Approach for CT thorax image registration by mutual information in clinical diagnostic imaging

Abstract

Ziel dieser Arbeit ist die Implementierung eines Bildregistrierungsalgorithmus für computertomografische (CT) Bilder des Thorax, der den klinischen radiologischen Ansprüchen genügt. Durch Maximierung der Mutual Information bzw. Pearson’s Korrelationskoeffizienten, wird eine 3D Bildregistrierung zweier Voxelquader durchgeführt, um die korrespondierenden Bildstapel in ein gemeinsames Koordinatensystem zu bringen. Das kann RadiologInnen dabei unterstützen, zwei Bildstapel unterschiedlicher Zeitpunkte derselben PatientIn zu vergleichen. Die physikalischen und mathematischen Aspekte, die für die Erstellung dreidimensionaler Röntgenbilder notwendig sind, werden ebenfalls diskutiert. Die in den Voxelquadern enthaltenen Informationen repräsentieren physikalische Eigenschaften des dargestellten Objekts. Diese Eigenschaften erlauben unterschiedliche Ansätze zur Bildregistrierung. Das verwendete Modell wird auf rigide Transformationen beschränkt (Translation und Rotation) und konzentriert sich auf die Registrierung des Thorax. Die Anzahl der Freiheitsgrade wird bei Registrierungsmodellen minimiert, um die Fehleranfälligkeit zu reduzieren und die Robustheit sowie Performance des Modells zu erhöhen. Um die Ergebnisse der Algorithmen bewerten zu können, werden sie mit Ergebnissen aus manueller Registrierung verglichen. Dazu wird das Medical Imaging Interaction Toolkit (MITK) [38] verwendet. Die Transformationsparameter der manuellen Registrierung werden gespeichert und erlauben einen Vergleich der Registrierungsergebnisse mit den algorithmisch generierten Ergebnissen. Diese Arbeit entsteht in Zusammenarbeit mit D.A.T.A. Corporation Softwareentwicklungs GmbH. Deren DICOM Viewer „XR PACS imagepro 8“ wird in der Radiologie verwendet und dient als state-of-the-art Referenz eines DICOM Viewers. Der Fokus des Algorithmus liegt auf Robustheit und Performance. Die Abwägung dieser Parameter wird diskutiert. Der Algorithmus soll so robust wie nötig, und so performant wie möglich sein.XR PACS imagepro 8 ist aktuell Gegenstand der Zertifizierung für die Medical Device Regulation (EU 2017/745). Diese Arbeit dient auch als Teil der notwendigen Dokumentation einer Implementierung in XR PACS imagepro 8 für die Zertifizierung unter EU 2017/745.

This thesis is aiming to implement an image registration algorithm for computer tomographic (CT) thorax images that meets the standards of clinical radiological diagnosis. By means of maximizing Mutual Information or Pearson’s Correlation Coefficient respectively, 3D image registration of two voxel cuboids is used to put the corresponding image stacks in a mutual coordinate system. This can help radiologists comparing slices of two sets of CT images of the same patient of different time points. Anatomical and pathological differences can therefore be examined quickly.The physical and mathematical aspects required for generating a three-dimensional x-ray image stack are highlighted as well. The data contained in a voxel cuboid represents true physical properties in the three-dimensional image space. These properties allow for different approaches to pattern recognition-based image registration algorithms.The model is limited to rigid transformations (translation and rotation) and focuses on registration of the thorax. Limiting the number of degrees of freedom of the model is aiming to reduce error-proneness and increase robustness of the algorithm and its performance.To evaluate the results of the algorithm, the results are compared to manual registration by professional radiologists. For this task, the Medical Imaging Interaction Toolkit (MITK) [38] is used. The transformation parameters of the manual registrations are saved and compared to the solution created by the implemented algorithms. This thesis is written in cooperation with D.A.T.A. Corporation Softwareentwicklungs GmbH. Their DICOM Viewer “XR PACS imagepro 8” serves as a reference state-of-the-art DICOM Viewer. Radiologists use this software product for clinical use. Therefore, the focus of the algorithm lies on robustness and performance. The trade-off between these two parameters is explored, the algorithm must be as robust as necessary and as performant as possible.XR PACS imagepro 8 is currently undergoing the documentation and certification process for the Medical Devices Regulation (EU 2017/745). This thesis also serves as part of the necessary documentation of an implementation in XR PACS imagepro 8 for certification under EU 2017/745.The result of this thesis is expected to show that by carefully manipulating and weighting specific registration parameters, an algorithm can be implemented, that satisfies the needs of clinical requirements and improves accuracy as well as performance in the diagnostic process of radiological physicians.