Projekt

Zurück zur Übersicht

Localized Statistical Shape Models using Kernel Methods

Gesuchsteller/in Vetter Thomas
Nummer 153297
Förderungsinstrument Projektförderung (Abt. I-III)
Forschungseinrichtung Fachbereich Informatik Departement Mathematik und Informatik Universität Basel
Hochschule Universität Basel - BS
Hauptdisziplin Informatik
Beginn/Ende 01.04.2014 - 31.10.2017
Bewilligter Betrag 377'496.95
Alle Daten anzeigen

Keywords (3)

Statistcal Shape Modelling, Medical Image Analysis, Machine Learning

Lay Summary (Deutsch)

Lead
In der automatisierten medizinischen Bildanalyse hat sich der Verwendung von Vorwissen über die mögliche Erscheinungsform von Knochen oder Organen als sehr hilfreich erwiesen. Diese Projekt zielt auf die Verbesserung des Konzepts der statistischer Formmodelle die zur Modellierung des Vorwissens zur Formvariabilität von Objekten ermöglichen. Diese Modelle werden aus einem Datensatz vom Beispielbildern eines Knochens oder des Organs berechnet. In unserer Forschung werden wir neu Methoden entwickeln und mit Methoden aus dem Bereich des maschinellen Lernens kombinieren um flexiblere Formmodelle aus Beispieldaten zu erstellen.
Lay summary

Statistische Formmodelle werden seit Jahren bei der automatischen Analyse medizinischer Bilder verwendet um das Wissen um mögliche individuelle Formänderungen bei Knochen oder Organen zu beschreiben. Durch das anpassen solcher Formmodelle an individuelle Bilder können diese einerseits Segmentiert werden oder es kann Information, welche früher an anderen Daten erworben wurde, auf diese übertragen werden.

Derzeitige  Ansätze für statistische Formmodelle sind inhärent global, da sie immer aus Lienarkombinationen  ganzer Beispielformen aufgebaut sind. Dies macht die Modelle rigide und verhindert, dass lokale individuelle Variationen modelliert werden könne ohne das Ergebnis global zu beeinflussen. In diesem Projekt planen wir ein neues Konzept mit verschiedenen Stufen der  Lokalität zu entwickeln und zu testen.

Der vorgeschlagene Ansatz baut auf ein von uns entwickeltes Konzept zur Formmodellierung, welches eine Vielzahl früherer Methoden vereinheitlicht und Methoden des Maschinellen Lernens nutzt. Ein großer Vorteil lokalisierter Modelle ist, dass sie auch von partiellen Daten wie Knochenfrakturen oder aus Bildern mit variabler Aufnahmequalität aufgebaut werden können.

Als praktische Anwendung unserer Methode in der medizinischen Bildanalyse fokussieren wir vorerst auf die Analyse von Bildern mit pathologischen oder fehlenden Strukturen und dabei auf die Analyse von gebrochenen oder traumatisierten Knochen.

Direktlink auf Lay Summary Letzte Aktualisierung: 03.04.2014

Verantw. Gesuchsteller/in und weitere Gesuchstellende

Mitarbeitende

Publikationen

Publikation
Efficient computation of low-rank Gaussian process models for surface and image registration
Dölz Jürgen, Gerig Thomas, Lüthi Marcel, Harbrecht Helmut, Vetter Thomas (2017), Efficient computation of low-rank Gaussian process models for surface and image registration, in Preprint (math.unibas.ch), 2017(01), 1-10.
Shape Modeling Using Gaussian Process Morphable Models
Lüthi Marcel, Forster Andreas, Gerig Thomas, Vetter Thomas (2017), Shape Modeling Using Gaussian Process Morphable Models, in Zheng Guoyan (ed.), Statistical Shape and Deformation Analysis, Elsevier Science, London, UK, 165/7-191.
Spatially varying registration using Gaussian processes.
Gerig Thomas, Shahim Kamal, Reyes Mauricio, Vetter Thomas, Lüthi Marcel (2014), Spatially varying registration using Gaussian processes., in MICCAI 2014. Lecture Notes in Computer Science, Springer, Cham, Switzerland.
Markov Chain Monte Carlo for Automated Face Image Analysis
Schönborn Sandro, Egger Bernhard, Morel-Forster Andreas, Vetter Thomas (2016), Markov Chain Monte Carlo for Automated Face Image Analysis, in International Journal of Computer Vision, 1-24.
Gaussian Process Morphable Models
Lüthi Marcel, Jud Christoph, Gerig Thomas, Vetter Thomas (2016), Gaussian Process Morphable Models, in ArXiv, abs/1603.07254, 1-38.

