alinhamento de imagens médicastavares/downloads/publications/... · 2011-05-06 · resumo –...
Post on 14-Nov-2018
215 Views
Preview:
TRANSCRIPT
F. Oliveira & J. Tavares Alinhamento de Imagens Médicas 1
Ciclo de Formações e Actualizações em Radiologia 2010/2011 – Imagem Analógica
vs Digital, 6 e 7 de Maio, ESTSP- IPP
Alinhamento de Imagens Médicas
Francisco P. M. Oliveira, João Manuel R. S. Tavares
francisco.oliveira@fe.up.pt tavares@fe.up.pt
Resumo
♦ Introdução
– Alinhamento/emparelhamento de imagens
– Aplicações
– Estado da arte
♦ Metodologias e Aplicações
– Alinhamento 2D
• Emparelhamento de contornos
• Maximização directa da correlação cruzada entre as imagens
(usando transformada de Fourier)
• Minimização directa da soma dos quadrados das diferenças
(usando transformadas de Fourier)
• Correlação de fases (usando transformada de Fourier)
• Alinhamento com optimização iterativa
• Resultados
F. Oliveira & J. Tavares Alinhamento de Imagens Médicas 2
Resumo
– Alinhamento de sequências de imagens 2D
• Alinhamento em duas fases com optimização iterativa
• Resultados
– Alinhamento 3D
• Optimização iterativa: alinhamento curvo usando BSplines
♦ Discussão
– Metodologias de alinhamento
– Medidas de similaridade
♦ Alinhamento usando o software 3D Slicer
– Breve apresentação do software
– Exemplo de alinhamento
F. Oliveira & J. Tavares Alinhamento de Imagens Médicas 3
Introdução (Alinhamento/emparelhamento de imagens)
F. Oliveira & J. Tavares 4 Alinhamento de Imagens Médicas
Como alinhamento de imagens (registration) considera-se a transformação
das coordenadas de uma imagem de modo que as imagens fiquem
representadas no mesmo sistema de coordenadas (de forma a estruturas
homólogas sobreporem-se)
Exemplo:
Imagem
modelo
Imagem
a alinhar Imagens sobrepostas
antes do alinhamento
Imagens sobrepostas
após o alinhamento
Introdução (Alinhamento/emparelhamento de imagens)
F. Oliveira & J. Tavares 5 Alinhamento de Imagens Médicas
Como emparelhamento (matching) considera-se o estabelecimento de
correspondências entre estruturas homólogas representadas nas imagens.
Exemplo:
Imagens originais e
respectivos contornos
Algumas das
correspondências obtidas
Oliveira F, Tavares J, Pataky T (2009) VIPimage 2009, pp. 269-274.
Introdução (Aplicações)
F. Oliveira & J. Tavares 6 Alinhamento de Imagens Médicas
Aplicações em imagens médicas:
– Auxílio no diagnóstico de patologias:
• Integração/fusão de informação de diferentes modalidades
(CT/PET, MRI/CT, f-MRI/MRI);
• Seguimento das alterações sofridas ao longo do tempo;
– Preparação de intervenções cirúrgicas (relacionando as imagens de
pré-operatório com os planos da cirurgia, realidade física do paciente,
estruturas anatómicas, etc.) e procedimentos rádio-terapêuticos;
– Reconhecimento automático de estruturas;
– Construção de bases de casos clínicos.
Introdução (Estado da arte)
F. Oliveira & J. Tavares 7 Alinhamento de Imagens Médicas
Nos últimos anos tem sido realizada imensa investigação na área do
alinhamento de imagens médicas. As diferentes metodologias de alinhamento
podem ser classificados tendo por base diversos critérios, nomeadamente:
– Dimensionalidade: 2D/2D, 2D/3D, 3D/3D, séries temporais;
– Base do alinhamento: extrínseca (o alinhamento é realizado tendo por
base objectos não pertencentes ao paciente, fixados no interior ou no
exterior do mesmo) ou intrínseca (a base do alinhamento está na
informação extraída do paciente, por exemplo, intensidades, superfícies,
pontos, esqueletos, contornos, etc.);
Introdução (Estado da arte)
F. Oliveira & J. Tavares 8 Alinhamento de Imagens Médicas
– Natureza da
transformação:
rígida, semelhança,
afim, projectiva, etc.;
– Domínio da
transformação: local
ou global;
Maintz J, Viergerver M (1998) Medical Image Analysis 2(1):1-37
Imagem
original
Transformação
Global Local
Rígida
Afim
Projectiva
Curva
– Interacção: alinhamento manual, semi-automático ou automático;
– Procedimento de optimização: os parâmetros da transformação
podem ser determinados directamente ou com base numa procura da
transformação que optimiza uma medida de similaridade;
– Modalidades envolvidas: mesma modalidade (CT/CT, MRI/MRI,
PET/PET, etc.), diferentes modalidades (CT/MRI, MRI-T1/MRI-T2,
PET/CT, etc.) ou paciente/modelo (o alinhamento é realizado
relativamente a um modelo sintético);
– Sujeitos: alinhamento de imagens do mesmo paciente, de diferentes
pacientes ou com um atlas;
– Objecto (parte do corpo).
