Contribution au recalage d’images médicales multimodales: approches par fonctions de similarité robustes et modèles déformables sous contraintes statistiques

Abstract

The registration of 3D multimodal medical images is considered. Two approaches are proposed to improve standard registration techniques and account for dissimilarities between images. On the one hand, voxel similarity metrics associated to robust M-estimators are designed to account for non-Gaussian noise lesion evolution incomplete acquisitions or outliers. A blinded evaluation of the technique was performed using as gold standard a prospective marker based registration method. The evaluation revealed that our technique produces satisfactory results and its performances are comparable to the accuracy of other standard approaches where manual or semi manual preprocessing removal of non-brain structures is required. On the other hand, statistically constrained deformable models embedding information on both the spatial relation between head skull and scalp and brain surfaces and the anatomical variability observed in a training set are developed. A priori knowledge is used to constrain the registration of multimodal images as well as to segment the brain structure from 3D MRI. The statistical model not only constrains the registration of the involved anatomical structures but also provides a prediction of the location of other anatomical structures described by the model. The approach was evaluated and compared to the robust similarity measure demonstrating a satisfactory registration accuracy and a large capacity to take into account non-overlapping structures.

Οι μέθοδοι ελαστικής ή μη ελαστικής υπέρθεσης εικόνων έχουν ένα σημαντικό ρόλο στη συγχώνευση, ερμηνεία και εκμετάλλευση των δισδιάστατων ή τρισδιάστατων δεδομένων που παρέχουν οι ιατρικές εικόνες. Το αντικέιμενο της υπέρθεσης είναι η αντιστοίχιση, στο χώρο και το χρόνο, εικόνων προερχομένων από το ίδιο (μονοτροπικές εικόνες) ή διαφορετικά συστήματα λήψης (πολυτροπικές εικόνες). Οι κλασσικές μέθοδοι υπέρθεσης παρουσιάζουν σφάλματα ακρίβειας όταν επεξεργάζονται εικόνες που περιέχουν μεταβολή παθολογικής κατάστασης, εικόνες στις οποίες λείπουν ορισμένα δεδομένα (ο ασθενής δεν τοποθετήθηκε σωστά) ή ακόμη και εικόνες με χαμηλή σχέση σήματος προς θόρυβο. Στην περίπτωση της υπέρθεσης (επαλληλίας) πολυφασματικών εικόνων, στα παραπάνω προβλήματα προστίθεται το σημαντικό χαρακτηριστικό εικόνων που περιέχουν εντελώς διαφορετικές πληροφορίες (π.χ. εικόνες ανατομίας και εικόνες λειτουργείας ενός οργάνου) κάνοντας την επαλληλία ακόμη δυσκολότερη. Σημειώνεται ότι οι πολυφασματκές εικόνες έχουν ιδιαίτερη σημασία στην ιατρική επιστήμη λόγω των συμπληρωματικών πληροφοριών που παρέχουν.Το αντικείμενο της παρούσας διατριβής, είναι η μελέτη των τεχνικών υπέρθεσης δισδιάστατων (2Δ) και τρισδιάστατων (3Δ) μονοφασματικών και πολυφασματικών ιατρικών εικόνων, η καταγραφή των προβλημάτων τους και η επινόηση και εφαρμογή νέων μεθόδων που αντιμετωπίζουν με επιτυχία τις δυσκολίες των κλασσικών μεθόδων. Μελετήθηκαν δύο μεγάλες κατηγορίες μεθόδων προσέγγισης του προβλήματος: οι μέθοδοι που βασίζονται στη χρήση ανθεκτικών συναρτήσεων ομοιότητας και οι μέθοδοι εφαρμογής φυσικών ελαστικά παραμορφώσιμων μοντέλων κάτω από στατιστικούς περιορισμούς. Οι αλγόριθμοι που αναπτύχθηκαν εφαρμόστηκαν στην υπέρθεση ιατρικών εικόνων μαγνητικής τομογραφίας (Magnetic Resonance Imaging-MRI) και ιατρικών εικόνων προερχόμενες από τομογραφία με μονοφωτονική εκπομπή (Single Photon Emission Computed Tomography-SPECT) του ανθρωπίνου εγκεφάλου.