Analyzing Brains, Bodies and Big Data using SIFT Features - - PowerPoint PPT Presentation

Analyzing ¡Brains, ¡Bodies ¡and ¡ Big ¡Data ¡using ¡SIFT ¡Features ¡

Matthew Toews, PhD ¡

ETS, Montréal, March 9, 2016

Hello! ¡

McGill University 2001-2008 PhD, Tal Arbel Recalage par information mutuel Harvard Medical School 2009 – 2015 Postdoc, William Wells University of British Columbia 1996-2001, B. Eng

2 ¡

Research ¡Interests ¡

• Computer ¡Vision ¡

– ProbabilisDc ¡models, ¡detecDon, ¡ classificaDon, ¡registraDon, ¡segmentaDon, ¡

• tracking. ¡
• Medical ¡Image ¡Analysis ¡
• Other ¡

– ArDficial ¡intelligence, ¡machine ¡learning, ¡deep ¡ learning ¡methods, ¡ – Signal ¡processing, ¡video, ¡audio ¡… ¡

3 ¡

Philosophy ¡

Images ¡are ¡oMen ¡produced ¡for ¡the ¡human ¡visual ¡

• system. ¡Why ¡not ¡use ¡models ¡of ¡the ¡human ¡visual ¡

system ¡to ¡process ¡them? ¡

4 ¡

Human ¡Vision ¡

(2) Visual cortext: « orientation columns » (1) Retina: « center-surround » Joe ¡Sakic

5 ¡

(2) Gradient orientation histograms (1) Scale-space: Laplacian-of-Gaussian

Computer ¡Vision ¡

Joe ¡Sakic

6 ¡

Distinctive Image Features from Scale-Invariant Keypoints

• D. G. Lowe, IJCV, 2004.

« ¡Scale-­‑Invariant ¡Feature ¡Transform» ¡

• SIFT ¡

– Detect ¡local ¡image ¡features ¡

• Invariance ¡

– Geometry, ¡illuminaDon. ¡

• Image ¡correspondance ¡

– Very ¡fast, ¡resistant ¡to ¡

• cclusion. ¡

DisDncDve ¡Image ¡Features ¡from ¡Scale-­‑Invariant ¡Keypoints ¡

• D. ¡G. ¡Lowe, ¡IJCV, ¡2004. ¡

7 ¡

« ¡Scale-­‑Invariant ¡Feature ¡Transform ¡» ¡

x θ σ

Geometry ¡

• PosiDon ¡x ¡
• OrientaDon ¡θ ¡
• Scale ¡σ ¡

Appearance ¡ ¡

• Gradient orientation histograms ¡

8 ¡

Distinctive Image Features from Scale-Invariant Keypoints

• D. G. Lowe, IJCV, 2004.

8 ¡

Condi2onal ¡Independence ¡ Bayes ¡Theorem ¡

ProbabilisDc ¡Modeling ¡

Reference frame (non-observable)

T

Local ¡feature ¡

i

f

Transform ¡relaDng ¡feature ¡and ¡OCI ¡ geometries: ¡ Geometrical ¡transform ¡ (similarity) ¡

T f t

i i

→ :

,...) , | (

2 1 f

f T p )... | ( ) | ( ) (

2 1

T f p T f p T p =

Posterior ¡Distribu2on ¡

) | ,... , ( ) (

2 1

T f f p T p ∝

Learning ¡

• Parameter ¡esDmaDon ¡

– Geometry, ¡apperance, ¡occurrence ¡frequency ¡

• « ¡clustering ¡» ¡clustering ¡of ¡similar ¡features ¡

– Large ¡data ¡bases ¡of ¡training ¡images ¡

10 ¡

) | ( T f p

i

) | ( T f p

i

Analysis, ¡ClassificaDon ¡

• Visual ¡traits: ¡age, ¡sex, ¡… ¡
• Likelihood ¡raDo ¡

11 ¡

2 1 ) , | ( ) , | ( = Female T f p Male T f p

i i

DetecDon ¡

• Infer ¡a ¡viewpoint-­‑invariant ¡reference ¡frame ¡
• Independent ¡voDng ¡

– model ¡features ¡-­‑> ¡new ¡image ¡

Model ¡ New ¡Image ¡ Detection: Maximum A Posteriori (MAP)