Introdução (Estado da arte)
F. Oliveira & J. Tavares 9 Alinhamento de Imagens Médicas
Introdução (Estado da arte)
F. Oliveira & J. Tavares 10 Alinhamento de Imagens Médicas
Grande parte das metodologias de alinhamento baseadas na geometria das estruturas extraídas das imagens segue os seguintes passos principais:
– Segmentação (extracção/isolamento das estruturas pretendidas,
nomeadamente, conjunto de pontos, regiões, cantos, contornos,
superfícies, esqueletos, etc.);
– Emparelhamento (estabelecimento de correspondências entre as
estruturas, podendo ser determinadas de forma directa ou iterativa);
– Determinação da transformação geométrica (com base nas
correspondências e no tipo de transformação pretendida, estima-se a
transformação geométrica que minimiza a “distância” entre as
estruturas emparelhadas).
Introdução (Estado da arte)
F. Oliveira & J. Tavares 11 Alinhamento de Imagens Médicas
De um modo geral, as metodologias de alinhamento baseadas na intensidade podem ser divididas em dois grandes grupos: 1) directos ou 2) iterativos. O primeiro passo é comum a ambos:
– Preparação das imagens (conforme o algoritmo, podem ser realizadas
operações de pré-processamento sobre as imagens, como por exemplo,
filtragem, determinação de gradientes, selecção de uma zona de
interesse (ROI), etc.).
O segundo passo dos algoritmos directos consiste na:
– Determinação directa da transformação que optimiza a medida de
similaridade considerada (por exemplo, recorrendo à transformada de
Fourier e suas propriedades e ao Teorema da Convolução, é possível
determinar directamente a translação que maximiza a correlação entre as
imagens).
Introdução (Estado da arte)
F. Oliveira & J. Tavares 12 Alinhamento de Imagens Médicas
O segundo passo dos algoritmos iterativos consiste na:
– Aplicação de um algoritmo de optimização para maximizar/minimizar
a medida de similaridade considerada (o algoritmo vai sucessivamente
aplicando um conjunto de transformações geométricas e medindo a
similaridade entre a imagem modelo e a imagem transformada,
seguindo o caminho que optimiza a medida de similaridade
considerada e parando quando determinado critério de paragem for
satisfeito).
Nota: Para diminuir a probabilidade do algoritmo convergir para uma
solução local, é comum utilizar-se um esquema de multi-resolução (ou
em pirâmide) ou inicializar-se o algoritmo com um pré-alinhamento.
Introdução (Estado da arte)
F. Oliveira & J. Tavares 13 Alinhamento de Imagens Médicas
Algumas medidas de similaridade entre imagens frequentemente utilizadas:
i
fg igifCC
i
g
i
f
i
gf
fg
igif
igif
r22
Coeficiente de correlação (r) Correlação cruzada (CC)
i
fg igif2
SSD
Soma dos quadrados das diferenças (SSD)
i
fg igifN
21SSD
Média do quadrado das diferenças (MSD ou MSE)
Informação mútua (MI)
gfHgHfHMI ,
j k
kjpkjpgfH ,log,,sendo a entropia entre as imagens
Metodologias
F. Oliveira & J. Tavares 14 Alinhamento de Imagens Médicas
Nos últimos anos temos realizado trabalho nas diversas vertentes do
alinhamento/emparelhamento de imagens. Assim, foram desenvolvidas e
implementadas metodologias:
– Baseadas em características extraídas das imagens (pontos e
contornos) e na intensidade dos pixéis das imagens;
– Determinando a transformação geométrica de forma directa e iterativa;
– Usando diferentes transformações geométricas (lineares e curvas);
– Aplicadas:
– Em imagens de um mesmo paciente e de diferentes pacientes;
– Em imagens de uma mesma modalidade e de diferentes modalidades;
– No alinhamento de imagens 2D, 3D e séries temporais de imagens 2D.
