Registro de imagem - Image registration

Registrar e somar múltiplas exposições da mesma cena melhora a relação sinal-ruído, permitindo ver coisas que antes eram impossíveis de ver. Nesta foto, os distantes Alpes tornam-se visíveis, embora estejam dezenas de quilômetros dentro da névoa.

O registro de imagem é o processo de transformar diferentes conjuntos de dados em um sistema de coordenadas. Os dados podem ser várias fotografias, dados de diferentes sensores, tempos, profundidades ou pontos de vista. É usado em visão computacional , imagens médicas , reconhecimento militar automático de alvos e compilação e análise de imagens e dados de satélites. O registro é necessário para poder comparar ou integrar os dados obtidos a partir dessas diferentes medições.

Classificação de algoritmo

Baseado em intensidade versus baseado em recursos

Os algoritmos de registro ou alinhamento de imagem podem ser classificados em baseados em intensidade e baseados em recursos. Uma das imagens é referida como o movimento ou origem e as outras são referidas como o alvo , imagens fixas ou detectadas . O registro da imagem envolve a transformação espacial da (s) imagem (ns) de origem / movimento para alinhar com a imagem de destino. O quadro de referência na imagem de destino é estacionário, enquanto os outros conjuntos de dados são transformados para corresponder ao destino. Métodos baseados em intensidade comparam padrões de intensidade em imagens por meio de métricas de correlação, enquanto métodos baseados em recursos encontram correspondência entre recursos de imagem, como pontos, linhas e contornos. Os métodos baseados em intensidade registram imagens inteiras ou subimagens. Se as sub-imagens forem registradas, os centros das sub-imagens correspondentes serão tratados como pontos de característica correspondentes. Os métodos baseados em recursos estabelecem uma correspondência entre uma série de pontos especialmente distintos nas imagens. Conhecendo a correspondência entre uma série de pontos nas imagens, uma transformação geométrica é então determinada para mapear a imagem alvo para as imagens de referência, estabelecendo assim correspondência ponto a ponto entre as imagens de referência e alvo. Métodos que combinam informações baseadas em intensidade e em recursos também foram desenvolvidos.

Modelos de transformação

Os algoritmos de registro de imagem também podem ser classificados de acordo com os modelos de transformação que usam para relacionar o espaço da imagem de destino ao espaço da imagem de referência. A primeira ampla categoria de modelos de transformação inclui transformações lineares , que incluem rotação, dimensionamento, translação e outras transformações afins. As transformações lineares são globais por natureza, portanto, não podem modelar diferenças geométricas locais entre imagens.

A segunda categoria de transformações permite transformações 'elásticas' ou 'não rígidas'. Essas transformações são capazes de distorcer localmente a imagem de destino para alinhá-la com a imagem de referência. As transformações não rígidas incluem funções de base radial ( placa fina ou estrias de superfície, multiquadrics e transformações compactamente suportadas ), modelos físicos contínuos (fluidos viscosos) e modelos de grande deformação ( difeomorfismos ).

As transformações são comumente descritas por uma parametrização, onde o modelo dita o número de parâmetros. Por exemplo, a tradução de uma imagem completa pode ser descrita por um único parâmetro, um vetor de tradução. Esses modelos são chamados de modelos paramétricos. Já os modelos não paramétricos não seguem nenhuma parametrização, permitindo que cada elemento da imagem seja deslocado arbitrariamente.

Existem vários programas que implementam a estimativa e a aplicação de um campo de dobra. Faz parte dos programas SPM e AIR .