,...) , | ( *

2 1 f

f T p T =

Detect ¡and ¡classify ¡faces ¡from ¡arbitrary ¡viewpoints ¡

DetecDon, ¡LocalizaDon ¡and ¡Sex ¡ClassificaDon ¡of ¡Faces ¡ from ¡Arbitrary ¡Viewpoints ¡and ¡Under ¡Occlusion ¡

M ¡Toews ¡and ¡T ¡Arbel, ¡ IEEE ¡TransacDons ¡on ¡Pagern ¡Analysis ¡and ¡Machine ¡Intelligence, ¡31(9), ¡pp. ¡1567-­‑1581, ¡2009. ¡

DetecDon, ¡LocalizaDon ¡and ¡Sex ¡ClassificaDon ¡of ¡Faces ¡ from ¡Arbitrary ¡Viewpoints ¡and ¡Under ¡Occlusion ¡

M ¡Toews ¡and ¡T ¡Arbel, ¡ IEEE ¡TransacDons ¡on ¡Pagern ¡Analysis ¡and ¡Machine ¡Intelligence, ¡31(9), ¡pp. ¡1567-­‑1581, ¡2009. ¡

Female Male

1 ) | ( ) | ( < Female f p Male f p

i i

Rose: Blue:

1 ) | ( ) | ( > Female f p Male f p

i i

14 ¡

Understanding ¡the ¡link ¡between ¡image ¡features ¡and ¡traits ¡

Understanding ¡the ¡link ¡between ¡image ¡features ¡and ¡traits ¡

DetecDon, ¡LocalizaDon ¡and ¡Sex ¡ClassificaDon ¡of ¡Faces ¡ from ¡Arbitrary ¡Viewpoints ¡and ¡Under ¡Occlusion ¡

M ¡Toews ¡and ¡T ¡Arbel, ¡ IEEE ¡TransacDons ¡on ¡Pagern ¡Analysis ¡and ¡Machine ¡Intelligence, ¡31(9), ¡pp. ¡1567-­‑1581, ¡2009. ¡

15 ¡

Model ¡normal ¡brain ¡anatomy ¡in ¡MRI ¡slices ¡

p(f )

Feature f

A ¡StaDsDcal ¡Parts-­‑based ¡Appearance ¡Model ¡of ¡Anatomical ¡Variability ¡

M ¡Toews ¡and ¡T ¡Arbel, ¡ IEEE ¡TransacDons ¡on ¡Medical ¡Imaging, ¡Vol. ¡26(4), ¡pp. ¡497-­‑508, ¡2007. ¡ ¡

16 ¡

Feature ¡variability ¡

Feature-­‑based ¡Model ¡ Ac2ve ¡Appearance ¡Model ¡

A ¡StaDsDcal ¡Parts-­‑based ¡Appearance ¡Model ¡of ¡Anatomical ¡Variability ¡

M ¡Toews ¡and ¡T ¡Arbel, ¡ IEEE ¡TransacDons ¡on ¡Medical ¡Imaging, ¡Vol. ¡26(4), ¡pp. ¡497-­‑508, ¡2007. ¡ ¡

