The leading cause of death worldwide are cardiovascular diseases. In addition, the number of patients suffering from heart failure is rising. The underlying cause of heart failure is often a myocardial infarction. For diagnosis in clinical routine, cardiac magnetic resonance imaging is used, as it provides information about morphology, blood flow, perfusion, and tissue characterization. In more detail, the analysis of the tissue viability is very important for diagnosis, procedure planning, and guidance, i.e., for implantation of a bi-ventricular pacemaker. The clinical gold standard for the viability assessment is 2-D late gadolinium enhanced magnetic resonance imaging (LGE-MRI). In the last years, the imaging quality continuously improved and LGE-MRI was extended to a 3-D whole heart scan. This scan guarantees an accurate quantification of the myocardium to the extent of myocardial scarring. The main challenge arises in the accurate segmentation and analysis of such images. In this work, novel methods for the segmentation of the LGE-MRI data sets, both 2-D and 3-D, are proposed. One important goal is the direct segmentation of the LGE-MRI and the independence of an anatomical scan to avoid errors from the anatomical scan contour propagation. For the 2-D LGE-MRI segmentation, the short axis stack of the left ventricle (LV) is used. First, the blood pool is detected and a rough outline is maintained by a morphological active contours without edges approach. Afterwards, the endocardial and epicardial boundary is estimated by either a filter or learning based method in combination with a minimal cost path search in polar space. For the endocardial contour refinement, an additional scar exclusion step is added. For the 3-D LGE-MRI, the LV is detected within the whole heart scan. In the next step, the short axis view is estimated using principal component analysis. For the endocardial and epicardial boundary estimation also a filter based or learning based approach can be applied in combination with dynamic programming in polar space. Furthermore, because of the high resolution also the papillary muscles are segmented. In addition to the fully automatic LV segmentation approaches, a generic semi- automatic method based on Hermite radial basis function interpolation is introduced in combination with a smart brush. Effective interactions with less number of equations accelerate the performance and therefore, a real-time and an intuitive, interactive segmentation of 3-D objects is supported effectively. After the segmentation of the left ventricle’s myocardium, the scar tissue is quantified. In this thesis, three approaches are investigated. The full-width-at-half-max algorithm and the x-standard deviation methods are implemented in a fully automatic manner. Furthermore, a texture based scar classification algorithm is introduced. Subsequently, the scar tissue can be visualized, either in 3-D as a surface mesh or in 2-D projected onto the 16 segment bull’s eye plot of the American Heart Association. However, for precise procedure planning and guidance, the information about the scar transmurality is very important. Hence, a novel scar layer visualization is introduced. Therefore, the scar tissue is divided into three layers depending on the location of the scar within the myocardium. With this novel visualization, an easy distinction between endocardial, mid-myocardial, or epicardial scar is possible. The scar layers can also be visualized in 3-D as surface meshes or in 2-D projected onto the 16 segment bull’s eye plot.

Die häufigste Todesursache weltweit sind kardiovaskuläre Herzkrankheiten. Des Weiteren steigt die Anzahl an Patienten, die an Herzinsuffizienz leiden. Die zugrunde liegende Ursache von Herzinsuffizienz ist oft ein Myokardinfarkt. Zur Diagnose wird oft Magnetresonanztomografie verwendet, da es Informationen über die Morphologie, den Blutfluss, die Perfusion und die Gewebecharakterisierung liefern kann. Vor allem ist die Analyse der Gewebevitalität wichtig für die Diagnose, Prozedurplanung und die Orientierungshilfe während des Eingriffes unter anderem für die Implantation eines biventrikulären Herzschrittmachers. Der Goldstandard für die Viabilitätsanalyse des Myokards ist 2D-„Late Gadolinium Enhanced“ (LGE)-Magnetresonanztomografie. In den letzten Jahren wurde die Bildqualität kontinuierlich verbessert, und LGE-MRI wurde zu einer 3D Herzaufnahme erweitert. Diese Aufnahme ermöglicht eine genaue Myokardanalyse bis zum vollen Ausmaß von Narbengewebe. Die größte Herausforderung liegt in der akkuraten Segmentierung und Analyse von solchen Daten. In dieser Arbeit werden neue Methoden für die Segmentierung von 2D- und 3D-LGE-MRI-Daten vorgestellt. Ein wichtiges Ziel ist die direkte Segmentierung der LGE-MRI-Daten ohne die Verwendung von anatomischen Daten, um bereits Fehler zu vermeiden, die bei der Kontourübertragung entstehen können. Für die 2D-LGE-MRI-Segmentierung werden die Kurzachsenschnitte des linken Ventrikels verwendet. Als erstes wird der Blutpool des linken Ventrikels detektiert und ein grober Umriss durch einen Aktiven-Kontouren-ohne-Kanten Ansatz erstellt. Im nächsten Schritt wird die endokardiale und epikardiale Abgrenzung entweder durch ei nen filterbasierten oder lernbasierten Ansatz bestimmt unter Zuhilfenahme von einer minimalen Kosten Pfadsuche in Polarkoordinaten. Bei der endokardialen Abgrenzung wird ein Narbenausschlussschritt hinzugefügt. Für die 3D-LGE-MRI-Segmentierung muss der linke Ventrikel in der Aufnahme vom ganzen Herzen erst lokalisiert werden. Danach wird der Kurzachsenschnitt durch eine Hauptachsenanalyse abgeschätzt. Die endokardiale und epikardiale Abgrenzung wird auch entweder durch einen filterbasierten oder lernbasierten Ansatz bestimmt in Kombination mit dynamischer Programmierung in Polarkoordinaten. Zusätzlich können wegen der hohen Auflösung auch die Papilarmuskeln segmentiert werden. Außerdem, wird eine generische, semi-automatische Methode basierend auf Hermiten radialen Basisfunktionen vorgestellt in Kombination mit einer „Smart Brush “. Effektive Iterationen mit geringerer Anzahl an Gleichungen beschleunigen die Leistung. Dies ermöglicht eine Echtzeit intuitive und interaktive Segmentierung der 3D Objekte. Nach der Segmentierung des Myokards kann das Narbengewebe quantifiziert werden. In dieser Arbeit werden drei Methoden betrachtet. Der Halbwertsbreite Algorithmus und die x-fache Standardabweichung werden mit einem komplett automatischen Verfahren implementiert. Des Weiteren wird eine texturbasierte Narbengewebeklassifikation eingeführt. Darauffolgend kann das Narbengewebe in 3D als Oberflächennetz dargestellt werden oder in 2D auf den 16-Segmente-Bull’s-Eye-Plot der American Heart Association projiziert werden. Allerdings erlaubt diese Visualisierung keine genaue Prozedurplanung und Orientierungshilfe, da die wichtige Information der Transmuralität der Narbe verloren geht. Deswegen wird eine neue schichtweise Narbendarstellung vorgestellt. Dafür wird abhängig von der Position im Myokard das Narbengewebe in drei Schichten eingeteilt. Mit der neuen Visualisierungsmethode ist es möglich, zwischen endokardialen, mid-myokardialen oder epikardialen Narbengewebe zu unterscheiden. Die Narbenschichten können dann als 3D-Oberflächennetze oder projiziert auf die 2D-Bull’s-Eye-Plots dargestellt werden.