Deformable Group-wise Image Registration for Motion Estimation in 4D Medical Imaging
Recalage d'images déformées en groupe pour l'estimation du mouvement en imagerie médicale 4D
Résumé
This doctoral thesis develops methods to estimate patient's motion, voluntary and involuntary (organs' motion), in order to correct for motion in spatiotemporal tomographic medical images. As an experimental paradigm we consider the problem of motion estimation in Diffusion-Weighted Magnetic Resonance Imaging (DWI), an imaging modality sensitive to the diffusion of water molecules in the body. DWI is used for the evaluation of lymphoma patients, since water diffuses differently in healthy tissues and in lesions. The effect of water diffusion can be better depicted through a parametric map, the so-called apparent diffusion coefficient (ADC map), created based on a series of DW images of the same patient (3D image sequence), acquired in time during scanning. Such a parametric map has the potentiality to become an imaging biomarker in DWI and provide physicians with complementary information to current state-of-the-art FDG-PET imaging reflecting quantitatively glycose metaboslism.
Using the ADC as an imaging biomarker is appealing due to the fact that it is derived non-invasively, it doesn't require any exogenous contrast agents, it doesn't use ionizing radiation, it is quantitative, it can be obtained relatively rapidly, and it is easily incorporated into routine patient evaluations. Retention though of the spatial information derived by the ADC map requires the correction for motion, which is achieved through co-registering the DW images of the sequence.
Our contributions are three fold. First, we propose a group-wise deformable image registration method especially designed for motion correction in DWI, as it is guided by a physiological model describing the diffusion process taking place during image acquisition. Our method derives an ADC map of higher accuracy in terms of depicting the gradient of the water molecules' diffusion in comparison to the corresponding map derived by common practice or by other model-free group-wise image registration methods. Second, we show that by imposing spatial constraints on the computation of the ADC map, the tumours in the image can be even better characterized in terms of classifying them into the different types of the disease. Third, we show that a correlation between DWI and FDG-PET should exist by examining the correlation between statistical features extracted by the smooth ADC map derived by our deformable registration method, and recommendation scores on the malignancy of the lesions, given by experts based on an evaluation of the corresponding FDG-PET images of the patient.
In more detail, the first part of the thesis introduces the problem of motion correction in 4D medical imaging (4DMI), while it focuses on the corresponding problem in DWI. Moreover, in that introductory chapter, the notion of deformable medical image registration is as well introduced, followed by a statement on the goals and the roadmap of this doctoral thesis. Furthermore, the second part of the thesis is devoted on a literature review on proposed methods coping with motion estimation in 4DMI. As this particular registration problem involves a sequence of images to be co-registered, it is referred to as group-wise image registration problem, which is more challenging than the common pair-wise registration problem in terms of balancing computational efficiency and solution accuracy.
Then in the third part of the thesis, our first group-wise deformable image registration method is introduced and described, which incorporates the temporal dimension (reflecting the change of signal amplitude in time) of the acquisition process. Temporal consistency on the physiological model, as well as deformation smoothness, is imposed through a pair-wise Markov Random Field (MRF) formulation, towards producing anatomically meaningful representations of the 3D images. The performance of the proposed method is compared, using three different validation criteria, to two different model-free group-wise registration approaches; one that penalizes the absolute differences in the intensities and one that penalizes the intensity range among the images on corresponding regions. A dataset consisting of twenty-five (25) patients, each scanned with 3 "b-values", was used to evaluate the method's accuracy. The proposed registration method outperformed the other two registration approaches, making it a very promising method for highlighting the importance of ADC as an imaging biomarker.
In the fourth part of the thesis, a novel joint parameter estimation method is introduced and described, which consists of the main contribution of this doctoral thesis. It is based as well on a pair-wise Markov Random Field (MRF) formulation that jointly registers the DW images and models the spatiotemporal diffusion. Spatial smoothness on the ADC map, as well as spatiotemporal deformation smoothness, is imposed in that framework too. In contrast to our first proposed method, the ADC map in this formulation is computed explicitly and not implicitly as it was the case before through fitting the physiological model. A dataset consisting of thirty-eight (38) patients, this time each scanned with 5 "b-values", was used to evaluate the method's accuracy, as well as the effect of using more than three "b-values" to create the ADC map. To this scope, simulated DWI data were created in order to optimize the parameters of the method. The registration performance is compared to our first proposed methods and a state-of-the art registration approach in terms of obtained fitting error of the diffusion model in the core of the tumor. Our results reveal a marginally better performance of both our methods when compared against the standard ADC map used in clinical practice, a state-of-the-art pair-wise registration method, as well as the model-free group-wise registration methods, which indicates their potential as means for extracting imaging biomarkers. The main qualities of our frameworks lie in their computational efficiency and versatility. The discrete nature of the formulations renders the frameworks modular in terms of iconic similarity measures.
