) és a teljes deformációs regisztráció végrehajtása után (jobb oldalon). A regisztráció helyességét a prosztata kontúr pontos illeszkedése mutatja.

A téziscsoporthoz kapcsolódó publikációk • Prosztata-elmozdulások jellemzése (Lassó fő eredményei a regisztrációs módszer kidolgozása és validációja; Xu fő eredményei a regisztrációs módszer használatával a prosztata, a páciens és a tű mozgásának elemzése) o [Xu2010b], [Xu2010c], [Xu2010d]: Konferenciacikk és két konferencia-kivonat (csak kétlépcsős, nem deformációs regisztrációval) o [Xu2010a]: Folyóiratcikk (háromlépcsős, deformációs regisztráció) o [Lasso2010b]: Konferenciacikk végeselemes módszerrel szimulált deformációval való validációról.

10

• Prosztatamozgás-kompenzáció (Lassó útmutatásai szerint Tadayyon kifejlesztett néhány kezdeti algoritmus változatot; Lassó András főbb önálló eredményei 1) a módszer teljes átdolgozásával azt lényegesen egyszerűbbé és nagyságrendekkel gyorsabbá tette, 2) a regisztrációs módszer validációja): o [Tadayyon2010a]: Konferenciacikk a mozgáskompenzációs módszer egy korai változatáról (egylépéses, csak merev transzformáció, nem deformált képeken tesztelve) o [Tadayyon2011] (beküldött), [Tadayyon2010b]: Folyóirat és konferenciacikk a mozgáskompenzációs módszer továbbfejlesztett változatáról (kétlépéses merev és deformációs regisztrációval). A dolgozatban leírt módszer egy tovább optimalizált változat, lényegesen egyszerűbb és jobb teljesítményű. o [Lasso2010b]: Konferenciacikk végeselemes módszerrel szimulált deformációval való validációról. • Kapcsolódó cikkek az MR által vezetett prosztata-biopszia rendszerről, amelyre a mozgáskompenzációs módszer alkalmazható: o [Lasso2009], [Lasso2011a], [Lasso2011c]: Konferenciacikkek, elsősorban a szoftver architektúráról és implementációról. o [Tokuda2011b] (beküldött), [Tokuda2011], [Tuncali2011]: Folyóiratcikk és két konferencia-kivonat, melyek a klinikai alkalmazást és eredményeket mutatják be.

