dense deformation field estimation for pairwise and multi-subjects registration

Défense publique – 24/10/05

Dense Deformation Field Estimationfor Pairwise and Multi-subjects

Registration

Mathieu De Craene

Défense publique – 24 octobre 2005

Jury

Pr Benoît Macq, UCL/TELE

Pr Simon Warfield, BWH/CRL

Pr Vincent Gregoire, UCL/IMRE

Pr J.-P. Thiran, EPFL/ITS

Dr Christophe De Vleeschouwer, UCL/TELE

Pr Luc Vandendorpe, UCL/TELE


Table des matières

● Contexte. Co-registration d’images médicales

● Méthodes

● Applications● Co-registration d’images intra-opératoires ● Co-registration atlas patient● Construction d’atlas statistiques

● Conclusion


Image médicale 3D

● 3 plans courants pour la visualisation

contexte || méthodes || applications || conclusion


Que signifie « co-registrer »?


=Image fixe = cibleImage mobile


Pourquoi la co-registration ?● Comparer deux images du même patient

● comparer différentes modalités

● mesurer une évolution avant-après traitement



Pourquoi la co-registration ?● Comparer deux patients différents

● co-registration atlas-patient

Objectif : reporter les structures anatomiques délimitées dans l’atlas sur le patient



Pourquoi la co-registration ?● Comparer les sujets d’une population

● Référence moyenne● Variabilité des structures anatomiques autour de

la moyenne

Référence ?



Retour au titre

Dense Deformation Field Estimationfor Pairwise and Multi-subjects Registration

Patient-Patient ou Patient-Atlas

Co-registrer une population

Métrique


Table des matières


● Méthodes


● Conclusion


Mesures intrinsèques de similarité● Comparer les fonctions d’intensités des

images

xT(x)

Intensité 1

Intensité 2

Espace Images

Espace des caractéristiques

Mapping des coordonnées



Information mutuelle

● Entropie d’une variable aléatoire H(X)

Entropie = mesure de la dispersion d’une variable aléatoire

Entropie max. Entropie min.

● Entropie conditionnelle : incertitude sur la prédiction d’une variable avec a priori


canal H(message|réception) canal H(message)


Information mutuelle (2)

● Applications aux images : entropie = mesure d’alignement

● Information mutuelle : comparaison d’incertitudes a priori et posteriori

H(M2|F) = 0

H(M1|F) = 0

MI = H(M) - H(M|F)



Modèles de transformation

● Vecteur de déplacement indépendant en chaque point

● Modèle a priori de la transformation● Transformation globale● Transformation locale

Dimension du problème = 3 x le nombre de pixels

Méthodes variationelles

Nombre de paramètres raisonnable

Méthodes d’optimisation



Modèles a priori de transformation

● Transformation globale ● chaque paramètre agit sur toute l’image

rigide affine perspective



Modèles a priori de transformation

● Transformation locale● Chaque paramètre agit sur une zone limitée de

l’image



Déformation locale : maillage

● Degrés de liberté = déplacements aux nœuds

● Interpolation dans tout le volume par fonctions de forme



Méthodes d’optimisation

● Méthodes basées sur le gradient● Mesure directe du gradient● Mesure par différence finie

● Perturbation séquentielle● Perturbation simultanée stochastique (SPSA)

● Algorithmes génétiques● Evolution d’une « population » de paramètres



Exemple : coregistration rigide● Coregistration MR-CT d’images du foie



Table des matières


● Méthodes


● Conclusion


Neurochirurgie : brain shift● Compenser les déformations du cerveau en

neurochirurgie



Neurochirurgie : brain shift

● Visualisation du champs de déplacement 3D



Ablation RF de tumeurs dans le foie

● Comparer les volumes tumeur/nécrose




● Recherche stochastique de l’optimum

Ablation RF de tumeurs dans le foie


Biopsie de la prostate● L’image pre-opératoire contient un important

biais dans la luminance● Risque de divergence des algos de recalage


Courtesy of N. Weisenfeld


Biopsie de la prostate

● Pourquoi faut-il corriger le biais ?



Biopsie de la prostate



Table des matières


● Méthodes


● Conclusion


Recalage atlas – cerveau avec tumeur

● Modèle hybride● Croissance de tumeur

● MI flow

● Régularisation : assurer la continuité entre les deux modèles




Collaboration : Dr Bach Cuadra


Table des matières


● Méthodes


● Conclusion


Construction d’atlas statistiques

● Basé sur l’algorithme STAPLE● Algorithme EM

● Etape E : estimation d’une référence pour l’alignement courant

● Prise en compte des paramètres de spécificité-sensitivité des experts

● Etape M : optimisation de l’alignement et des paramètres de spécificité-sensitivité

● Maximum de vraisemblance


● Extraction des modes principaux de déformation par PCA






● Somme des 80 segmentations

● non-pondérée

● pondérée



● Méthodes


● Conclusion

Table des matières


Contributions de la thèse


● Co-registration patient-patient/patient-atlas● Conception avec A. du Bois d’Aische d’un algorithme de

coregistration non-rigide et applications au recalage de coupes histologiques du cou

● Utilisation de la méthode SPSA (gradient stochastique) en co-registration rigide et non-rigide

● Implémentation d’une méthode variationnelle (MI flow)

● Co-registration multi-sujets● Utilisation de STAPLE pour générer une référence non-

biaisée = carte de probabilités

● Transposition des concepts « pairwise » au recalage image-carte de probabilités


Travaux futurs● D’un point de vue algorithmique

● Implémenter certaines variantes de la SPSA● Comparer différentes stratégies de régularisation● Utiliser l’atlas probabiliste pour robustifier des

procédures de segmentation par atlas● Modes de déformations● Information mutuelle locale

● D’un point de vue applicatif● Appliquer les concepts à la construction d’atlas

dans la zone tête et cou


Merci de votre attention

dense deformation field estimation for pairwise and multi-subjects registration

Documents