A deep cascaded, biomechanics-driven framework for medical image registration

Abstract

Aquesta tesi presenta un marc que combina una xarxa neuronal profunda en cascada amb un modelatge biomecànic per millorar el registre d’imatges mèdiques, amb aplicacions en la imatge cerebral perinatal i l’anàlisi de malalties cardiovasculars. Per a la IRM fetal, s’ha desenvolupat un model en cascada multi-resolució que millora la precisió del registre capturant tant estructures anatòmiques fines com gruixudes, aspecte clau per estudiar les anomalies en el neurodesenvolupament. Aquest model també s’aplica a la segmentació amb múltiples atles, obtenint resultats competitius fins i tot amb dades anotades limitades. El marc s’estén a la imatge cardíaca, incorporant una regularització inspirada en la biomecànica per predir propietats dels teixits i classificar malalties cardiovasculars amb alta precisió. Finalment, s’aplica a l’anàlisi del creixement cerebral neonatal, amb paràmetres biomecànics aprenentables per modelar les deformacions dels teixits i predir tensions, canvis de volum i patrons de creixement anisotròpic. Aquest enfocament millora la precisió del registre i la interpretabilitat, oferint informació valuosa sobre els canvis estructurals i mecànics durant el desenvolupament cerebral normal i anormal.

This thesis presents a framework combining a cascaded deep neural network with biomechanical modeling to improve medical image registration, focusing on perinatal brain imaging and cardiovascular disease analysis. For fetal MRI, the study proposes a multi-resolution cascaded model that improves registration accuracy by capturing both fine and coarse anatomical structures, essential for studying neurodevelopmental abnormalities. This model is also applied to multi-atlas segmentation, achieving competitive results even with limited annotated data. The framework is further extended to cardiac imaging, introducing biomechanical regularization to predict tissue properties and classify cardiovascular diseases with high precision. Finally, it is applied to neonatal brain growth analysis, incorporating learnable biomechanical parameters to model tissue deformations and predict strain, volume changes, and anisotropic growth patterns. This approach enhances registration accuracy and interpretability, providing valuable insights into structural and mechanical changes during normal and abnormal early brain development.