11

3. téziscsoport: Rendszermodell kép által vezetett minimál invazív beavatkozásokhoz Motiváció A legtöbb minimál invazív beavatkozáshoz használt eszköz távolról irányított manipulátorok (telerobotok) egy speciális típusának tekinthető. A telerobotot humán felhasználó (operátor) irányítja, de általában az operátor által kiadott parancsokból számítógépes feldolgozó rendszer (a humáninteraktív számítógép, human-interactive computer, HIC) állítja elő a manipulátort ténylegesen mozgató utasításokat. A HIC ehhez figyelembe veszi a manipulátor képességeit, az előre definiált korlátokat (mint például bőrfelületi beszúrási pont rögzített pozícióban tartása, létfontosságú szervek védelme) és a munkaterületen elhelyezett szenzorok által szolgáltatott adatokat. A HIC a rendelkezésre álló információkat részletesen, integrált formában jeleníti meg az operátor számára. A HIC és a manipulátor közötti kommunikáció jellemzően korlátozott, mert az egyes alrendszerek nem szorosan integráltak, a kommunikációs csatorna sávszélessége alacsony, nem megbízható, illetve nagy késleltetéssel rendelkezik. A manipulátor közvetlen működtetését ezért a HIC-től kapott parancsok alapján egy másik számítógép (a feladatinteraktív számítógép, task-interactive computer, TIC) végzi. Az operátor és a számítógép ilyen módon való együttműködése megfelel a Sheridan által kidolgozott emberi felügyeleti irányítás (human supervisory control, HSC) modelljének ([Sheridan1992]). A HSC modell azt feltételezi, hogy minden szenzor folyamatos, valósidejű jelet szolgáltat. A kép által vezetett intervenciós rendszerek esetén azonban egyes kép- és adatszolgáltató eszközök nem képesek folyamatos, valós-idejű információt adni, fizikai, illetve technológiai korlátok vagy az egyes rendszerkomponensek nem elég szoros integrációja miatt. Az ilyen szorosan és lazán integrált, valósidejű (real-time, RT) és nem valósidejű (non-real-time, NRT) komponensekből álló heterogén rendszer (heterogén, kép által vezetett intervenciós rendszer) nagyon jellemző konfiguráció a kórházi környezetben. Tipikus RT szenzorok a pozícióérzékelők (a páciensbe vagy eszközbe beépítve, vagy rájuk rögzítve) és bizonyos képalkotó berendezések (pl. egyes ultrahang, röntgen fluoroszkópiás és optikai képalkotó eszközök). NRT adatok (ezek elkészítése akár pár percet is igénybe vehet) tipikusan a térfogati képek, melyek pl. ultrahang, CT vagy MR berendezésekből származnak. Az olyan felvételek, amelyek bár valósidőben elkészíthetők, de átvitelük (pl. hardver vagy szoftver interfész korlátai miatt) vagy feldolgozásuk (pl. a rendszer működéséhez szükséges információ kinyerése) hosszú időt vesz igénybe, szintén NRT adatnak tekintendők. Egy közös rendszermodell lehetővé teszi szabványos, optimalizált megoldások kidolgozását egy rendszer megépítésekor előforduló leggyakoribb, legnehezebb problémákra. A gyakori problémák kiértékelését, valamint megoldásuk elemzését és implementációját elég egyszer elvégezni, és az így kapott eredmények számos különböző megvalósításnál felhasználhatóak. A HSC modell nem ad kellően pontos leírást a kép által vezetett intervenciós rendszerekre, melyek általában heterogének abban az értelemben, hogy RT és NRT adatokkal is dolgoznak.

12

Új tudományos eredmények 3.1 Az emberi felügyeleti irányítás modelljének kiterjesztésével elkészítettem a heterogén emberi felügyeleti irányítás modelljét (heterogeneous human supervisory control, HHSC), amely pontos leírást ad a heterogén, kép által vezetett minimál invazív intervenciós rendszerekre. A HHSC modell alkalmazásával a beavatkozások során rögzített valósidejű és nem valósidejű információk egyaránt hasznosíthatók. A HSC modellhez képest a HHSC modellben elkülönítetten szerepelnek az NRT adatokat szolgáltató szenzorok (6. ábra). A RT és NRT szenzorok kiegészítő, redundáns vagy akár ellentmondó információkat közvetíthetnek, ezért a rögzített jeleket felhasználás előtt megfelelően egyesíteni kell. Ez az egyesítés egy összetett adatfúziós feladat, amely gyakran az operátor közreműködését is igényli.

TIC

Munkaterület

Effektor

Adat fúzió

RT szenzorok

NRT szenzorok

Akadály

Megjelenítő Vezérlőszervek

Operátor

HIC

6. ábra. A heterogén emberi felügyeleti irányítás (HHSC) modellje: a HSC modelljének kiterjesztése heterogén, kép által vezetett minimál invazív beavatkozó rendszerekre. HIC: humáninteraktív számítógép (human-interactive computer). TIC: feladatinteraktív számítógép (task-interactive computer). RT: valósidejű (real-time). NRT: nem valósidejű (non-real-time).

Több szenzor által szolgáltatott, nagy mennyiségű, időben változó adat fúziójához olyan adatábrázolás szükséges, amely hatékony tárolást, kiegészítést és módosítást tesz lehetővé, illetve amellyel elérhető és megjeleníthető bármilyen időhöz vagy térbeli pozícióhoz tartozó információ. Szinte minden adaptív tervezést támogató rendszer megvalósításához szükséges a többverziós téridőbeli adatok gyakori és összetett feladatot jelentő tárolása, feldolgozása és megjelenítése. Többverziós téridőbeli adat például a beavatkozási terv (a terv lokalizációja jellemzően egy szervhez képest rögzített, a szerv helye és alakja időben változik, a terv többször módosulhat a beavatkozás során) vagy egy mozgó anatómiai terület vagy eszköz pozíciója (a különböző verziókat különböző szenzorok szolgáltatják).

