Titelaufnahme

Titel
Non-rigid registration for radiotherapy applications / Daniella Fabri
Verfasser / VerfasserinFabri, Daniella
Begutachter / BegutachterinBirkfellner, Wolfgang ; Georg, Dietmar
Erschienen2013
Umfang149 S. : Ill., graph. Darst.
HochschulschriftWien, Med. Univ., Diss., 2013
Anmerkung
Zsfassung in dt. Sprache
SpracheEnglisch
Bibl. ReferenzOeBB
DokumenttypDissertation
Schlagwörter (DE)Strahlentherapie / Non-rigid Registrierung
Schlagwörter (EN)Radiotherapy / Non-rigid registration
URNurn:nbn:at:at-ubmuw:1-4139 Persistent Identifier (URN)
Zugriffsbeschränkung
 Das Werk ist frei verfügbar
Dateien
Non-rigid registration for radiotherapy applications [24.07 mb]
Links
Nachweis
Klassifikation
Zusammenfassung (Deutsch)

Inhalt der Arbeit ist die Erstellung eines Verformungsmodells aus den während einer strahlentherapeutischen Behandlung aufgenommenen Bilddatenstzen; hierfür ist es erforderlich, mit einem Minimum an manueller Interaktion und ohne weitgehendes Detailwissen ber Art und Lage der anatomischen Strukturen aus tomographischen Bilddatensätzen unterschiedlicher Qualität einen Algorithmus zur stückweisen nicht-rigiden Registrierung zu entwickeln. Der Algorithmus unterteilt die Bilder, um sie in Teilvolumina (sogenannten featurelets) zu registrieren und sie mittels eine räumlichen Transformation an die entsprechende Suchregion anzupassen. Das Modell wurde zunächst auf einem einfachen verformbaren Phantom mit Markern geprüft; das Ergebnis war als gut im Vergleich zu starrer Registrierung und verformbarer Registrierung (vermittels B-Splines) zu betrachten. Ein weiterer Vergleich wurde mit drei verschiedenen Methoden der deformierbaren Registrierung (DR) durchgeführt; zum Einsatz kamen der Demons-Algorithmus, der in der kommerziellen iPlan Software (BrainLAB AG, Feldkirchen, Deutschland) implementriert ist, und zwei Eigenentwicklungen. Hierbei handelte es sich um stückweise rigide Registrationsverfahren, die entweder auf einem normierten Korrelationskoeffizienten oder Mutual Information Metrik (featurelet_NC und featurelet_MI) basierten. Diese Methoden wurden mit Hilfe eines neuartigen Phantoms für DR und mit klinischen computertomographischen (CT) und Cone-Beam CT (CBCT) Daten von Prostata- und Lungenkrebspatienten validiert. Der Dice-Koeffizient (Dice Coefficient Similarity - DSC) zwischen manuell gezeichneten Konturen und den automatisch generierten Konturen aus einem abgeleiteten Deformationsfeld der Strukturen wurde mit dem Ergebnis einer starren Registrierung (rigid registration - RR) verglichen. Für das Phantom warendie stückweise Methoden leicht überlegen; im Detail zeigten featurelet_NC für die intramodale und featurelet_MI für die intermodale Registrierung die beste Performance. Für die Prostatafälle wurde in weniger als 50 % der untersuchten Bilder der DSC gegenber einer rein starren, globalen Registration verbessert. DR- methoden verbesserten das Ergebnis gegenüber eine starre Registrierung für die Lungenfälle und in der Phantomstudie, jedoch nicht in signifikanter Weise für die Prostatafälle. Eine deutlich überlegenes DR-Verfahren konnte nicht identifiziert werden.

Zusammenfassung (Englisch)

Obtaining a deformation model from the acquired images during treat- ment without much previous intervention or knowledge of the site and type of structures involved, able to deal with different qualities and types of images was the main motivation of creating a piecewise-non- rigid registration algorithm.

The algorithm divide the images to be register in sub-volumes (fea- turelets) and rigidly register them to the corresponding search region.

The model was first tested on a simple deformable phantom with fidu- cial markers, showing a good result in terms of the final distance of the markers obtain in comparison to rigid registration and B-spline deformable registration.

Another comparison was done using three different deformable reg- istration (DR) methods: the Demons algorithm implemented in the iP lan Software (BrainLAB AG, Feldkirchen, Germany) and two custom- developed piecewise methods using either a Normalized Correlation or a Mutual Information metric (featurelet N C and featurelet M I ). These methods were tested on data acquired using a novel purpose-built phantom for deformable registration and clinical CT/CBCT data of prostate and lung cancer patients. The Dice similarity coefficient (DSC) between manually drawn contours and the contours gener- ated by a derived deformation field of the structures in question was compared to the result obtained with rigid registration (RR).

For the phantom, the piecewise methods were slightly superior, the featurelet N C for the intramodality and the featurelet M I for the in- termodality registrations. For the prostate cases in less than 50% of the images studied the DSC was improved. Deformable registration methods improved the outcome over a rigid registration for lung cases and in the phantom study, but not in a significant way for the prostate study. A significantly superior deformation method could not be identified.