Castellanos-Abrego NP

Idioma: Ingles.
Referencias bibliográficas: 9
Paginas: 96-102
Archivo PDF: 317.36 Kb.

RESUMEN

Una tranformación geométrica tridimensional (3D) se presenta para el registro de imágenes médicas como la extensión de un trabajo previo desarrollado para dos dimensiones. La tranformación espacial 3D es analizada con la intención de garantizar la continuidad, la diferenciabilidad y la relación uniquívoca mediante la imposición de restricciones a los parámetros de la tranformación. Se demuestran y analizan los resultados cuando el registro no rígido completamente automático es aplicado a un conjunto de imágenes de tórax con una resolución espacial de 128x128x 128 pixeles adquiridas por el método de la tomografía computarizada asociada a la tomografía de emisión de positrones (PET-CT). La tranformación geométrica 3D tiene un dominio esférico que permite la continuidad de la transformación en su frontera. Esta transformación geométrica puede ser aplicada a regiones de interés locales o globales hasta un diámetro mínimo de 3 pixeles. El método de registro no rígido utiliza un algoritmo evolutivo para obtener resultados globales satisfactorios mientras que maximiza la información mutua normalizada. Esta propuesta tiene la desventaja de que la velocidad de convergencia y la precisión del método depende del tamaño de la población en el algoritmo evolutivo. Los resultados demuestran una mejora en la función de similitud global entre los volúmenes fuente y destino a través de 73 transformaciones, desde burdos hasta finos (en 3 niveles de resolución), de 0.5017 a 0.5033 usando un tamaño de población de 10 individuos. Las reconstrucciones 3D del tórax también se muestran antes y después de la transformación no rígida. Además, experimentos de simulación fueron desarrollados con imágenes tomadas de un estudio del cráneo por resonancia magnética utilizando sólo una transformación. Aquí, se obtuvo una mejora en el criterio de similitud desde 0.5046 a 0.5218.

REFERENCIAS (EN ESTE ARTÍCULO)

1. Zagorchev L, Goshtasby A. A Comparative Study for Nonrigid Image Registration”, IEEE Trans. Image Processing 2006; 15(3): 529-538.

2. Holden M. A Review of Geometric Transformations for Nonrigid Body Registration. IEEE Trans Medical Imaging 2008; 27(1): 111-128.

3. Nanayakkara ND, Chiu B, Samani A, Spence JD, Samarabandu AF. A twisting and bending Model-Based Nonrigid Image registration Technique for 3-D Ultrasound carotid Images. IEEE Trans Medical Imaging 2008; 27(10): 1378- 1388.

4. Gholipour AN, Kehtarnavaz RW, Briggs KS, Gopinath W, Ringe A, Whittemore S, Cheshkov K. Bakhadirov. Trans Biom Eng 2008; 55(2): 563-571.

5. Ding S, Miga MI, Noble JH, Cao A, Dumpuri P, Thompson RC, Dawant BM. Semiautomatic Registration of Pre-and Post-rain Tumor Resection Laser Range Data: Method and Validation. Trans Biom Eng 2009; 56(3): 770-780.

6. Jäger F, Hornegger J. Nonrigid Registration of Joint Histograms for Intensity Standartization in Magnetic Resonance Imaging. IEEE Trans Medical Imaging 2009; 28(1): 137-150.

7. Sdika M. A Fast Nonrigid Image Registration with Constraints on the Jacobian using Large Scale Constrained Optimization. IEEE Trans Medical Imaging 2008; 27(2): 271-281.

8. Loeckx D, Slagmolen P, Vandermeulen D, Suetens P. Nonrigid Image Registration Using Conditional Mutual Information. Trans Medical Imaging 2010; 29(1): 19-29.

9. Pham DT, Karaboga D. Intelligent Optimization Techniques Springer-Verlag, Londres 2000: 51-61.