Zusammenarbeit

Gruppe / Person Land
Felder der Zusammenarbeit
University of Bern Schweiz (Europa)
- vertiefter/weiterführender Austausch von Ansätzen, Methoden oder Resultaten
- Publikation

Wissenschaftliche Veranstaltungen

Aktiver Beitrag

Titel Art des Beitrags Titel des Artikels oder Beitrages Datum Ort Beteiligte Personen
Swiss Medical Image Computing Day Vortrag im Rahmen einer Tagung Gaussian Process Morphable Models 24.11.2015 ARTORG Center, Bern, Schweiz Gerig Thomas
Shape Symposium 2015: Challenge Participation Vortrag im Rahmen einer Tagung Predicting Missing Parts of Corrupted Liver Shapes 30.09.2015 Delsberg, Schweiz Gerig Thomas
MICCAI 2014 Vortrag im Rahmen einer Tagung Spatially Varying Registration using Gaussian Processes 08.09.2014 Boston, Vereinigte Staaten von Amerika Gerig Thomas
Shape Symposium 2014: Challenge Participation Vortrag im Rahmen einer Tagung Deformable Liver Model using Gaussian Process Registration 11.06.2014 Delsberg, Schweiz Gerig Thomas


Selber organisiert

Titel Datum Ort
Shape Symposium 2015 30.09.2015 Delsberg, Schweiz
Shape Symposium 2014 11.06.2014 Delsberg, Schweiz

Auszeichnungen

Titel Jahr
Student Travel Award (MICCAI 2014) 2014
Runner up for Student Best Paper Award (MICCAI 2014) 2014
Grand Challenge Award (1st place) (Shape Symposium 2014) 2014

Anwendungsorientierte Outputs

Software

Name Jahr
Scalismo 2015

Start-ups

Name Jahr
Shapemeans 2016

Verbundene Projekte

Nummer Titel Start Förderungsinstrument
144610 A Statistical Shape Modeling Platform for Medical Applications 01.06.2012 Nationale Forschungsschwerpunkte (NFS)
128791 CO-ME - Computer Aided and Image Guided Medical Interventions (NCCR CO-ME) 01.07.2009 Nationale Forschungsschwerpunkte (NFS)

Abstract

Statistical shape models have become an indispensable tool in medical image analysis. Despite the large amount of research done on shape models, the way of building these models has not changed since their introduction in the 90s. The idea is to model the variability of a shape by taking linear combinations of a set of example shapes. This simple approach is inherently global, as a linear combination is always taken of the full shapes. Therefore a local variation cannot be explained without affecting the full shape. This has been recognized as one of the major flaws of current statistical shape models. In this proposal for a basic research project, we propose to develop a conceptually new approach to statistical shape modeling to overcome this problem. This proposed shape modeling concept will be based on our recently introduced framework for shape modeling, which is based on kernel methods and Gaussian processes. The use of these concepts from machine learning is fundamentally new in shape modeling. This framework unifies the many different concepts surrounding shape models, most notably nonrigid registration and shape model fitting, into one general and compact mathematical formulation. We will extend this kernel-based approach to develop localized and scale dependent statistical shape models. This will allow the model to represent both local and global shape variation around any given point of a shape. We believe that this approach can overcome the problems associated with current shape models. In particular, it has the following advantages: ? A) Decoupling of the local and global variations allows us to obtain a better covariance estimation. The local shape variation is simpler to model and thus needs fewer training examples for obtaining a good estimation. Given some additional example for the global shape, the local models are easy to integrate into a global model. ? B) Images on which the modeled anatomical structure is only partially represented can for the first time be used as training examples for the local model, which greatly increases the number of available data. ? C) Statistical shape models have a fixed point, typically at the center of the mean shape. Deformations far away from this point mostly reflect change in position rather than shape changes. Our proposed approach allows us to perform the alignment separately for each local model, thus separating position from shape information. ? D) Local models built on different scales can be combined in a fitting procedure. This enables us to detect pathologies or fit the model to partial data. The main research effort will be directed at developing a localized, multi-scale approach to shape modeling. This will be done by extending our approach for shape modeling using kernel methods in two ways: First we extend our registration method towards a multi-scale approach using multi-scale kernels. Second we formulate the new localized multiscale shape models and a new procedure for building these models. To demonstrate their practical use in medical imaging, we will apply our novel models to the problem of registration and model fitting of medical images with pathological or missing data, with the concrete goal of finding being able to fit fractured and traumatized bones.