Project: Learning Nonrigid Registration of Images
- Title (NL) Learning Nonrigid Registration of Images
- Period 01 / 2008 - 01 / 2012
- Status Current
- Dissertation Yes
Abstract
Abstract
|
Nonrigid registration of images is an important and often crucial step in many areas of image processing and analysis, yet it is only used in a small percentage of possible applications. Automated registration methods are not sufficiently robust to handle complex deformations and locally deviating intensities. The goal of this project is to develop methodology that learns to cope with such situations, from example registrations defined by experts. Image processing by learning has been successfully applied for image segmentation, but the concept is new to image registration. Besides learning how to deform one image to fit another, the system will also learn to detect misregistered areas in the image. These failed areas will not be actively registered, but instead they will be passively deformed by the surroundings. In order to handle complex deformations in a computationally feasible manner, the deformation grid will be selectively refined. The decision to refine a certain area can also be learnt. The methodology will be evaluated on registration of lung computed tomography (CT) scans. Two separate registration tasks in this application area will be examined: change detection in follow-up scans and registration of inspiration and expiration images. We have a large database as well as expert knowledge from radiologists available. |
|
Abstract (NL)
|
Niet-rigide beeldregistratie behelst het zodanig vervormen van een beeld dat de inhoud in overeenstemming is met die van een ander beeld. In medische toepassingen wordt dit bijvoorbeeld gebruikt om beelden van een pati¨ent voor en na behandeling te vergelijken. Ondanks het bestaan van vele niet-rigide registratiemethoden, worden deze maar zeer beperkt toegepast in de kliniek. Een belangrijke oorzaak hiervan is dat er grote veranderingen kunnen optreden in de beelden, zowel qua uiterlijk (door bijvoorbeeld het ontstaan een tumor of emphyseem) als qua vorm (tegen elkaar gelegen segmenten van een long kunnen in tegengestelde richting langs elkaar schuiven). Bestaande methoden kunnnen onvoldoende met dergelijke complexe vervormingen en veranderingen omgaan. In dit project beogen we een registratiemethode te ontwikkelen die leert complexe problemen correct te registreren, op basis van voorbeeldregistraties die door experts zijn gedaan. Het systeem leert hoe het een beeld moet vervormen door variatie in uiterlijk en vorm uit de voorbeelden te herkennen. Ook kan het systeem leren om gebieden in het beeld die niet goed geregistreerd worden te signaleren, waarna het die gebieden niet actief zal registreren, maar passief mee zal laten vervormen met de omgeving. Daarnaast zal het mogelijk zijn te leren herkennen waar de huidige vervormingen onvoldoende zijn en daar op een fijnere schaal vervormingen toe te staan. De methode zal worden ge¨evalueerd op klinische toepassingen van computer tomografie (CT) beelden van de longen: veranderingen vinden in op verschillende tijdstippen opgenomen beelden van eenzelfde patiënt en het registreren van in- en uitademingsbeelden. |
Related organisations
|
Secretariat
|
Instituut voor Beeldwetenschappen (UU) |
|
Financier
|
NWO Exacte Wetenschappen - EW (NWO) |
Related people
|
Researcher
|
S. Münzing |
|
Project leader
|
Dr. J.P.W. Pluim |
Data Supplier:
NWO
Update this data in the Dutch Research Database (NOD).
