Dense Deformation Field Estimation for Pairwise and Multi-subjects Registration

1. 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

2. 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

3. 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

4. contexte || méthodes || applications || conclusion Image médicale 3D • 3 plans courants pour la visualisation

5. contexte || méthodes || applications || conclusion Que signifie « co-registrer »? Image mobile Image fixe = cible =

6. contexte || méthodes || applications || conclusion Pourquoi la co-registration ? • Comparer deux images du même patient • comparer différentes modalités • mesurer une évolution avant-après traitement

7. 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

8. 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 ?

9. Retour au titre Dense Deformation Field Estimationfor Pairwise and Multi-subjects Registration Métrique Patient-Patient ou Patient-Atlas Co-registrer une population

10. 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

11. 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

12. 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)

13. 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)

14. 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

15. contexte || méthodes || applications || conclusion Modèles a priori de transformation • Transformation globale • chaque paramètre agit sur toute l’image rigide affine perspective

16. contexte || méthodes || applications || conclusion Modèles a priori de transformation • Transformation locale • Chaque paramètre agit sur une zone limitée de l’image

17. contexte || méthodes || applications || conclusion Modèles a priori de transformation • Transformation locale • Chaque paramètre agit sur une zone limitée de l’image

18. contexte || méthodes || applications || conclusion Déformation locale : maillage • Degrés de liberté = déplacements aux nœuds • Interpolation dans tout le volume par fonctions de forme

19. 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

20. contexte || méthodes || applications || conclusion Exemple : coregistration rigide • Coregistration MR-CT d’images du foie

21. 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

22. contexte || méthodes || applications || conclusion Neurochirurgie : brain shift • Compenser les déformations du cerveau en neurochirurgie

23. contexte || méthodes || applications || conclusion Neurochirurgie : brain shift • Visualisation du champs de déplacement 3D

24. contexte || méthodes || applications || conclusion Ablation RF de tumeurs dans le foie • Comparer les volumes tumeur/nécrose

25. contexte || méthodes || applications || conclusion Ablation RF de tumeurs dans le foie • Recherche stochastique de l’optimum

26. 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

27. contexte || méthodes || applications || conclusion Biopsie de la prostate • Pourquoi faut-il corriger le biais ?

28. contexte || méthodes || applications || conclusion Biopsie de la prostate

29. 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

30. Recalage atlas – cerveau avec tumeur • Modèle hybride • Croissance de tumeur • MI flow • Régularisation : assurer la continuité entre les deux modèles

31. contexte || méthodes || applications || conclusion Recalage atlas – cerveau avec tumeur Collaboration : Dr Bach Cuadra

32. contexte || méthodes || applications || conclusion Recalage atlas – cerveau avec tumeur Collaboration : Dr Bach Cuadra

33. contexte || méthodes || applications || conclusion Recalage atlas – cerveau avec tumeur Collaboration : Dr Bach Cuadra

34. 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

35. 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

36. contexte || méthodes || applications || conclusion Construction d’atlas statistiques

37. contexte || méthodes || applications || conclusion Construction d’atlas statistiques

38. contexte || méthodes || applications || conclusion Construction d’atlas statistiques

39. contexte || méthodes || applications || conclusion Construction d’atlas statistiques

40. contexte || méthodes || applications || conclusion Construction d’atlas statistiques • Extraction des modes principaux de déformation par PCA

41. contexte || méthodes || applications || conclusion Construction d’atlas statistiques • Somme des 80 segmentations • non-pondérée • pondérée

42. 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

43. 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

44. 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

45. Merci de votre attention