Registro de imagen

Registrarse y resumir múltiples exposiciones de la misma escena mejorar la relación de señal a ruido, permitiendo a uno ver cosas antes imposibles de ver. En esta imagen, los Alpes distantes son visibles, aunque son decenas de kilómetros en la escotilla.

Registro de imágenes es el proceso de transformar diferentes conjuntos de datos en un sistema de coordenadas. Los datos pueden ser múltiples fotografías, datos de diferentes sensores, tiempos, profundidades o puntos de vista. Se utiliza en visión por computadora, imágenes médicas, reconocimiento militar automático de objetivos y compilación y análisis de imágenes y datos de satélites. El registro es necesario para poder comparar o integrar los datos obtenidos de estas diferentes mediciones.

Clasificación de algoritmos

Basado en intensidad vs basado en funciones

Los algoritmos de registro o alineación de imágenes se pueden clasificar en basados en la intensidad y basados en características. Una de las imágenes se denomina movimiento o fuente y las otras se denominan objetivo, fijo o imágenes detectadas. El registro de imágenes implica transformar espacialmente la(s) imagen(es) de origen/en movimiento para alinearlas con la imagen de destino. El marco de referencia en la imagen de destino es estacionario, mientras que los otros conjuntos de datos se transforman para coincidir con el objetivo. Los métodos basados en intensidad comparan patrones de intensidad en imágenes a través de métricas de correlación, mientras que los métodos basados en características encuentran correspondencia entre características de imagen como puntos, líneas y contornos. Los métodos basados en la intensidad registran imágenes completas o subimágenes. Si se registran subimágenes, los centros de las subimágenes correspondientes se tratan como puntos característicos correspondientes. Los métodos basados en características establecen una correspondencia entre una serie de puntos especialmente distintos en las imágenes. Conociendo la correspondencia entre una serie de puntos en las imágenes, se determina una transformación geométrica para mapear la imagen de destino a las imágenes de referencia, estableciendo así una correspondencia punto por punto entre las imágenes de referencia y de destino. También se han desarrollado métodos que combinan información basada en la intensidad y basada en características.

Modelos de transformación

Los algoritmos de registro de imágenes también se pueden clasificar según los modelos de transformación que utilizan para relacionar el espacio de la imagen de destino con el espacio de la imagen de referencia. La primera categoría amplia de modelos de transformación incluye transformaciones lineales, que incluyen rotación, escalado, traslación y otras transformaciones afines. Las transformaciones lineales son de naturaleza global, por lo que no pueden modelar diferencias geométricas locales entre imágenes.

La segunda categoría de transformaciones permite 'elástica' o 'no rígido' transformaciones. Estas transformaciones son capaces de deformar localmente la imagen de destino para alinearla con la imagen de referencia. Las transformaciones no rígidas incluyen funciones de base radial (placas delgadas o splines de superficie, multicuadráticas y transformaciones con soporte compacto), modelos físicos continuos (fluidos viscosos) y modelos de grandes deformaciones (difeomorfismos).

Las transformaciones se describen comúnmente mediante una parametrización, donde el modelo dicta la cantidad de parámetros. Por ejemplo, la traducción de una imagen completa se puede describir mediante un solo parámetro, un vector de traducción. Estos modelos se denominan modelos paramétricos. Los modelos no paramétricos, por otro lado, no siguen ninguna parametrización, lo que permite que cada elemento de la imagen se desplace arbitrariamente.

Hay una serie de programas que implementan tanto la estimación como la aplicación de un campo warp. Es parte de los programas SPM y AIR.