13

3.2 Egy új adatábrázolási módot dolgoztam ki, amellyel többverziós téridőbeli adatok egy színtérgráfban mátrix csomópontokként ábrázolhatók. Az ábrázolási mód alkalmazásával a kép által vezetett beavatkozások során nyert minden adat rögzíthető és különböző téridőbeli dimenziók mentén bejárható. A mátrixnak három térbeli és két időbeli dimenziója van (7. ábra). A két időbeli dimenzió az érvényes idő és az eredeti idő. Minden egyes érvényes és eredeti idő által megadott elem egy térbeli objektumot tárol. Egy objektum új verziója (pl. egy anatómiai területről készített új felvétel, vagy a beavatkozási célpontok listájának szerkesztés után kapott újabb változata) a mátrix egy új sorába kerül. A mátrix egy sora a térbeli objektum egy változatának időbeli változását írja le. A mátrix egy oszlopa a térbeli objektum különböző verzióit tartalmazza egy időpontban. A RT szenzor által szolgáltatott jelek esetén a mátrix egy eleme egy folyamatos adatsorozatot tárol, amely két érvényes időpont között érvényes. érvényes idő

eredeti idő

Térbeli különbségek áttekintése egy objektum verzióra

Időbeli különbségek áttekintése különböző objektum verziók között (térbeli változások kiküszöbölésével)

Az objektum verziók áttekintése eredeti állapotukban (térbeli és időbeli változásokkal együtt)

7. ábra. Mátrix struktúra többverziós időben változó adatok tárolására. A mátrix i sorában és j oszlopában tárolt adat az i. eredeti időpontban felvett verzió j. érvényes időpontbeli állapotának felel meg. A mátrix struktúra lehetővé teszi az adatok különböző téridőbeli dimenziók mentén való bejárását.

Minden térbeli objektum egy-egy új változatához egy új mátrix sort létrehozva minden változat hiánytalanul tárolható: semmilyen adat nem kerül törlésre vagy felülírásra. Ez biztosítja minden, a beavatkozás során felvett adat rögzítését. A mátrix struktúra lehetővé teszi a téridőbeli adat különféle dimenziók mentén történő bejárását (7. ábra). Az érvényes időt állandó értéken tartva és az eredeti időt változtatva egy objektum időbeli változásai követhetők nyomon (ez a funkció használható például egy kép időbeli változásainak áttekintésére a térbeli elmozdulások kiküszöbölése mellett; vagy a beavatkozási terv időbeli változásainak megjelenítésére az eredeti tervezési képen). Az eredeti időt állandó értéken 14

tartva és az érvényes időt változtatva egy objektum térbeli változásai követhetők nyomon. A felvett térbeli objektumok eredeti formában való áttekintése az eredeti és érvényes idő értékek szinkronban való változtatásával érhető el.

Az eredmények hasznosítása A HHSC modellt egy robotizált, MR által vezetett transzrektális prosztata-biopszia rendszer beavatkozás-tervező és -irányító szoftverének fejlesztéséhez használtam fel. A biopsziarobot elektro-optikai pozícióenkóderek segítségével valósidőben követni tudja a tűs manipulátor elvárt pozícióját ([Krieger2011]). Az eszköznek készült motorizált, a tű automatikus beillesztésére alkalmas változata is. A szoftvert a 3D Slicer ([Pieper2004]) orvosi képelemző és -megjelenítő keretrendszerben kiterjesztési modulként implementáltam (a felhasználói felületről készült kép látható a 8. ábrán). A szoftver klinikai használatban van, több páciensen végeztek már segítségével biopsziát a National Cancer Institute (Bethesda, MD, USA), a Johns Hopkins Hospital (Baltimore, MD, USA) és a Brigham and Women’s Hospital (Boston, MA, USA) intézeteiben.

8. ábra. Az MR által vezetett transzrektális prosztata-biopszia tervező és irányító szoftverről készült kép működés közben.

