Medical Image Registration through Statistical Inference
Recalage d'images médicales par inférence statistique
Résumé
Registration is a classical problem in computer vision which is essential in many tasks of medical image analysis. The general principle of a registration algorithm is to optimize a criterion measuring the match between two images among a predetermined set of spatial transformations. Choosing the criterion (the similarity measure) is determinant for both the accuracy and the robustness of the algorithm. There exists currently a catalog of similarity measures in which a developer may select the one which is the most appropriate to a given problem, based on his intuition and experience. In order to make this choice more objective, we propose in this thesis to derive similarity measures from probabilistic image acquisition models. Starting with a simple model of functional dependence between the image intensities, we define a new class of similarity measures that closely relate to the concept of correlation ratio. We demonstrate experimentally that these measures are adapted to several multimodal rigid registration problems involving images acquired by Magnetic Resonance (MRI), Computed Tomography, and Scintigraphy. The correlation ratio method is then extended to the multimodal non-rigid case using a few practical adaptations. We finally formalize image registration as a general maximum likelihood estimation problem, which enables us to take into account image dependence models that are more complex than functional models. This approach is applied to rigid registration of 3D Ultrasound images and MRI.
Le recalage est un problème classique en vision par ordinateur qui intervient notamment dans de nombreuses tâches d'analyse des images médicales. Le principe général d'un algorithme de recalage est d'optimiser un critère mesurant la correspondance entre deux images sur un espace prédéterminé de transformations spatiales. Le choix du critère, appelé mesure de similarité, conditionne de façon déterminante la précision et la robustesse de l'algorithme. Il existe aujourd'hui un dictionnaire de mesures de similarité dans lequel le concepteur d'un programme choisit, en se fiant le plus souvent à son intuition et à son expérience, celle qui est la mieux adaptée à son problème particulier. Afin de rendre plus objectif un tel choix, cette thèse propose une méthodologie pour construire des mesures de similarité en fonction de modèles probabilistes de formation d'images. En considérant d'abord un modèle simple de liaison fonctionnelle entre les intensités des images, nous définissons une nouvelle classe de mesures de similarité liée à la notion de rapport de corrélation. Nous montrons expérimentalement que cette classe est adaptée au recalage rigide multimodal d'images acquises par résonance magnétique (IRM), scanner et scintigraphie. La méthode du rapport de corrélation est ensuite étendue au cas du recalage multimodal non-rigide au prix de quelques adaptations pratiques. Enfin, nous formulons le recalage d'images comme un problème général d'estimation par maximum de vraisemblance, ce qui nous permet de prendre en compte des modèles de dépendance inter-images plus complexes que des modèles fonctionnels. Cette approche est appliquée au recalage rigide d'images ultrasonores 3D et IRM.
Loading...