Transformaciones de coordenadas a través de la ley de composición de funciones en lugar de suma

Alternativamente, muchos métodos avanzados para la normalización espacial se basan en homeomorfismos y difeomorfismos de transformaciones que conservan la estructura, ya que transportan subvariedades uniformes sin problemas durante la transformación. Los difeomorfismos se generan en el campo moderno de la Anatomía Computacional basada en flujos ya que los difeomorfismos no son aditivos aunque forman un grupo, sino un grupo bajo la ley de composición de funciones. Por esta razón, los flujos que generalizan las ideas de grupos aditivos permiten generar grandes deformaciones que preservan la topología, proporcionando transformaciones 1-1 y sobre. Los métodos computacionales para generar dicha transformación a menudo se denominan LDDMM y proporcionan flujos de difeomorfismos como la principal herramienta computacional para conectar sistemas de coordenadas correspondientes a los flujos geodésicos de la anatomía computacional.

Hay una serie de programas que generan transformaciones difeomorfas de coordenadas a través del mapeo difeomorfo, incluidos MRI Studio y MRI Cloud.org

Métodos de dominio espacial frente a frecuencia

Los métodos espaciales operan en el dominio de la imagen, haciendo coincidir los patrones de intensidad o las características de las imágenes. Algunos de los algoritmos de coincidencia de características son consecuencia de las técnicas tradicionales para realizar el registro manual de imágenes, en las que un operador elige los puntos de control (CP) correspondientes en las imágenes. Cuando el número de puntos de control excede el mínimo requerido para definir el modelo de transformación apropiado, se pueden usar algoritmos iterativos como RANSAC para estimar de manera sólida los parámetros de un tipo de transformación particular (por ejemplo, afín) para el registro de las imágenes.

Los métodos de dominio de frecuencia encuentran los parámetros de transformación para el registro de las imágenes mientras trabajan en el dominio de transformación. Dichos métodos funcionan para transformaciones simples, como traslación, rotación y escalado. La aplicación del método de correlación de fase a un par de imágenes produce una tercera imagen que contiene un solo pico. La ubicación de este pico corresponde a la traducción relativa entre las imágenes. A diferencia de muchos algoritmos de dominio espacial, el método de correlación de fase es resistente al ruido, las oclusiones y otros defectos típicos de las imágenes médicas o de satélite. Además, la correlación de fase utiliza la transformada rápida de Fourier para calcular la correlación cruzada entre las dos imágenes, lo que generalmente genera grandes ganancias de rendimiento. El método se puede ampliar para determinar las diferencias de rotación y escala entre dos imágenes convirtiendo primero las imágenes en coordenadas logarítmicas polares. Debido a las propiedades de la transformada de Fourier, los parámetros de rotación y escala pueden determinarse de manera invariable a la traslación.

Métodos de modalidad única vs multimodal

Se puede hacer otra clasificación entre métodos monomodales y multimodales. Los métodos de modalidad única tienden a registrar imágenes en la misma modalidad adquiridas por el mismo tipo de escáner/sensor, mientras que los métodos de registro multimodal tienden a registrar imágenes adquiridas por diferentes tipos de escáner/sensor.

Los métodos de registro de modalidad múltiple se utilizan a menudo en imágenes médicas, ya que las imágenes de un sujeto se obtienen con frecuencia de diferentes escáneres. Los ejemplos incluyen el registro de imágenes de TC/RMN del cerebro o imágenes de PET/TC de todo el cuerpo para la localización de tumores, el registro de imágenes de TC con contraste frente a imágenes de TC sin contraste para la segmentación de partes específicas de la anatomía, y el registro de ecografías y TC. imágenes para la localización de la próstata en radioterapia.

Métodos automáticos vs interactivos

Los métodos de registro pueden clasificarse según el nivel de automatización que brindan. Se han desarrollado métodos manuales, interactivos, semiautomáticos y automáticos. Los métodos manuales proporcionan herramientas para alinear las imágenes manualmente. Los métodos interactivos reducen el sesgo del usuario al realizar ciertas operaciones clave automáticamente mientras aún confían en el usuario para guiar el registro. Los métodos semiautomáticos realizan más pasos de registro automáticamente, pero dependen del usuario para verificar la corrección de un registro. Los métodos automáticos no permiten ninguna interacción del usuario y realizan todos los pasos de registro automáticamente.