17 ¡

Local ¡feature ¡alignment ¡is ¡highly ¡robust ¡to ¡perturbaDon ¡

18 ¡

Invariant ¡Feature-­‑Based ¡Analysis ¡of ¡Medical ¡ Images ¡

Maghew ¡Toews ¡

¡Associate ¡Professor ¡

¡ETS, ¡Montreal ¡

¡

William ¡(Sandy) ¡Wells ¡

¡Professor ¡of ¡Radiology ¡

¡Harvard ¡Medical ¡School ¡ ¡ ¡Brigham ¡and ¡Women’s ¡Hospital ¡

¡ ¡

¡

CVPR ¡2015 ¡-­‑ ¡Workshop ¡on ¡Medical ¡Computer ¡Vision ¡

How ¡big ¡data ¡is ¡possible? ¡

Boston ¡2015 ¡

Outline ¡

• Context ¡of ¡research ¡
• Invariant ¡Feature-­‑Based ¡Analysis ¡of ¡Medical ¡

Images ¡

19 ¡

Neuroimage ¡Analysis ¡Center ¡

• NIH ¡P41 ¡Ron ¡Kikinis ¡
• Projects ¡

– Microstructure ¡Imaging: ¡CF ¡WesDn ¡ – SpaDo-­‑Temporal ¡Modeling: ¡Sandy ¡Wells ¡ – ¡Anatomic ¡Variability: ¡Polina ¡Golland ¡ ¡ – 3D ¡Slicer: ¡Steve ¡Pieper ¡ ¡

20 ¡

NaDonal ¡Center ¡for ¡Image ¡Guided ¡ Therapy ¡(NCIGT) ¡

• Brigham ¡and ¡Women’s ¡Hospital, ¡Boston ¡
• NIH ¡P41 ¡(Ferenc ¡Jolesz), ¡Clare ¡Tempany ¡

– Tina ¡Kapur: ¡ExecuDve ¡Director ¡

• Projects: ¡

– Neurosurgery ¡: ¡Alexendra ¡Golby, ¡MD ¡ – Prostate ¡: ¡Clare ¡Tempany, ¡MD ¡ – Guidance ¡: ¡Noby ¡Hata, ¡PhD ¡ – ComputaDon ¡: ¡William ¡Wells, ¡PhD ¡

• CollaboraDon ¡and ¡training ¡are ¡*required* ¡

Advanced ¡MulDmodality ¡Image ¡Guided ¡ OperaDng ¡Suite ¡(AMIGO) ¡

22 ¡

ENTRANCE ¡INTO ¡AMIGO ¡ MRI ¡ PET/CT ¡ OR ¡ ANGIO ¡

Courtesy ¡Balasz ¡Lengyel, ¡BWH ¡

23 ¡

Precise ¡Localiza-on ¡of ¡Tumor ¡Boundaries ¡for ¡Therapy ¡ +ultrasound ¡ + ¡navigaDon ¡ +mass ¡spect ¡ 5700 ¡Square ¡Feet ¡ ¡ Launched ¡in ¡2011 ¡

3D ¡Feature-­‑Based ¡Analysis ¡

• Precursor ¡(2D) ¡

– Scale ¡Invariant ¡Feature ¡Transform ¡(SIFT) ¡ – Big ¡success ¡in ¡Computer ¡Vision ¡

• Medical ¡Image ¡Analysis ¡vs. ¡Computer ¡Vision ¡

– Some ¡problems ¡are ¡harder ¡in ¡computer ¡vision ¡

• PerspecDve ¡projecDon ¡
• Uncontrolled ¡illuminaDon ¡

– Different ¡quesDons ¡

• IdenDfy ¡biomarkers: ¡disease-­‑related ¡features ¡
• QuanDfy ¡

Lowe ¡D. ¡ ¡Dis2nc2ve ¡Image ¡Features ¡from ¡Scale-­‑Invariant ¡Keypoints. ¡Intl ¡J ¡ Computer ¡Vision, ¡2004. ¡

3D ¡Feature ¡DetecDon[1] ¡

• Localize ¡key ¡points ¡in ¡images ¡

– LocaDon ¡ – Scale ¡ – 3D ¡OrientaDon ¡

• at ¡each ¡key ¡point: ¡

– Summarize ¡local ¡texture ¡in ¡3D ¡patch ¡centered ¡on ¡ feature ¡ – 64 ¡bucket ¡histogram ¡of ¡gradient ¡direcDons ¡ – Rank ¡transform ¡histograms ¡[2] ¡

