Maschinelles Lernen von kontrastunabhängigen Merkmalsvektoren mit lokalen Wechselbeziehungen und Ähnlichkeitsmaßen für die multi-modale Bildregistrierung

Nichtlineare Bildregistrierung ist von integraler Bedeutung für klinische Anwendungen im Bereich: multimodale Bildfusion, Schätzung von lokalen Deformationen und bildgestützten Eingriffen. Die Definition von Bildähnlichkeiten ist eine der größten Herausforderung für die Bestimmung von Korrespondenzen zwischen mehreren medizinischen Bildern. Insbesondere wenn diese mit unterschiedlichen Scannern, z.B. Magnetresonanztomographie (MRT), Computertomographie (CT) oder Ultraschall, aufgenommen wurden. Die Verwendung von Metriken die direkt auf Bildintensitäten basieren ist unzureichend für klinische Aufnahmen, welche häufig lokale Kontrastschwankungen, Bildrauschen, Intensitätsstörungen, Artefakte oder nichtlineare Intensitätsrelationen enthalten.In diesem Projekt sollen neue Algorithmen entwickelt werden, um die Robustheit von medizinischer Bildregistrierung zu verbessern. Wir werden Fortschritte gegenüber dem Stand-der-Technik erzielen in dem eine große Anzahl von vielseitigen Bildmerkmalen, basierend auf Distanzen zwischen lokalen Bildbereichen oder Histogrammen, sinnvoll kombinieren. Die Merkmalsvektoren sollen zusammen die Wechselbeziehungen in einer Nachbarschaft unverwechselbar beschreiben und kontrastunabhängig sein. Aktuelle überwachte Lernverfahren sollen eingesetzt werden um die optimale Auswahl und Kombination dieser potentiellen Merkmale unter Einbringung von Vorwissen zu finden. Das Lernen von Metriken und der Einsatz einer höheren Ordnung des gemeinsamen Informationsgehaltes (mutual information) sollen neue Beziehungen zwischen Merkmalsdimensionen aufdecken. Die Verwendung von niederdimensionalen Binärvektoren (für die das Hamming Gewicht als Distanz verwendet werden kann) sollen die Rechen- und Speicheranforderungen senken und gleichzeitig die Genauigkeit und Robustheit der Verfahren erhalten.Während des Projektes soll ein tieferes Verständnis der zugrundeliegenden Prinzipien von Bildähnlichkeiten gewonnen werden. Die Entwicklung von neuen, erfolgsversprechenden Methoden für die Registrierung von zur Zeit herausfordernden multimodalen Problemen wird neue Anwendungsmöglichkeiten für die computergestützte Diagnostik, Chirurgie und Strahlentherapie, sowie multimodale Bildfusion und Kontrastsynthese schaffen.