Titre :	Image Registartion And Object detection using Deep Learning In Radiotherapy
Type de document :	document électronique
Auteurs :	Abdesselem Benaddad, Auteur ; Hacene Azizi, Directeur de thèse
Editeur :	Setif:UFA
Année de publication :	2024
Importance :	1 vol (60 f.)
Format :	29 cm
Langues :	Anglais (eng)
Catégories :	Thèses & Mémoires:Physique
Mots-clés :	Image Registration Object Detection Medical imaging
Index. décimale :	530 - Physique
Résumé :	Image registration and object detection are pivotal processes in the domain of radiotherapy, significantly enhancing the precision and effectiveness of treatment planning and delivery. This study leverages the capabilities of deep learning to address the challenges inherent in these tasks, particularly focusing on the complexities of anatomical variations and deformations. We propose and evaluate two deep learning models: VoxelMorph and a Sequential Model. VoxelMorph is tested on two datasets: the CTCBCT and Retinal FIRE datasets, achieving Cross Correlation (CC) values of 0.009 and 0.14, and Dice Similarity Coefficients (DiceSoccer) of 0.1 and 0.2, respectively. These results indicate that VoxelMorph demonstrates moderate performance in image registration, with better outcomes on the Retinal FIRE dataset compared to the CTCBCT dataset. The Sequential Model, designed for detecting and classifying tumor images in MRI datasets, demonstrates superior performance with a training loss of 0.191, training accuracy of 93%, validation accuracy of 98%, and test accuracy of 97%. These metrics underscore the model’s robustness and effectiveness in accurately identifying and classifying tumors. This study underscores the potential of deep learning, particularly convolutional neural networks (CNNs), in overcoming traditional challenges in image registration and object detection in radiotherapy.
Note de contenu :	Sommaire Aknowledgments i Abstract ii Contents iii List of Figures vi List of abreviations ix Introduction 1 1 Image Registration 4 1.1 BACKGROUND . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 1.2 History Medical Image Registration . . . . . . . . . . . . . . . . . . . . 5 1.3 Image Registration . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 1.3.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 1.3.2 Workflow . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 1.4 Medical Image Registration Techniques . . . . . . . . . . . . . . . . . . 7 1.4.1 Registration Based on Nature of the Transformation . . . . . . 7 1.5 Similarity Metrics of DIR . . . . . . . . . . . . . . . . . . . . . . . . . 12 1.5.1 Geometry-based metrics . . . . . . . . . . . . . . . . . . . . . . 12 1.5.2 Intensity-based metrics . . . . . . . . . . . . . . . . . . . . . . . 12 1.6 Optimization methods of DIR . . . . . . . . . . . . . . . . . . . . . . . 13 1.6.1 Gradient Descent Optimization . . . . . . . . . . . . . . . . . . 13 1.6.2 Conjugate Gradient and Quasi-Newton Methods . . . . . . . . . 14 1.6.3 Deep Learning-Based Optimization . . . . . . . . . . . . . . . . 14 1.7 The Transformation Models . . . . . . . . . . . . . . . . . . . . . . . . 14 1.7.1 Thin-Plate Splines . . . . . . . . . . . . . . . . . . . . . . . . . 14 1.7.2 Demons Algorithm . . . . . . . . . . . . . . . . . . . . . . . . . 15 1.7.3 The linear Elastic model . . . . . . . . . . . . . . . . . . . . . . 15 1.8 The Application of DIR in RT . . . . . . . . . . . . . . . . . . . . . . 17 1.8.1 Dose accumulation . . . . . . . . . . . . . . . . . . . . . . . . . 17 1.8.2 Mathematical modeling . . . . . . . . . . . . . . . . . . . . . . 18 1.8.3 Automatic segmentation . . . . . . . . . . . . . . . . . . . . . . 18 1.8.4 Functional imaging . . . . . . . . . . . . . . . . . . . . . . . . . 18 1.9 Validating Deformable Image Registration . . . . . . . . . . . . . . . . 19 1.9.1 Physical phantoms . . . . . . . . . . . . . . . . . . . . . . . . . 19 1.9.2 Digital phantoms . . . . . . . . . . . . . . . . . . . . . . . . . . 19 1.9.3 Anatomical landmark . . . . . . . . . . . . . . . . . . . . . . . 19 1.10 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 2 Overview Of AI In Image Registration 21 2.1 History . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 2.2 Deep learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 2.2.1 Overview . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 2.2.2 Architectures of Deep Neural Network . . . . . . . . . . . . . . 22 2.2.3 Transforms . