Image Registration of Diffusion Weighted and Conventional Breast MRI Series

by Ibrahim Tabet

Thursday Oct 28, 2021, 2:00 PM → 2:45 PM Europe/Berlin

Vortrag zur Masterarbeit von Ibrahim Tabet zum Thema Bildregistrierung von diffusionsgewichteten und konventionellen MRT-Serien der Brust

Schätzungen zufolge war Krebs im Jahr 2018 für weltweit 9,6 Millionen Todesfälle verantwortlich. Die meisten Krebserkrankten leiden unter Brustkrebs, welche eine Sterblichkeitsrate von ungefähr 30% unter allen Frauen aufweist. Geeigneten bildgebenden Verfahren ermöglichen eine bessere Diagnose von Brustkrebs, wodurch die Sterblichkeitsrate gesenkt werden kann. Mithilfe des diffusionsgewichteten MRTs, ist es möglich funktionelle Information über die molekulare Wasserbewegung zu veranschaulichen. Damit verbunden ist die Abbildung von Krebsgewebe, welches aufgrund einer höheren Zelldichte eine eingeschränkte Wasserdiffusion besitzt. Eine Überlagerung von T2 und diffusionsgewichteten Bildern ermöglicht eine bessere Lokalisierung von Brustkrebs. Jedoch leidet diffusionsgewichtetes MRT unter vielen Artefakten, einschließlich geometrischer Verzerrungen, die korrigiert werden müssen, um eine sinnvolle Überlagerung zu erzielen. Diese Arbeit beschäftigt sich mit der Korrektur von Verzerrungen diffusionsgewichteter MRT Bilder der weiblichen Brust. Dafür wurde ein registrierungsbasierter Ansatz unter Verwendung des Dämonenalgorithmus implementiert, welcher als Eingabe Kantenbilder der MRT-Bilder erhielt. Dieser lieferte ein Deformationsfeld um Verzerrungen zu korrigieren. Manuell erfassten Annotationen dienten als Grundlage für die Auswertung der Registrierung. Als Metriken wurden verschiedene Ähnlichkeitsmaße und Distanzmetriken verwendet. Um genauere Ergebnisse zu erzielen, wurden die manuellen Annotationen in ihrer Qualität verbessert. Der implementierte Ansatz konnte große Deformationen korrigieren, während MRT-Bilder mit kleinen Verzerrungen nicht weiter verschlechtert wurden. Ein Registrierungsfehler von 1.96mm wurde im Mittel über den gesamten Datensatz von sieben Patienten festgestellt. Dieser Ansatz wurde mit drei weiteren Methoden anhand von insgesamt sieben Patienten verglichen, wobei im Durchschnitt die anderen Ansätze über 30% weniger Verbesserung im Vergleich zum implementierten Ansatz lieferten. Mit dieser Registrierungsgenauigkeit könnte eine bessere Lokalisierung und damit eine bessere Behandlung von Brustkrebs möglich sein.

Vortragssprache: Englisch

 

Lecture to the master thesis from Ibrahim Tabet on the Topic Registrierung von diffusionsgewichteten und konventionellen MRT Serien der Brust

In 2018, cancer was estimated to have caused 9.6 million deaths worldwide. The leading cancer type is breast cancer, which shows a 30% mortality rate among all females. With proper imaging techniques, the diagnosis of breast cancer can be improved and therefore, the mortality rate could be decreased. By means of a specific magnetic resonance imaging (MRI) sequence, so-called diffusion weighted imaging (DWI), it is possible to visualize functional information through detection of water molecule diffusion. This includes the possibility to visualize cancer tissue caused by restricted water movement due to cancer showing higher cellular density. Combining T2 and diffusion weighted images allows for a better localization of breast cancer. However, DWI suffers from many artifacts, including geometric distortions, which have to be corrected in order to achieve a meaningful combination of both images. This thesis deals with the correction of distortions of DW images by means of a registration-based approach using demons algorithm, which takes edge images of the respective MRI images as input. This yielded a deformation field in order correct for distortions. Manually acquired annotations, which were further improved to obtain more precise results were used to evaluate the registration accuracy by means of similarity and distance metrics. The implemented approach was able to correct strong distortions while retaining images with less deformations. It provided satisfying results with an average error of 1.96mm after registration on the entire dataset consisting of seven patients. A comparison to three other approaches was also carried out. On average, the other approaches provided over 30% less improvement compared to the implemented approach. With this registration accuracy, a better localization and treatment of breast cancer might be possible. 

Lecture language: English