One-to-one edge based registration and segmentation based validations in hybrid imaging [Elektronische Ressource] / by Jingfeng Han

Sujets

• Informatik

Informations

• Publié par: friedrich-alexander-universitat_erlangen-nurnberg
• Publié le: 01 janvier 2009
• Nombre de lectures: 2
• Langue: English
• Poids de l'ouvrage: 4 Mo

Extrait

One-to-one Edge Based Registration and
Segmentation Based Validations in Hybrid
Imaging
Technische Fakulta¨t der
Universita¨t Erlangen-Nu¨rnberg
zur Erlangung des Grades
DOKTOR-INGENIEUR
vorgelegt von
by
Jingfeng Han
Erlangen — 2009Als Dissertation genehmigt von der
Technische Fakulta¨t der
Universita¨t Erlangen-Nu¨rnberg
Tag der Einreichung: 29. 07. 2009
Tag der Promotion: 23. 11. 2009
Dekan: Prof. Dr.-Ing. R. German
Berichterstatter: Prof. Dr.-Ing. J. Hornegger
Prof. Dr. rer. nat. M. RumpfAbstract
During the past decade, image registration has become an essential tool for medical treat-
ment in clinics, by finding the spatial mapping between two images, observing the changes of
anatomical structure and merging the information from different modalities. On the other hand,
the matching of appropriately selected features is becoming more and more important for the
further improvement of registration methods, as well as for the qualitative validation of registra-
tion. The purpose of this thesis is to solve the following two problems: How to integrate feature
detection into a non-rigid registration framework, so that a high quality spatial mapping can be
achieved? How to systematically measure the quality of multi-modal registration by automati-
cally segmenting the corresponding features?
For the first problem, we develop a general approach based on the Mumford-Shah model
for simultaneously detecting the edge features of two images and jointly estimating a consistent
set of transformations to match them. The entire variational model is realized in a multi-scale
framework of the finite element approximation. The optimization process is guided by an EM
type algorithm and an adaptive generalized gradient flow to guarantee a fast and smooth relax-
ation. This one-to-one edge matching is a general registration method, which has been success-
fully adapted to solve image registration problems in several medical applications, for example
mapping inter-subject MR data, or alignment of retina images from different cameras.
For the second problem, we propose a new method validating the hybrid functional and mor-
phological image fusion, especially for the SPECT/CT modality. It focuses on measuring the
deviation between the corresponding anatomical structures. Two kinds of anatomical structures
are investigated as validation markers: (1) the hot spot in a functional image and its counterpart in
the morphological image (2) the kidneys in both modalities. A series of special methods are de-
veloped to segment these structures in both modalities with minimum user interaction. Accuracy
of the validation methods have been confirmed by experiments with real clinical data-sets. The
inaccuracies of hot spot based validation for neck regions are reported to be0.7189±0.6298 mm
in X-direction, 0.9250± 0.4535 mm in Y -direction and 0.9544± 0.6981 mm in Z-direction.
While the inaccuracies of kidneys based validation for abdomen regions are1.3979±0.8401 mm
inX-direction,1.9992±1.3920 mm inY -direction and 2.7823±2.0672 mm inZ-direction. In
the end, we also discuss a new interpolation based method to effectively improve the SPECT/CT
fusion and present preliminary results.Deutscher Titel:
Eins-zu-eins kantenbasierte Bildregistrierung und
bildsegmentierungsbasierte Validierung des hybriden Scanners
Kurzfassung
Bildregistrierung wurde in den letzten Jahrzehnten fu¨r medizinische Anwendungen immer
wichtiger, um Transformationen zwischen Bildern zu bestimmen, Vera¨nderungen anatomischer
Strukturen zu verfolgen oder verschiedene Bildmodalita¨ten zu vereinen. Weiterhin wird die
Zuordnung von entsprechend ausgewa¨hlten Merkmalen immer wichtiger fu¨r die Verbesserung
von Registrierungsverfahren sowie fu¨r eine qualitative Evaluierung. Ziel dieser Arbeit ist es
Lo¨sungsansa¨tze zu folgenden Fragestellungen zu finden: Wie kann die Merkmalsdetektion in
eine nicht-starre Registrierung eingebunden werden, so dass eine qualitativ gute o¨rtliche Zuord-
nung erreicht werden kann? Wie kann die Qualita¨t einer multi-modalen Registrierung durch
automatische Segmentierung korrespondierender Merkmale evaluiert werden?
Fu¨r das erste Problem entwickelten wir einen allgemeinen Ansatz, der auf dem Mumford-
Shah Modell aufbaut. Hierbei werden gleichzeitig Kantenmerkmale von zwei Bildern extrahiert