A HHSC modell alkalmazhatóságát másik két intervenciós rendszeren is illusztráltam: ultrahang által vezetett fokális prosztata brachyterápián és szív röntgen által vezetett robotizált katéteres ablációján.

A téziscsoporthoz kapcsolódó publikációk • • •

[Lasso2011b] (beküldött), [Lasso2011c]: Folyóiratcikk és konferencia-kivonat, a HHSC modell és a javasolt adatábrázolási séma leírásával. [Lasso2011a], [Lasso2009]: Konferenciacikkek az MR által vezetett prosztata biopszia rendszer architekturájáról és rendszermodelljéről. [Urbancsek2000]: Folyóiratcikk egy tele-mikrorobotikai rendszer modellezéséről 15

Publikációk Folyóiratcikkek 1. [Lasso2005] Lassó, A. & Trucco, E. (2005), ‘Vessel enhancement in digital X-ray angiographic sequences by temporal statistical learning’, Computerized medical imaging and graphics 29(5), pp. 343–55. 2. [Ungi2009b] Ungi, T.; Ungi, I.; Jónás, Z.; Sasi, V.; Lassó, A.; Zimmermann, Z.; Forster, T.; Palkó, A. & Nemes, A. (2009), ‘Myocardium selective densitometric perfusion assessment after acute myocardial infarction’, Cardiovascular revascularization medicine: including molecular interventions 10(1), pp. 49–54. 3. [Ungi2009a] Ungi, T.; Zimmermann, Z.; Balázs, E.; Lassó, A.; Ungi, I.; Forster, T.; Palkó, A. & Nemes, A. (2009), ‘Vessel masking improves densitometric myocardial perfusion assessment’, The International Journal of Cardiovascular Imaging (formerly Cardiac Imaging) 25(3), pp. 229–36. 4. [Urbancsek2000] Urbancsek, T. & Lassó, A. (2000), ‘Applications of micromanipulators in biotechnology research’, Híradástechnika LV(11), pp. 36–43. 5. [Yeo2011] Yeo, C.; Ungi, T.; Paweena, U.-T.; Lasso, A.; McGraw, R. & Fichtinger, G. (2011), ‘The Effect of Augmented Reality Training on Spinal Facet Joint Injections’, IEEE Transactions on Biomedical Engineering 58(7), pp. 2031–2037. Beküldött: 6. [Tadayyon2011] Tadayyon, H.; Lasso, A.; Kaushal, A.; Guion, P. & Fichtinger, G. (beküldött), ‘Target Motion Tracking in MRI-guided Transrectal Robotic Prostate Biopsy’, IEEE Transactions on Biomedical Engineering. 7. [Tokuda2011b] Tokuda, J.; Tuncali, K.; Iordachita, I.; Song, S. S.; Fedorov, A.; Oguro, S.; Lasso, A.; Fennessy, F. M.; Tempany, C. M.; Hata, N. (beküldött), ‘Feasibility of 3 Tesla MRI-guided Prostate Biopsy with Grid Template’, J Magn Reson Imaging. 8. [Lasso2011b] Lasso, A.; Fedorov, A.; Tokuda, J.; Hata, N. & Fichtinger, G. (beküldött), ‘Control model for minimally invasive image-guided intervention systems’.

Konferenciacikkek MICCAI konferenciacikkek A Medical Image Computing and Computer Assisted Intervention (MICCAI) a legmagasabb rangú konferencia a kép által vezetett, számítógéppel segített beavatkozások területén. A cikkek 8 oldal terjedelműek, kétlépcsős, kettősen anonim lektorálási eljáráson esnek át, és a Springer által évente kiadott kétkötetes könyvben jelennek meg. A cikkekre hivatkozó publikációk számát és súlyát tekintetbe véve a kiadvány egy folyóirat effektív impakt faktorával rendelkezik. A MICCAI cikkek a PubMed rendszerben indexeltek.