F. Oliveira & J. Tavares 15
Metodologias (Emparelhamento de contornos)
Imagem modelo Imagem a alinhar
Imagens alinhadas
Extrair os contornos
Determinar uma matriz de custos
Estabelecer o emparelhamento óptimo
Determinar a transformação geométrica
Alinhar a imagem alvo
A matriz de custos é baseada em características geométricas.
O emparelhamento óptimo é estabelecido tendo por base a minimização dos custos de emparelhamento.
Na optimização do emparelhamento é usada programação dinâmica.
Alinhamento de Imagens Médicas
Oliveira F, Tavares J (2009) Computer Modeling in Engineering & Sciences 43(1):91-110
Oliveira F, Tavares J, Pataky T (2009) Journal of Biomechanics 42(15):2620-2623.
F. Oliveira & J. Tavares 16
Extracção de contornos
Metodologias (Emparelhamento de contornos)
Alinhamento de Imagens Médicas
Imagem original
Suavização
Binarização Extracção
de um
contorno
Exemplo 1:
F. Oliveira & J. Tavares 17
Metodologias (Emparelhamento de contornos)
Alinhamento de Imagens Médicas
Contorno
extraído da
imagem
modelo
Emparelhamento
obtido
Contornos
sobrepostos
Contorno
extraído da
imagem
desalinhada
Emparelhamento dos contornos
Exemplo 1:
F. Oliveira & J. Tavares 18
Metodologias (Emparelhamento de contornos)
Alinhamento de Imagens Médicas
Exemplo 1:
Alinhamento:
totalmente
automático;
Tempo total de
processamento:
0.5 s - AMD
Turion64, 2.0
GHz, 1.0GB de
RAM;
Dimensão das
imagens:
217x140 pixéis.
Imagem modelo
CT
Imagem desalinhada
CT
Imagens sobrepostas
antes do alinhamento
Imagens sobrepostas
após alinhamento
Soma das imagens
alinhadas
Diferença entre as
imagens alinhadas
Alinhamento obtido
F. Oliveira & J. Tavares 19
Extracção dos contornos e emparelhamento
Metodologias (Emparelhamento de contornos)
Alinhamento de Imagens Médicas
Imagem modelo (mesa óptica) e
respectivo contorno
Imagem desalinhada (mesa óptica) e
respectivo contorno
Exemplo 2:
Emparelhamento
F. Oliveira & J. Tavares 20
Metodologias (Emparelhamento de contornos)
Alinhamento de Imagens Médicas
Exemplo 2:
Alinhamento:
totalmente
automático;
Tempo total de
processamento:
0.125 s - AMD
Turion64, 2.0
GHz, 1.0GB de
RAM;
Dimensão das
imagens:
160x288 pixéis.
Imagem
modelo
Imagem
desalinhada
Imagens sobrepostas
antes do alinhamento
Imagens
sobrepostas
após
alinhamento
Soma das imagens
alinhadas
Diferença entre as
imagens alinhadas
Alinhamento obtido
F. Oliveira & J. Tavares 21
Metodologias (Maximização directa da correlação cruzada entre as imagens)
Pressuposto: As imagens estão melhor alinhadas quanto maior for o valor da correlação cruzada entre as mesmas. Fundamentos: Transformar a correlação numa convolução e usar a transformada de Fourier para determinar a convolução.
A transformação geométrica que maximiza a correlação entre as imagens pode ser calculada directamente:
Alinhamento de Imagens Médicas
Oliveira F, Pataky T, Tavares J (2010) Computer Methods in Biomechanics and Biomedical Engineering
13(6):731-740.