und eine Menge von Transformationen gescha¨tzt, die diese Merkmale aufeinander abbilden. Der
Variationelle Ansatz ist durch ein Multi-Skalen-Rahmenwerk von Finite Elemente Scha¨tzun-
gen realisiert worden. Die Optimierung wurde durch einen EM-Algorithmus und einem adap-
tiven generalisierten Gradientenabstieg umgesetzt, um eine schnelle und glatte Relaxation zu
garantieren. Die Eins-zu-Eins Zuordnung der Kanten ist ein allgemeiner Registrierungsansatz,
der erfolgreich angewendet wird um Registrierungsprobleme bei vielen verschiedenen medi-
zinischen Anwendungen zu lo¨sen. Beispiele hierfu¨r sind die MR Datensa¨tze verschiedener Pa-
tienten oder die Ausrichtung von Retinaaufnahmen aufgrund unterschiedlicher Aufnahmegera¨te.
Fu¨r die zweite Fragestellung stellen wir einen neuen Ansatz vor, um hybride funktionelle
und morphologische Bildfusion, im speziellen SPECT/CT, zu evaluieren. Im Mittelpunkt steht
hierbei die Vermessung der Abweichungen zwischen korrespondierenden anatomischen Struk-
turen. Zwei Kategorien von anatomischen Strukturen wurden untersucht: (1) der Hotspot in
der funktionellen Bildgebung und sein Gegenstu¨ck in der morphologischen Aufnahme, (2) die
Nieren in beiden Modalita¨ten. Eine Reihe von Methoden wurden entwickelt um diese Strukturen
in beiden Modalita¨ten mit minimaler Benutzerinteraktion zu segmentieren. Die Experimentemit echten medizinischen Daten besta¨tigen die Genauigkeit der Validierungsmethoden. Bei dem
Hotspot-basierenden Verfahren betra¨gt die Ungenauigkeit 0.7189± 0.6298 mm inX-Richtung,
0.9250± 0.4535 mm inY -Richtung und 0.9544± 0.6981 mm inZ-Richtung in Halsregionen.
Die Ungenauigkeit bei der Nieren-basierten Evaluierung liegt bei 1.3979± 0.8401 mm in X-
Richtung, 1.9992± 1.3920 mm in Y -Richtung und 2.7823± 2.0672 mm in Z-Richtung im
Abdomenbereich. Wir stellen zusa¨tzlich ein neues interpolation-basierendes Verfahren vor, um
die SPECT/CT Fusion zu verbessern und zeigen erste vorla¨ufige Ergebnisse.Contents
I Introduction 1
1 Motivation 3
1.1 Medical Image Registration . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Contributions of this Thesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3 Overview . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2 Image Registration 13
2.1 Transformation Models . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.2 Image Interpolation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.3 Voxel Similarity Measures . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.4 Estimation of Transformation Parameters . . . . . . . . . . . . . . . . . . . . . 18
2.5 Non-rigid Registration . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.5.1 Regularization . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.5.2 Variational Framework . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.6 Feature based Registration . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.6.1 Point based Match . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.6.2 Structure based Registration . . . . . . . . . . . . . . . . . . . . . . . . 28
2.6.3 Simultaneous Segmentation and Registration . . . . . . . . . . . . . . . 29
II One-to-one Edge based Registration 31
3 One-to-one Edge based Registration 33
3.1 Fundamentals . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.1.1 Mumford-Shah Model . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.1.2 Ambrosio–Tortorelli Approximation . . . . . . . . . . . . . . . . . . . . 35
3.1.3 Finite Element Discretization . . . . . . . . . . . . . . . . . . . . . . . 36
i3.2 Mumford-Shah Model for Edge Matching . . . . . . . . . . . . . . . . . . . . . 37
3.3 One-to-one Deformable Edge Matching . . . . . . . . . . . . . . . . . . . . . . 39
3.3.1 Functional Definitions . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.3.2 Variational Formulation . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.3.3 Solution of the Linear Part . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.3.4 Solution of the Nonlinear part . . . . . . . . . . . . . . . . . . . . . . . 46
3.3.5 Multi-scale Algorithm . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.4 Experiments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.5 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
4 Applications of One-to-one Edge based Registration 55
4.1 Registration of Inter-subject MR Datasets . . . . . . . . . . . . . . . . . . . . . 55
4.2 Registration of Multi-modal Retinal Images . . . . . . . . . . . . . . . . . . . . 56
4.3 Matching Photographs of Neurosurgery to MRI Volume . . . . . . . . . . . . . . 60
4.4 Motion Compensation for Frame Interpolation . . . .