Ähnlichkeit von Bilder ist einer der wichtigsten Bestandteile der medizinischen Bildverarbeitung. Das Finden von Korrespondenzen zwischen medizinischen Scans von verschiedenen Patienten, Zeitpunkten und Modalitäten ist von enormer Bedeutung für klinischen Anwendungen von Bildanalyse, z.B.: Atlas-basierte Segmentierung, Bewegungsschätzung, Langzeitstudien und multi-modaler Bildfusion. Die Definition von Ähnlichkeiten zwischen Bildern ist schwierig da Scans häufig lokale Variationen in Kontrast und Rauschen aufweisen, sowie z.T. mit unterschiedlichen Aufnahmetechniken generiert wurden. Ein Ziel diese Projektes ist die Erarbeitung und Weiterentwicklung von neuen Ähnlichkeitsmaßen, die invariant zu unterschiedlichen Modalitäten und robust gegenüber Störeinflüssen sind, jedoch weiterhin sehr gut zwischen verschiedenen anatomischen und geometrischen Bildmerkmalen unterscheiden können.

Der “modality independent neighbourhood descriptor” (MIND) ist ein multi-dimensionaler lokaler Bilddeskriptor (siehe Abb. 1), den wir, basierend auf dem Konzept der Selbstähnlichkeit, für multi-modale Registrierung entwickelt haben [1]. Die Anwendung von MIND zeigt deutliche Verbesserungen für die Registrierung von CT und MRT Thoraxaufnahmen im Vergleich zu anderen Methoden auf dem Stand der Technik (z.B. mutual information). Das Verfahren kann auch zur Registrierung von Scans der gleichen Modalität, z.B. 4D-CT verwendet werden, und liefert hierbei eine verbesserte Genauigkeit und erhöhte Robustheit. Jeder MIND Deskriptor wird basierend auf Distanzen lokaler Bildpatches in der Umgebung jedes Voxels unabhängig voneinander für beide Scans berechnet. Der Vergleich zweier Bilder erfolgt durch einfache Distanzen, z.B. die Summe absoluter / quadratischer Differenzen der Merkmalsvektoren. Der “self-similarity context” (SSC) [2] ist eine Weiterentwicklung von MIND. Dieser definiert lokale Nachbarschaftsbeziehungen für die Berechnung der Selbstähnlichkeiten so, dass der lokale Informationskontext präziser dargestellt wird und sich die Paarung der Deskriptoren verbessert. Wir haben weiterhin ein effizientes Quantisierungsschema entworfen, welches eine Hardware-technisch sehr schnelle Berechnung von Distanzen zwischen zwei Deskriptoren mittels des Hamming-Gewichtes ermöglicht. Die erfolgreiche Anwendung für die herausfordernde Registrierung von intra-operativem 3D Ultraschall zu MRT Aufnahmen wurde in [2] gezeigt.

Unsicherheit ist ein bedeutendes Problem für alle automatischen Methoden der Bildanalyse. Allerdings, erlauben wenige bekannte Algorithmen die Schätzung und Ausgabe von Unsicherheiten der berechneten Ergebnisse. Die automatische Fehlererkennung von medizinischen Bildverarbeitungsmethoden hat eine bedeutende Wirkung für die Etablierung neuer Methoden in der klinischen Praxis. Die Rückgabe der Zuverlässigkeit wäre nützlich für Ärzte um zu entscheiden ob in einem speziellen Fall die automatische Analyse berücksichtigt werden soll. Diskrete Optimierungsmodelle (basierend auf Markov Random Fields) erlauben Verfahren zur Berechnung der Unsicherheit, da sie auf die Wahrscheinlichkeit für das Auftreten von bestimmten Modellparametern rückschließen können. Für die Anwendung der 3D Bildregistrierung haben wir ein Verfahren entwickelt, welches über eine Vielzahl von möglichen Lösungsvorschlägen (dense displacement sampling, deeds) für die gesuchten Bewegungsvektoren optimiert [3,4]. Es ermöglicht eine sehr schnelle und zugleich genaue Registrierung von unterschiedlichen medizinischen Bildern, und wurde insbesondere für einen großen Datensatz von Lungen-CT Aufnahmen evaluiert (ein Beispiel ist in Abb. 2 gezeigt, quantitative Ergebnisse siehe empire10.isi.uu.nl/res_deedsmind.php). Die Verteilung der Wahrscheinlichkeiten über den Raum potentieller Verschiebungsvektoren kann mit Hilfe bekannter Optimierungsverfahren (z.B. belief propagation) bestimmt werden, und genutzt werden um die lokale Genauigkeit der Registrierung zu schätzen. Wir haben dieses Verfahren in [5] erfolgreich für die Verbesserung von Atlas-basierter Segmentierung eingesetzt. Ein weiterer Aspekt der in diesem Projekt betrachtet wird ist die Verwendung von verschiedenen (unterschiedlichen) komplementären Bildbeschreibungen. Der Einsatz von mehreren Graphen aus Supervoxeln wurde in [6] untersucht.

Die Software, welche von M.P. Heinrich für die unten genannten Veröffentlichungen entwickelt wurde, kann frei unter folgender Adresse heruntergeladen werden: www.mpheinrich.de/software.html
Dabei sind ein sehr effizientes und genaues 3D Registrierungspaket deeds für Bilder der gleichen oder unterschiedlicher Modalität, sowie Referenzcode um MIND und SSC Deskriptoren zu berechnen.