Escolar Documentos
Profissional Documentos
Cultura Documentos
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
c
978-1-4799-6130-6/14/$31.00
2014
IEEE
(2)
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.
H(B) =
(5)
XX
a
pTA,B (a, b)
pTA (a) pTB (b)
(7)
X
a,b
(9)
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
la siguiente ecuacion:
S() =
XX
l
p(l, k | ) log
p(l, k | )
,
pF T (l | )pR (k)
(10)
(11)
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 )
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.
(12)
(13)
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 ,
CT-MRPD
70 %
43 %
83 %
Modalidad
CT-MRT1
51 %
38 %
62 %
CT-MRT2
26 %
39 %
34 %
(14)
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 )
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.
CT-MRPD
9
18
20
Modalidad
CT-MRT1
10
20
22
CT-MRT2
12
20
19
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]
[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.