Image similarity for registration and manifold learning: application to brain analysis

Zimmer, Veronika Anne

Image similarity for registration and manifold learning: application to brain analysis

Document Type

Doctoral thesis
Published Version

Author

Zimmer, Veronika Anne

Director

González Ballester, Miguel Ángel
Piella Fenoy, Gemma

Publication Date

2017-02-13

Pages

168 p.

Citation

Zimmer, V. Image similarity for registration and manifold learning: application to brain analysis. Universitat Pompeu Fabra; 2017. handle: http://hdl.handle.net/10803/402101

This citation was generated automatically.

Doctoral program

Programa de doctorat en Tecnologies de la Informació i les Comunicacions

Abstract

The aim of this thesis is to explore and develop measures for image comparison in two main areas of medical image analysis: image registration and manifold learning for population analysis. In particular, the main contributions of the thesis are the following: (i) the development of a multimodal similarity measure using the commutativity of the image graph Laplacians as a criterion of image structure preservation, (ii) the application of such similarity measure to fetal ultrasound-magnetic resonance registration, (iii) the development of a framework for optimal kernel-based manifold embeddings for medical image data, and (iv) the development of a method to learn and combine heterogeneous pairwise image similarities induced by application-specific distance functions for manifold learning. The methods developed in this thesis were evaluated both on synthetic and clinical data, here in particular for brain analysis and classification, both during early childhood and in aging adults.
El objetivo de esta tesis es explorar y desarrollar métodos para la comparación de imágenes en dos de las principales áreas del análisis de imagen: el registro de imágenes y manifold learning por el análisis de población. En particular, las contribuciones pueden resumirse principalmente en tres: (i) se propone una medida de similitud multimodal para el registro de imágenes usando la commutatividad del grafo Laplaciano como criterio para preservar la estructura de la imagen, (ii) la aplicación de esta medida de similitud para el registro de resonancias magnética-ultrasonido de feto, (iii) se presenta un método para un optimo kernel-based manifold learning de imágenes médicas, y (iv) se propone aprender y combinar diferentes aproximaciones de vecindarios de las imágenes por manifold learning. Los métodos desarrollados en este tesis fueron evaluados en datos sintéticos y clínicos, en particular por el análisis de imágenes cerebrales de fetos, neonatos y adultos.

Keywords

Similarity measure, Image registration, Simultaneous diagonalization, Laplacian commutator, Manifold learning, Manifold embedding quality, Kernel combinations, Random forest, Neighborhood approximation, Brain analysis, Medido de similitud, Registro de imagen, Diagonalización simultáneo, Comutador de Laplaciano, Cualidad de embeddings, Combinación de kernels, Aproximación de vecindarios, Análisis del cerebro