Transformações de coordenadas por meio da lei de composição de funções, em vez de adição

Alternativamente, muitos métodos avançados para normalização espacial são baseados em homeomorfismos e difeomorfismos de transformações que preservam a estrutura, uma vez que carregam subvariedades suaves suavemente durante a transformação. Os difeomorfismos são gerados no campo moderno da Anatomia Computacional com base em fluxos, uma vez que os difeomorfismos não são aditivos, embora formem um grupo, mas um grupo sob a lei da composição de funções. Por este motivo, fluxos que generalizam as ideias de grupos aditivos permitem gerar grandes deformações que preservam a topologia, proporcionando transformações 1-1 e onto. Métodos computacionais para gerar tal transformação são freqüentemente chamados de LDDMM que fornecem fluxos de difeomorfismos como a principal ferramenta computacional para conectar sistemas de coordenadas correspondentes aos fluxos geodésicos da Anatomia Computacional .

Existem vários programas que geram transformações difeomórficas de coordenadas por meio de mapeamento difeomórfico, incluindo MRI Studio e MRI Cloud.org

Métodos espaciais vs de domínio de frequência

Os métodos espaciais operam no domínio da imagem, combinando padrões de intensidade ou características nas imagens. Alguns dos algoritmos de correspondência de recursos são conseqüências de técnicas tradicionais para realizar o registro manual de imagens, em que um operador escolhe os pontos de controle (CP) correspondentes nas imagens. Quando o número de pontos de controle excede o mínimo necessário para definir o modelo de transformação apropriado, algoritmos iterativos como RANSAC podem ser usados ​​para estimar de forma robusta os parâmetros de um tipo de transformação específico (por exemplo, afim) para o registro das imagens.

Os métodos de domínio de frequência encontram os parâmetros de transformação para registro das imagens enquanto trabalham no domínio de transformação. Esses métodos funcionam para transformações simples, como translação, rotação e dimensionamento. Aplicar o método de correlação de fase a um par de imagens produz uma terceira imagem que contém um único pico. A localização deste pico corresponde à translação relativa entre as imagens. Ao contrário de muitos algoritmos de domínio espacial, o método de correlação de fase é resiliente a ruídos, oclusões e outros defeitos típicos de imagens médicas ou de satélite. Além disso, a correlação de fase usa a transformada rápida de Fourier para calcular a correlação cruzada entre as duas imagens, geralmente resultando em grandes ganhos de desempenho. O método pode ser estendido para determinar as diferenças de rotação e escala entre duas imagens, primeiro convertendo as imagens em coordenadas polares logarítmicas . Devido às propriedades da transformada de Fourier , os parâmetros de rotação e dimensionamento podem ser determinados de uma maneira invariante à translação.

Métodos de modalidade única vs multimodalidade

Outra classificação pode ser feita entre métodos de modalidade única e métodos de multimodalidade. Os métodos de modalidade única tendem a registrar imagens na mesma modalidade adquirida pelo mesmo tipo de scanner / sensor, enquanto os métodos de registro de multimodalidade tendem a registrar imagens adquiridas por diferentes tipos de scanner / sensor.

Os métodos de registro multimodal são frequentemente usados ​​em imagens médicas, já que as imagens de um sujeito são frequentemente obtidas de diferentes scanners. Exemplos incluem o registo do cérebro TC / IRM imagens ou todo o corpo de PET / CT imagens para a localização do tumor, o registo de contrastados CT imagens contra-sem intensificação de contraste de TC imagens para segmentação das partes específicas da anatomia, e registo de ultra-som e CT imagens para localização da próstata em radioterapia .

Métodos automáticos vs interativos

Os métodos de registro podem ser classificados com base no nível de automação que fornecem. Métodos manuais, interativos, semiautomáticos e automáticos foram desenvolvidos. Os métodos manuais fornecem ferramentas para alinhar as imagens manualmente. Os métodos interativos reduzem o preconceito do usuário, executando certas operações principais automaticamente, enquanto ainda dependem do usuário para orientar o registro. Os métodos semiautomáticos executam mais etapas de registro automaticamente, mas dependem do usuário para verificar a exatidão de um registro. Os métodos automáticos não permitem nenhuma interação do usuário e executam todas as etapas de registro automaticamente.

