2014 XL Latin American Computing Conference (CLEI)

Mutual information extremal optimization for

multimodal medical image registration
Pedro Pablo Cespedes Sanchez, Horacio Legal Ayala, y Christian E. Schaerer
Polytechnic School - National University of Asuncion
University Campus, San Lorenzo, Paraguay. P.O.Box: 2111 SL.
Email: {pcespede,hlegal,cschaer}@pol.una.py
Abstract In this paper it is considered the image registration
(IR) between medical images of computed tomography and
magnetic resonance. Our approach formulates the IR as an
optimization problem where mutual information cost function
is used as a similarity metric (cost function). The Extremal
Optimization algorithm is implemented as the optimizer. The
numerical results are contrasted against two state of the art
optimization algorithms for this kind of problems (being one
deterministic and another evolutionary). Our approach is
competitive with the deterministic algorithm in accuracy and
with the evolutionary algorithms in computational cost. The
qualitative results are quite satisfactory with a 83 % of success,
whilst the quantitative results present an average error of
0.36mm with registrations of CT with proton density MR.
The results show that the proposal is useful for multimodal
registrations.
Key words: medical images registration, mutual information,
extremal optimization.

I. I NTRODUCCI ON
La registracion es el proceso de alinear diferentes imagenes
medicas 2D o 3D de forma que las mismas puedan ser
visualizadas de manera conjunta en un u nico espacio. Sus
aplicaciones medicas practicas incluyen el contraste, la comparacion y la evolucion de la efectividad de un determinado
tratamiento as como permite dar mayor informacion al medico
para la toma de decisiones.
La investigacion de la registracion de imagenes medicas
desde sus inicios hasta la actualidad ha pasado por diferentes
abordajes, desde el manual hasta el automatico [1], [2], [3].
En este u ltimo grupo se encuentran los abordajes basados en
la teora de la informacion y en particular los basados en la
informacion mutua [4], que es usado en este trabajo (Seccion
III).
El problema de registracion de imagenes medicas consiste
en determinar la transformacion espacial T que mapea puntos
de una imagen a puntos homologos de un objeto en la segunda
imagen. Para conseguir esto, este trabajo formula el problema
de la registracion como un problema de optimizacion y define
una funcion de costo a ser minimizada. Esta funcion de
costo es justamente la funcion de informacion mutua que por
definicion es multimodal para la comparacion de imagenes de
diferentes modalidades objeto de este trabajo. En particular
otra dificultad que presenta la funcion de costo es que es no
conexa y con varios mnimos locales. Esto dificulta la eleccion
del optimizador ya que pueden quedar estancados en mnimos
locales y consecuentemente la registracion o sera incompleta,
o falle (mala registracion) [4]. Varios optimizadores fueron

desarrollados algunos determinsticos y otros estocasticos [4],

[5] en conjuncion con la Informacion Mutua, pero en general
fallan en presencia de mnimos locales. De forma a circundar
este problema, el presente trabajo propone el uso del Extremal Optimization propuesto en [6] como un optimizador
para el problema de la registracion de imagenes medicas.
Artculos encontrados en la literatura presentan al EO en otros
contextos de la registracion de imagenes [7]. La propuesta
IM conjuntamente con EO ha demostrado ser suficientemente
prometedora para los casos probados, siendo independiente al
ajuste heurstico de los parametros en el algoritmo.
Una de las principales contribuciones de este trabajo consiste en el diseno de la combinacion entre el EO y el IM lo que
conlleva a un algoritmo que no necesita un pre-procesamiento
previo a la registracion, independiente de cualquier ajuste de
parametros heursticos para el optimizador, y es robusto ante
transformaciones de traslacion, rotacion, y cambio de escala,
as como perturbaciones en las imagenes por movimientos acotados del paciente. Por las caractersticas de versatilidad de la
combinacion presetada, el algoritmo funciona adecuadamente
para registraciones monomodales.
Existen numerosos trabajos aplicando la Informacion Mutua en combinacion con diferentes optimizadores, presentando
el mencionado caso de fallas en o ptimos locales. En este
contexto se hace relevante la propuesta de la aplicacion de
un nuevo algoritmo, Optimizacion Extrema (el cual se presentara mas adelante), el mismo ha demostrado buenos resultados
en otros problemas [6]. Aunque ya fue aplicado en la registracion de imagenes por Meshoul y Batouche en [7], segun la
literatura, no ha sido aplicada previamente a la registracion de
imagenes medicas y tampoco combinada con la informacion
mutua, lo que le da la suficiente originalidad al trabajo. Este
nuevo abordaje IM+EO se ha mostrado prometedor en todos
los casos probados. Ademas, esta propuesta es eficiente ya que
el optimizador no requiere de parametros ajustables.
El presente artculo esta organizado como sigue. En la
Seccion II se presentan conceptos basicos de la registracion
de imagenes medicas y el estado del arte. En la Seccion
III se presenta una sntesis de la informacion mutua y el
algoritmo Optimizacion Extrema, y el abordaje propuesto para
la registracion multimodal 2D/2D de imagenes tomograficas de
cerebro. La metodologa de evaluacion y los resultados de los
experimentos son presentados en la Seccion IV Finalmente,
en la Seccion V se enuncian las conclusiones y algunas
recomendaciones para trabajos futuros.

c
978-1-4799-6130-6/14/$31.00 2014
IEEE

2014 XL Latin American Computing Conference (CLEI)

II. E STADO DEL A RTE

En esta seccion se introduce a los conceptos escenciales
de registracion de imagenes medicas, luego se exponen los
diferentes metodos y abordajes presentes en la literatura, dando
mayor destaque al abordaje de la informacion mutua.
II-A. Conceptos sobre Registracion de Imagenes Medicas
La Registracion de Imagenes Medicas (RIM) es el proceso
de establecer la concordancia espacial punto a punto entre
diferentes imagenes medicas, de manera que sea posible la
comparacion directa entre ellas [8]. Dicho de otra manera,
es el proceso de alinear diferentes imagenes medicas 2D o
volumenes 3D juntos en un solo espacio [5]. Como se ve en
la Figura 1, la imagen (a) es de una Tomografa Computarizada
(CT), y la (b) es de una Resonancia Magnetica (MR). Se desea
superponer ambas imagenes a fin de obtener informaciones
mas significativas. La registracion puede ser realizada entre
imagenes de la misma modalidad, pero, el presente trabajo
aborda la registracion multimodal. Se debe encontrar una
transformacion T que permita relacionar el punto (p, a) de
la imagen (a) y que encuentre su correspondencia exacta con
el punto (q, b) de la imagen (b). Si se observa detenidamente
ambas imagenes, notamos diferencias en tamano, forma inclinacion, desplazamiento, etc. Todos estos parametros deben ser
tenidos en cuenta en la RIM.

Figura 1: Concepto de Registracion de imagenes medicas de dos

modalidades diferentes. (a) Imagen de CT (b) Imagen de MR.

En la Figura 2(a), se presentan dos imagenes superpuestas,

en una fase previa a la registracion, se observa claramente
que no existe coincidencia y es necesario alinearlas hasta
que cuadren perfectamente. En la Figura 2(b). se aprecia el
resultado luego del proceso de registracion/fusion. La fusion
es un proceso posterior a la registracion, en el que se funden
la imagen fija y la imagen generada como resultado de aplicar
los parametros de transformacion a una segunda imagen.
En lenguaje geometrico, T mapea la posicion x de una
imagen (denotada por xB ) a la otra (denotada por xA ): esto
es:
T : xB xA T(xB ) = xA .
(1)
Con los datos de una imagen debe ser considerado el valor de
la intensidad para una determinada posicion denotada A(xA )
y de manera analoga para B. En este punto es bueno recordar
que las imagenes medicas A y B provienen de un objeto real,
el paciente. Por lo general tienen un campo de vision limitado
que pueden ser diferentes en las dos imagenes. Entonces es
u til considerar a las imagenes como un mapeo de puntos en
el paciente en un dominio a valores de intensidad [4]. Con

Figura 2: (a) Imagenes de entrada superpuestas antes del proceso de

registracion (b) Imagenes luego de la registracion/fusion.

lo que se puede describir de la siguiente manera:

A : xA A A(xA ); B : xB B B(xB ).

