La présentation est en train de télécharger. S'il vous plaît, attendez

La présentation est en train de télécharger. S'il vous plaît, attendez

Défense publique – 24/10/05 Dense Deformation Field Estimation for Pairwise and Multi-subjects Registration Mathieu De Craene Défense publique – 24 octobre.

Présentations similaires


Présentation au sujet: "Défense publique – 24/10/05 Dense Deformation Field Estimation for Pairwise and Multi-subjects Registration Mathieu De Craene Défense publique – 24 octobre."— Transcription de la présentation:

1 Défense publique – 24/10/05 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 Défense publique – 24/10/05 Table des matières Contexte. Co-registration dimages médicales Méthodes Applications Co-registration dimages intra-opératoires Co-registration atlas patient Construction datlas statistiques Conclusion

3 Défense publique – 24/10/05 Table des matières Contexte. Co-registration dimages médicales Méthodes Applications Co-registration dimages intra-opératoires Co-registration atlas patient Construction datlas statistiques Conclusion

4 Défense publique – 24/10/05 Image médicale 3D 3 plans courants pour la visualisation contexte || méthodes || applications || conclusion

5 Défense publique – 24/10/05 Que signifie « co-registrer »? contexte || méthodes || applications || conclusion = Image fixe = cibleImage mobile

6 Défense publique – 24/10/05 Pourquoi la co-registration ? Comparer deux images du même patient comparer différentes modalités mesurer une évolution avant-après traitement contexte || méthodes || applications || conclusion

7 Défense publique – 24/10/05 Pourquoi la co-registration ? Comparer deux patients différents co-registration atlas-patient Objectif : reporter les structures anatomiques délimitées dans latlas sur le patient contexte || méthodes || applications || conclusion

8 Défense publique – 24/10/05 Pourquoi la co-registration ? Comparer les sujets dune population Référence moyenne Variabilité des structures anatomiques autour de la moyenne Référence ? contexte || méthodes || applications || conclusion

9 Défense publique – 24/10/05 Retour au titre Dense Deformation Field Estimation for Pairwise and Multi-subjects Registration Patient-Patient ou Patient-Atlas Co-registrer une population Métrique

10 Défense publique – 24/10/05 Table des matières Contexte. Co-registration dimages médicales Méthodes Applications Co-registration dimages intra-opératoires Co-registration atlas patient Construction datlas statistiques Conclusion

11 Défense publique – 24/10/05 Mesures intrinsèques de similarité Comparer les fonctions dintensités des images x T(x) Intensité 1 Intensité 2 Espace Images Espace des caractéristiques Mapping des coordonnées contexte || méthodes || applications || conclusion

12 Défense publique – 24/10/05 Information mutuelle Entropie dune variable aléatoire H(X) Entropie = mesure de la dispersion dune variable aléatoire Entropie max.Entropie min. Entropie conditionnelle : incertitude sur la prédiction dune variable avec a priori contexte || méthodes || applications || conclusion canal H(message|réception) canal H(message)

13 Défense publique – 24/10/05 Information mutuelle (2) Applications aux images : entropie = mesure dalignement Information mutuelle : comparaison dincertitudes a priori et posteriori H(M2|F) = 0 H(M1|F) = 0 MI = H(M) - H(M|F) contexte || méthodes || applications || conclusion

14 Défense publique – 24/10/05 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 doptimisation contexte || méthodes || applications || conclusion

15 Défense publique – 24/10/05 Modèles a priori de transformation Transformation globale chaque paramètre agit sur toute limage rigideaffineperspective contexte || méthodes || applications || conclusion

16 Défense publique – 24/10/05 Modèles a priori de transformation Transformation locale Chaque paramètre agit sur une zone limitée de limage contexte || méthodes || applications || conclusion

17 Défense publique – 24/10/05 Modèles a priori de transformation Transformation locale Chaque paramètre agit sur une zone limitée de limage contexte || méthodes || applications || conclusion

18 Défense publique – 24/10/05 Déformation locale : maillage Degrés de liberté = déplacements aux nœuds Interpolation dans tout le volume par fonctions de forme contexte || méthodes || applications || conclusion

19 Défense publique – 24/10/05 Méthodes doptimisation Méthodes basées sur le gradient Mesure directe du gradient Mesure par différence finie Perturbation séquentielle Perturbation simultanée stochastique (SPSA) Algorithmes génétiques Evolution dune « population » de paramètres contexte || méthodes || applications || conclusion

20 Défense publique – 24/10/05 Exemple : coregistration rigide Coregistration MR-CT dimages du foie contexte || méthodes || applications || conclusion