Medidas de similaridade para registro de imagem

Semelhanças de imagens são amplamente utilizadas em imagens médicas . Uma medida de similaridade de imagem quantifica o grau de similaridade entre os padrões de intensidade em duas imagens. A escolha de uma medida de similaridade de imagem depende da modalidade das imagens a serem registradas. Exemplos comuns de medidas de similaridade de imagem incluem correlação cruzada , informações mútuas , soma das diferenças de intensidade ao quadrado e uniformidade de proporção da imagem. A informação mútua e a informação mútua normalizada são as medidas de similaridade de imagem mais populares para o registro de imagens multimodais. A correlação cruzada, a soma das diferenças de intensidade ao quadrado e a uniformidade da proporção da imagem são comumente usadas para o registro de imagens na mesma modalidade.

Muitos novos recursos foram derivados para funções de custo com base em métodos de correspondência por meio de grandes deformações surgiram no campo Anatomia Computacional, incluindo correspondência de medida que são conjuntos de pontos ou pontos de referência sem correspondência, correspondência de curva e correspondência de superfície por meio de correntes matemáticas e varifolds.

Incerteza

Existe um nível de incerteza associado ao registro de imagens que possuem quaisquer diferenças espaço-temporais. Um registro confiável com uma medida de incerteza é crítico para muitas aplicações de detecção de alterações , como diagnósticos médicos.

Em aplicações de sensoriamento remoto em que um pixel de imagem digital pode representar vários quilômetros de distância espacial (como as imagens LANDSAT da NASA ), um registro de imagem incerto pode significar que uma solução pode estar a vários quilômetros da verdade terrestre. Vários trabalhos notáveis ​​tentaram quantificar a incerteza no registro de imagens para comparar os resultados. No entanto, muitas abordagens para quantificar a incerteza ou estimar deformações são computacionalmente intensas ou são aplicáveis ​​apenas a conjuntos limitados de transformações espaciais.

Formulários

Registro de duas imagens de ressonância magnética do cérebro

O registro de imagens tem aplicações em sensoriamento remoto (atualização cartográfica) e visão computacional. Devido à vasta gama de aplicações às quais o registro de imagens pode ser aplicado, é impossível desenvolver um método geral que seja otimizado para todos os usos.

O registro de imagens médicas (para dados do mesmo paciente obtidos em diferentes pontos no tempo, como detecção de alteração ou monitoramento de tumor), muitas vezes envolve, adicionalmente, registro elástico (também conhecido como não rígido ) para lidar com a deformação do sujeito (devido à respiração, alterações anatômicas, e assim por diante). O registro não rígido de imagens médicas também pode ser usado para registrar os dados de um paciente em um atlas anatômico, como o atlas Talairach para neuroimagem.

Na astrofotografia, o alinhamento e o empilhamento de imagens costumam ser usados ​​para aumentar a relação sinal / ruído de objetos fracos. Sem empilhamento, pode ser usado para produzir um lapso de tempo de eventos, como uma rotação de planetas ou um trânsito através do sol. Usando pontos de controle (inseridos automática ou manualmente), o computador realiza transformações em uma imagem para alinhar os principais recursos com uma segunda ou várias imagens. Esta técnica também pode ser usada para imagens de tamanhos diferentes, para permitir que imagens tiradas por diferentes telescópios ou lentes sejam combinadas.

Em crio-TEM, a instabilidade causa desvio da amostra e muitas aquisições rápidas com registro de imagem preciso são necessárias para preservar a alta resolução e obter imagens de alto sinal para ruído. Para dados de SNR baixos, o melhor registro de imagem é obtido pela correlação cruzada de todas as permutações de imagens em uma pilha de imagens.

O registro de imagens é uma parte essencial da criação de imagens panorâmicas. Existem muitas técnicas diferentes que podem ser implementadas em tempo real e executadas em dispositivos incorporados, como câmeras e telefones com câmera.