(2)

Los dominios A y B pueden ser diferentes ya que las

imagenes pueden tener diferentes campos de vision. Como las
imagenes A y B representan el mismo objeto X, del cual se
hicieron estudios de la misma o diferente modalidad, hay una
relacion espacial entre las ubicaciones en A y B.
Sea la imagen A tal que la posicion x X es mapeada
a xA , y la imagen B mapea a xB . La registracion implica
obtener la transformacion T que mapea xB a xA sobre el
dominio de interes. Por ejemplo, el mapeo entre A y B
donde parte de sus dominios se solapan. A este solapamiento
se lo representa por TA,B , lo que deja en claro que el dominio
solapado depende del dominio original de A y B, y tambien de
la transformacion T . Este dominio solapado es definido como:


TA,B = xA A |T1 (xA ) B ,
(3)

siendo T1 la inversa de la transformacion, que mapea xA a

xB [4].
Los algoritmos de registracion, que utilizan caractersticas
geometricas de las imagenes, realizan previamente la identificacion de esas caractersticas representandolas en un conjunto
de puntos xA y xB , que se corresponden con las mismas
entidades fsicas visibles en ambas imagenes, y luego calculan
T para esas caractersticas. Por otro lado, los algoritmos de
registracion que trabajan directamente sobre los valores de
intensidad de las imagenes se comportan de forma diferente.
Estos algoritmos casi siempre determinan en forma iterativa la
transformacion T que optimice alguna medida de similitud
entre los valores de intensidad de los voxeles1 en las dos
imagenes. En cada iteracion, transforman la imagen usando
una estimacion de T y recalculan la medida de similitud entre
los voxeles. A menos que T sea una simple translacion dada
por un numero entero de pixeles o voxeles, la transformacion
lleva a cabo en cada iteracion la interpolacion entre puntos.
Para este tipo de algoritmo es necesaria la introduccion de
una nueva notacion para la transformacion dada por T que
mapea al mismo tiempo la posicion y el valor de intensidad
asociada a ella. Se utiliza la notacion T cuando se requiere
solamente el mapeo de la posicion, y T cuando la intensidad
en una determinada posicion es tambien tenida en cuenta [4]

1 El v
oxel (del ingles volumetric pixel) es la unidad cubica que compone un
objeto tridimensional. Constituye la unidad mnima procesable de una matriz
tridimensional y es, por tanto, el equivalente del pxel en un objeto 3D.

2014 XL Latin American Computing Conference (CLEI)

II-B. Metodos de registracion de imagenes medicas

Segun [8] y [4] los metodos de registracion de imagenes
medicas pueden ser clasificados como: metodos de caractersticas equivalentes, metodos basados en estructuras segmentadas
de la imagen y metodos volumetricos. Siguiendo esta taxonoma, a continuacion, se expone la revision de los distintos
metodos y algoritmos de registracion de imagenes medicas que
aparecen en la literatura.
1) Registracion por caractersticas equivalentes: Estan basados en la localizacion de puntos representados por marcas
o hitos equivalentes en cada una de las imagenes a ser
registradas. Por medio de sus coordenadas, que reflejan la
misma ubicacion fsica en el paciente, la transformacion puede
ser computada con lo que se lograra la alineacion de las
dos imagenes. Dependiendo de como se obtienen los puntos,
ya sea empleando marcadores artificiales o caractersticas
anatomicas de las imagenes, se subdividen en dos grupos: Por
medio de marcadores externos, referencias de este abordaje
se encuentran en [9], [10] y [8], y por medio de marcadores
anatomicos, (puntos homologos), implementaciones de este
tipo de registracion pueden profundizarse en [11], [12].
2) Registracion por ajuste de estructuras segmentadas:
En el metodo por deteccion de puntos homologos, la principal
limitacion consiste en la ineludible interaccion del usuario;
para salvarlo se propone el empleo de estructuras extradas
de las imagenes de manera automatica o semiautomatica.
Las imagenes medicas presentan la caracterstica de que sus
fronteras o superficies son mas distinguibles que los marcadores, para localizar esas superficies de alto contraste existen
varios algoritmos de segmentacion disponibles en [13]. En este
abordaje, son delineadas en las superficies correspondientes de
las dos modalidades de imagen y la transformacion es calculada minimizando alguna medida de distancia entre las dos
superficies [4]. Cuando esta distancia es mnima la registracion
se concreta. Aplicando esta tecnica, el primer metodo de uso
extendido es el cabeza y sombrero (head and hat), propuesto
por Pelizzari et. al., en [14]. La profundizacion de su funcionamiento puede ser encontrado en [8], [4]. Estudios extendidos
sobre la registracion por superficies se encuentran en [15]. El
abordaje de registracion por estructuras segmentadas tambien
fue aplicado para otras partes del cuerpo ademas de imagenes
de cerebro [16], [17].
3) Registracion por medidas volumetricas (basados en la
intensidad de los voxeles): Este metodo propone una opcion
interesante, dejando de lado los fiduciales, utilizando las propiedades intrnsecas de la imagen, particularmente los valores
de intensidad de los voxeles, con el objetivo de encontrar
una medida de similitud (metrica) que pueda ser optimizada
(minimizada o maximizada), [18], [4]. Basados en esta idea,
se han desarrollado distintas tecnicas, algunas de ellas son:
minimizacion de diferencias de intensidad, correlacion cruzada
de los valores de intensidad, minimizacion del coeficiente de
variacion de las relaciones de intensidad y tecnicas basadas
en la teora de la informacion. Esta u ltima utilizada en los
experimentos de este trabajo.
Los metodos [19], [20], [21] han sido aplicados satisfactoriamente a imagenes mono y multimodales, y han demostrado
muy buenos resultados en la registracion de imagenes diferentes o semejantes.
La registracion de imagenes puede describirse como la intencion de optimizar una determinada cantidad de informacion
compartida en las dos imagenes. Cualitativamente, podemos

afirmar que si dos imagenes de la cabeza se encuentran

correctamente alineadas, en las correspondientes estructuras
superpuestas encontraremos dos orejas, dos ojos, una nariz,
y as sucesivamente. Sin embargo, cuando las imagenes no
estan alineadas encontraremos esas estructuras repetidas en las
imagenes A y B [4].
Utilizando este concepto, la registracion puede ser considerada como la reduccion de la cantidad de informacion en la
imagen combinada, lo cual suguiere la utilizacion de alguna
medida de informacion como metrica de similitud para la
registracion de imagenes.
M UTUA , O PTIMIZACI ON
E XTREMA Y
I NFORMACI ON
A BORDAJE PROPUESTO
En esta seccion se exponen los conceptos esenciales sobre
la informacion mutua y la optimizacion extrema. Luego se
plantea el abordaje propuesto utilizando ambos metodos.
III.

III-A. Informacion Mutua

En base a los conceptos sobre entropa, entropa conjunta
e histograma conjunto desarrollados en [4] basados en [22]
y [23] se puede tratar la Informacion Mutua (IM) de dos
variables A y B, la cual sera utilizada como criterio de
similitud (metrica), para la registracion entre dos imagenes.
La informacion contribuida por las imagenes es simplemente
la entropa de la porcion de imagen que se superpone con la
otra [4]:
X
H(A) =
pTA (a) log pTA (a),
(4)
a

H(B) =

pTB (b) log pTB (b),

(5)

siendo pTA y pTB las distribuciones de probabilidad marginal,

las cuales pueden ser pensadas como la proyeccion del PDF
conjunto en los ejes que corresponden a las intensidades de
las imagenes A y B, respectivamente. La Informacion Mutua,
ntimamente relacionada con la entropa conjunta puede ser
definida como:
(6)

I(A, B) = H(A) + H(B) H(A, B).