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 2.2.4 Challenges of Deep Learning . . . . . . . . . . . . . . . . . . . . 28 2.2.5 Deep Learning vs Machine Learning . . . . . . . . . . . . . . . . 29 2.3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30 3 Materials and Methods 31 3.1 BACKGROUND . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 3.2 DataSet Description . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 3.2.1 Fire Dataset . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 3.2.2 CT-CBCT Dataset . . . . . . . . . . . . . . . . . . . . . . . . . 32 3.2.3 MRI Dataset . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 3.3 Implementation Materials . . . . . . . . . . . . . . . . . . . . . . . . . 34 3.3.1 Paython & Google Colab . . . . . . . . . . . . . . . . . . . . . . 34 3.3.2 Architecture Model . . . . . . . . . . . . . . . . . . . . . . . . . 35 3.4 Model Parameters . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 3.4.1 Optimization . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 3.4.2 Loss Functions . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 3.4.3 Activation Function . . . . . . . . . . . . . . . . . . . . . . . . . 39 3.4.4 Sample . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40 3.4.5 Epoch . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40 3.4.6 Batch Size . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 3.5 Overfitting, fitting, and underfitting . . . . . . . . . . . . . . . . . . . . 41 3.5.1 Overfitting . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42 3.5.2 Fitting . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42 3.5.3 Underfitting . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42 3.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43 4 Results and Discussion 44 4.1 BACKGROUND . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44 4.2 Splitting the Data to match the model Sets . . . . . . . . . . . . . . . . 45 4.3 Hyperparameters . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 4.4 Outputs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 4.4.1 CT and CBCT Dataset . . . . . . . . . . . . . . . . . . . . . . . 47 4.4.2 FIRE Dataset . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51 4.4.3 MRI Dataset used in Detection and Classification. . . . . . . . . 54 4.5 Comparison of Multi-datasets Results of Voxelmorph model . . . . . . 57 4.6 General Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58 4.6.1 VoxelMorph . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58 4.6.2 Sequential Model . . . . . . . . . . . . . . . . . . . . . . . . . . 59 4.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
Côte titre :	MAPH/0628

Image Registartion And Object detection using Deep Learning In Radiotherapy [document électronique] / Abdesselem Benaddad, Auteur ; Hacene Azizi, Directeur de thèse . - [S.l.] : Setif:UFA, 2024 . - 1 vol (60 f.) ; 29 cm.
Langues : Anglais (eng)

Catégories :	Thèses & Mémoires:Physique
Mots-clés :	Image Registration Object Detection Medical imaging
Index. décimale :	530 - Physique
Résumé :	Image registration and object detection are pivotal processes in the domain of radiotherapy, significantly enhancing the precision and effectiveness of treatment planning and delivery. This study leverages the capabilities of deep learning to address the challenges inherent in these tasks, particularly focusing on the complexities of anatomical variations and deformations. We propose and evaluate two deep learning models: VoxelMorph and a Sequential Model. VoxelMorph is tested on two datasets: the CTCBCT and Retinal FIRE datasets, achieving Cross Correlation (CC) values of 0.009 and 0.14, and Dice Similarity Coefficients (DiceSoccer) of 0.1 and 0.2, respectively. These results indicate that VoxelMorph demonstrates moderate performance in image registration, with better outcomes on the Retinal FIRE dataset compared to the CTCBCT dataset. The Sequential Model, designed for detecting and classifying tumor images in MRI datasets, demonstrates superior performance with a training loss of 0.191, training accuracy of 93%, validation accuracy of 98%, and test accuracy of 97%. These metrics underscore the model’s robustness and effectiveness in accurately identifying and classifying tumors. This study underscores the potential of deep learning, particularly convolutional neural networks (CNNs), in overcoming traditional challenges in image registration and object detection in radiotherapy.