Imagem
modelo
Imagem
a alinhar
Determinar os
espectros das
imagens
Converter os
espectros para
coordenadas
log-polares
Converter os
espectros em
coordenadas log-
polares para o
espaço de Fourier
Determinar a rotação
e escalamento que
maximiza a
correlação entre os
espectros
Rodar e escalar a
imagem a alinhar
Converter a
imagem rodada
para o espaço de
Fourier
Determinar a
translação
Aplicar a
translação à
imagem rodada
Imagem
alinhada
F. Oliveira & J. Tavares 22
Metodologias (Maximização directa da correlação cruzada entre as imagens)
Exemplo 1:
Alinhamento de Imagens Médicas
Alinhamento:
totalmente
automático;
Tempo total de
processamento:
2.1 s - AMD
Turion64, 2.0
GHz, 1.0GB de
RAM;
Dimensão das
imagens:
221x257 píxeis.
Imagem modelo
MRI (proton density)
Imagem desalinhada
MRI (proton density)
Imagens sobrepostas
antes do alinhamento
Imagens sobrepostas
após alinhamento
Soma das imagens
alinhadas
Diferença entre as
imagens alinhadas
F. Oliveira & J. Tavares 23 Alinhamento de Imagens Médicas
Imagens do mesmo pé
Imagens de pés diferentes
Metodologias (Maximização directa da correlação cruzada entre as imagens)
Exemplos 2 e 3 (em imagens de pressão plantar):
Origem das
imagens: Footscan;
Alinhamento:
totalmente
automático;
Tempo total de
processamento:
0.04 s - AMD
Turion64, 2.0 GHz,
1.0GB de RAM;
Dimensão das
imagens: 45x63
pixéis.
Transformação
rígida
Transformação
de semelhança
Imagem
modelo
Imagem
desalinhada
Imagens
sobrepostas
antes do
alinhamento
Imagens
sobrepostas
após o
alinhamento
F. Oliveira & J. Tavares 24
Metodologias (Minimização directa da soma dos quadrados das diferenças entre as
intensidades)
Pressuposto: As imagens estão melhor alinhadas quanto menor for a soma
dos quadrados das diferenças entre as intensidades.
Fundamentos: Transformar a soma dos quadrados das diferenças numa
expressão dependente de uma convolução e usar a transformada de Fourier
para determinar a convolução.
A transformação geométrica que minimiza a soma dos quadrados das
diferenças é determinada directamente recorrendo a um algoritmo
semelhante ao considerado para o caso da correlação cruzada.
Alinhamento de Imagens Médicas
Oliveira F, Pataky T, Tavares J (2010) Computer Methods in Biomechanics and Biomedical Engineering
13(6):731-740
Fundamentos: Se duas imagens diferem apenas de uma translação, então
as suas transformadas de Fourier diferem apenas na fase. Assim, com base
na comparação das fases é possível estimar a translação entre as imagens. O
algoritmo considerado é similar ao usado para o caso da correlação cruzada.
-90º
Rotação (correlação de fases)
F. Oliveira & J. Tavares 25
Metodologias (Correlação de fases)
Alinhamento de Imagens Médicas
Oliveira F, Pataky T, Tavares J (2010) Computer Methods in Biomechanics and Biomedical Engineering
13(6):731-740
0º
90º
15º
Translação
(correlação de fases)
Alinhamento
final
(-29, 8)
F. Oliveira & J. Tavares 26
Metodologias (Alinhamento com optimização iterativa: imagens 2D)
O algoritmo pára quando não já não consegue optimizar significativamente a medida de similaridade ou outro critério de paragem for atingido.
Fundamento: Este tipo de metodologia é baseado na procura iterativa dos
parâmetros da transformação geométrica que optimiza (maximiza ou
minimiza, conforme o caso) uma medida de similaridade entre as imagens.
Alinhamento de Imagens Médicas
Imagem a alinhar Imagem modelo
Alinhamento inicial
(optimização directa)
Determinação da
imagem transformada
Cálculo da medida de
similaridade entre as
imagens
Algoritmo de
optimização
Determinação da
transformação geométrica
Oliveira F, Tavares J (2011) Medical & Biological Engineering & Computing 49(3):313-323
F. Oliveira & J. Tavares 27 Alinhamento de Imagens Médicas
Exemplo 1:
Alinhamento:
totalmente automático
e sem pré-
alinhamento;
Medida de
similaridade: MI;
Tempo total de
processamento: 5.4 s
- AMD Turion64, 2.0
GHz, 1.0GB de RAM;
Dimensão das
imagens: 221x257
pixéis.