16

1. [Imani2011] Imani, F.; Wu, M.; Lasso, A.; Burdette, E. C.; Daoud, M. I.; Fichtinger, G.; Abolmaesumi, P. & Mousavi, P. (megjelenés alatt), ‘Monitoring of Tissue Ablation Using Time Series of Ultrasound RF data’, in ‘MICCAI 2011 - Medical image computing and computer-assisted intervention’, Toronto, ON, Canada. 2. [MPeikari2011] Peikari, M.; Chen, T. K.; Lasso, A. & Fichtinger, G. (megjelenés alatt), ‘Effects of Ultrasound Section-Thickness and Side-Lobes on Brachytherapy Needle Tip Localization Error’, in ‘MICCAI 2011 - Medical image computing and computer-assisted intervention’, Toronto, ON, Canada. 3. [Xu2010a] Xu, H.; Lasso, A.; Vikal, S.; Guion, P.; Krieger, A.; Kaushal, A.; Whitcomb, L. L. & Fichtinger, G. (2010), ‘MRI-guided robotic prostate biopsy: a clinical accuracy validation’, in ‘MICCAI 2010 - Medical image computing and computer-assisted intervention’, Beijing, China, LNCS 6363/2010, pp. 383–91.

Egyéb konferenciacikkek 4. [Bartha2011] Bartha, L.; Lasso, A.; Chen, T. K. & Fichtinger, G. (2011), ‘Automatic fiducial localization in ultrasound images for a thermal ablation validation platform’, in ‘SPIE Medical Imaging 2011’, Lake Buena Vista, FL, USA, pp. 796421-1–8. 5. [Helybely2003] Helybély, Á. & Lassó, A. (2003), ‘Behaviour based control in the microrobotics’, in ‘INES03 - The 7th IEEE International Conference on Intelligent Engineering Systems’, Assiut-Luxor, Egypt, pp. 454–457. 6. [Jeunehomme2004] Jeunehomme, F.; Muller, S.; Iordache, R. & Lassó, A. (2004), ‘Tissue classification in Contrast Enhanced Digital Mammography using Support Vector Machines’, in ‘IWDM2004 - International Workshop on Digital Mammography’, Durham, NC, USA. 7. [Lasso2001a] Lassó, A. & Urbancsek, T. (2001), ‘Communication architectures for webbased telerobotic systems’, in ‘MED01 - IEEE Mediterranean Conference on Control and Automation’, Dubrovnik, Croatia, pp. 1–4, Paper 068. 8. [Lasso2001b] Lassó, A.; Urbancsek, T. & Helybély, Á. (2001), ‘Microrobot remote control through WWW’, in ‘microCAD2001 International Scientific Conference’, Miskolc, Hungary, pp. 133–138. 9. [Lasso2001c] Lassó, A. (2001), ‘Controlling a microrobot through Internet’, in ‘Hungelektro2001 - 6th International Conf. on Electronics and Automation’, Budapest, Hungary, pp. 102–108. 10. [Lasso2009] Lassó, A.; Tokuda, J.; Vikal, S.; Tempany, C. M.; Hata, N. & Fichtinger, G. (2009), ‘A generic computer assisted intervention plug-in module for 3D Slicer with multiple device support’, in ‘MICCAI2009 - Systems and architectures for CAI Workshop at MICCAI’, London, UK, pp. 1–8. 11. [Lasso2010b] Lassó, A.; Avni, S. & Fichtinger, G. (2010), ‘Targeting Error Simulator for Image-guided Prostate Needle Placement’, in ‘EMBC2010 - 32nd Annual International Conference of the IEEE Engineering in Medicine and Biology Society’, Buenos Aires, Argentina, pp. 5424–5427. 12. [HPeikari2011] Peikari, H.; Lasso, A. & Fichtinger, G. (2011), ‘Improved validation platform for ultrasound-based monitoring of thermal ablation’, in ‘SPIE Medical Imaging 2011’, Lake Buena Vista, FL, USA, pp. 79641H-1–8. 17

