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