Hinweis zum Urheberrecht
Dissertation zugänglich unter
URN: urn:nbn:de:bvb:29-opus-26245
URL: http://www.opus.ub.uni-erlangen.de/opus/volltexte/2011/2624/
Statistical Intensity Prior Models with Applications in Multimodal Image Registration
Statistische Modelle für Intensitäts-basiertes Vorwissen mit Anwendungen in der multimodalen Bildregistrierung
Gütter, Christoph
| SWD-Schlagwörter: |
| Registrierung <Bildverarbeitung> , Matching , Vorwissen , Dichte <Stochastik> , Anwendung |
| Freie Schlagwörter (Englisch): |
| multimodal, image registration, non-rigid, rigid, prior knowledge, matching, statistical similarity measures, clinical application, mutual information |
| Fakultät: |
| Technische Fakultät |
| DDC-Sachgruppe: |
| Informatik |
| Dokumentart: |
| Dissertation |
| Hauptberichter: |
| Hornegger, Joachim (Prof. Dr.-Ing.) |
| Sprache: |
| Englisch |
| Tag der mündlichen Prüfung: |
| 28.01.2011 |
| Erstellungsjahr: |
| 2011 |
| Publikationsdatum: |
| 28.06.2011 |
| Kurzfassung in Deutsch: |
| Die Herleitung von Algorithmen, die automatisch Bilder aus unterschiedlichen Aufnahmequellen registrieren können, man spricht auch von Multimodaler Bildregistrierung, ist ein fundamentales Problem von grosser Bedeutung für Forschungsgebiete in der Bildanalyse, der Computervision und der medizinischen Bildgebung. Insbesondere, die genaue Berechung von Deformationen in multimodalen Bilddaten beschäftigt fortwährend Wissenschaftler und spielt zur gleichen Zeit eine immens wichtige Rolle in verschiedenen klinischen Anwendungen, die zu einer höheren Qualität des Gesundheitswesens beitragen sollen. Da das Gebiet der medizinischen Bildanalyse in den letzen zwei Jahrzehnten rapide gewachsen ist, verlangt die Fülle der klinischen Informationen, die den Experten in der Medizin zur Verfügung stehen, nach mehr Automation der Algorithmen in der medizinischen Bildverarbeitung.
Die Registrierung von multimodalen Bilddaten in der Medizin ist eine komplizierte Aufgabenstellung aufgrund der hohen Variabilität der möglichen Bildinhalte und der Mannigfaltigkeit der vorkommenden Objektverformungen. Die Bewegungsmuster in der medizinischen Bildgebung begründen sich meist in Herz-, Atem-, oder Patientenbewegungen (d.h. sehr komplexe Bewegungsmuster), und die zugrundeliegenden Bilddaten können verrauscht sein, mit Bildrekonstruktions-Artefakten versehen sein, oder verdeckte Bildinformation, das aus einigen Krankheitsbildern resultiert, in der Modalität aufweisen. Ein Kernproblem der Methoden, die in der Fachliteratur vorhanden und bekannt sind, ist, dass sie auf die Qualität der vorhandenen Bilder angewiesen sind. Dadurch kann es schwierig werden, eine zuverlässige und akkurate Registrierung von verrauschten oder fehlerbehafteten, multimodalen Bilddaten zu erreichen.
