Maschinelles Lernen für Momentum-basierte Bildgebung

Stephanie Häger

Maschinelles Lernen für Momentum-basierte Bildgebung

Institut für Mathematische Methoden der Bildverarbeitung

Abstract

In dieser Arbeit wird eine neue Methode des maschinellen Lernens für Momentum-basierte Bildregistrierung vorgestellt. Sie besteht aus einem zweischrittigen Verfahren, das aus einem Prediction Net und einem daran anschließenden Correction Net besteht. Das Gesamtframework sagt das Momentum des SVF (stationary velocityfield)-Modells, durch das die gesuchte Transformation der Bildregistrierung parametrisiert ist, patchweise voraus. Durch diese Kombination des maschinellen Lernens mit dem erprobten SVF-Registrierungsmodell kann eine sehr viel schnellere Rechenzeit bei vergleichbarer Registrierungsqualität erreicht werden. Die vorgestellte Methode wird mit Knieknorpelsegmentierungen des OAI (osteoarthritis initiative)-Datensatzes und Bildern eines synthetischen Datensatzes trainiert und ausgewertet. Sie wird mit der Quicksilver-Methode, auf der die vorgestellte Methode basiert, und demFlowNet-Ansatzverglichen. Im Gegensatz zum FlowNet kann die vorgestellte Methode aufgrund der patchweisen Voraussagestrategie mit den kleinen zur Verfügung stehenden Trainingsmengen der Datensätze sehr gut umgehen. Nach der Registrierung mit der vorgestellten Methode zeigen die registrierten Bildpaare eine höhere Ähnlichkeit als die mit den beiden Vergleichsmethoden registrierten Bildpaare.

In this thesis a new machine learning method for momentum-based image registration is presented. It consists of a two-step overall framework that consists of a Prediction Net and a subsequent Correction Net. This predicts the momentum of the SVF (stationary velocity field) model, which parameterizes the desired transformation of the image registration, in a patchwise fashion. By combining machine learning with the proven SVF registration model, a much faster computing time can be achieved with comparable registration quality.
The presented method is trained and evaluated on knee cartilage segmentations of the OAI (osteoarthritis initiative) data set and images of a synthetic data set. It is compared with the Quicksilver method, on which the presented method is based, and the FlowNet approach. In contrast to FlowNet, the presented method can handle
the small amount of training available in the data sets very well due to the patchwise prediction strategy. After registration with the presented method, the aligned image pairs show a higher similarity than the image pairs registered with the two comparison methods.

Originalsprache	Deutsch
Qualifikation	Master of Science
Gradverleihende Hochschule	Universität zu Lübeck
Publikationsstatus	Veröffentlicht - 30.08.2019

UN SDGs

Dieser Output leistet einen Beitrag zu folgendem(n) Ziel(en) für nachhaltige Entwicklung

SDG 9 – Industrie, Innovation und Infrastruktur

Dokumente

https://www.mic.uni-luebeck.de/fileadmin/mic/publications/StudentProjects/MasterTheses/2019-StephanieHaeger_Masterarbeit.pdfLizenz: Nicht angegeben

Zitieren

@mastersthesis{c6c88991ddf648beb5366936b0d614a0,

title = "Maschinelles Lernen f{\"u}r Momentum-basierte Bildgebung",

abstract = "In dieser Arbeit wird eine neue Methode des maschinellen Lernens f{\"u}r Momentum-basierte Bildregistrierung vorgestellt. Sie besteht aus einem zweischrittigen Verfahren, das aus einem Prediction Net und einem daran anschlie{\ss}enden Correction Net besteht. Das Gesamtframework sagt das Momentum des SVF (stationary velocityfield)-Modells, durch das die gesuchte Transformation der Bildregistrierung parametrisiert ist, patchweise voraus. Durch diese Kombination des maschinellen Lernens mit dem erprobten SVF-Registrierungsmodell kann eine sehr viel schnellere Rechenzeit bei vergleichbarer Registrierungsqualit{\"a}t erreicht werden. Die vorgestellte Methode wird mit Knieknorpelsegmentierungen des OAI (osteoarthritis initiative)-Datensatzes und Bildern eines synthetischen Datensatzes trainiert und ausgewertet. Sie wird mit der Quicksilver-Methode, auf der die vorgestellte Methode basiert, und demFlowNet-Ansatzverglichen. Im Gegensatz zum FlowNet kann die vorgestellte Methode aufgrund der patchweisen Voraussagestrategie mit den kleinen zur Verf{\"u}gung stehenden Trainingsmengen der Datens{\"a}tze sehr gut umgehen. Nach der Registrierung mit der vorgestellten Methode zeigen die registrierten Bildpaare eine h{\"o}here {\"A}hnlichkeit als die mit den beiden Vergleichsmethoden registrierten Bildpaare. In this thesis a new machine learning method for momentum-based image registration is presented. It consists of a two-step overall framework that consists of a Prediction Net and a subsequent Correction Net. This predicts the momentum of the SVF (stationary velocity field) model, which parameterizes the desired transformation of the image registration, in a patchwise fashion. By combining machine learning with the proven SVF registration model, a much faster computing time can be achieved with comparable registration quality. The presented method is trained and evaluated on knee cartilage segmentations of the OAI (osteoarthritis initiative) data set and images of a synthetic data set. It is compared with the Quicksilver method, on which the presented method is based, and the FlowNet approach. In contrast to FlowNet, the presented method can handle the small amount of training available in the data sets very well due to the patchwise prediction strategy. After registration with the presented method, the aligned image pairs show a higher similarity than the image pairs registered with the two comparison methods. ",

