Nichtlineare Bildregistrierung ist von integraler Bedeutung für klinische Anwendungen in Bereichen wie multimodaler Bildfusion, Schätzung von lokalen Deformationen und bildgestützten Eingriffen. Die Definition von Bildähnlichkeiten ist dabei eine der größten Herausforderung für die Bestimmung von Korrespondenzen zwischen mehreren medizinischen Bildern. Insbesondere wenn diese Aufnahmen mit unterschiedlichen Scannern, z.B. durch Magnetresonanztomographie (MRT), Computertomographie (CT) oder Ultraschall, entstanden sind.

Die Verwendung von Metriken, die direkt auf Bildintensitäten basieren, ist unzureichend für solche klinische Aufnahmen, welche aufgrund dieser Multimodalität nichtlineare Intensitätsrelationen enthalten - neben ohnehin häufig auftretenden Problemen wie lokalen Kontrastschwankungen, Bildrauschen, Intensitätsstörungen oder Artefakten. In diesem Projekt sollen neue Algorithmen entwickelt werden, um die Robustheit von medizinischer Bildregistrierung zu verbessern. Wir werden Fortschritte gegenüber dem aktuellen Stand der Technik erzielen, in dem eine große Anzahl von vielseitigen Bildmerkmalen, basierend auf Distanzen zwischen lokalen Bildbereichen oder Histogrammen, sinnvoll kombiniert wird. Die Merkmalsvektoren sollen die Wechselbeziehungen in einer Nachbarschaft charakteristisch abbilden und kontrastunabhängig sein. Aktuelle überwachte Lernverfahren sollen eingesetzt werden, um die optimale Auswahl und Kombination aus den potentiell hochdimensionalen Merkmalsvektoren unter Einbringung von Vorwissen zu finden. Das Lernen von Metriken und der Einsatz einer höheren Ordnung des gemeinsamen Informationsgehaltes (mutual information) sollen neue Beziehungen zwischen Merkmalsdimensionen aufdecken. Die Anwendung geeigneter Binarisierungsmethoden auf die Vektoren (für die das Hamming Gewicht als Distanz verwendet werden kann) sollen die Rechen- und Speicheranforderungen senken und gleichzeitig die Genauigkeit und Robustheit der Verfahren erhalten.

Während des Projektes soll ein tieferes Verständnis der zugrundeliegenden Prinzipien von Bildähnlichkeiten gewonnen werden. Die Entwicklung von neuen, erfolgsversprechenden Methoden für die Registrierung von zur Zeit herausfordernden multimodalen Problemen wird neue Anwendungsmöglichkeiten für die computergestützte Diagnostik, Chirurgie und Strahlentherapie, sowie  für die multimodale Bildfusion und Kontrastsynthese schaffen.