Imagem modelo
MRI-T1
Imagem desalinhada
MRI (proton density)
Imagens sobrepostas
antes do alinhamento
Imagens sobrepostas
após alinhamento
Soma das imagens
alinhadas
Diferença entre as
imagens alinhadas
Metodologias (Alinhamento com optimização iterativa: imagens 2D)
F. Oliveira & J. Tavares 28 Alinhamento de Imagens Médicas
Exemplo 2:
Alinhamento:
totalmente
automático e sem
pré-alinhamento;
Medida de
similaridade: MI;
Tempo total de
processamento:
4.6 s - AMD
Turion64, 2.0 GHz,
1.0GB de RAM;
Dimensão das
imagens: 246x234
pixéis.
Imagem modelo
CT
Imagem desalinhada
MRI
Imagens sobrepostas
antes do alinhamento
Imagens sobrepostas
após alinhamento
Soma das imagens
alinhadas
Diferença entre as
imagens alinhadas
Metodologias (Alinhamento com optimização iterativa: imagens 2D)
F. Oliveira & J. Tavares 29 Alinhamento de Imagens Médicas
Exemplo 3:
Alinhamento:
totalmente
automático e sem
pré-alinhamento;
Medida de
similaridade: MSE
calculado sobre
uma ROI;
Tempo total de
processamento: 1.6
s - AMD Turion64,
2.0 GHz, 1.0GB de
RAM;
Dimensão das
imagens: 230x216
pixéis.
Imagem modelo
Raio X
Imagem desalinhada
Raio X
Imagens sobrepostas
antes do alinhamento
Imagens sobrepostas
após alinhamento
Soma das imagens
alinhadas
Diferença entre as
imagens alinhadas
Metodologias (Alinhamento com optimização iterativa: imagens 2D)
F. Oliveira & J. Tavares 30 Alinhamento de Imagens Médicas
Metodologias (Resultados)
Imagens da EMED
(32x55 píxeis)
Imagens do
Footscan
(45x63 píxeis)
Imagens da
plataforma óptica
(160x288 píxeis)
Metodologia usada Erro
residual
[mm]
Tempo
de proc.
[s]
Erro
residual
[mm]
Tempo
de proc.
[s]
Erro
residual
[mm]
Tempo
de proc.
[s]
Emparelhamento de contornos 1.96 0.01 1.22 0.02 1.28 0.20
Maximização da correlação
cruzada
0.25 0.04 0.54 0.04 0.19 2.15
Minimização da soma dos
quadrados das diferenças
0.25 0.05 0.54 0.05 0.19 2.20
Correlação de fases
0.57 0.05 0.60 0.06 0.21 2.49
Optimização iterativa
(medida: MSE; pré-al.: cont.)
<0.01 0.04 <0.01 0.07 <0.01 1.60
Imagens de pressão plantar
Exemplo de
uma
imagem de
pressão
plantar
PC: AMD Turion64, 2.0 GHz, 1.0GB de RAM
F. Oliveira & J. Tavares 31
Fundamento: Este tipo de metodologia pode ser dividida em duas fases: 1) é determinado um pré-alinhamento espacial e temporal; 2) o alinhamento é optimizado recorrendo a um algoritmo de optimização iterativa, procurando os parâmetros das transformações geométrica e temporal que optimizam (maximiza ou minimiza, conforme o caso) a medida de similaridade entre as sequências de imagens.