Finally, in the fifth and last part of the thesis, we examined whether we can extract potential imaging biomarkers (image-related features) by the ADC maps derived by our proposed registration methods. The evaluation is based on two different statistical analysis, one in which we examine whether we could automatically classify the lesions into the different types of the disease and another one where we examined the correlation between the extracted features and the recommendation grading scores derived by FDG-PET. Automatic disease-type classification (Hodgkin and Non-Hodgkin) based on imaging biomarkers extracted using our registration method achieved a classification accuracy of approximately 73.3%, yielding a 7.5% increase in respect to the standard approach (biomarkers from unregistered DW images). Moreover, significant correlation between diffusion-based features and PET-based staging scores was revealed both after two cycles of chemotherapy and in the end of treatment (corr=0.52 and corr=0.78 respectively, p-value < 0.01 in both) by the proposed method that was not observed without registration. Applying linear regression and using the features showing the best correlation in the afore-mentioned study, staging scores for the patients were predicted that had a significant correlation with the corresponding PET-based ones (corr=0.71 and corr=0.88, respectively, p-value $<$ 0.01 in both), while the corresponding coefficients of determination were 0.68 and 0.91, meaning that the model explains 68% and 91% of the variability in the PET-based staging scores respectively. No accurate prediction was attained without registration.
La présente thèse élabore le développement des méthodes pour l’estimation du mouvement des organes du patient tant qu’il paraît sur l’image tomographique. Le but est la correction du mouvement spatio-temporel sur les images médicales tomographiques. En tant que paradigme expérimental, nous considérons le problème de l'estimation du mouvement dans l'imagerie IRM de diffusion, une modalité d'imagerie sensible à la diffusion des molécules d'eau dans le corps. IRM est utilisée pour l'évaluation des patients atteints de lymphome, car l'eau diffuse différemment dans les tissus biologiques sains et dans les lésions. L'effet de la diffusion de l'eau peut être mieux représenté par une image paramétrique, le soi-disant coefficient de diffusion apparente (image à ADC), créé sur la base d'une série d'images DWI du même patient (séquence d'images 3D), acquises au moment de la numérisation. Une telle image paramétrique a la possibilité de devenir un biomarqueur d'imagerie d’IRM et de fournir aux médecins des informations complémentaires concernant l'image de FDG-PET qui consiste la méthode d’imagerie de base pour le lymphome et qui montre la quantité de glucose métabolisée.
L'utilisation de l’ADC en tant que biomarqueur d'imagerie semble être une bonne méthode à cause du fait qu'elle une méthode non-invasive, elle ne nécessite aucun agent de contraste exogène, elle n'utilise pas de rayonnement ionisant, elle est quantitative, elle peut être obtenue relativement rapidement et elle est facilement incorporée dans les évaluations courantes des patients. La rétention de l'information spatiale dérivée par l'image à ADC nécessite la correction pour le mouvement, qui est obtenue en co-recalage les images DW de la séquence.
Nos contributions sont trois. Tout d'abord, nous proposons une méthode de recalage d'image déformable en groupe spécialement conçue pour la correction de mouvement dans l’IRM de diffusion, car elle est guidée par un modèle physiologique décrivant le processus de diffusion qui se déroule lors de l'acquisition de l'image. Notre méthode détermine une image à ADC de plus grande précision en termes de représentation du gradient de la diffusion des molécules d'eau par rapport à l` image correspondante obtenue par pratique courante ou par d'autres méthodes de recalage d'image non basé sur un modèle. Deuxièmement, nous montrons qu'en imposant des contraintes spatiales sur le calcul de l'image à ADC, les tumeurs de l'image peuvent être encore mieux caractérisées en les classant dans les différents types de la maladie. Troisièmement, nous montrons qu'une corrélation entre DWI et FDG-PET devrait exister en examinant la corrélation entre les caractéristiques statistiques extraites par l'image à ADC lisse découlant de notre méthode du recalage d’image déformable et les scores de recommandation sur la malignité des lésions, donnés par des experts basés sur une évaluation des images FDG-PET correspondantes du patient.
Plus précisement, la première partie de la thèse introduit le problème du recalage du mouvement dans l'imagerie médicale 4D (4DMI), alors qu'elle se concentre sur le problème correspondant dans l’IRM de diffusion. En outre, dans ce chapitre introductif, la notion du recalage d'image médicale déformable est également introduite, suivie d'une déclaration des objectifs et du plan de la thèse doctorale. Par la suite, la deuxième partie de la thèse est consacrée à une revue de littérature sur des méthodes proposées concernant l'estimation du mouvement dans 4DMI. Étant donné que ce problème du recalage d’image particulier implique une séquence d'images co-aligné, il s’inscrit comme problème de décalage d'image déformable en groupe, qui est plus difficile que le problème commun de la corrélation en paire en termes d'équilibrage de l'efficacité du calcul et de la précision de la solution.