[2]Toews ¡M, ¡Wells ¡W. ¡SIFT-­‑Rank: ¡Ordinal ¡Descriptors ¡for ¡Invariant ¡Feature ¡Correspondence. ¡ ¡ Interna2onal ¡Conference ¡on ¡Computer ¡Vision ¡and ¡Pa^ern ¡Recogni2on ¡(CVPR), ¡2009. ¡pp ¡172-­‑177. ¡ [1] ¡Toews ¡M., ¡Wells ¡III ¡W.M., ¡Collins ¡D.L., ¡Arbel ¡T. ¡Feature-­‑Based ¡Morphometry. ¡Int ¡Conf ¡Med ¡Image ¡ Comput ¡Comput ¡Assist ¡Interv. ¡2009 ¡Sep;12(Pt ¡2):109-­‑16. ¡PMID: ¡20426102. ¡PMCID: ¡PMC3854925. ¡

Feature ¡DetecDon… ¡

x: 3D location σ: Scale Appearance Geometry

MRI, ¡CT: ¡100s ¡to ¡1000s ¡of ¡features ¡per ¡scan ¡ Brain ¡MRI ¡ Lung ¡CT ¡

Feature-­‑Based ¡Analysis ¡

• Learning-­‑based ¡methods ¡

– Train ¡from ¡large ¡sets ¡of ¡images, ¡labels ¡

• EffecDve ¡compression: ¡ ¡

– ~200 ¡B ¡per ¡feature ¡

• Lung ¡CT: ¡~1000 ¡features ¡-­‑> ¡ ¡200 ¡KB ¡ ¡
• (lung ¡CT ¡image ¡size: ¡200 ¡MB) ¡

– InformaDve ¡image ¡summary ¡

• Associated ¡technologies ¡

– Matching ¡features ¡across ¡images ¡ – Image ¡registraDon ¡

• One ¡pair ¡of ¡corresponding ¡features ¡determines ¡transfom ¡

– Feature ¡atlas ¡formaDon ¡ – Represent ¡scans ¡by ¡(e.g. ¡1K ¡bit) ¡vector ¡

• World ¡populaDon ¡-­‑> ¡.7 ¡TB ¡ ¡

ApplicaDons ¡to ¡Date ¡

• Brain ¡MRI ¡

– Align ¡difficult ¡data ¡ – Alzheimers ¡/ ¡OASIS ¡-­‑ ¡disease ¡classificaDon ¡

• Good ¡performance ¡

– Infant ¡age ¡esDmator ¡

• Zollei ¡et ¡al ¡

– Recognize ¡subjects ¡in ¡brain ¡MRI ¡ ¡ ¡

• Perfect ¡performance ¡in ¡OASIS ¡and ¡ADNI ¡

– IdenDfying ¡geneDc ¡signatures ¡

ApplicaDons… ¡ ¡

• Torso ¡CT ¡

– Robust ¡alignment ¡ – Robust ¡segmentaDon ¡by ¡“transfer” ¡

• Lung ¡CT ¡/ ¡COPD ¡Gene ¡(10K ¡subjects) ¡

– Raul ¡San ¡Jose ¡Estepar ¡ – State ¡of ¡art ¡predicDon ¡of ¡GOLD ¡status ¡

• Ultrasound ¡

– RegistraEon, ¡3D ¡Fetal ¡US ¡(Oxford) ¡ – RegistraEon ¡of ¡CINE ¡3D ¡cardiac ¡data ¡(U ¡Oslo) ¡ – RegistraDon ¡of ¡3D ¡Neurosurgical ¡US ¡

FBA ¡alignment ¡test ¡set ¡

FBA: ¡Alignment ¡Results ¡

Toews ¡M., ¡Wells ¡III ¡W.M. ¡Efficient ¡and ¡Robust ¡Model-­‑to-­‑Image ¡Alignment ¡using ¡3D ¡Scale-­‑ Invariant ¡Features. ¡Med ¡Image ¡Anal. ¡2013 ¡Apr;17(3):271-­‑82. ¡PMID: ¡23265799. ¡PMCID: ¡