Alinhamento de Imagens Médicas
Sequência a alinhar Sequência modelo
Alinhamento espacial
e temporal iniciais Determinação da
sequência transformada
no espaço e no tempo
Cálculo da medida de
similaridade entre as
sequências
Algoritmo de
optimização
Determinação das
transformações temporal
e espacial
Oliveira F, Sousa A, Santos R, Tavares J (2011) Medical & Biological Engineering & Computing (in press)
Metodologias (Alinhamento em duas fases com optimização iterativa: sequências
de imagens 2D)
F. Oliveira & J. Tavares 32 Alinhamento de Imagens Médicas
Exemplo 1:
Origem das
sequências: EMED;
Alinhamento:
totalmente
automático;
Medida de
similaridade: MSE;
Tempo total de
processamento: 4 s -
AMD Turion64, 2.0
GHz, 1.0GB de RAM;
Dimensão das
sequências:
32x55x13; 32x55x18
Frame da
sequência
modelo
Frame
correspondente
da sequência
desalinhada
Frames
sobrepostas
Antes do
alinhamento
Depois do
alinhamento
Metodologias (Alinhamento em duas fases com optimização iterativa: sequências
de imagens 2D)
F. Oliveira & J. Tavares 33 Alinhamento de Imagens Médicas
Exemplo 2:
Origem das
sequências: mesa
óptica;
Alinhamento:
totalmente automático;
Medida de similaridade:
MSE;
Tempo total de
processamento: 1 min -
AMD Turion64, 2.0
GHz, 1.0GB de RAM;
Dimensão das
sequências:
160x288x22;
160x288x25
Antes do
alinhamento
Depois do
alinhamento
Metodologias (Alinhamento em duas fases com optimização iterativa: sequências
de imagens 2D)
Frame da
sequência
modelo
Frame
correspondente
da sequência
desalinhada
Frames
sobrepostas
F. Oliveira & J. Tavares 34 Alinhamento de Imagens Médicas
Metodologias (Resultados)
Sequências de imagens de pressão plantar
Grau da
transformação
polinomial
temporal
permitida
Erro residual
espacial
máximo [mm]
Erro residual
temporal
máximo [s]
Tempo de
processamento
médio [s]
1 0.012 0.0002 2.1
2 0.012 0.0002 4.4
3 0.012 0.0003 8.1
4 0.011 0.0003 11.2
Sequências de imagens da plataforma EMED, 25 fps, resolução 2 píxeis/cm2 e aproximadamente 20
imagens por sequência. Valores obtidos minimizando o MSE e considerando transformações espaciais
rígidas (rotações e translações). Transformações de controlo: rígida (espacial), linear (temporal).
PC: AMD Turion64, 2.0 GHz, 1.0GB de RAM.
F. Oliveira & J. Tavares 35 Alinhamento de Imagens Médicas
Metodologias (Optimização iterativa: alinhamento 3D curvo usando BSplines)
Imagem modelo Imagem a alinhar
Imagem alinhada
Pré-alinhamento usando uma transformação rígida
Novo pré-alinhamento usando uma transformação afim
Alinhamento curvo grosseiro usando BSplines
Alinhamento fino usando BSplines
Metodologia baseado na biblioteca Insight Toolkit (ITK); http://www.itk.org
Algoritmo:
F. Oliveira & J. Tavares 36 Alinhamento de Imagens Médicas
Metodologias (Optimização iterativa: alinhamento 3D curvo usando BSplines)
Exemplo : Xadrez das imagens (CT, tórax) antes do alinhamento
F. Oliveira & J. Tavares 37 Alinhamento de Imagens Médicas
Metodologias (Optimização iterativa: alinhamento 3D curvo usando BSplines)
Exemplo :
Alinhamento: totalmente automático; Medida de similaridade: MI; Tempo total de
processamento: 8 min e 15 s; Dimensão das imagens: 276x236x48 e 276x236x44 píxeis.
PC: AMD Turion64, 2.0 GHz, 1.0GB de RAM
Xadrez das imagens depois do alinhamento
F. Oliveira & J. Tavares 38
Discussão (Metodologias de alinhamento)
Metodologia baseada no emparelhamento dos contornos
Vantagens:
- Pode ser usada para alinhar imagens de diferentes modalidades;
- Robusta a grandes desalinhamentos, o que permite que seja usada para determinar bons pré-alinhamentos, os quais poderão ser posteriormente usados por outros algoritmos;
- Não contando com o tempo necessário para a extracção dos contornos, esta metodologia pode ser muito rápida;
- Possibilidade de determinação de transformações geométricas não lineares.
Desvantagens:
- Só pode ser aplicada quando for possível a extracção de contornos;
- Elevada sensibilidade à qualidade dos contornos extraídos;
- A qualidade do alinhamento é, em geral, inferior à das outras metodologias apresentadas.
Alinhamento de Imagens Médicas
F. Oliveira & J. Tavares 39
Metodologias baseadas na optimização directa da correlação cruzada, soma dos quadrados das diferenças e correlação de fase.
Vantagens:
- Boa qualidade de alinhamento;
- Robustas a grandes desalinhamentos, o que permite que sejam usadas para determinar bons pré-alinhamentos, os quais poderão ser posteriormente usados por outros algoritmos;
- Robustas a soluções locais (máximos ou mínimos) ;
- Tempo de processamento reduzido e dependente apenas da dimensão das imagens.