In dieser Forschungsarbeit nutzen wir Vorwissen über die Intensitätsverteilungen von exakten vorhergehenden Registrierungen aus, um eine robuste und genaue Registrierung von multimodalen medizinischen Bilddaten zu erreichen. Die folgenden Beiträge zum Gebiet der multimodalen Bildregistrierungen werden von der vorliegenden Arbeit gemacht. Erstens, wir haben ein integriertes statistisches Model für intensitäts-basiertes Vorwissen entwickelt, das Bildinformationen der zu registrierenden Bilder und das Vorwissen miteinander verbindet. Das Model ermöglicht eine robustere Registrierung mit einem grösseren Erfassungsgebiet als gewöhnliche Methoden. Zweitens, wir haben eine Generalisierung dieses Modells entwickelt, das die Modellierung von verschiedenartigem Vorwissen erlaubt und damit eine höhere Genauigkeit in der Registrierung von klinischen, multimodalen Bilddaten aufweisen kann. Die Modelle sind in einem vereinigenden Bayes'schen System formuliert, das in die statistischen Grundlagen von Informationstheoretischen Ähnlichkeitsmaßen eingebettet ist. Drittens, wir haben die vorgestellten Modelle angewandt auf zwei klinische Anwendungen und deren Registrierungsqualitäten auf einer Datenbank von ungefähr 100 Patienten ausgewertet. Diese Auswertung wurde anhand eines systematischen Validierungssystem vorgenommen und im Zuge dessen haben wir weiterhin ein Kriterium zur Evaluierung von nicht-starrer oder deformierbarer Registrierung entwickelt.
Die Experimente auf synthetischen und realen, klinischen Daten zeigen ein besseres Ergebnis, d.h. in Bezug auf Robustheit und Genauigkeit, der statistischen Modelle für intensitäts-basiertes Vorwissen gegenüber gewöhnlichen Registrierverfahren. Unsere Ergebnisse zeigen auch, dass voll-automatische multimodale, starre sowie nicht-starre, Bildregistrierung erreicht werden kann in klinischen Anwendungen. Statistische intensitäts-basierte Vorwissenmodelle liefern eine hohe Genauigkeit erzeugt von einer \enquote{relativ kleinen} Menge an Vorwissen im Vergleich zu traditionellen Verfahren auf dem Gebiet von machine learning: eine interessante Eigenschaft in der Theorie als auch in der Praxis. |
| Kurzfassung in Englisch: |
| Deriving algorithms that automatically align images being acquired from different sources (multimodal image registration) is a fundamental problem that is of importance to several active research areas in image analysis, computer vision, and medical imaging. In particular, the accurate estimation of deformations in multimodal image data perpetually engages researchers while playing an essential role in several clinical applications that are designed to improve available healthcare. Since the field of medical image analysis has been rapidly growing for the past two decades, the abundance of clinical information that is available to medical experts inspires more automatic processing of medical images.
Registering multimodal image data is a difficult task due to the tremendous variability of possible image content and diverse object deformations. Motion patterns in medical imaging mostly originate from cardiac, breathing, or patient motion (i.e. highly complex motion patterns), and the involved image data may be noisy, furnished with image reconstruction artifacts, or rendered with occluded image information resulting from imaged pathologies. A key problem with methods reported in the literature is that they purely rely on the quality of the available images and have, therefore, difficulties in reliably finding an accurate alignment when the underlying multimodal image information is noisy or corrupted.
In this research, we leverage prior knowledge about the intensity distributions of accurate image alignments for robust and accurate registration of medical image data. The following contributions to the field of multimodal image registration are made. First, we developed a prior model called integrated statistical intensity prior model that incorporates both current image information and prior knowledge. It shows an increased capture range and robustness on degenerate clinical image data compared to traditional methods. Second, we developed a generalization of the first model that allows for modeling all available prior information and greater accuracy in aligning clinical multimodal image data. The models are formulated in a unifying Bayesian framework that is embedded in the statistical foundations of information theoretic similarity measures. Third, we applied the proposed models to two clinical applications and validated their performance on a database of approximately 100 patient data sets. The validation is performed using a systematic framework and we further developed a criteria for assessing the quality of non-rigid or deformable registrations.
The experiments on synthetic and real, clinical images demonstrate the superior performance, i.e. in terms of robustness and accuracy, of statistical intensity prior models to traditional registration methods. This suggests that fully automatic multimodal registration (i.e. rigid and non-rigid) is achievable for clinical applications. Statistical intensity prior models deliver great accuracy from a "relatively small" amount of prior knowledge when compared to traditional machine learning approaches that is appealing in both theory and in practice.
|
Sie benötigen weitere Informationen?
Fragen Sie uns!