Registro de imágenes

Los algoritmos de registro o alineación de imágenes se pueden clasificar en basados ​​en intensidad y basados ​​en características. ^{[ 3 ]} Una de las imágenes se denomina imagen objetivo , fija o detectada , y las demás se denominan imágenes móviles o de origen . El registro de imágenes implica la transformación espacial de la(s) imagen(es) de origen/móvil para alinearla(s) con la imagen objetivo. El marco de referencia en la imagen objetivo es estacionario, mientras que los demás conjuntos de datos se transforman para que coincidan con el objetivo. ^{[ 3 ]} Los métodos basados ​​en intensidad comparan patrones de intensidad en imágenes mediante métricas de correlación, mientras que los métodos basados ​​en características encuentran correspondencia entre características de la imagen, como puntos, líneas y contornos. ^{[ 3 ]} Los métodos basados ​​en intensidad registran imágenes completas o subimágenes. Si se registran subimágenes, los centros de las subimágenes correspondientes se tratan como puntos característicos correspondientes. Los métodos basados ​​en características establecen una correspondencia entre varios puntos especialmente distintivos en las imágenes. Conociendo la correspondencia entre varios puntos en las imágenes, se determina una transformación geométrica para mapear la imagen objetivo a las imágenes de referencia, estableciendo así una correspondencia punto por punto entre las imágenes de referencia y objetivo. ^{[ 3 ]} También se han desarrollado métodos que combinan información basada en intensidad y en características. ^{[ 4 ]}

Los algoritmos de registro de imágenes también se pueden clasificar según los modelos de transformación que utilizan para relacionar el espacio de la imagen objetivo con el espacio de la imagen de referencia. La primera categoría amplia de modelos de transformación incluye las transformaciones afines , que incluyen rotación, escalado, traslación y cizallamiento. ^{[ 5 ]} Las transformaciones afines son de naturaleza global, por lo que no pueden modelar las diferencias geométricas locales entre imágenes. ^{[ 3 ]}

La segunda categoría de transformaciones permite transformaciones "elásticas" o "no rígidas". Estas transformaciones son capaces de deformar localmente la imagen objetivo para alinearla con la imagen de referencia. Las transformaciones no rígidas incluyen funciones de base radial ( splines de placa delgada o de superficie, multicuadráticas y transformaciones con soporte compacto ^{[ 3 ]} ), modelos de continuo físico (fluidos viscosos) y modelos de grandes deformaciones ( difeomorfismos ).

Las transformaciones se describen comúnmente mediante una parametrización, donde el modelo determina el número de parámetros. Por ejemplo, la traslación de una imagen completa se puede describir mediante un vector de traslación. Estos modelos se denominan modelos paramétricos. Los modelos no paramétricos, por otro lado, no siguen ninguna parametrización, lo que permite que cada elemento de la imagen se desplace arbitrariamente. ^{[ 6 ]}

Existen varios programas que implementan tanto la estimación como la aplicación de un campo de curvatura. Esto forma parte de los programas SPM y AIR .

Alternativamente, muchos métodos avanzados para la normalización espacial se basan en transformaciones que preservan la estructura, como homeomorfismos y difeomorfismos, ya que transportan subvariedades suaves durante la transformación. Los difeomorfismos se generan en el campo moderno de la Anatomía Computacional a partir de flujos, ya que no son aditivos aunque formen un grupo, sino un grupo bajo la ley de composición de funciones. Por esta razón, los flujos que generalizan las ideas de los grupos aditivos permiten generar grandes deformaciones que preservan la topología, proporcionando transformaciones biyectivas y sobreyectivas. Los métodos computacionales para generar tales transformaciones se denominan a menudo LDDMM ^{[ 7 ] [ 8 ] [ 9 ] [ 10 ],} que proporcionan flujos de difeomorfismos como la principal herramienta computacional para conectar sistemas de coordenadas correspondientes a los flujos geodésicos de la Anatomía Computacional .