Desvantagens:
- Só podem ser aplicadas a imagens da mesma modalidade;
- Só são robustas quando as imagens representam o mesmo campo de visão, isto é, ambas as imagens representam as mesmas estruturas;
- Permite apenas transformações rígidas e de similaridade.
Alinhamento de Imagens Médicas
Discussão (Metodologias de alinhamento)
F. Oliveira & J. Tavares 40
Metodologias baseadas na optimização iterativa
Vantagens:
- Têm capacidade para apresentar elevada precisão;
- Permitem a utilização de diferentes medidas de similaridade, conforme seja mais adequado à situação;
- Podem ser usadas no alinhamento de imagens obtidas de diferentes modalidades, escolhendo adequadamente a medida de similaridade;
- A medida de similaridade pode ser calculada apenas numa ROI;
- Possibilidade de determinação de transformações geométricas lineares e curvas;
- Permitem o alinhamento de imagens 2D, 3D e sequências de imagens.
Alinhamento de Imagens Médicas
Discussão (Metodologias de alinhamento)
F. Oliveira & J. Tavares 41
Metodologia baseada na optimização iterativa
Desvantagens:
- Regra geral, para garantir a convergência para o alinhamento óptimo é necessário que as imagens estejam pouco desalinhadas ou sejam conhecido um bom pré-alinhamento inicial;
- A qualidade do alinhamento pode ser significativamente afectada pela medida de similaridade e algoritmo de optimização considerados;
- Há sempre alguma possibilidade do algoritmo convergir para uma solução local;
- O tempo de processamento pode ser elevado.
Alinhamento de Imagens Médicas
Discussão (Metodologias de alinhamento)
F. Oliveira & J. Tavares 42
Características das medidas de similaridade SSD, MSE, CC e MI:
- As medidas SSD, MSE e CC são adequadas apenas para o alinhamento de
imagens da mesma modalidade;
- Em circunstâncias adequadas (imagens da mesma modalidade com idêntica
distribuição de intensidade e com o mesmo campo de visão), geralmente a
optimização da SSD, MSE ou CC produz um alinhamento idêntico e de boa
qualidade, melhor do que o obtido através da optimização da MI;
- O cálculo da SSD, MSE e CC é mais simples do que o cálculo da MI, pelo que
as primeiras são computacionalmente mais eficientes;
- As medidas SSD, MSE e CC são muito sensíveis a outliers;
- A medida MI é robusta a outliers;
- A medida MI é mais robusta no alinhamento de imagens com diferentes
campos de visão do que as medidas SSD, MSE e CC.
Alinhamento de Imagens Médicas
Discussão (Medidas de similaridade)
F. Oliveira & J. Tavares 43
Alinhamento usando o software 3D Slicer (Breve apresentação
do software)
Características principais:
- É livre, open source e multi-plataforma;
- Permite a visualização, processamento e análise de imagem médica,
nomeadamente a segmentação e alinhamento;
- O processamento pode ser manual, semi-automático ou totalmente
automático;
- É multi-modalidade (CT, MRI, US, medicina nuclear e microscopia);
- O código é maioritariamente escrito em C++.
Alinhamento de Imagens Médicas
www.slicer.org
F. Oliveira & J. Tavares 44
Alinhamento usando o software 3D Slicer (Exemplo de
alinhamento)
Alinhamento de Imagens Médicas
• O primeiro autor agradece à Fundação Gulbenkian a sua bolsa de
Doutoramento.
• Os trabalhos apresentados têm vindo a ser realizados parcialmente
com o apoio da Fundação para a Ciência e a Tecnologia (FCT) em
Portugal, nomeadamente, através dos projectos:
– PTDC/SAU-BEB/102547/2008
– PTDC/SAU-BEB/104992/2008
– PTDC/EEA-CRO/103320/2008
– UTAustin/CA/0047/2008
– UTAustin/MAT/0009/2008
– PDTC/EME-PME/81229/2006
– PDTC/SAU-BEB/71459/2006
– POSC/EEA-SRI/55386/2004
45 F. Oliveira & J. Tavares Alinhamento de Imagens Médicas
Agradecimentos
Alinhamento de Imagens Médicas
Francisco P. M. Oliveira, João Manuel R. S. Tavares
francisco.oliveira@fe.up.pt tavares@fe.up.pt
Alinhamento de Imagens Médicas F. Oliveira & J. Tavares 46
top related