13. [Robinson2010] Pompeu-Robinson, A. M.; Gray, J.; Marble, J.; Peikari, H.; Hall, J.; UThainual, P.; Aboofazeli, M.; Lassó, A. & Fichtinger, G. (2010), ‘Validation platform for ultrasound-based monitoring of thermal ablation’, in ‘SPIE Medical Imaging 2010’, San Diego, CA, USA, pp. 76250T-1–7. 14. [Tadayyon2010a] Tadayyon, H.; Vikal, S.; Gill, S.; Lassó, A. & Fichtinger, G. (2010), ‘MR-Guided Prostate Motion Tracking by Means of Multi-Slice-to-Volume Rigid Registration’, in ‘SPIE Medical Imaging 2010’, San Diego, CA, USA, pp. 76252V-1–8. 15. [Tadayyon2010b] Tadayyon, H.; Lassó, A.; Gill, S.; Kaushal, A.; Guion, P. & Fichtinger, G. (2010), ‘Target Motion Compensation in MRI-guided Prostate Biopsy with Static Images’, in ‘EMBC2010 - 32nd Annual International Conference of the IEEE Engineering in Medicine and Biology Society’, Buenos Aires, Argentina, pp. 5416–5419. 16. [Xu2010b] Xu, H.; Lassó, A.; Vikal, S.; Guion, P.; Krieger, A.; Whitcomb, L.; Menard, C. & Fichtinger, G. (2010), ‘Accuracy Validation for MRI Guided Robotic Prostate Biopsy’, in ‘SPIE Medical Imaging 2010’, San Diego, CA, USA, pp. 762517-1–8. 17. [Xu2010c] Xu, H.; Lassó, A.; Vikal, S.; Guion, P.; Krieger, A.; Kaushal, A.; Whitcomb, L. & Fichtinger, G. (2010), ‘Clinical Accuracy of Robot-Assisted Prostate Biopsy in Closed MRI Scanner’, in ‘The Hamlyn Symposium on Medical Robotics’, London, UK, pp. 7–8. 18. [Zolnay2001] Zolnay, A.; Lassó, A.; Charaf, H. & Vajk, I. (2001), ‘Configurable Remote, platform independent Control System’, in ‘ACE2000 - IFAC/IEEE Symposium on Advances in Control Education’, Gold Coast, Australia, pp. 319–324.

Konferencia-kivonatok 1. [Hall2010] Hall, J.; Lassó, A.; Peikari, H.; Pompeu-Robinson, A. M. & Fichtinger, G. (2010), ‘Compilation of a pathological validation database for ultrasound monitoring of tumour ablation’, in ‘SMIT2010 - International Conference of the Society for Medical Innovation and Technology’, Trondheim, Norway, Vol. 19, Suppl. 1, 23. 9. 2. [Lasso2010a] Lassó, A.; Kelemen, M.; Haidegger, T.; Kirisits, C. & Fichtinger, G. (2010), ‘Gynecology brachytherapy applicator pose reconstruction in MR images’, in ‘CARS 2010 - 24th International Congress and Exhibition’, Geneva, Switzerland, pp. S324–S325. 3. [Lasso2011a] Lasso, A. & Fichtinger, G. (2011), ‘System design of adaptive image-guided percutaneous needle intervention software using open source components’, in ‘ImNO2011 - Imaging Network Ontario Symposium’, Toronto, ON, Canada, pp. 45. 4. [Lasso2011c] Lassó, A. & Fichtinger, G. (megjelenés alatt), ‘Implementation of an MRIguided prostate brachytherapy system’, in ‘1st International CIS Workshop at Budapest’, Budapest, Hungary. 5. [Neogrady2000] Neogrády, S.; Gálfi, P. & Lassó, A. (2000), ‘Spices and Flavourings as Possible Functional Food Ingredients’, in ‘KNC2000 - 5th Karlsruhe Nutrition Congress’, Karlsruhe, Germany, pp. 89. 6. [Tokuda2011] Tokuda, J.; Tuncali, K.; Iordachita, I.; Song, S. S.-E.; Fedorov, A.; Oguro, S.; Lasso, A.; Fennessy, F. M.; Tang, Y.; Tempany, C. M. & Hata, N. (2011), ‘Preliminary Accuracy Evaluation of 3T MRI-guided Transperineal Prostate Biopsy with Grid Template’, in ‘ISMRM 2011 - Annual Meeting of the International Society for Magnetic

18

7.