Esta forma de representar a la informacion mutua contiene el

termino H(A, B), lo que significa que la maximizacion de
la informacion mutua esta relacionada a la minimizacion de la
entropa conjunta[24].
A partir de (4), (5) y (6) la informacion mutua puede ser
expresada como:
I(A, B) =

XX
a

pTA,B (a, b) log

pTA,B (a, b)
pTA (a) pTB (b)

(7)

Cualitativamente, la IM puede ser pensada como la medida de

que tan bien una imagen describe a la otra y su maximizacion
conlleva a una alineacion o ptima entra las imagenes. Por otro
lado, la probabilidad condicional p(b | a) es la probabilidad de
que B tome el valor b dado que A tiene el valor a. La entropa
condicional es entonces el promedio de la entropa de B sobre
cada valor de A ponderado de acuerdo a la probabilidad de
obtener ese valor de A. Entonces,
H(B | A) =

X
a,b

pTA,B (a, b) log pT (b | a) = H(A, B)H(A).

(8)

2014 XL Latin American Computing Conference (CLEI)

Finalmente, usando la ecuacion (8) la informacion mutua

puede ser reescrita de la siguiente manera:
I(A, B) = H(A) H(B | A) = H(B) H(A | B).

(9)

Para mayores detalles sobre los fundamentos y formulacion de

la informacion mutua vease [4].
En resumen, la informacion mutua es la cantidad de
informacion que ofrecen las imagenes A y B en conjunto.
Cuando dos imagenes se encuentran correctamente registradas
su IM sera mayor que cuando no lo estan, pues aportan mas
informacion conjunta cuando las estructuras coinciden. Por lo
tanto mediante la maximizacion de la informacion mutua se
conseguira una mejor registracion de las imagenes [8].
Aunque la entropa conjunta se ha empleado para la registracion de imagenes, la informacion mutua es una medida mas
estable, ya que soporta mejor perturbaciones en las imagenes
de entrada. Esto ha permitido generalizar su uso para la
registracion multimodal de imagenes medicas. En el caso de
registraciones monomodales, se ha propuesto la maximizacion
de la informacion conjunta como mejor herramienta para la
registracion [25], y se han desarrollado mejoras como la
informacion mutua normalizada [26], que resulta mas estable
cuando las regiones del paciente presentes en cada estudio
no coinciden totalmente. Metodos que incluyen otro tipo de
caractersticas presentes en las imagenes, como por ejemplo
los bordes han sido presentados en [27].
En la actualidad los algoritmos de registracion basados en
la maximizacion de la informacion mutua han demostrado claramente su buen funcionamiento para el registro de imagenes
PET y SPECT [28]. En [24] se presenta una exhaustiva revision
sobre los temas abordados arriba.
III-B. Optimizacion Extrema
Optimizacion Extrema, en ingles Extremal Optimization
(EO) es una meta-heurstica en el marco de los metodos de
optimizacion estocasticos. Esta basada en el modelo de evolucion de Bak-Sneppen [29], el cual utiliza los principios de SelfOrganized Criticaly (SOC). SOC es un concepto propuesto en
[30], para describir la dinamica con complejidad emergente.
La optimizacion extrema fue introducida por Stefan Boettcher [31], [32] como resultado de la aplicacion del mecanismo
de Bak-Sneppen para solucionar difciles problemas de optimizacion, produciendo un nuevo procedimiento de optimizacion
dinamica libre de parametros ajustables. Cuando se utiliza el
algoritmo EO, los componentes extremadamente indeseables
de una solucion sub-optima son eliminados sucesivamente de
acuerdo a una regla estocastica, generalmente la eliminacion
del componente mas debil o que menos colabora.
1) Taxonoma: EO es una tecnica de busqueda estocastica,
que tiene las propiedades de ser un metodo de busqueda local y
global. Perteneciente al grupo de algoritmos fsicos, los cuales
estan inspirados en procesos fsicos de la naturaleza.
EO es generalmente relacionado como un algoritmo hillclimbing y provee las bases para extensiones a ella como por
ejemplo el Generalized Extremal Optimization [33].
2) Inspiracion: EO esta inspirado en el modelo de coevolucion Self-orgnized-critically de Bak-Sneppen [29], proveniente del campo de la fsica estatica. El modelo SOC sugiere
que algunos sistemas dinamicos tienen un punto crtico, como
un atractor, por lo que el sistema presenta, periodos de movimientos lentos o de acumulacion, seguido de periodos cortos

de avalanchas o inestabilidad.
El modelo de Bak-Sneppen considera e sta dinamica en
sistemas co-evolucionarios y en el modelo punctuated equilibrium, el cual describe como estados de largos periodos de
estabilidad seguidos por cortos periodos de extincion y grandes
cambios evolutivos [33].
3) Metafora: La dinamica del sistema da como resultado
la mejora constante de las posibles soluciones, con los grandes
y repentinos choques, los cuales mejoran la calidad de las
soluciones candidatas. Esta dinamica permite dos fases principales de actividad en el sistema: 1) para explotar soluciones de
mayor calidad en busquedas locales, y 2) escapar de posibles
o ptimos locales con el quiebre de la poblacion y la exploracion
de nuevas a reas con probables soluciones de mayor calidad en
el correspondiente espacio de busqueda [33].
4) Estrategia: El objetivo de la estrategia de procesamiento
es la identificacion de forma iterativa, de los componentes con
peor rendimiento de una solucion determinada y reemplazarlos
o intercambiarlos con otros componentes. Esto se logra mediante la asignacion de costos a los componentes de la solucion
en funcion de su contribucion al costo global de la solucion
en el dominio del problema. Una vez que se evaluan los
componentes pueden ser clasificados y los componentes mas
debiles sustituidos o mezclados por medio de un componente
aleatorio [33].
5) Procedimiento: La esencia de este abordaje se sustenta
en el hecho de que el surgimiento de nuevas estructuras
complejas, es con frecuencia el resultado de la eliminacion
de sus componentes malos. Usando este principio las especies
son caracterizadas por un valor de fitness i [0, 1] y las
especies con valores pequenos de consideradas como las
mas debiles, y aquellas especies cercanas que dependen de la
primera, son sucesivamente seleccionadas para ser sometidas
a cambios adaptativos asignandoles nuevos valores de fitness.
Dado un problema de optimizacion, el objetivo es encontrar
la mejor solucion Smejor en el espacio de busqueda S , minimizando una funcion de costo predefinida C(S). Cada solucion
Sact S esta compuesta por un conjunto de variables xi . EO,
en contraste con otros algoritmos meta heursticos, requiere
para cada variable la definicion de su contribucion del costo
local en lugar de simplemente definir el costo global. Como
se expone en [32], el algoritmo EO para resolver el problema
realiza su exploracion a partir de una configuracion inicial
de Sact S y procede de acuerdo a lo presentado en el
Algoritmo 1.
Algoritmo 1 Optimizacion Extrema
1: Establecer a voluntad una configuraci
on de Sact ; inicializar Smejor := Sact .
2: Para la actual configuraci
on de Sact ,
3: (a) Evaluar i para cada variable xi ,
4: (b) Encontrar j que satisfaga j i para todo i,
i.e., los xj con peor fitness,
5: (c) Seleccionar S 0 N (S) de modo que xj sea cambiado.
6: (d) Aceptar Sact := S 0 incondicionalmente,
7: (e) si C(Sact ) < C(Smejor ) entonc. Smejor := Sact .
8: repetir los pasos (2) al (6), las veces deseada.
9: Retornar Smejor y C(Smejor )
El vecindario N (S) para una iteracion consiste en todas
las configuraciones de S 0 N (S) tales que puedan ser