• PMC3606671. ¡

FBA: ¡CT ¡Torso ¡Matching ¡

Toews ¡M., ¡Wells ¡III ¡W.M. ¡Efficient ¡and ¡Robust ¡Model-­‑to-­‑Image ¡Alignment ¡using ¡3D ¡Scale-­‑ Invariant ¡Features. ¡Med ¡Image ¡Anal. ¡2013 ¡Apr;17(3):271-­‑82. ¡PMID: ¡23265799. ¡PMCID: ¡

• PMC3606671. ¡

33

Preliminary Results: Brain – Deformable feature based registration

Pre-Resection

MNI BITE database 82 correspondences Feature extraction: ~25 seconds per image Feature matching: < 1 second Interpolation: ~25 seconds

Post-Resection

34

Brain US – feature-based registration

Before registration After registration

35

4D US Cardiac Registration

Robust spatio-temporal registration of 4D cardiac ultrasound sequences Jørn Bersvendsen, Matthew Toews, Adriyana Danudibroto, William M. Wells, Stig Urheim, Raúl San José Estépar, Eigil Samset. SPIE Medical Imaging, 2016. 9790-14.

36

Toews ¡M., ¡Wells ¡III ¡W.M., ¡Collins ¡D.L., ¡Arbel ¡T. ¡Feature-­‑Based ¡Morphometry. ¡Int ¡Conf ¡Med ¡ Image ¡Comput ¡Comput ¡Assist ¡Interv. ¡2009 ¡Sep;12(Pt ¡2):109-­‑16. ¡PMID: ¡20426102. ¡PMCID: ¡

• PMC3854925. ¡

Alzheimer’s ¡Disease ¡

InformaDve ¡Features ¡ ¡

39 ¡

InformaDve ¡Features ¡ ¡

Alzheimer’s ¡Disease ¡ Healthy ¡Brains ¡

hgp://www.maghewtoews.com/projects/oasis/ ¡

Infant ¡Brain ¡

Toews ¡M., ¡Wells ¡III ¡W.M., ¡Zöllei ¡L. ¡A ¡Feature-­‑based ¡Developmental ¡Model ¡of ¡the ¡Infant ¡Brain ¡in ¡ Structural ¡MRI. ¡Int ¡Conf ¡Med ¡Image ¡Comput ¡Comput ¡Assist ¡Interv. ¡2012 ¡Oct;15(Pt ¡2):204-­‑11. ¡ PMID: ¡23286050. ¡PMCID: ¡PMC4009075. ¡

Predicted ¡and ¡Actual ¡Ages ¡

Invariant ¡Feature-­‑based ¡Alignment ¡of ¡Volumetric ¡Mul2-­‑modal ¡Images ¡ ¡ ¡M. ¡Toews, ¡L. ¡Zöllei, ¡W.M. ¡Wells ¡III, ¡Image ¡Processing ¡in ¡Medical ¡Imaging, ¡2013, ¡pp. ¡25-­‑36, ¡2013 ¡

1) Positive Correlation 2) Negative Correlation Model: Local Intensity Correlations

Inter-­‑modality ¡Matching ¡

Account ¡for ¡different ¡Dssue-­‑intensity ¡characterisDcs ¡ in ¡different ¡scanning ¡modaliDes. ¡

Data ¡ExploraDon ¡– ¡ADNI ¡

0 ¡ 200 ¡ 400 ¡ 600 ¡ 800 ¡ 1000 ¡ 1200 ¡ 0 ¡ 500 ¡ 1000 ¡ 1500 ¡ 2000 ¡ 2500 ¡ 3000 ¡ 3500 ¡

Images ¡(1-­‑5 ¡per ¡subject, ¡~700 ¡subjects) ¡ Feature ¡Correspondences ¡

Many ¡local ¡feature ¡correspondences, ¡different ¡subjects ¡… ¡? ¡ Unpublished ¡work ¡with ¡Chris2an ¡Wachinger ¡