Dans la troisième partie de la thèse, notre première méthode du recalage d'image déformable en groupe est introduite et décrite, ce qui intègre la dimension temporelle (reflétant le changement de l'amplitude du signal dans le temps) du processus d'acquisition. La cohérence temporelle sur le modèle physiologique, ainsi que la douceur de la déformation, est imposée par une formulation de champ Random Markov (MRF) en paire, afin de produire des représentations anatomiquement significatives des images 3D. La performance de la méthode proposée est comparée, en utilisant trois critères de validation différents, à deux approches du recalage d’image en groupe avec différentes fonctions objectives; une qui pénalise les différences absolues dans les intensités et une autre qui pénalise la gamme d'intensité entre les images sur les régions correspondantes. Un ensemble de données composé de vingt-cinq (25) patients, chacun scanné avec 3 "valeurs b", a été utilisé pour évaluer la précision de la méthode. La méthode du recalage d’image proposée a surpassé les deux autres approches du recalage d’image, ce qui en fait une méthode très prometteuse pour souligner l'importance de l'ADC en tant que biomarqueur d'imagerie.
Dans la quatrième partie de la thèse, une nouvelle méthode d'estimation des paramètres conjointes est introduite et décrite, ce qui constitue la principale contribution de cette thèse de doctorat. Elle repose également sur la une formule de champ aléatoire Markov (MRF) en paire qui regroupe conjointement les images DW et modélise la diffusion spatio-temporelle. La douceur spatiale sur lìmage à ADC, ainsi que la douceur de la déformation spatiotemporelle, est également imposée dans cette image. Contrairement à notre première méthode proposée, l’image à ADC dans cette formulation est calculée explicitement et pas implicitement comme c'était le cas auparavant en ajustant le modèle physiologique. Un ensemble de données composé de trente-huit (38) patients, cette fois scannés avec 5 "valeurs b", a été utilisé pour évaluer la précision de la méthode, ainsi que l'effet d'utiliser plus de trois "valeurs b" pour créer l'image à ADC. A cette portée, des données DWI simulées ont été créées afin d'optimiser les paramètres de la méthode. La performance de le recalage d’image est comparée à nos premières méthodes proposées et à une approche du recalage d’image à la fine pointe de la technologie en termes d'erreur de montage obtenue du modèle de diffusion au cœur de la tumeur. Nos résultats révèlent une amélioration légèrement meilleure de nos méthodes par rapport à l' image à ADC standard utilisée dans la pratique clinique, une méthode du recalage d’image en piste à la fine pointe de la technologie, ainsi que les méthodes du recalage d’image en groupe sans regroupement, ce qui indique leur potentiel comme moyen d'extraire les biomarqueurs d'imagerie. Les principales qualités de nos cadres résident dans leur efficacité et leur polyvalence. La nature discrète des formulations rend les cadres modulaires en termes de mesures de similarité iconiques.
Enfin, dans la cinquième et dernière partie de la thèse, nous avons examiné si nous pouvons extraire des biomarqueurs d'imagerie potentiels (caractéristiques liées à l'image) par les images à ADC obtenues par nos méthodes du recalage d'image proposées. L'évaluation est basée sur deux analyses statistiques différentes, dans lesquelles nous examinons si nous pourrions classer automatiquement les lésions dans les différents types de la maladie et une autre où nous avons examiné la corrélation entre les caractéristiques extraites et les scores de recommandation obtenus par FDG-PET. La classification automatique du type de maladie (Hodgkin et Non-Hodgkin) basée sur les biomarqueurs d'imagerie extraits en utilisant notre méthode du recalage d’image a atteint une précision de classification d'environ 73.3\%, ce qui donne une augmentation de 7.5% par rapport à l'approche standard (biomarqueurs à partir d'images DW non recalagées). En outre, une corrélation significative entre les caractéristiques basées sur la diffusion et les scores de mise en scène basés sur le PET a été révélée à la fois après deux cycles de chimiothérapie et en fin de traitement (corr = 0,52 et corr = 0,78 respectivement, p-valeur < 0.01 dans les deux) par la méthode proposée qui n'a pas été observée sans inscription. En appliquant une régression linéaire et en utilisant les caractéristiques présentant la meilleure corrélation dans l'étude mentionnée ci-dessus, il a été observé que les résultats de mise en scène pour les patients avaient une corrélation significative avec les correspondants à base de PET (corr = 0,71 et corr = 0,88, respectivement, p-valeur < 0,01 dans les deux), tandis que les coefficients de détermination correspondants étaient de 0,68 et 0,91, ce qui signifie que le modèle explique 68% et 91% De la variabilité des scores de pontage à base de PET respectivement. Aucune prédiction précise n'a été obtenue sans recalage d'image.