Veja também

Referências

  1. ^ Lisa Gottesfeld Brown, Uma pesquisa de técnicas de registro de imagem ( resumo ), ACM Computing Surveys archive, volume 24, issue 4, December 1992), páginas 325-376
  2. ^ imagens biológicas e mapeamento cerebral
  3. ^ a b c d e f g A. Ardeshir Goshtasby: Registro de imagem 2-D e 3-D para aplicações médicas, de sensoriamento remoto e industriais , Wiley Press, 2005.
  4. ^ Papademetris, Xenofonte; Jackowski, Andrea P .; Schultz, Robert T .; Staib, Lawrence H .; Duncan, James S. (2004). "Intensidade integrada e registro não rígido de recurso de ponto". Computação de Imagens Médicas e Intervenção Assistida por Computador - MICCAI 2004 . Notas de aula em Ciência da Computação. 3216 . pp. 763–770. doi : 10.1007 / 978-3-540-30135-6_93 . ISBN   978-3-540-22976-6 . ISSN   0302-9743 .
  5. ^ http://www.comp.nus.edu.sg/~cs4243/lecture/register.pdf
  6. ^ Sotiras, A .; Davatzikos, C .; Paragios, N. (julho de 2013). "Registro de Imagens Médicas Deformáveis: Um Levantamento" . IEEE Transactions on Medical Imaging . 32 (7): 1153–1190. doi : 10.1109 / TMI.2013.2265603 . PMC   3745275 . PMID   23739795 .
  7. ^ Toga, Arthur W. (1998-11-17). Brain Warping . Academic Press. ISBN   9780080525549 .
  8. ^ " Combinação de pontos de referência em superfícies cerebrais por meio de grandes difeomorfismos de deformação na esfera - Universidade de Utah" . utah.pure.elsevier.com . Arquivado do original em 29/06/2018 . Página visitada em 2016-03-21 .
  9. ^ Beg, M. Faisal; Miller, Michael I .; Trouvé, Alain; Younes, Laurent (2005). "Computing Large Deformation Metric Mappings via Geodesic Flows of Diffeomorphisms" . International Journal of Computer Vision . 61 (2): 139–157. doi : 10.1023 / B: VISI.0000043755.93987.aa . S2CID   17772076 . Página visitada em 2016-03-21 .
  10. ^ Joshi, SC; Miller, MI (01/01/2000). "Combinação de pontos de referência por meio de grandes difeomorfismos de deformação". Transações IEEE no processamento de imagens . 9 (8): 1357–1370. Bibcode : 2000ITIP .... 9.1357J . doi : 10.1109 / 83.855431 . ISSN   1057-7149 . PMID   18262973 .
  11. ^ "Estúdio de ressonância magnética" .
  12. ^ "MRICloud Brain Mapping" .
  13. ^ B. Srinivasa Reddy; BN Chatterji (agosto de 1996). "Uma técnica baseada em FFT para tradução, rotação e registro de imagem com escala invariável" . Transações IEEE no processamento de imagens . 5 (8): 1266–1271. doi : 10.1109 / 83.506761 . PMID   18285214 . S2CID   6562358 .
  14. ^ G. Wohlberg, S. Zokai: REGISTRO DE IMAGEM ROBUSTA USANDO LOG-POLAR TRANSFORM • Um artigo sobre o uso da transformada log polar para registro.
  15. ^ Simonson, K., Drescher, S., Tanner, F., uma aproximação baseada nas estatísticas ao registro da imagem binária com análise da incerteza. IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 29, No. 1, janeiro de 2007
  16. ^ Domokos, C., Kato, Z., Francos, J., Estimativa paramétrica de deformações afins de imagens binárias. Proceedings of IEEE International Conference on Acoustics, Speech, and Signal Processing , 2008
  17. ^ Savitsky; El Baggari; Clemente; Hovden; Kourkoutis (2018). "Registro de imagem de dados crio-STEM de baixo sinal-ruído". Ultramicroscopia . 191 : 56–65. arXiv : 1710.09281 . doi : 10.1016 / j.ultramic.2018.04.008 . PMID   29843097 . S2CID   26983019 .

links externos