Mathieu De Craene Défense publique – 24 octobre 2005 Jury

Présentation au sujet: "Mathieu De Craene Défense publique – 24 octobre 2005 Jury"— Transcription de la présentation:

1 Dense Deformation Field Estimation for 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 Image médicale 3D 3 plans courants pour la visualisation
contexte || méthodes || applications || conclusion Image médicale 3D 3 plans courants pour la visualisation

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

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

7 Pourquoi la co-registration ?
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 Pourquoi la co-registration ?
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 Estimation for 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 Mesures intrinsèques de similarité
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 Information mutuelle Entropie d’une variable aléatoire H(X)
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 Information mutuelle (2)
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 Modèles de transformation
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 Modèles a priori de transformation
contexte || méthodes || applications || conclusion Modèles a priori de transformation Transformation globale chaque paramètre agit sur toute l’image rigide affine perspective

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

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

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

19 Méthodes d’optimisation
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 Exemple : coregistration rigide
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 Neurochirurgie : brain shift
contexte || méthodes || applications || conclusion Neurochirurgie : brain shift Compenser les déformations du cerveau en neurochirurgie

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

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

25 Ablation RF de tumeurs dans le foie
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 Biopsie de la prostate Pourquoi faut-il corriger le biais ?
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 Recalage atlas – cerveau avec tumeur
contexte || méthodes || applications || conclusion Recalage atlas – cerveau avec tumeur Collaboration : Dr Bach Cuadra

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

33 Recalage atlas – cerveau avec tumeur
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 Construction d’atlas statistiques
contexte || méthodes || applications || conclusion Construction d’atlas statistiques

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

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

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

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

41 Construction d’atlas statistiques
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 Contributions de la thèse
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