21 Défense publique – 24/10/05 Table des matières Contexte. Co-registration dimages médicales Méthodes Applications Co-registration dimages intra-opératoires Co-registration atlas patient Construction datlas statistiques Conclusion

22 Défense publique – 24/10/05 Neurochirurgie : brain shift Compenser les déformations du cerveau en neurochirurgie contexte || méthodes || applications || conclusion

23 Défense publique – 24/10/05 Neurochirurgie : brain shift Visualisation du champs de déplacement 3D contexte || méthodes || applications || conclusion

24 Défense publique – 24/10/05 Ablation RF de tumeurs dans le foie Comparer les volumes tumeur/nécrose contexte || méthodes || applications || conclusion

25 Défense publique – 24/10/05 contexte || méthodes || applications || conclusion Recherche stochastique de loptimum Ablation RF de tumeurs dans le foie

26 Défense publique – 24/10/05 Biopsie de la prostate Limage pre-opératoire contient un important biais dans la luminance Risque de divergence des algos de recalage contexte || méthodes || applications || conclusion Courtesy of N. Weisenfeld

27 Défense publique – 24/10/05 Biopsie de la prostate Pourquoi faut-il corriger le biais ? contexte || méthodes || applications || conclusion

28 Défense publique – 24/10/05 Biopsie de la prostate contexte || méthodes || applications || conclusion

29 Défense publique – 24/10/05 Table des matières Contexte. Co-registration dimages médicales Méthodes Applications Co-registration dimages intra-opératoires Co-registration atlas patient Construction datlas statistiques Conclusion

30 Défense publique – 24/10/05 Recalage atlas – cerveau avec tumeur Modèle hybride Croissance de tumeur MI flow Régularisation : assurer la continuité entre les deux modèles

31 Défense publique – 24/10/05 contexte || méthodes || applications || conclusion Recalage atlas – cerveau avec tumeur Collaboration : Dr Bach Cuadra

32 Défense publique – 24/10/05 Recalage atlas – cerveau avec tumeur contexte || méthodes || applications || conclusion Collaboration : Dr Bach Cuadra

33 Défense publique – 24/10/05 contexte || méthodes || applications || conclusion Recalage atlas – cerveau avec tumeur Collaboration : Dr Bach Cuadra

34 Défense publique – 24/10/05 Table des matières Contexte. Co-registration dimages médicales Méthodes Applications Co-registration dimages intra-opératoires Co-registration atlas patient Construction datlas statistiques Conclusion

35 Défense publique – 24/10/05 Construction datlas statistiques Basé sur lalgorithme STAPLE Algorithme EM Etape E : estimation dune référence pour lalignement courant Prise en compte des paramètres de spécificité- sensitivité des experts Etape M : optimisation de lalignement et des paramètres de spécificité-sensitivité Maximum de vraisemblance

36 Défense publique – 24/10/05 Construction datlas statistiques contexte || méthodes || applications || conclusion

37 Défense publique – 24/10/05 contexte || méthodes || applications || conclusion Construction datlas statistiques

38 Défense publique – 24/10/05 contexte || méthodes || applications || conclusion Construction datlas statistiques

39 Défense publique – 24/10/05 contexte || méthodes || applications || conclusion Construction datlas statistiques

40 Défense publique – 24/10/05 Extraction des modes principaux de déformation par PCA contexte || méthodes || applications || conclusion Construction datlas statistiques

41 Défense publique – 24/10/05 contexte || méthodes || applications || conclusion Construction datlas statistiques Somme des 80 segmentations non-pondérée pondérée

42 Défense publique – 24/10/05 Contexte. Co-registration dimages médicales Méthodes Applications Co-registration dimages intra-opératoires Co-registration atlas patient Construction datlas statistiques Conclusion Table des matières

43 Défense publique – 24/10/05 Contributions de la thèse contexte || méthodes || applications || conclusion Co-registration patient-patient/patient-atlas Conception avec A. du Bois dAische dun 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 dune 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 Défense publique – 24/10/05 Travaux futurs Dun point de vue algorithmique Implémenter certaines variantes de la SPSA Comparer différentes stratégies de régularisation Utiliser latlas probabiliste pour robustifier des procédures de segmentation par atlas Modes de déformations Information mutuelle locale Dun point de vue applicatif Appliquer les concepts à la construction datlas dans la zone tête et cou

45 Défense publique – 24/10/05 Merci de votre attention


Télécharger ppt "Défense publique – 24/10/05 Dense Deformation Field Estimation for Pairwise and Multi-subjects Registration Mathieu De Craene Défense publique – 24 octobre."

Présentations similaires


Annonces Google