2014 XL Latin American Computing Conference (CLEI)

alcanzados por Sact por medio de algun criterio particular

del problema. Esta version del algoritmo EO, enfocada solo
en los componentes indeseables, lo conduce a presentar un
comportamiento determinstico, en [31] fue propuesta la introduccion de un parametro ajustable surgiendo as una nueva
variante denominada -Extremal Optimization ( -EO) dotando
al algoritmo de un comportamiento probabilstico. Encontrar
el valor de o ptimo que tenga un buen comportamiento de
acuerdo al problema a resolver es uno de los desafos en esta
variante. El desarrollo inextenso de este metodo se encuentra
en [31] y [32].
6) Aplicaciones: EO ha sido disenado para problemas de
optimizacion combinatoria, aunque con algunas variantes ha
sido aplicado para la optimizacion de funciones continuas,
demostrando un buen rendimiento aplicado a los problemas
de Travelling Salesman Problem y Graph Partitioning, Graph
Coloring[31]. En el campo de la registracion de imagenes fue
utilizado exitosamente por S. Meshoul et. al. En Roubust point
Correspondence for Image Registration - Using Optimization
with Extremal Dynamics [7]. Fue tambien aplicado al Point
Matching en combinacion con Ant Colony System en [34], en
el que fue utilizado como buscador local.
III-C. Abordaje Propuesto
En esta sub-seccion, se presenta el abordaje para realizar
la registracion multimodal 2D/2D intra-paciente de imagenes
medicas tomograficas de cerebro, introduciendo como propuesta la utilizacion del algoritmo de optimizacion extrema, y a la
informacion mutua como criterio de similitud.
1) Tipo de transformacion geometrica: Teniendo en cuenta
que se trata de la registracion de imagenes 2D de distintas
modalidades pero del mismo paciente, y, que las imagenes son
de tamanos diferentes, la transformacion a realizar sera rgida
con escalado [8], por lo que se describen 6 parametos: dos de
traslacion (Tx , Ty ), tres para la rotacion, el centro de curvatura
(Cx , Cy ) y el a ngulo ; finalmente, un parametro para el factor
de escala Ef .
2) Esquema general: Basados en el framework de registracion de imagenes presentado en [35]. El esquema general del
abordaje propuesto, se representa en la Figura 3. El modulo
de registracion se encuentra encerrado en lneas discontinuas,
esta compuesto por: dos imagenes de entrada, un transformador, una metrica, un interpolador y un optimizador. Algunos
de estos componentes pueden ser parametrizados de acuerdo al
tipo de imagenes a ser registradas. Para generar la imagen de
salida, con los parametros de transformacion es necesario un
filtro de remuestreo y finalmente se tiene la imagen de salida.
3) Componentes del modulo de registracion: En e ste apartado se describen con mayor detalle, cada uno de los componentes del modulo de registracion.
Metrica: se encarga de comparar que tan bien estan alineadas las dos imagenes. Es el componente mas crtico del
modulo de registracion y su correcta seleccion es altamente
dependiente del problema en particular a resolver. Como el
problema de registracion tratado es entre imagenes de modalidades diferentes, en este abordaje se utiliza la metrica basada
en la informacion mutua propuesta por Mattes et al. en [36].
En base a las ecuaciones (7), (8) y (9), como caso de
minimizacion se toma el valor negativo de la informacion
mutua S, entre la imagen de referencia R y la imagen
transformada de prueba F T , definiendo la funcion de costo
en el espacio de los parametros de transformacion , dada por

Figura 3: Esquema general del proceso de registracion de imagenes, basado

en el framework del ITK.

la siguiente ecuacion:
S() =

XX
l

p(l, k | ) log

p(l, k | )
,
pF T (l | )pR (k)

(10)

siendo p, pF T y pR la distribucion de probabilidad conjunta,

marginal de F T y marginal de R, respectivamente; las cuales
se encuentran definidas en [36].
Interpolador: se encarga de evaluar la intensidad de los
pixeles en la imagen movil que no caen correctamente en
puntos de la grilla. Durante el proceso de registracion, la
metrica tpicamente compara los valores de intensidad de la
imagen fija con los correspondientes valores de la imagen
movil transformada, estos son mapeados normalmente a posiciones que no pertenecen a la grilla. Por tal motivo, se
necesita la interpolacion para evaluar el valor de intensidad
de la imagen en la posicion mapeada [35]. En el presente
trabajo se utiliza el interpolador lineal, el cual asume que las
variaciones de intensidad entre las posiciones de la grilla son
lineales.
Transformador: El transformador es uno de los componentes mas importantes ya que se encarga del mapeo del
espacio de la imagen fija en el espacio de la imagen movil.
Como transformador del abordaje propuesto se utiliza una
composicion de translacion, rotacion y escala uniforme.
Optimizador: El optimizador es necesario para la exploracion de los valores o ptimos de la metrica en el espacio

2014 XL Latin American Computing Conference (CLEI)

de los parametros de transformacion. En nuestro caso, el

objetivo es la minimizacion de la funcion de costo expresada
en la ecuacion (10). Como se adelanto mas arriba, existen
varios optimizadores disponibles. Las funciones de costo en
las registraciones multimodales son no convexas y tienden a
ser no lineales presentando muchos mnimos locales, por lo
que no es mala idea utilizar un metodo estocastico para la
optimizacion.
En este contexto el aporte principal de este trabajo es la
adaptacion e implementacion de un nuevo optimizador llamado
Optimizacion Extrema, detallado en la siguiente subseccion.

componente i, y, Sj () el mejor costo global hasta la iteracion

j, tal que i 1 para buenos valores de fitness y i 0 para
malos.
Por otro lado, el vecindario N () se define utilizando un
radio variable entorno a la mejor solucion actual (el conjunto
de parametros de transformacion), del cual es seleccionada
aleatoriamente una solucion candidata. La evaluacion del costo
con los nuevos parametros (fitness global) es computado en una
iteracion del modulo de registracion.
De manera formal, basado en [33], el abordaje puede ser
representado por el Algoritmo 2. Al darse la condicion de
parada, se retorna la mejor solucion opt , luego de las l
iteraciones y el valor del mejor costo S (opt ). Figura 5 OBS:
Con e ste paso se sale del modulo de registracion y con los
valores de opt se realiza la transformacion final.
Algoritmo 2 OE Aplicado a la registracion de imagenes
Entradas: S(), itermax , CondIni
Salidas: opt , S (opt )
1:
2:
3:
4:
5:

Figura 4: Representacion grafica de las imagenes de entrada y salida, la

metrica, los parametros de transformacion, las soluciones parciales y la
solucion o ptima de un ejemplo en 2D.

4) OE aplicado a la registracion: Tomando como base

el Algoritmo 1, S representa a la funcion de costo a ser
minimizada S() de la ecuacion (10), con el objetivo de
encontrar una solucion de buena calidad opt , Figura 4.
Dado que, el principal requerimiento para la aplicacion de
la heurstica OE para algun problema, es la necesidad de
definir las contribuciones locales en lugar de limitarse a un
costo global, lo cual constituye una de las diferencias mas
significativas entre OE y las otras heursticas. La principal idea
al utilizar OE es tomar de forma independiente los parametros
de transformacion de S(), siendo = [t, r, s], donde
los parametros de traslacion son representados por t, los de
rotacion por r y la escala por s; cada uno de ellos tiene alguna
contribucion particular que colabora con la calidad del costo
global. Teniendo presente que OE es una heurstica basada en
la dinamica extrema, la cual modifica los peores componentes.
Lo que se realiza es eliminar al parametro de transformacion
que menos colabora y reemplazarlo aleatoriamente por otro
tomado de un vecindario dado.
Ademas, para aplicar OE es necesario definir el fitness
individual y el vecindario; el fitness individual i considerando
a cada componente i {t, r, s} como uno de los parametros de
transformacion . El valor de i es la medida de que tan bueno
es ese parametro en particular en relacion a su contribucion
global. Los valores de i deben ser normalizados en el rango
[0, 1]. Luego el fitness de un componente i se define como:
S(i )
,
i = 1
Sj ()

(11)

siendo S(i ) el valor de la contribucion de costo particular del

6:
7:
8:
9:
10:
11:
12:
13:
14:
15:
16:

CrearSolIni(CondIni);
opt ;
desde l = 1 hasta itermax hacer
ParaCada Compi hacer
CompCosto
CalcCosto(Compi , );
i
F itnessComp
Calc i ( CompCosto
, Sj ());
i
i
fin
RankDeComp Rank(Comp
, F itnessComp
); de
i
i
acuerdo al fitness i
Compi ElegirPeorComp(RankDeComp, Compi );
Compj ElegirCompDeReemplazo(N ());
Reemp(, Compi , Compj );
si S() < S(opt ) entonces
opt ;
fin
fin
Retorna opt , S (opt )

Figura 5: Tercera y cuarta iteracion. Solucion o ptima encontrada. Ejemplo

en 1D.