8.

9.

10.

Resonance in Medicine’, Montreal, QC, Canada, pp. 3761, Konferencia poszter verseny III. helyezett. [Tuncali2011] Tuncali, K.; Tokuda, J.; Iordachita, I.; Song, S. S.-E.; Fedorov, A.; Oguro, S.; Lasso, A.; Fennessy, F. M.; Tang, Y.; Tempany, C. M. & Hata, N. (2011), ‘3T MRIguided Transperineal Targeted Prostate Biopsy: Clinical Feasibility, Safety, and Early Results’, in ‘ISMRM 2011 - Annual Meeting of the International Society for Magnetic Resonance in Medicine’, Montreal, QC, Canada, pp. 53. [Ungi2009c] Ungi, T.; Novák, G.; Lassó, A.; Sasi, V. & Ungi, I. (2009), ‘Videodensitometric myocardial perfusion assessment on coronary angiograms’, in ‘CARS 2009 - 23rd International Congress and Exhibition’, Berlin, pp. S340–S341. [Ungi2011a] Ungi, T.; Yeo, C.; U-Thainual, P.; Lasso, A.; McGraw, R. & Fichtinger, G. (2011) The Effect of Augmented Reality Training on Spinal Facet Joint Injections, in ‘ImNO2011 - Imaging Network Ontario Symposium’, Toronto, ON, Canada, pp. 87, Konferencia poszter verseny III. helyezett. [Xu2010d] Xu, H.; Lassó, A.; Vikal, S.; Guion, P.; Krieger, A.; Kaushal, A.; Whitcomb, L. & Fichtinger, G. (2010), ‘MRI-Guided Transrectal Robotic Prostate Biopsy Validation’, in ‘AAPM2010 - The American Association of Physicists in Medicine Annual Meeting’, Philadelphia, PA, USA, pp. 3128–3129.

Szabadalmak 1. [Grassin2010] Grassin, F.; Trousset, Y.; Soubelet, E.; Riddell, C. & Lasso, A. (2010), ‘Medical imaging method in which views corresponding to 3D images are superimposed over 2D images’(20100315487), General Electric Company. 2. [Lasso2008a] Lassó, A. & Nasztanovics, F. (2008), ‘Systems, apparatus and processes for automated blood flow assessment of vasculature’(20100130878), General Electric Company.

Egyéb publikációk 1. [Lasso1998] Lassó, A. (1998), ‘Háromdimenziós képek feldolgozása és illesztése CAD modell bázishoz’, TDK dolgozat, BME TDK konferencia II. díj. 2. [Lasso1999] Lassó, A. & Urbancsek, T. (1999), ‘Mikromanipulátorok teleoperációs alkalmazása biotechnológiai kutatásokban’, TDK dolgozat, Országos TDK konferencia I. díj. 3. [Lasso2007] Lassó, A. (2007), ‘2D/3D image registration for X-ray fluoroscopy’, Invited lecture at 15th Summer School on Image Processing , Szeged, Hungary. 4. [Lasso2008b] Lassó, A. (2008), ‘Vascular imaging and image processing’, in ‘3rd Conference on Diagnostic Imaging (A képalkotó diagnosztika aktualitásai)’, Budapest, Hungary. 5. [Lasso2010c] Lassó, A. (2010), ‘Image-guided needle-based percutaneous interventions’, CARS 2010 - Hands-on-Workshop on Open-Source Tools for Image-Guided Therapy Research (training faculty) , Computer Assisted Radiology and Surgery, 24th International Congress and Exhibition, Geneva, Switzerland. 19

