A novel image registration strategy for oncological pediatric brain images fusion

Image registration is one of the fundamental procedures of image processing in the field of medical imaging. Medical images are widely used for diagnosis, treatment planning, disease monitoring and image guided surgery and can be acquired using different imaging modalities like Magnetic Resonance Imaging (MRI), Computed Tomography (CT), X–ray, Positron Emission Tomography (PET). Images obtained using different modalities, usually, need to be compared to one another and/or combined for analysis and decision making. In this scenario the aim of image registration is to find the best alignment between a fixed (reference) image and a moving one (source) by evaluating their similarity. Image registration can be visualized as an optimization problem which maximizes the matching between these images by changing the parameters of a geometrical transformation which maps points in one image to the corresponding points in the other one. An image registration procedure is mainly composed by three components: a geometric transformation model, a similarity measure and an optimization algorithm. Due to the diversity of images to be registered and the diverse types of degradations, it is impossible to design a universal method applicable to all the fusion tasks. Hence, in order to obtain an optimal solution, a greater attention has to be paid during the selection of the above components which have to be defined according to the nature of the specific registration problems. Among these three components an important role is played by the metric. Intensity based fusion metrics assume that some particular features extracted by image voxels will be most similar when the correct registration transform is applied. They can be sub-divided in two macro groups in relation to the kind of registration task they solve: mono-modal and multi-modal. The first one solve registration task of images acquired with similar parameter settings, conversely, multi-modal one solve all the others. Therefore, one of the most challenging problem in the image fusion field arises from multi-modal images registration. Literature metrics based on information theoretic techniques had great experimental success and are becoming widely used in the multi-modality fusion activity. Among them, Mutual Information (MI) is considered the elective state-of-the-art . However, MI optimization is still considered a hard task because of the several well-known drawbacks e.g. the non-convexity of the metric in the parameter space. Therefore, registration strategies based on MI are usually constrained in order to obtain smooth deformation fields. This deformation smoothness is not always desirable in oncological field where the lesion presence may induce huge localized tissues changes. Therefore in this thesis, an alternative similarity measure has been proposed and implemented. The metric integrates MI with a local descriptor of the images to be matched in a pluri-metric approach. Since two images are considered fused when intensity changes occur in the same location in the two images to be registered, the elected local descriptor was a gradient based filter. The reliability of this metric was evaluated in comparison to the literature ones and finally utilized in a real clinical oncological cases. The main aim of this study was the reassessment of images acquired in pediatric age in comparison to the adolescent one, by means of Diffusion Tensor Imaging (DTI). The activity concerned the late realignments of images arising from different scanners, modalities, patient age and therapies. The main challenges of this task arise from both the classical registration problems (such as patients movement during the scans) and the growth of the patient during these evaluations which could be also more the 9 years.

La registrazione di immagini è una delle procedure fondamentali nel campo dell'imaging biomedico. L'imaging biomedico è ampiamente utilizzato per la diagnosi, la pianificazione del trattamento e il monitoraggio delle malattie. Questo tipo di immagini può essere acquisito utilizzando differenti scanner come nel caso di immagini di risonanza magnetica o tomografia computerizzata. Le immagini ottenute mediante diverse modalità vengono solitamente acquisite per essere successivamente confrontate e / o combinate tra loro per diagnosi più accurate. In questo scenario lo scopo della registrazione d'immagine è di trovare il miglior allineamento tra un'immagine fissa (riferimento) e una mobile (sorgente) valutandone la somiglianza. La registrazione d'immagine è simile ad un problema di ottimizzazione che massimizza la similitudine tra diverse immagini modificando i parametri di una trasformazione geometrica che mappa i punti di una immagine ai punti corrispondenti sull'altra. Le procedure di registrazione d'immagine sono composte principalmente da tre componenti: un modello geometrico di trasformazione, una misura di similarità ed un metodo di ottimizzazione. A causa della diversità delle immagini da registrare e i diversi tipi di deformazione delle stesse, è impossibile progettare un metodo di registrazione universale. Quindi, per ottenere una soluzione ottimale, una maggiore attenzione deve essere prestata durante la selezione di queste tre componenti, definendole in funzione della specifica natura dei problemi da risolvere. Tra queste tre componenti, un ruolo importante è svolto dalla metrica. Le metriche basate sull'intensità dei livelli di grigio dell'immagine si basano sul fatto che alcune caratteristiche particolari estratte dall'immagine siano più simili quando è applicata la deformazione ottimale tra le due. In relazione al tipo di allineamenti che permettono di ottenere, le metriche basate sull'intensità dei livelli di grigio si possono dividere in due gruppi: metriche per la registrazione mono- e multi modale. Le prime risolvono i problemi di riallineamento di immagini acquisite mediante lo stesso scanner e con sequenze con impostazioni dei parametri simili, mentre la registrazione multi-modale risolve tutti gli altri casi. Uno dei problemi più difficili nel campo della fusione d'immagine nasce dalla registrazione di immagini multi-modale. In questo ambito molte metriche riportate in letteratura si basano sulla teoria dell'informazione. Tra loro, la Mutua informazione (MI) è considerata lo stato dell'arte per la registrazione di immagini multimodali. Essa sta ottenendo un grande successo sperimentale soprattutto per le registrazioni rigide. Nonostante ciò, l'ottimizzazione della MI è considerata un compito difficile per via dei molti svantaggi intrinseci della metrica come ad esempio la non convessità della metrica nello spazio dei parametri. Pertanto, le strategie di registrazione basate sulla MI sono di solito vincolate per ottenere campi di deformazione più morbidi. Questa morbidezza della deformazione non è sempre desiderabile in campo oncologico dove la presenza di lesione può indurre enormi modifiche localizzate sui tessuti. Pertanto, in questa tesi è stata proposta e implementata una misura di similitudine differente. La metrica integra la MI con un descrittore locale delle immagini da registrare in un approccio pluri-metrico. Dal momento che due immagini sono considerate registrate quando i cambiamenti di intensità avvengono nella stessa posizione nelle due immagini da registrare, come descrittore locale è stato utilizzato un filtro basato sul gradiente. L'affidabilità di questa nuova metrica è stata valutata in confronto alle metriche della letteratura ed infine utilizzata in un vero e proprio caso oncologico. Lo scopo di questo studio clinico è stato la rivalutazione di immagini acquisite in età pediatrica a confronto con quelle in età adolescenziale, mediante Diffusion Tensor Imaging (DTI). L'attività in questione prevedeva il riallineamento delle immagini derivanti da diversi scanner, da diverse modalità di imaging, differenti stadi evolutivi del paziente e terapie. Le principali sfide di questo compito nascono sia dai problemi di registrazione classici (come ad esempio il movimento dei pazienti durante le scansioni) sia la crescita del paziente durante queste valutazioni che potrebbero essere anche maggiori di 9 anni.