Statistical Medical Image Registration with Applications in Epilepsy Diagnosis and Shape-Based Segmentation

Language
en
Document Type
Doctoral Thesis
Issue Date
2010-01-13
Issue Year
2009
Authors
Hahn, Dieter
Editor
Abstract

The advances in scanner technologies over the past years and a growing number of modalities in medical imaging result in an increased amount of patient data. The physicians are faced with an overwhelming amount of information when comparing different scans. Therefore, automatic image processing algorithms are necessary to facilitate everyday clinical workflows. The present work focuses on automatic, statistical image registration approaches and applications in epilepsy diagnosis and shape-based segmentation. Registration algorithms based on image intensity statistics are currently state-of-the-art to automatically compute an alignment between multi-modal images. The parameters, however, are sensitive to the input data. In the present work, we study the mutual influences of these parameters on the intensity statistics and present datadriven estimation schemes to optimize them with respect to the input images. This is necessary to register large sets of images both accurately and reliably. The presented evaluation results, which are based on a database with an established gold standard, confirm that individually optimized parameters lead to improved results compared to standard settings found in literature. Besides spatial accuracy, the reduction of the computation time for the registration is equally important. In this thesis, we present an approach to reduce the search space for the optimization of a rigid registration transform by a nonlinear projection scheme, which is closely related to the concept of marginalization of random variables. Within each projection, a disjoint subset of the transform parameters is optimized with greatly reduced computational complexity. With a good choice of the projection geometry, the search space can be separated into disjoint subsets. In the case of rigid 3-D image registrations, the nonlinear projection onto a cylinder surface allows for an optimization of the rotation around the cylinder axis and a translation along its direction without the need for a reprojection. Sub-volume registration problems are supported by fitting the projection geometry into the overlap domain of the input images. The required objective functions are constrained by systems of linear inequalities and solved by means of constrained, nonlinear optimization techniques. A statistical framework is proposed to measure the accuracy of the registration algorithms with respect to manual segmentation results. The aforementioned concepts of the data-driven density estimators are adopted for the estimation of spatial densities of the segmented labels in order to model the observer reliability. The accuracy of the spatial registration transform is measured between the estimated distributions of the segmented labels in both input images using the Kullback-Leibler divergence. The proposed algorithms are evaluated by a registration of a database of morphological and functional images with an established gold standard based on fiducial marker implants. Applications are presented for the subtraction of single emission computed tomography scans for epilepsy diagnosis, where the intensity distributions are estimated for both the task of the registration and the normalization of the images. Finally, the registration is utilized for shape-based image segmentation to establish a model for the variability within a collective of segmented training shapes.

Abstract

Erzielte Fortschritte in der Technologie und den Aufnahmeverfahren medizinischer Geräte in den letzten Jahren führen zu einer merklichen Zunahme von Patientendaten. Die Ärzte werden mit einer Vielzahl an Informationen konfrontiert, wenn es darum geht, verschiedene Aufnahmen miteinander zu vergleichen. Deshalb ist es nötig, automatische Algorihmen zur Verarbeitung der Daten in die klinischen Abläufe zu integrieren. Die vorliegende Arbeit beschäftigt sich mit der automatischen, statistischen Bildregistrierung und Anwendungen in der Epilepsie Diagnostik und der formbasierten Segmentierung. Registrierungsalgorithmen, die auf Bildstatistiken beruhen, sind derzeit aktueller Stand, um örtliche Zusammenhänge zwischen multi-modalen Bilddaten automatisch zu berechnen. Hierfür ist in einer praktischen Realisierung eine Vielzahl an Parametern nötig. Die entsprechenden Werte hängen von den Eingabedaten ab. In dieser Dissertation werden die Zusammenhänge und gegenseitigen Einflüsse dieser Werte auf die Bildstatistik untersucht und datengetriebene Verfahren vorgestellt, um optimale Werte bezüglich der Bilder zu ermitteln. Dies ist notwendig für die robuste und genaue Registrierung von großen Datenmengen. Die vorgestellte Evaluation der Methoden, basierend auf einer etablierten Datenbank mit vorhandenem Goldstandard, bestätigt, dass die automatisch ermittelten Parameterwerte zu einer Verbesserung führen verglichen mit Werten, wie sie standardmäßig in einschlägiger Literatur gefunden werden können. Neben der räumlichen Genauigkeit ist auch die Laufzeit der Algorithmen von Bedeutung. In dieser Arbeit wird ein Ansatz vorgestellt, der den Suchraum für eine starre Registrierungstransformation durch nichtlineare Projektionsschemata reduziert. Das Konzept ist eng verwandt mit der Marginalisierung von Zufallsvariablen. In jeder Projektion kann eine Untermenge der Transformationsparameter mit stark reduziertem Berechnungsaufwand optimiert werden. Die Wahl der Projektionsgeometrie spielt eine Rolle bei der Separierbarkeit des Suchraums. Im Falle von starren Bildtransformationen in 3-D erlaubt die nichtlineare Projektion auf eine Zylinderoberfläche die Trennung in eine Rotation um die Zylinderachse und eine Translationskomponente entlang des Zylinders. Während der Optimierung dieser Untermenge sind keine zusätzlichen Projektionen aus dem hochdimensionalen Raum nötig. Subvolumen Probleme lassen sich über eine geeignete Einpassung der Projektionsgeometrie in den Überlappungsbereich der Bilder erfassen. Die dazugehörigen Zielfunktionen werden durch eine Optimierung mit Nebenbedingungen gelöst. Zusätzlich wird ein statistischer Ansatz vorgestellt, um die Genauigkeit von Registrierungsalgorithmen bezüglich manueller Segmentierungen von medizinischen Experten zu erfassen. Die erläuterten Konzepte der datengetriebenen Intensitätsstatistik können hierfür angepasst werden. Es werden örtliche Dichtefunktionen für die segmentierten Daten geschätzt, um die Variabilität der Beobachter zu integrieren. Die Genauigkeit der Registrierung kann anschließend durch ein Abstandsmaß zwischen den Dichten erfasst werden, das auf der Kullback-Leibler Divergenz beruht. Vorgestellte Algorithmen werden anhand einer Datenbank mit morphologischen und funktionalen Bilddaten evaluiert. Die Genauigkeit der Transformation bestimmt sich hierbei aus dem Abstand von implantierten Markern. Eine Anwendungsmöglichkeit der Methoden findet sich in der Subtraktion von SPECT (Single Emission Computed Tomography) Aufnahmen für die Epilepsie Diagnostik. Hierbei werden die aufgeführten, statistischen Verfahren im Rahmen der Registrierung und der Normierung der Bilddaten verwendet. Abschließend wird die Registrierung für die Generierung eines Formmodells zur Segmentierung eingesetzt.

DOI
Document's Licence
Faculties & Collections
Zugehörige ORCIDs