Irodalomjegyzék [Cleary2010] Cleary, K. & Peters, T. M. (2010), 'Image-guided interventions: technology review and clinical applications.', Annu Rev Biomed Eng 12, pp. 119–142. [DiMaio2007b] DiMaio, S.; Kapur, T.; Cleary, K.; Aylward, S.; Kazanzides, P.; Vosburgh, K.; Ellis, R.; Duncan, J.; Farahani, K.; Lemke, H.; Peters, T.; Lorensen, W. B.; Gobbi, D.; Haller, J.; Clarke, L. L.; Pizer, S.; Taylor, R.; Galloway, R.; Fichtinger, G.; Hata, N.; Lawson, K.; Tempany, C.; Kikinis, R. & Jolesz, F. (2007), 'Challenges in image-guided therapy system design.', Neuroimage 37 Suppl 1, pp. S144–S151. [Haigron2009] Haigron, P.; Luo, L. & Coatrieux, J.-L. (2009), 'Issues in image-guided therapy', IEEE Engineering in Medicine and Biology Magazine 28(4), pp. 96–98. [Krieger2005] Krieger, A.; Susil, R. C.; Menard, C.; Coleman, J. A.; Fichtinger, G.; Atalar, E. & Whitcomb, L. L. (2005), 'Design of a novel MRI compatible manipulator for image guided prostate interventions', IEEE Transactions on Biomedical Engineering 52(2), pp. 306–313. [Krieger2011] Krieger, A.; Iordachita, I.; Guion, P.; Singh, A.; Kaushal, A.; Menard, C.; Pinto, P. A.; Camphausen, K.; Fichtinger, G. & Whitcomb, L. L. (megjelenés alatt), 'An MRICompatible Robotic System with Hybrid Tracking for MRI-Guided Prostate Intervention', IEEE Transactions on Biomedical Engineering 58. [Kruger1979] Kruger, R. A.; Mistretta, C. A.; Houk, T. L.; Kubal, W.; Riederer, S. J.; Ergun, D. L.; Shaw, C. G.; Lancaster, J. C. & Rowe, G. G. (1979), 'Computerized fluoroscopy techniques for intravenous study of cardiac chamber dynamics.', Invest Radiol 14(4), pp. 279–287. [Kruger1981] Kruger, R. A.; Liu, P.-Y., Bateman, W. & Nelson, J. A. (1981), Time domain filtering using computerized fluoroscopy – Intravenous angiography applications, in 'SPIE Medical Imaging', pp. 319–326. [Kruger1982] Kruger, R. A. & Liu, P.-Y. (1982), 'Digital Angiography Using a Matched Filter', IEEE Transactions on Medical Imaging 1(1), pp. 16–21. [Kump2001] Kump, K. S.; Saidel, G. M. & Wilson, D. L. (2001), 'Comparison of algorithms for combining X-ray angiography images', IEEE Transactions on Medical Imaging 20(8), pp. 742– 750. [Liu1985] Liu, P.; Kruger, R. A.; Nelson, J. A.; Miller, F. J.; Osborn, A. G. & Wojtowycz, M. (1985), 'Digital angiography: matched filtration versus mask-mode subtraction.', Radiology 154(1), pp. 217–220. [Mattes2001] Mattes, D.; Haynor, D. R.; Vesselle, H.; Lewellen, T. & Eubank, W. (2001), 'Nonrigid multimodality image registration', Medical Imaging 2001: Image Processing, pp. 1609– 1620. [Riederer1983] Riederer, S. J.; Enzmann, D. R.; Hall, A. L.; Pelc, N. J. & Djang, W. T. (1983), 'The application of matched filtering to x-ray exposure reduction in digital subtraction angiography: clinical results.', Radiology 146(2), pp. 349–354. [Sheridan1992] Sheridan, T. B. (1992), Telerobotics, Automation, and Human Supervisory Control, The MIT Press. [Tempany2008] Tempany, C.; Straus, S.; Hata, N. & Haker, S. (2008), 'MR-guided prostate interventions.', J Magn Reson Imaging 27(2), pp. 356–367. [Vapnik1998] Vapnik, V. (1998), Statistical Learning Theory, Wiley. [Zhu1997] Zhu, C.; Byrd, R. H. & Nocedal, J. (1997), 'L-BFGS-B: Algorithm 778: L-BFGS-B, FORTRAN routines for large scale bound constrained optimization', ACM Transactions on Mathematical Software 23(4), pp. 550–560.

20