Data ¡ExploraDon ¡– ¡ADNI ¡

0 ¡ 200 ¡ 400 ¡ 600 ¡ 800 ¡ 1000 ¡ 1200 ¡ 0 ¡ 500 ¡ 1000 ¡ 1500 ¡ 2000 ¡ 2500 ¡ 3000 ¡ 3500 ¡

Images ¡(1-­‑5 ¡per ¡subject, ¡~700 ¡subjects) ¡ Feature ¡Correspondences ¡

Many ¡local ¡feature ¡correspondences, ¡different ¡subjects ¡… ¡? ¡ Same ¡Subject! ¡

“COPD ¡Gene” ¡

• Chronic ¡ObstrucDve ¡Pulmonary ¡Disease ¡
• 10 ¡K ¡Lung ¡CT ¡scan ¡pairs ¡
• GeneDc ¡data ¡
• 1K ¡features ¡/ ¡subject ¡
• “GOLD” ¡status: ¡5 ¡values ¡
• Simple ¡Classifier ¡

– Naive ¡Bayes ¡ – Kernel ¡Density ¡EsDmator ¡

• Empirical ¡Bayes ¡extension ¡for ¡robustness ¡

Toews ¡M, ¡San ¡Jose ¡Estepar ¡R, ¡et ¡al., ¡Wells ¡W. ¡A ¡Feature-­‑based ¡Approach ¡to ¡Big ¡Data ¡Analysis ¡of ¡ Medical ¡Images. ¡Informa2on ¡Processing ¡in ¡Medical ¡Imaging ¡(IPMI) ¡2015 ¡

COPD ¡Gene ¡

Toews ¡M, ¡San ¡Jose ¡Estepar ¡R, ¡et ¡al., ¡Wells ¡W. ¡A ¡Feature-­‑based ¡Approach ¡to ¡Big ¡Data ¡Analysis ¡of ¡ Medical ¡Images. ¡Informa2on ¡Processing ¡in ¡Medical ¡Imaging ¡(IPMI) ¡2015 ¡

Disease ¡related ¡features ¡in ¡lung ¡

Toews ¡M, ¡San ¡Jose ¡Estepar ¡R, ¡et ¡al., ¡Wells ¡W. ¡A ¡Feature-­‑based ¡Approach ¡to ¡Big ¡Data ¡Analysis ¡of ¡ Medical ¡Images. ¡Informa2on ¡Processing ¡in ¡Medical ¡Imaging ¡(IPMI) ¡2015 ¡

Keypoint ¡Transfer ¡SegmentaDon ¡

Wachinger ¡C, ¡Toews ¡M, ¡Golland ¡P, ¡Wells ¡W. ¡Keypoint ¡Transfer ¡Segmenta2on. ¡ Informa2on ¡Processing ¡in ¡Medical ¡Imaging ¡(IPMI) ¡2015. ¡

Keypoint ¡Transfer ¡SegmentaDon ¡

Imaging ¡GeneDcs ¡

51 ¡

• Human ¡Connectome ¡Project ¡

– Brain ¡MRI, ¡900 ¡subjects ¡

• T1W, ¡DWI, ¡fMRI ¡
• Twins: ¡150 ¡MonozygoDc, ¡150 ¡DizygoDc ¡
• Non-­‑twin ¡Siblings ¡425 ¡

¡

Feature ¡Correspondence ¡Networks ¡

52 ¡

MZ ¡Twin ¡ (%100 ¡DNA ¡shared) ¡ Non-­‑Twin ¡Sibling, ¡ 50% ¡DNA ¡shared ¡ Distance: ¡% ¡of ¡shared ¡nearest ¡ neighbor ¡correspondences. ¡ ¡ VerDces ¡in ¡NN ¡graph ¡across ¡ subjects ¡closely ¡resemble ¡ geneDc ¡links. ¡ Test ¡ Subject ¡