Medidas de similitud para el registro de imágenes

Las similitudes de imagen se utilizan ampliamente en imágenes médicas. Una medida de similitud de imagen cuantifica el grado de similitud entre los patrones de intensidad en dos imágenes. La elección de una medida de similitud de imagen depende de la modalidad de las imágenes a registrar. Los ejemplos comunes de medidas de similitud de imagen incluyen correlación cruzada, información mutua, suma de diferencias de intensidad al cuadrado y uniformidad de imagen de proporción. La información mutua y la información mutua normalizada son las medidas de similitud de imágenes más populares para el registro de imágenes multimodales. La correlación cruzada, la suma de las diferencias de intensidad al cuadrado y la uniformidad de la imagen de relación se utilizan comúnmente para el registro de imágenes en la misma modalidad.

Se han derivado muchas características nuevas para las funciones de costo basadas en métodos coincidentes a través de grandes deformaciones que han surgido en el campo de la anatomía computacional, que incluyen Coincidencia de medidas que son conjuntos de puntos o puntos de referencia sin correspondencia, coincidencia de curvas y coincidencia de superficies a través de corrientes matemáticas y varifolds.

Incertidumbre

Existe un nivel de incertidumbre asociado con el registro de imágenes que tienen diferencias espacio-temporales. Un registro seguro con una medida de incertidumbre es fundamental para muchas aplicaciones de detección de cambios, como los diagnósticos médicos.

En las aplicaciones de detección remota donde un píxel de imagen digital puede representar varios kilómetros de distancia espacial (como las imágenes LANDSAT de la NASA), un registro de imagen incierto puede significar que una solución podría estar a varios kilómetros de distancia real. Varios documentos notables han intentado cuantificar la incertidumbre en el registro de imágenes para comparar los resultados. Sin embargo, muchos enfoques para cuantificar la incertidumbre o estimar las deformaciones son computacionalmente intensivos o solo son aplicables a conjuntos limitados de transformaciones espaciales.

Aplicaciones

Registro de dos imágenes de resonancia magnética del cerebro

El registro de imágenes tiene aplicaciones en teledetección (actualización de cartografía) y visión artificial. Debido a la amplia gama de aplicaciones a las que se puede aplicar el registro de imágenes, es imposible desarrollar un método general que esté optimizado para todos los usos.

El registro de imágenes médicas (para datos del mismo paciente tomados en diferentes momentos, como la detección de cambios o el control de tumores) a menudo implica además elástico (también conocido como no rígido).) registro para hacer frente a la deformación del sujeto (debido a la respiración, cambios anatómicos, etc.). El registro no rígido de imágenes médicas también se puede utilizar para registrar los datos de un paciente en un atlas anatómico, como el atlas de Talairach para neuroimágenes.

En astrofotografía, la alineación y el apilamiento de imágenes se utilizan a menudo para aumentar la relación señal/ruido de los objetos débiles. Sin apilar, se puede usar para producir un lapso de tiempo de eventos como la rotación de un planeta de un tránsito alrededor del Sol. Usando puntos de control (ingresados automática o manualmente), la computadora realiza transformaciones en una imagen para alinear las principales características con una segunda o varias imágenes. Esta técnica también se puede utilizar para imágenes de diferentes tamaños, para permitir combinar imágenes tomadas a través de diferentes telescopios o lentes.

En crio-TEM, la inestabilidad provoca la desviación de la muestra y se requieren muchas adquisiciones rápidas con un registro de imagen preciso para preservar la alta resolución y obtener imágenes de alta señal/ruido. Para datos de SNR baja, el mejor registro de imagen se logra mediante la correlación cruzada de todas las permutaciones de imágenes en una pila de imágenes.

El registro de imágenes es una parte esencial de la creación de imágenes panorámicas. Hay muchas técnicas diferentes que pueden implementarse en tiempo real y ejecutarse en dispositivos integrados como cámaras y teléfonos con cámara.