Note de contenu :	Sommaire Aknowledgments i Abstract ii Contents iii List of Figures vi List of abreviations ix Introduction 1 1 Image Registration 4 1.1 BACKGROUND . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 1.2 History Medical Image Registration . . . . . . . . . . . . . . . . . . . . 5 1.3 Image Registration . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 1.3.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 1.3.2 Workflow . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 1.4 Medical Image Registration Techniques . . . . . . . . . . . . . . . . . . 7 1.4.1 Registration Based on Nature of the Transformation . . . . . . 7 1.5 Similarity Metrics of DIR . . . . . . . . . . . . . . . . . . . . . . . . . 12 1.5.1 Geometry-based metrics . . . . . . . . . . . . . . . . . . . . . . 12 1.5.2 Intensity-based metrics . . . . . . . . . . . . . . . . . . . . . . . 12 1.6 Optimization methods of DIR . . . . . . . . . . . . . . . . . . . . . . . 13 1.6.1 Gradient Descent Optimization . . . . . . . . . . . . . . . . . . 13 1.6.2 Conjugate Gradient and Quasi-Newton Methods . . . . . . . . . 14 1.6.3 Deep Learning-Based Optimization . . . . . . . . . . . . . . . . 14 1.7 The Transformation Models . . . . . . . . . . . . . . . . . . . . . . . . 14 1.7.1 Thin-Plate Splines . . . . . . . . . . . . . . . . . . . . . . . . . 14 1.7.2 Demons Algorithm . . . . . . . . . . . . . . . . . . . . . . . . . 15 1.7.3 The linear Elastic model . . . . . . . . . . . . . . . . . . . . . . 15 1.8 The Application of DIR in RT . . . . . . . . . . . . . . . . . . . . . . 17 1.8.1 Dose accumulation . . . . . . . . . . . . . . . . . . . . . . . . . 17 1.8.2 Mathematical modeling . . . . . . . . . . . . . . . . . . . . . . 18 1.8.3 Automatic segmentation . . . . . . . . . . . . . . . . . . . . . . 18 1.8.4 Functional imaging . . . . . . . . . . . . . . . . . . . . . . . . . 18 1.9 Validating Deformable Image Registration . . . . . . . . . . . . . . . . 19 1.9.1 Physical phantoms . . . . . . . . . . . . . . . . . . . . . . . . . 19 1.9.2 Digital phantoms . . . . . . . . . . . . . . . . . . . . . . . . . . 19 1.9.3 Anatomical landmark . . . . . . . . . . . . . . . . . . . . . . . 19 1.10 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 2 Overview Of AI In Image Registration 21 2.1 History . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 2.2 Deep learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 2.2.1 Overview . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 2.2.2 Architectures of Deep Neural Network . . . . . . . . . . . . . . 22 2.2.3 Transforms . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 2.2.4 Challenges of Deep Learning . . . . . . . . . . . . . . . . . . . . 28 2.2.5 Deep Learning vs Machine Learning . . . . . . . . . . . . . . . . 29 2.3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30 3 Materials and Methods 31 3.1 BACKGROUND . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 3.2 DataSet Description . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 3.2.1 Fire Dataset . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 3.2.2 CT-CBCT Dataset . . . . . . . . . . . . . . . . . . . . . . . . . 32 3.2.3 MRI Dataset . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 3.3 Implementation Materials . . . . . . . . . . . . . . . . . . . . . . . . . 34 3.3.1 Paython & Google Colab . . . . . . . . . . . . . . . . . . . . . . 34 3.3.2 Architecture Model . . . . . . . . . . . . . . . . . . . . . . . . . 35 3.4 Model Parameters . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 3.4.1 Optimization . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 3.4.2 Loss Functions . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 3.4.3 Activation Function . . . . . . . . . . . . . . . . . . . . . . . . . 39 3.4.4 Sample . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40 3.4.5 Epoch . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40 3.4.6 Batch Size . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 3.5 Overfitting, fitting, and underfitting . . . . . . . . . . . . . . . . . . . . 41 3.5.1 Overfitting . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42 3.5.2 Fitting . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42 3.5.3 Underfitting . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42 3.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43 4 Results and Discussion 44 4.1 BACKGROUND . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44 4.2 Splitting the Data to match the model Sets . . . . . . . . . . . . . . . . 45 4.3 Hyperparameters . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 4.4 Outputs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 4.4.1 CT and CBCT Dataset . . . . . . . . . . . . . . . . . . . . . . . 47 4.4.2 FIRE Dataset . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51 4.4.3 MRI Dataset used in Detection and Classification. . . . . . . . . 54 4.5 Comparison of Multi-datasets Results of Voxelmorph model . . . . . . 57 4.6 General Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58 4.6.1 VoxelMorph . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58 4.6.2 Sequential Model . . . . . . . . . . . . . . . . . . . . . . . . . . 59 4.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
Côte titre :	MAPH/0628