Advanced models for multi-modal image registration
Modèles avancés pour le recalage d'images multimodales
Résumé
In this thesis we present three important contributions to image registration. The first part introduces a new similarity term based on the geometric information extracted from the images. The second part of this thesis introduces an effective approach for unsupervised multilevel image registration by leveraging geometric information. We propose a neural network architecture that predicts the geometric information of an image. Then, we use this geometric information to define a second neural network dedicated to the process of image registration. The third part of this thesis focuses on calculating the topological gradient associated with a second-order derivative for the proposed cost function. This gradient is then used to construct an efficient and robust similarity term that can handle contrast variations and significant deformations.
Cette thèse présente trois contributions importantes pour le recalage d'images. La première partie introduit un nouveau terme de similarité basé sur les informations géométriques extraites des images. Cette nouvelle méthode de recalage améliore les performances en termes de précision et de robustesse, par rapport aux méthodes classiques. La deuxième partie introduit une approche efficace de recalage d’images multi niveaux basée sur l’apprentissage profond non supervisé. La troisième partie se concentre sur le calcul du gradient topologique associé à une dérivée de second ordre pour la fonction coût. Ce gradient est ensuite utilisé pour construire un terme de similarité efficace et robuste qui permet de traiter les variations de contraste et les déformations importantes.
Origine : Version validée par le jury (STAR)