2014 XL Latin American Computing Conference (CLEI)

DE LOS
E XPERIMENTOS , A N ALISIS
Y D ISCUSI ON
R ESULTADOS
El tipo de registracion de imagenes realizada en los experimentos fue: multimodal (entre diferentes modalidades de
imagenes medicas) e intra-sujeto (las imagenes pertenecen
al mismo paciente), 2D/2D (imagen fija en 2 dimensiones e
imagen movil en dos dimensiones), en imagenes tomograficas
de cerebro humano. Utilizando como metrica de similitud la
informacion mutua propuesta por Mattes et al. en [36] y se
propuso como nuevo optimizador el algoritmo de Optimizacion
Extrema propuesto por Boettcher y Percus en [32], para lo cual
el algoritmo original fue adaptado al problema en particular.
El mismo, se contrasto con el algoritmo de optimizacion
determinstico Gradiente Descendente Regular (RSG) de uso
generalizado en la registracion multimodal de imagenes y
contra el algoritmo Evolutivo 1+1 (1P1EV) de rendimiento
comprobado con la informacion mutua. Los metodos son
denominados MMI-EO para el primer caso, MMI-RSG para
el segundo y para el tercero MMI-1P1EV.
IV.

IV-A. Formacion de la base de datos de imagenes

La formacion de la base de datos de prueba para los
experimentos, fue realizada tomando imagenes de distintas
modalidades del proyecto RIRE2 . Las imagenes crudas se
encuentran en un formato 3D por lo que surgio la necesidad de
convertirlo al formato DICOM3 obteniendo as varias imagenes
divididas en diferentes cortes (slices). La cantidad de cortes
vara de acuerdo a cada paciente y modalidad, entonces no
son uniformes, por lo que fueron seleccionados 15 de cada
paciente/modalidad. En la Figura 6 puede observarse ejemplo
de un corte correspondiente en las distintas modalidades que
conforman la base de datos.

IV-B. Metodologa de evaluacion

Los criterios mas comunes de evaluacion del desempeno
del proceso de registracion de imagenes son: la precision
(Accuracy) y confiabilidad (reliability), [37], [38]. Y se detallan en [39]. En el presente trabajo, basados en lo propuesto
en [40] y mencionado en [41], dividimos la metodologa en
dos tipos: cualitativa (confiabilidad) y cuantitativa (precision).
1) Metodo cualitativo: medicion visual: El metodo con que
se realiza la medicion de la confiabilidad, es por medio de la
observacion. En varias situaciones la u nica forma practica de
estimar la fiabilidad de la registracion a nivel intra-sujeto es
por medio de la inspeccion visual de las imagenes. Para tal fin
es utilizada la herramienta de fusion. Cuando el observador
mira las imagenes registradas utilizando la superposicion de
imagenes como se puede ver en la Figura 7, y clasifica la
solucion como satisfactoria, en la Figura 7b se aprecia un
ejemplo de registracion satisfactoria, o fallida, Figura 8, en
funcion de si el observador juzga que la precision de la registracion esta por encima o por debajo de la precision necesaria
para una determinada aplicacion. Esto es muy efectivo si
un algoritmo normalmente registra bien las imagenes dentro
de una precision necesaria, pero que ocasionalmente produce
fallas obvias (este es el caso presentado por los algoritmos
evaluados en este trabajo) [40]. Para el calculo se realiza el
cociente entre la cantidad de registraciones satisfactorias y el
total de registraciones realizadas.

Figura 7: Fusion de imagenes para validacion visual del proceso de

registracion. (a) antes (b) despues
Figura 6: Ejemplo de un corte de distintas modalidades de la base de datos:
(a) imagen de CT, (b) imagen de MRPD, (c) imagen de MRT1 y (d) imagen
de MRT2

La base de datos consiste en 600 imagenes dividida en

cuatro grupos: 150 imagenes de CT, 150 imagenes de MRPD,
150 imagenes de MRT1 y 150 imagenes de MRT2, extradas de
un total de 10 pacientes. Luego, se establecio en forma visual,
la correspondencia entre cortes de las distintas modalidades.
Finalmente, y luego de realizados los experimentos, la base
de datos se completo con las imagenes de CT (fijas) y las de
MR generadas como salida del proceso registracion utilizando
los distintos metodos contrastados. En estas imagenes se
introdujeron artificialmente los marcadores fiduciales 4 , con la
ayuda de un profesional en radiologa para detectar los puntos
homologos anatomicamente. Figura 9.
2 http://www.insight-journal.org/rire/
3 http://medical.nema.org/

4 En PDI un fiducial es una marca o hito que aparece visible en la imagen

y es utilizado como punto de referencia para la medicion

Figura 8: Ejemplos de imagenes fusionadas que representan registraciones

fallidas.

2) Metodo cuantitativo (Precision): La medicion del e xito

de la registracion desde el punto de vista cuantitativo, esta dada
por una estimacion estadstica de la medida de la medicion
geometrica del error de alineacion[4]. Para la estimacion de
la precision es utilizada una de las medidas geometricas mas
difundidas, a la cual se le denomina Error de Registracion
de Objetivo (ERO), consiste en el desplazamiento entre dos
puntos correspondientes luego del proceso de registracion.
Sea un punto en la imagen flotante a ser registrada representado por p, y q un punto en la imagen fija. La aplicacion de
un metodo de registracion al par de imagenes conduce a una

2014 XL Latin American Computing Conference (CLEI)

transformacion T que, sin perdida de generalidad, registra la

imagen flotante con la fija. La diferencia entre los vectores que
representa al punto transformado y su punto correspondiente
en la imagen fija, da el error de registracion de objetivo. En
consecuencia,
ERO = T(p) q,

(12)

ERO2 = kT(p) qk2 .

(13)

luego, el error puede ser representado por medio de la magnitud de ERO,

En una fase posterior al proceso de registracion, con la ayuda de un profesional radiologo quien conoce las caractersticas
anatomicas y clnicas de las imagenes, y de acuerdo a puntos
visibles e identificables en ambas imagenes, se introducen
artificialmente los fiduciales, como los que se pueden ver en
la Figura 9. En base a ERO definimos otra medida Error
de Registracion de Fiduciales (ERF), utilizando la raz media
cuadratica (RMS) la cual detecta la distancia entre los puntos
fiduciales correspondientes, y esta dada por,
ERF 2 =

N
X
i=1

kT(pi ) qi k2 ,

Cuadro I: Porcentaje de resultados satisfactorios Metodos/Modalidades.

Metodo
MMI-RSG
MMI-1P1EV
MMI-EO

CT-MRPD
70 %
43 %
83 %

Modalidad
CT-MRT1
51 %
38 %
62 %

CT-MRT2
26 %
39 %
34 %

a los demas fue tan solo del 62 %, un resultado no muy

aceptable. Para el caso de CT-MRT2 observamos que tuvo un
resultado inferior al metodo MMI-1P1EV, pero los tres abordajes mostraron un pobre comportamiento por debajo del 40 %,
debido a la diferencia de contraste propia de la modalidad,
para salvar este caso sera necesario un preprocesamiento en
la imagen de entrada, o bien ajustar los parametros de los
algoritmos de manera particular. Es destacable tambien que en
todos los casos MMI-EO supero al MMI-RSG.

