Aligning images: Deformable registration of CT and Pseudo-CT images using unsupervised Deep Learning based algorithms

Abstract

Medical image registration is the process of algorithmically aligning medical images anatomically. Deformable registration seeks to find a nonlinear mapping between anatomic locations of different images. In the past few years Deep Learning has been successfully applied to the problem. In this work unsupervised Deep Learning based deformable registration is considered. The developed methodologies are applied to registration of computer tomography (CT) and artificial CT images created from magnetic resonance images.

Regularization of the predicted mappings is an important aspect of deformable registration and diffeomorphisms, differentiable bijections with differentiable inverse, are often sought after. Very recently diffeomorphic registration frameworks have been applied to unsupervised Deep Learning registration and they have been shown to produce good results with very small run time.

A common limitation in Deep Learning is the ability of a model to fit into a GPU memory. As a result patchwise approaches, where only sub-volumes of the whole data set are fed to the neural network at once are often employed. The approach introduces several problems unique for registration, especially ones related to the regularization of transformations.

In this work an original framework for unsupervised Deep Learning registration based on image patches is introduced. The framework is shown to produce diffeomorphic transformations. Accuracy of the registrations is evaluated against a baseline and the method is shown to produce comparative results.

Lääketieteellisten kuvien rekisteröinnissä sovitetaan lääketieteellisiä kuvia yhteen anatomiaan perustuen. Deformatiivisessa rekisteröinnissä pyritään löytämään epälineaarinen kuvaus anatomisesti vastaavien sijaintien välille kuvien koordinaattijärjestelmistä toiseen. Muutaman viime vuoden aikana syväoppimisen menetelmillä on saavutettu hyviä tuloksia deformatiivisessa rekisteröinnissä. Tässä työssä pyritään kehittämään menetelmä tietokonetomografiakuvien ja pseudo-tietokonetomografiakuvien, jotka on luotu magneettiresonanssikuvista, deformatiiviseen rekisteröintiin.

Ennustettujen kuvausten onnistunut regularisaatio on isossa osassa rekisteröinnissä. Usein pyritään löytämään kuvauksia, jotka ovat niin kutsuttuja diffeomorfismeja: derivoituvia kääntyviä kuvauksia, joiden käänteiskuvaus on myös derivoituva. Viime aikoina on onnistuttu hyödyntämään klassisesta rekisteröinnistä tuttuja menetelmiä diffeomorfisten kuvausten ennustamiseksi myös syväoppimisen avulla. Tulokset ovat olleet erittäin lupaavia.

Usein vastaan tuleva rajoite syväoppimisessa on, että mallin tulee mahtua näytönohjaimen muistiin. Tämän rajoituksen kiertämiseksi voidaan verkolle syöttää vain osia datajoukosta kerrallaan kokonaisen datajoukon sijaan. Rekisteröinnissä tämä lähestyminen kuitenkin aiheuttaa tiettyjä vain rekisteröinnille ominaisia ongelmia erityisesti kuvausten regularisaatioon liittyen.

Tässä työssä rakennetaan uusi rekisteröintialgoritmirunko osavoluumeihin perustuvaan ohjaamattomaan syväoppimiseen. Menetelmän osoitetaan tuottavan diffeomorfisia kuvauksia ja tuottavan vertailukelpoisia tuloksia suhteessa kirjallisuudesta otettuun verrokkiin.