author = "Stephanie H{\"a}ger",

year = "2019",

month = aug,

day = "30",

language = "Deutsch",

school = "Universit{\"a}t zu L{\"u}beck",

}

TY - THES

T1 - Maschinelles Lernen für Momentum-basierte Bildgebung

AU - Häger, Stephanie

PY - 2019/8/30

Y1 - 2019/8/30

N2 - In dieser Arbeit wird eine neue Methode des maschinellen Lernens für Momentum-basierte Bildregistrierung vorgestellt. Sie besteht aus einem zweischrittigen Verfahren, das aus einem Prediction Net und einem daran anschließenden Correction Net besteht. Das Gesamtframework sagt das Momentum des SVF (stationary velocityfield)-Modells, durch das die gesuchte Transformation der Bildregistrierung parametrisiert ist, patchweise voraus. Durch diese Kombination des maschinellen Lernens mit dem erprobten SVF-Registrierungsmodell kann eine sehr viel schnellere Rechenzeit bei vergleichbarer Registrierungsqualität erreicht werden. Die vorgestellte Methode wird mit Knieknorpelsegmentierungen des OAI (osteoarthritis initiative)-Datensatzes und Bildern eines synthetischen Datensatzes trainiert und ausgewertet. Sie wird mit der Quicksilver-Methode, auf der die vorgestellte Methode basiert, und demFlowNet-Ansatzverglichen. Im Gegensatz zum FlowNet kann die vorgestellte Methode aufgrund der patchweisen Voraussagestrategie mit den kleinen zur Verfügung stehenden Trainingsmengen der Datensätze sehr gut umgehen. Nach der Registrierung mit der vorgestellten Methode zeigen die registrierten Bildpaare eine höhere Ähnlichkeit als die mit den beiden Vergleichsmethoden registrierten Bildpaare. In this thesis a new machine learning method for momentum-based image registration is presented. It consists of a two-step overall framework that consists of a Prediction Net and a subsequent Correction Net. This predicts the momentum of the SVF (stationary velocity field) model, which parameterizes the desired transformation of the image registration, in a patchwise fashion. By combining machine learning with the proven SVF registration model, a much faster computing time can be achieved with comparable registration quality. The presented method is trained and evaluated on knee cartilage segmentations of the OAI (osteoarthritis initiative) data set and images of a synthetic data set. It is compared with the Quicksilver method, on which the presented method is based, and the FlowNet approach. In contrast to FlowNet, the presented method can handle the small amount of training available in the data sets very well due to the patchwise prediction strategy. After registration with the presented method, the aligned image pairs show a higher similarity than the image pairs registered with the two comparison methods.

AB - In dieser Arbeit wird eine neue Methode des maschinellen Lernens für Momentum-basierte Bildregistrierung vorgestellt. Sie besteht aus einem zweischrittigen Verfahren, das aus einem Prediction Net und einem daran anschließenden Correction Net besteht. Das Gesamtframework sagt das Momentum des SVF (stationary velocityfield)-Modells, durch das die gesuchte Transformation der Bildregistrierung parametrisiert ist, patchweise voraus. Durch diese Kombination des maschinellen Lernens mit dem erprobten SVF-Registrierungsmodell kann eine sehr viel schnellere Rechenzeit bei vergleichbarer Registrierungsqualität erreicht werden. Die vorgestellte Methode wird mit Knieknorpelsegmentierungen des OAI (osteoarthritis initiative)-Datensatzes und Bildern eines synthetischen Datensatzes trainiert und ausgewertet. Sie wird mit der Quicksilver-Methode, auf der die vorgestellte Methode basiert, und demFlowNet-Ansatzverglichen. Im Gegensatz zum FlowNet kann die vorgestellte Methode aufgrund der patchweisen Voraussagestrategie mit den kleinen zur Verfügung stehenden Trainingsmengen der Datensätze sehr gut umgehen. Nach der Registrierung mit der vorgestellten Methode zeigen die registrierten Bildpaare eine höhere Ähnlichkeit als die mit den beiden Vergleichsmethoden registrierten Bildpaare. In this thesis a new machine learning method for momentum-based image registration is presented. It consists of a two-step overall framework that consists of a Prediction Net and a subsequent Correction Net. This predicts the momentum of the SVF (stationary velocity field) model, which parameterizes the desired transformation of the image registration, in a patchwise fashion. By combining machine learning with the proven SVF registration model, a much faster computing time can be achieved with comparable registration quality. The presented method is trained and evaluated on knee cartilage segmentations of the OAI (osteoarthritis initiative) data set and images of a synthetic data set. It is compared with the Quicksilver method, on which the presented method is based, and the FlowNet approach. In contrast to FlowNet, the presented method can handle the small amount of training available in the data sets very well due to the patchwise prediction strategy. After registration with the presented method, the aligned image pairs show a higher similarity than the image pairs registered with the two comparison methods.

M3 - Master-Arbeiten

ER -