(14)

donde N es el numero de fiduciales introducidos en la imagen,

y, pi y qi representan la posicion del fiducial i en el espacio
de las dos imagenes.
Figura 10: Resultados satisfactorios Metodos/Modalidades. Expresado en
porcentaje.

2) Resultados cuantitativos (Precision): El cuadro II presenta los resultados de precision obtenida en las distintas
metodologas, expresada en milmetros.

Figura 9: Imagenes con fiduciales. (a) Imagen fija (CT) con fiduciales
representados por qi (b) Imagen registrada (MRPD) con fiduciales
representados por T(pi )

Finalmente, una vez obtenido el error de cada par de

imagen registrada, se calcula el promedio, la mediana y el
maximo del conjunto total de experimentos.
IV-C. Exposicion de resultados
En esta sub-seccion se exponen los resultados cualitativos
y cuantitativos obtenidos por medio de la realizacion de los
experimentos. La performance del optimizador y ejemplos de
casos experimentales signifitativos de registracion.
1) Resultados cualitativos (Confiabilidad): El Cuadro I
presenta los resultados de confiabilidad estimados por medio
de la medicion visual, expresado en porcentaje de resultados
satisfactorios obtenidos en los distintos pares de modalidades
y utilizando las tres metodologas contrastadas.
En la Figura 10 se pueden apreciar los resultados de manera
elocuente. Para el caso de registracion CT-MRPD el metodo
MMI-EO, en el que se utiliza el algoritmo propuesto en el
presente trabajo, logro el 83 % de resultados satisfactorios, si
bien para el caso de CT-MRT1 tuvo un desempeno superior

Cuadro II: Precision de los distintos abordajes, expresado en [mm]

Metodo
MMI-RSG
MMI-1P1EV
MMI-EO

Promedio [mm]
1.26
0.74
0.36

Mediana [mm]
1
0.41
0

Maximo [mm]
1.39
1.12
0.54

3) Performance del Optimizador: En la Figura 11, se presenta el desempeno de los optimizadores utilizados en los tres
diferentes metodos. Es oportuno recordar que en el abordaje
propuesto se busca la minimizacion de la funcion de costo. Se
puede notar que el RSG desciende rapidamente y aproximadamente a partir de la iteracion numero 50 queda estancado en un
mnimo local, lo que conlleva a una registracion fallida como
la que se puede ver en la Figura12(c). El 1P1EV desciende
de manera menos brusca hasta quedarse atascado a partir de
un valor cercano a la iteracion 120, la registracion obtenida
se observa en la 12(b). Finalmente, el comportamiento del
algoritmo propuesto EO refleja su capacidad de romper el
atascamiento y llegar al mnimo global, lo que implica una
registracion exitosa, como se puede ver en la Figura 12(a).
El Cuadro III presenta los resultados de tiempo promedio
de procesamiento en segundos de los distintos metodos y
modalidades de registracion, se puede ver que en terminos de
rapidez el MMI-RSG se quedo con la ventaja.

2014 XL Latin American Computing Conference (CLEI)

Cuadro III: Tiempo promedio de procesamiento en segundos

Metodos/Modalidades.
Metodo
MMI-RSG
MMI-1P1EV
MMI-EO

CT-MRPD
9
18
20

Modalidad
CT-MRT1
10
20
22

CT-MRT2
12
20
19

Figura 13: Imagenes de entrada.(a) Imagen fija CT (512x512). (b) Imagen

flotante MRPD (256x256). (c)Imagen de salida (registrada).

Figura 11: Desempeno de los optimizadores contrastados EO, 1+1EV y

RSG.

4) Ejemplos de Registracion: En el presente apartado se

exponen los ejemplos mas relevantes obtenidos como resultados de los experimentos.
Ejemplos de Registraciones CT - MRPD: En el siguiente
ejemplo se puede apreciar un caso de registracion exitosa
realizada por el metodo MMI-EO entre dos imagenes de
diferentes modalidades de un mismo paciente, la imagen fija se
trata de un corte de estudio de CT de cerebro humano (Figura
13(a)), y la imagen flotante es un corte de MRPD de cerebro
de una posicion equivalente,(Figura 13(b)), la Figura 13(c)
representa a la imagen registrada, en la que se puede apreciar
la translacion y rotacion realizadas por medio del fondo de
color gris que resalta el hecho, ademas del cambio de escala
comparado con la original Figura 13(b).
En la Figura 14(a) se puede ver el resultado en una fusion
de las imagenes fija y la registrada, lograda por el metodo
propuesto en este trabajo, las figuras 14(b) y (c) representan a
los resultados de los metodos contrastados de MMI-1P1EV y
MMI-RSG, respectivamente.
MMI-EO consiguio un 83 % de registraciones satisfactorias
como estas, en la combinacion de modalidades presentada,
superando a los metodos contra los que fue contrastado.
A modo de ilustrar el punto de vista cuantitativo la Figura
15, demuestra que aunque ambas imagenes estan aceptablemente registradas, con el metodo MMI-EO se logro una mayor

Figura 12: Resultados de registracion de acuerdo al comportamiento del

optimizador. (a) Optimizacion Extrema. (b) Algoritmo evolutivo 1+1. (c)
Gradiente descendente Regular

Figura 14: Imagenes fusionadas entre la imagen fija y la registrada,

mostrando el resultado cualitativo al aplicar los diferentes metodos
contrastados.(a) MMI-EO. (b) MMI-1P1EV. (c) MMI-RSG.

precision, como numericamente se expone en el Cuadro II.

Figura 15: Imagenes fusionadas entre la imagen fija y la registrada,

resaltando el resultado cuantitativo.(a) MMI-EO. (b) MMI-RSG.

Ejemplos de Registraciones CT - MRT1: Un caso resaltante

entre las imagenes de MRT1 que componen la bases de datos
de imagenes de prueba, es el de un paciente, en el que
se observa una mancha en el cerebro en lado derecho de
la imagen 16(b), pudiendose tratar de alguna afeccion. Esto
agrega dificultad al algoritmo de registracion, pues como se
ve en la Figura 16(a), la mencionada mancha no aparece,
haciendola mas diferente que la imagen flotante. En la Figura
16(c) se observa que MMI-EO, de todos modos logro realizar
la registracion trasladando, rotando y aumentando la escala.
En la Figura 17 se aprecia visualmente, el resultado logrado
por los metodos contrastados. La Figura 17(a), por medio
de las imagenes fusionadas se demuestra que el algoritmo
propuesto utilizando EO, logro la registracion. El abordaje
utilizando el algoritmo evolutivo 1P1EV muestra que si bien
la traslacion y la escala son aproximadas, fallo en la rotacion
casi en 180 grados (Figura 17(b). El tercer abordaje expuesto
en la Figura 17(c) fue totalmente perturbado y realizo una
registracion notoriamente fallida. En esta modalidad MMIEO tambien supero a los demas metodos alcanzando un 62 %
de casos satisfactorios sobre el total de pares de imagenes
probadas.

2014 XL Latin American Computing Conference (CLEI)

Figura 16: Imagenes de entrada.(a) Imagen fija CT (512x512). (b) Imagen

flotante MRT1 (256x256), con mancha a causa de alguna afeccion.
(c)Imagen de salida (registrada).

Figura 17: Imagenes fusionadas entre la imagen fija y la registrada,

mostrando el resultado al aplicar los diferentes metodos contrastados. La
imagen flotante tiene una mancha por causa de alguna afeccion, lo que
dificulta la registracion (a) MMI-EO. (b) MMI-1P1EV. (c) MMI-RSG.

