NeuroImage 2007
, 提出DARTEL
(Diffeomorphic Anatomical Registration using Exponentiaed Lie algebra) 快速配准方法,该文目前有4818个引用
作者信息:
John Ashburner, Wellcome Trust Center for Neuroimaging, UK
0、background
简单来说,医学影像配准需要估计两张影像间平滑连续的映射。大致有两类方法对这一映射进行建模:
-
小形变框架:不保证保持拓扑结构,转换不可逆
-
大形变框架:为微分同胚映射,数学性质好,如能保持拓扑结构,转换可逆
同胚映射: 简单说来,若有单满映射,且,都是连续的,则称 是一个同胚映射。当两个拓扑空间之间存在同胚映射,则称它们同胚(homeomorphism)。举例来说,当你捏一个橡皮球时,橡皮球从原有形状变成了现在的形状,这就为一个同胚映射。
微分同胚映射即应用到微分流形上,它存在唯一可逆的映射。
小形变框架不可逆
微分同胚框架可逆
1、Method
DARTEL 方法假定了流场u不随时间改变。则描述形变的微分公式为:
得到最终形变需要从 开始,经过单位时间得到。欧拉方法是利用连续时间小步得到解的简单方法。
每一步等价为:
举例说明,通过8步,欧拉积分方法如下:
实际中会超过8步计算来得到更为精确的解。经验表明指数流场的雅可比矩阵行列式总为正值,这保证了映射为微分同胚,亦即从同一流场可得到正向与逆向变换。
2、Optimisation
离散化的向量场可表示为如下,其中v为参数向量,为第i个一阶B样条函数:
对参数,给定数据,目标函数为:
估计参数的方式为最大后验估计(MAP),为常数,目标函数可等价为如下:
第一项为前验概率prior probability
,第二项为likelyhood
因为连续函数的概率密度实际并不存在,贝叶斯方法在实践中有大量的技术难点。更为直观的方法有最小化能量估计,但现有方法都是做局部搜索。
LM算法(Levenberg–Marquardt)为局部迭代算法,
prior term 以及其导数
在maximum entropy characterisation中,为 concentration matrix(协方差矩阵的逆矩阵),为归一化常数。先验项表示为:
取负对数,得到
一阶及二阶导为:
先验的选择会影响最终估计的形变在图像特征间的插值。DARTEL的实现可以有三种先验选择,分别基于membrane, bending 或 linear elastic energy。
membrane energy model
也称为laplacian 模型,3D的定义如下:
bending energy model
linear elastic energy model
likelihood term 以及其导数
模型假设图像g由模板图像f产生,其中服从零均值高斯分布。
每个像素点满足iid(独立同分布),则该项表示为:
一阶与二阶导如下:
DARTEL算法采用递归的方法计算导数。
solving the equation
LM算法每步迭代需要更新如下等式。其中为一阶导,为稀疏二阶导。
因为模型维度十分庞大,直接计算二阶导受内存限制。这里使用FMG(full multigrid)算法
进行逐次逼近(relaxation method),采用多尺度的方式加快速度。
为得到一系列形式的方程的最小平方解,逐次逼近算法需要分解矩阵,其中容易求逆,为余项。递归公式为:
3、Results
评价配准方法:得到的形变结果是否编码了有效的形状信息来区分性别以及预测年龄。
sex prediction
age prediction
配准效果
我的笔记
看这种传统方法的文章感觉还是很吃力,公式多,对数学要求高。这次阅读只能粗略地了解了下这篇经典文章的皮毛。