Dense deformation field estimation for pairwise and multi subjects registration
Download
1 / 45

Dense Deformation Field Estimation for Pairwise and Multi-subjects Registration - PowerPoint PPT Presentation


  • 55 Views
  • Uploaded on

Dense Deformation Field Estimation for 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

loader
I am the owner, or an agent authorized to act on behalf of the owner, of the copyrighted work described.
capcha
Download Presentation

PowerPoint Slideshow about ' Dense Deformation Field Estimation for Pairwise and Multi-subjects Registration' - zora


An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript
Dense deformation field estimation for pairwise and multi subjects registration
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 mati res
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


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 m dicale 3d

contexte || méthodes || applications || conclusion

Image médicale 3D

  • 3 plans courants pour la visualisation


Que signifie co registrer

contexte || méthodes || applications || conclusion

Que signifie « co-registrer »?

Image mobile

Image fixe = cible

=


Pourquoi la co registration

contexte || méthodes || applications || conclusion

Pourquoi la co-registration ?

  • Comparer deux images du même patient

    • comparer différentes modalités

    • mesurer une évolution avant-après traitement


Pourquoi la co registration1

contexte || méthodes || applications || conclusion

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 registration2

contexte || méthodes || applications || conclusion

Pourquoi la co-registration ?

  • Comparer les sujets d’une population

    • Référence moyenne

    • Variabilité des structures anatomiques autour de la moyenne

Référence ?


Retour au titre
Retour au titre

Dense Deformation Field Estimationfor Pairwise and Multi-subjects Registration

Métrique

Patient-Patient ou Patient-Atlas

Co-registrer une population


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


Mesures intrins ques de similarit

contexte || méthodes || applications || conclusion

Mesures intrinsèques de similarité

  • Comparer les fonctions d’intensités des images

Mapping des coordonnées

Espace Images

x

T(x)

Intensité 2

Intensité 1

Espace des caractéristiques


Information mutuelle

contexte || méthodes || applications || conclusion

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

canal

H(message|réception)

H(message)


Information mutuelle 2

contexte || méthodes || applications || conclusion

Information mutuelle (2)

  • Applications aux images : entropie = mesure d’alignement

H(M2|F) = 0

H(M1|F) = 0

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

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


Mod les de transformation

contexte || méthodes || applications || conclusion

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


Mod les a priori de transformation

contexte || méthodes || applications || conclusion

Modèles a priori de transformation

  • Transformation globale

    • chaque paramètre agit sur toute l’image

rigide

affine

perspective


Mod les a priori de transformation1

contexte || méthodes || applications || conclusion

Modèles a priori de transformation

  • Transformation locale

    • Chaque paramètre agit sur une zone limitée de l’image


contexte || méthodes || applications || conclusion

Modèles a priori de transformation

  • Transformation locale

    • Chaque paramètre agit sur une zone limitée de l’image


D formation locale maillage

contexte || méthodes || applications || conclusion

Déformation locale : maillage

  • Degrés de liberté = déplacements aux nœuds

  • Interpolation dans tout le volume par fonctions de forme


M thodes d optimisation

contexte || méthodes || applications || conclusion

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

contexte || méthodes || applications || conclusion

Exemple : coregistration rigide

  • Coregistration MR-CT d’images du foie


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


Neurochirurgie brain shift

contexte || méthodes || applications || conclusion

Neurochirurgie : brain shift

  • Compenser les déformations du cerveau en neurochirurgie


Neurochirurgie brain shift1

contexte || méthodes || applications || conclusion

Neurochirurgie : brain shift

  • Visualisation du champs de déplacement 3D


Ablation rf de tumeurs dans le foie

contexte || méthodes || applications || conclusion

Ablation RF de tumeurs dans le foie

  • Comparer les volumes tumeur/nécrose


Ablation rf de tumeurs dans le foie1

contexte || méthodes || applications || conclusion

Ablation RF de tumeurs dans le foie

  • Recherche stochastique de l’optimum


Biopsie de la prostate

contexte || méthodes || applications || conclusion

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 prostate1

contexte || méthodes || applications || conclusion

Biopsie de la prostate

  • Pourquoi faut-il corriger le biais ?


Biopsie de la prostate2

contexte || méthodes || applications || conclusion

Biopsie de la prostate


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


Recalage atlas – cerveau avec tumeur

  • Modèle hybride

    • Croissance de tumeur

    • MI flow

  • Régularisation : assurer la continuité entre les deux modèles


Recalage atlas cerveau avec tumeur

contexte || méthodes || applications || conclusion

Recalage atlas – cerveau avec tumeur

Collaboration : Dr Bach Cuadra


Recalage atlas cerveau avec tumeur1

contexte || méthodes || applications || conclusion

Recalage atlas – cerveau avec tumeur

Collaboration : Dr Bach Cuadra


Recalage atlas cerveau avec tumeur2

contexte || méthodes || applications || conclusion

Recalage atlas – cerveau avec tumeur

Collaboration : Dr Bach Cuadra


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


Construction d atlas statistiques
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


Construction d atlas statistiques1

contexte || méthodes || applications || conclusion

Construction d’atlas statistiques


Construction d atlas statistiques2

contexte || méthodes || applications || conclusion

Construction d’atlas statistiques


Construction d atlas statistiques3

contexte || méthodes || applications || conclusion

Construction d’atlas statistiques


Construction d atlas statistiques4

contexte || méthodes || applications || conclusion

Construction d’atlas statistiques


Construction d atlas statistiques5

contexte || méthodes || applications || conclusion

Construction d’atlas statistiques

  • Extraction des modes principaux de déformation par PCA


Construction d atlas statistiques6

contexte || méthodes || applications || conclusion

Construction d’atlas statistiques

  • Somme des 80 segmentations

    • non-pondérée

    • pondérée


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


Contributions de la th se

contexte || méthodes || applications || conclusion

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
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



ad