Ejemplos de Registraciones CT - MRT2: Un caso parecido

al ejemplo anterior se tiene entre el conjunto de imagenes de
MRT2, que por el contraste del tipo de imagen y por la ubicacion del corte en particular, resalta con mayor intensidad la
mancha, haciendo aun mas diferentes las imagenes a registrar,
agregando mayor dificultad al algoritmo de registracion.
En la Figura 18 se puede notar la imagen de CT (fija)
a la izquierda y la flotante de MRT2 en el centro con una
pronunciada mancha con valores de intensidad de los pixeles
elevados, muy parecidos a los niveles del hueso en la imagen
de CT, esto dificulta el desempeno del abordaje. No obstante
como se ve en la Figura 18(c), MMI-EO logro una satisfactoria
registracion.
Gracias a la fusion de las imagenes fijas y las registradas
en la Figura 19 se nota el comportamiento de los tres abordajes
comparados para este caso particular.

Figura 18: Imagenes de entrada.(a) Imagen fija CT (512x512). (b) Imagen

flotante MRT2 (256x256), con mancha muy pronunciada a causa de alguna
afeccion. (c) Imagen de salida (registrada).

Ejemplos de malas registraciones: En la base de datos de

prueba, las imagenes de CT de un grupo de pacientes presentan

Figura 19: Imagenes fusionadas entre la imagen fija y la registrada,

mostrando el resultado al aplicar los diferentes metodos contrastados. La
imagen flotante tiene una mancha muy pronunciada por causa de alguna
afeccion, lo que dificulta en mayor grado la registracion (a) MMI-EO. (b)
MMI-1P1EV. (c) MMI-RSG.

artefactos extranos al craneo, como se puede observar en la

Figura 20(a), el ruido que aparece en la imagen corresponde al
apoya cabezas de la camilla del equipo de CT, ademas aparecen
algunas formas que sugieren ser alguna especie de sabana o
toalla utilizada para inmovilizar la cabeza. Es notorio que ellos
tienen unos niveles de intensidad de los pxeles muy parecido
al del interior del craneo. Por otro lado en la 20(b), que es la
imagen a ser registrada, no estan presentes dichos artefactos,
se puede notar un claro contraste entre la imagen del fondo
y el craneo. Todo esto hace que ambas imagenes sean mas
diferentes de lo normal. En la 20(c) se nota como MMI-EO
fallo en todos los parametros de la registracion (traslacion,
rotacion y escala). Los tres metodos se mostraron debiles para
este caso, dandose aisladas registraciones exitosas.

Figura 20: Imagenes de entrada.(a) Imagen fija CT (512x512), con artefactos

extranos al craneo. (b) Imagen flotante MRPD (256x256) (c) Imagen de
salida (registracion fallida).

En la Figura 21 se despliega los resultados de las imagenes

fusionadas para un corte en particular de este caso, en el
que casualmente el metodo MMI-RSG logro una registracion
satisfactoria. Pero, se trata de un caso muy aislado ya que en
mas del 90 % de los casos los tres metodos fallaron.
IV-D. Herramientas utilizadas para los experimentos
La implementacion del algoritmo de optimizacion extrema fue realizada en el lenguaje MS-Visual C++ 2008,
programado como una clase adicional (itkExtremalDynamicsOptimizer) dentro del framework de registracion del
ITK 3.2 y VTK 5.6.1. La instanciacion del metodo de
registracion se realizo utilizando como metrica itkMattesMutualInformationImageToImageMetric, itkLinearInterpolateImageFunction como interpolador, como transformador el
itk::CenteredSimilarity2DTransform. La comparacion fue realizada contra el optimizador: itkOnePlusOneEvolutionaryOptimizer, por tratarse de un algoritmo evolutivo y contra el

2014 XL Latin American Computing Conference (CLEI)

metodo en la registracion de otros pares de modalidades de

imagenes medicas. Utilizacion del algoritmo de optimizacion
propuesto con diferentes variantes de metricas basadas en la
teora de la informacion.

Figura 21: Imagenes fusionadas entre la imagen fija y la registrada,

mostrando el resultado al aplicar los diferentes metodos contrastados. La
imagen fija cuenta con artefactos extranos al craneo, con lo que la
registracion se torna mas complicada (a) MMI-EO. (b) MMI-1P1EV. (c)
MMI-RSG.

itk::RegularStepGradientDescentOptimizer como determinstico. Fue utilizado un computador PC con procesador i5, 4 GB

de RAM y sistema operativo Windows 7.
V. C ONCLUSIONES Y TRABAJOS FUTUROS
V-A. Conclusiones
El metodo propuesto, utilizando la informacion mutua
como metrica de similitud y el algoritmo optimizacion extrema
presenta un buen comportamiento para imagenes de cerebro
humano, especialmente para el caso de la registracion en CTMRPD.
La inclusion de la Optimizacion Extrema como optimizador a ser utilizado en el proceso de registracion constituye
el principal aporte del presente trabajo, el cual logro obtener
mejores soluciones o ptimas superando los mnimos locales en
los cuales quedaban estancados los algoritmos MMI-RSG y
MMI-1P1EV con los cuales fue contrastado.
Algunas de las principales ventajas del abordaje son: las
imagenes de entrada no necesitan procesamiento previo, realiza
correctamente la registracion con parametros de transformacion para translacion, rotacion y escala; soporta tamanos
diferentes de imagenes de entrada, y consigue superar el estancamiento en mnimos locales. Ademas, funciona correctamente
para registraciones entre imagenes de la misma modalidad,
y con imagenes en las que se tiene solamente translacion o
rotacion.
Los experimentos cualitativos realizados presentaron un nivel de e xito del 83 % como mejor resultado para la registracion
de CT-MRPD, demostrando debilidad para los casos CT-MRT1
y CT-MRT2. En el aspecto cuantitativo, los casos satisfactorios
de CT-MRPD arrojaron pequenos valores de error, 0.36mm en
promedio, 0mm de mediana y un error maximo de 0.54mm.
El abordaje demostro ser robusto al soportar imagenes de
entradas variadas, algunas con tumores o huesos rotos, con
distintos tamanos de entrada y distintos niveles de rotacion
y translacion. En cuanto a la complejidad computacional
permanecio en el mismo orden que los otros metodos, no
demostrando mayor rapidez pero si mayor eficiencia.
V-B. Trabajos futuros
De acuerdo a las limitaciones encontradas en el presente
trabajo, como trabajos futuros se proponen los siguientes
temas: Implementacion y prueba del algoritmo -EO, con
la consecuente busqueda del rango de valores o ptimos de
para casos particulares de registracion multimodal de imagenes
medicas. Busqueda de un metodo o ptimo para el caso CTMRT2 que presenta contraste diferente. Aplicacion y prueba
del metodo en registracion de imagenes 3D/3D. Prueba del

AGRADECIMIENTOS
P.P.C.S agradece a la Facultad Politecnica - UNA por el
soporte financiero para la investigacion. Este trabajo fue parcialmente financiado con aportes del Conacyt bajo el proyecto
Nro. 1698OC/PR.
R EFERENCIAS
[1]

[2]

[3]

[4]
[5]

[6]

[7]

[8]

[9]

[10]

[11]

[12]

[13]
[14]

[15]

[16]

[17]

[18]