Toews ¡M, ¡Wells ¡W. ¡How ¡Are ¡Siblings ¡Similar? ¡How ¡Similar ¡Are ¡Siblings? ¡Large-­‑Scale ¡Imaging ¡Gene2cs ¡ Using ¡Local ¡Image ¡Features. ¡Interna2onal ¡Symposium ¡on ¡Biomedical ¡Imaging ¡(ISBI) ¡2016. ¡

‘Big ¡Data’ ¡Effect ¡

NN ¡methods ¡approach ¡opDmality ¡ as ¡the ¡number ¡of ¡data ¡-­‑> ¡∞ ¡ ¡ ¡ ¡ ¡ E.g. ¡Anatomical ¡accuracy ¡of ¡NN ¡ correspondences ¡between ¡brain ¡

• features. ¡
• T. ¡Cover ¡and ¡P. ¡Hart, ¡“Nearest ¡neighbor ¡pagern ¡

classificaDon,” ¡IEEE ¡Trans. ¡Inf. ¡Theory, ¡13(1), ¡pp. ¡ 21–27, ¡1967. ¡

Toews ¡M, ¡Wells ¡W. ¡How ¡Are ¡Siblings ¡Similar? ¡How ¡Similar ¡Are ¡Siblings? ¡Large-­‑Scale ¡Imaging ¡Gene2cs ¡ Using ¡Local ¡Image ¡Features. ¡Interna2onal ¡Symposium ¡on ¡Biomedical ¡Imaging ¡(ISBI) ¡2016. ¡

Where ¡to? ¡

• Bigger ¡studies? ¡ ¡ ¡100K ¡image ¡analysis, ¡1M? ¡
• Disease ¡studies ¡

– MS ¡

• IdenDfy ¡structure ¡in ¡data ¡

– Disease ¡subtypes ¡ – Clustering ¡

• General ¡Purpose, ¡Fast, ¡Good ¡Compression ¡

– Standardize ¡ – Incorporate ¡in ¡image ¡headers ¡

• DICOM ¡medical ¡image ¡standard ¡

– Integrate ¡with ¡PACS? ¡

Emerging ¡Themes ¡

• Feature ¡extracDon ¡

– Generic, ¡runs ¡in ¡~1min ¡/scan ¡ – Could ¡be ¡substanDally ¡faster ¡

• Per-­‑subject ¡feature-­‑based ¡analysis: ¡~1 ¡sec ¡
• Good ¡results ¡in ¡mulDple ¡domains ¡with ¡“generic” ¡technology ¡

– Co-­‑occurrence ¡of ¡atlas ¡features ¡with ¡disease ¡ – Nearest ¡neighbor ¡lookup ¡methods ¡ – Robust ¡RegistraDon ¡ – SegmentaDon ¡oMen ¡not ¡needed ¡ – Alzheimer’s: ¡results ¡compared ¡well ¡with ¡hippocampus ¡volume ¡ marker ¡ – COPD ¡classificaDon: ¡ ¡superior ¡results ¡ – Analogy ¡to ¡Mutual-­‑InformaDon ¡based ¡registraDon ¡

¡ ¡ Neuroimage ¡Analysis ¡Center ¡ ¡ Nac.spl.harvard.edu ¡ P41EB015902 ¡ William ¡Wells, ¡Ron ¡Kikinis, ¡Raul ¡San ¡Jose ¡Estepar ¡ ¡ ¡ Na2onal ¡Center ¡For ¡Image ¡Guided ¡Therapy ¡ www.ncigt.org ¡ P41EB015898 ¡ Tina ¡Kapur, ¡Claire ¡Tempany ¡ ¡ ¡ Na2onal ¡Ins2tute ¡for ¡Biomedical ¡Imaging ¡and ¡Bioengineering ¡ ¡ ¡ ¡ École ¡de ¡Techologie ¡Supérieure ¡ Ahmad ¡Chaddad, ¡ChrisDan ¡Derossiers, ¡Eric ¡Granger ¡ ¡ ¡

Acknowledgments ¡