Hay varios programas que generan transformaciones difeomórficas de coordenadas a través de mapeo difeomórfico, incluidos MRI Studio ^{[ 11 ]} y MRI Cloud.org ^{[ 12 ].}

Los métodos espaciales operan en el dominio de la imagen, comparando patrones de intensidad o características en las imágenes. Algunos algoritmos de comparación de características derivan de técnicas tradicionales para el registro manual de imágenes, en las que un operador selecciona puntos de control (PC) correspondientes. Cuando el número de puntos de control supera el mínimo necesario para definir el modelo de transformación adecuado, se pueden utilizar algoritmos iterativos como RANSAC para estimar de forma robusta los parámetros de un tipo de transformación específico (por ejemplo, afín) para el registro de las imágenes.

Los métodos en el dominio de la frecuencia encuentran los parámetros de transformación para el registro de las imágenes mientras trabajan en el dominio de la transformada. Estos métodos funcionan para transformaciones simples, como traslación, rotación y escalado. Al aplicar el método de correlación de fase a un par de imágenes se obtiene una tercera imagen que contiene un único pico. La ubicación de este pico corresponde a la traslación relativa entre las imágenes. A diferencia de muchos algoritmos en el dominio espacial, el método de correlación de fase es resistente al ruido, las oclusiones y otros defectos típicos de las imágenes médicas o satelitales. Además, la correlación de fase utiliza la transformada rápida de Fourier para calcular la correlación cruzada entre las dos imágenes, lo que generalmente resulta en grandes mejoras de rendimiento. El método se puede extender para determinar las diferencias de rotación y escalado entre dos imágenes convirtiendo primero las imágenes a coordenadas log-polares . ^{[ 13 ] [ 14 ]} Debido a las propiedades de la transformada de Fourier , los parámetros de rotación y escalado se pueden determinar de manera invariante a la traslación.

Otra clasificación posible es la que se establece entre métodos de una sola modalidad y métodos multimodales. Los métodos de una sola modalidad suelen registrar imágenes de la misma modalidad adquiridas con el mismo tipo de escáner/sensor, mientras que los métodos de registro multimodal tienden a registrar imágenes adquiridas con diferentes tipos de escáner/sensor.

Los métodos de registro multimodal se utilizan a menudo en imágenes médicas, ya que las imágenes de un sujeto se obtienen frecuentemente de diferentes escáneres. Algunos ejemplos incluyen el registro de imágenes de TC / RM cerebral o imágenes PET / TC de cuerpo entero para la localización de tumores, el registro de imágenes de TC con contraste frente a imágenes de TC sin contraste ^{[ 15 ]} para la segmentación de partes específicas de la anatomía, y el registro de imágenes de ultrasonido y TC para la localización de la próstata en radioterapia .

Los métodos de registro se pueden clasificar según el nivel de automatización que ofrecen. Se han desarrollado métodos manuales, interactivos, semiautomáticos y automáticos. Los métodos manuales proporcionan herramientas para alinear las imágenes manualmente. Los métodos interactivos reducen el sesgo del usuario al realizar ciertas operaciones clave automáticamente, aunque siguen dependiendo de la intervención del usuario para guiar el registro. Los métodos semiautomáticos realizan la mayoría de los pasos del registro automáticamente, pero dependen del usuario para verificar su corrección. Los métodos automáticos no permiten ninguna interacción del usuario y realizan todos los pasos del registro automáticamente.

Las similitudes de imágenes se utilizan ampliamente en imágenes médicas . Una medida de similitud de imágenes cuantifica el grado de similitud entre patrones de intensidad en dos imágenes. ^{[ 3 ]} La elección de una medida de similitud de imágenes depende de la modalidad de las imágenes que se van a registrar. Ejemplos comunes de medidas de similitud de imágenes incluyen la correlación cruzada , la información mutua , la suma de las diferencias de intensidad al cuadrado y la uniformidad de la imagen de razón. La información mutua y la información mutua normalizada son las medidas de similitud de imágenes más populares para el registro de imágenes multimodales. La correlación cruzada, la suma de las diferencias de intensidad al cuadrado y la uniformidad de la imagen de razón se utilizan comúnmente para el registro de imágenes en la misma modalidad.

En el campo de la Anatomía Computacional han surgido muchas características nuevas para las funciones de coste basadas en métodos de coincidencia mediante grandes deformaciones, incluyendo la coincidencia de medidas , que son conjuntos de puntos o hitos sin correspondencia, la coincidencia de curvas y la coincidencia de superficies mediante corrientes matemáticas y varifolds.