M. V. Wyawahare, P. M. Patil, and H. K. Abhyankar, Image registration

techniques: An overview, International Journal of Signal Processing and
Pattern Recognition, vol. 2, pp. 1127, 2009.
M. P. Deshmukh and Udhav Bhosle, A survey of image registration,
International Journal of Image Processing (IJIP), vol. 5, pp. 245269,
2011.
A. Sotiras, C. Davatazikos, and N. Paragios, Deformable medical image
registration: A survey, inria Research Report Nro. 7919, vol. 3:, pp165,
2012.
J. Hajnal, D. Hawkes and D. Hil, Medical Image Registration. Biomedical
engieneering series. Boca Raton, FL: CRC Press LLC, 2001.
A. El-Baz, R. Acharya, A. Laine and J. Suri, Multi Modality State-of-theArt Medical Image Segmentation and Registration Methodologies. New
York, NY: Springer Science+Business Media LLC, 2011.
S. Boettcher and A. G. Percus, Extremal optimization: An evolutionary
local-search algorithm in Proceedings of the 8th INFORMS Computing
Society Conference, 2003, pp. 117.
S. Meshoul and M. Batouche, Robust point correspondence for image
registration using optimization with extremal dynamics in Proceedings
of the 24th DAGM Symposium on Pattern Recognition, 2002, pp. 33033.
J. Pascau, J. D. Gispert, S. Reig, R. Martinez and M. Desco, Registro
de imagenes en medicina nuclear, Rev.R.Acad.Cienc.Exact.Fis.Nat(Esp),
vol. 96, pp. 2943, 2002.
T. Greitz, M. Bergstrom, J. Boethius, D. Kingsley and T. Ribbe, Head
fixation system for integration of radiodiagnostic and therapeutic procedures,. Neuroradiology, vol. 19, pp. 16, 1980.
T. D. Peters, P. Munger, R. Comeau, A. Evans and A. Olivier,
Threedimensional multimodal image-guidance for neurosurgery, IEEE
Transactions on Medical Imaging, vol. 15, pp. 121128, 1996.
A. C. Evans, S. Marrett, J. Torrescorzo, S. Ku and L. Collins, Mri-pet
correlation in three dimensions using a volume-of-interest (voi) atlas,
Journal Cerebral Blood Flow Metabolism, vol. 11, pp. 6978, 1991.
D. L. Hill, D. J. Hawkes, J. E. Crossman, M. J. Gleeson, T. C. Cox, E. E.
Bracey, A. J. Strong and P. Graves, Registration of mr and ct images for
skull base surgery using point-like anatomical features, British Journal
of Radiology, vol. 64, pp. 10301035, 1991.
B. M. Dawant and A. P. Zijdenbos, Image segmentation, in Handbook
of Medical Imaging. Washington: SPIE Press, 2000.
C. A. Pelizzari, G. T. Chen, D. R. Spelbring, R. R. Weichselbaum and
C. T. Chen, Accurate three-dimensional registration of ct, pet, and/or mr
images of the brain, Journal of Computer Assisted Tomography, vol. 13,
pp. 2026, 1989.
M. A. Audette, F. P. Ferrie and T. M. Peters, An algorithmic overview
of surface registration techniques for medical imaging,. Medical Image
Analysis - Elsevier, vol. 4, pp. 201217, 2000.
T. L. Faber, R. W. Mccoll, R. M. Opperman, J. R. Corbett and R.
M. Peshock, Spatial and temporal registration of cardiac spect and
mr images: methods and evaluation, Radiology, vol. 179, pp. 857861,
1991.
A. M. Scott and H. A. Macapinlacl, Clinical validation of spect and
ct/mri image registration in radiolabeled monoclonal antibody studies
of colorectal carcinoma, Journal of Nuclear Medicine, vol. 35, pp.
19761984, 1994.
R. A. Isoardi, Optimizacion de analisis y registracion de imagenes
tomograficas, Tesis Doctoral, Universidad Nacional de Cuyo, Argentina,
2010.

2014 XL Latin American Computing Conference (CLEI)

[19] W. M. Wells, P. Viola, H. Atsumi, S. Nakajima and R. Kikinis, Multimodal volume registration by maximization of mutual information,
Medical Image Analysis - Elsevier, vol. 1, pp. 3551, 1996.
[20] F. Maes, A.Collignon, D. Vandermeulen, G. Marchal and P. Suetens,
Multimodality image registration by maximization of mutual information, IEEE Transactions on Medical Imaging, vol. 16, pp. 187198,
1997.
[21] D. Mattes, D. R. Haynor, H. Vesselle, T. K. Lewellen and W. Eubank.
Nonrigid multimodality image registration, Medical Imaging - San
Diego, pp. 16091620, 2001.
[22] C. E. Shannon, The mathematical thery of comunication (part 1 and
2), Bell Syst. Tech. J., vol. 27, pp. 379-423 and 623-656, 1948.
[23] C. E. Shannon, Comunication in the presence of noise, Proc. IRE,
vol. 37, pp. 10-21, 1949.
[24] J. P. W. Pluim, J. B. Antoine Maintz and M. A. Viergever, Mutual
information based registration of medical image: a survey, IEEE Transactions on Medical Imaging, vol. 20, pp. 121, 2003.
[25] M. Holden, D. L. Hill, E. R. Denton, J. M. Jarosz, T. C. Cox, T.
Rohlfing, J. Goodey and D. J.Hawkes, Voxel similarity measures for
3-d serial mr brain image registration, IEEE Transactions on Medical
Imaging, vol. 19, pp. 94102, 2000.
[26] C. Studholme, D. L. G Hill and D. J. Hawkes, An overlap invariant
entropy measure of 3d medical image alignment, Pattern Recognition,
vol. 32, pp. 7186, 1999.
[27] J. P. Pluim, J. B. Maintz and M. A. Viergever, Image registration by
maximization of combined mutual information and gradient information,
IEEE Transactions on Medical Imaging, vol. 19, p. 809814, 1999.
[28] J. J. Vaquero, M.Desco, J. Pascau, A. Santos, I. Lee, J. Seidel and M.
V. Green, Pet, ct, and mr image registration of the rat brain and skull,
IEEE Transactions on Nuclear Science, vol. 48, pp. 14401445, 2001.
[29] P. Bak and K. Sneppen, Punctuacted equilibrium and criticality in
a simple model of evolution, Physical Review Letters, vol. 71, pp.
40834086, 1993.
[30] P. Bak, How nature works: The science of Self-Organized Criticality.
New York, NY: Copernicus Press, 1996.
[31] S. Boettcher and A. G. Percus, Natures way of optimizing, Artificial
Intelligence, vol. 119, pp. 275286, 2000.
[32] S. Boettcher and A. G. Percus, Optimization with extremal dynamics,
Physical Review Letters, vol. 86, pp. 52115214, 2001.
[33] J. Brownlee. Clever Algorithms: Nature-inspired Programming Recipes.
Australia: Lulu, 2011.
[34] S. Meshoul and M. Batouche, Ant colony system with extremal
dynamics for point matching and pose estimation, in Proceedings of
the 16 th International Conference on Pattern Recognition (ICPR02),
2002, pp.823826.
[35] L. Iban ez, W. Schroeder, L. Ng and J. Cates. The ITK Software Guide.
Second Edition. Insight Software Consortium, Kitware Inc., 2005.
[36] D. Mattes, D. R. Haynor, H. Veselle, T. K. Lewellen and W. Eubank,
Pet-ct image registration in the chest using free-form deformation,
IEEE Transactions on Medical Imaging, vol. 22, pp. 120128, 2003.
[37] J.C. Gee, Performance evaluation of medical image processing algorithm, in Proceedings of the Medical Imaging 2000 SPIE, 2000, vol.
3979, pp. 1927.
[38] P. Jannin, J.M. Fitzpatric, Validation of medical image processing in
image-guided therapy, IEEE transactions on Medical Imaging, vol. 21,
pp. 14451449, 2002.
[39] A. Ardexhir Goshtasby 2-D and 3-D Image Registration for medical, remote sensing, and industrial applications. Hoboken, NJ: WileyInterscience publication, 2005.
[40] German M. Arenas, Implementacion de un algoritmo para la registracion elastica de imagenes medicas, Tesis De Maestra, Universidad
Nacional de Cuyo, Argentina, 2007.
[41] J. B. Antoine Maintz and M. A. Viergeve, A survey of medical image
registration, Medical Image Analysis, vol. 2, pp. 136, 1998.