[论文解读] A Diffeomorphic Approach to Multimodal Registration with Mutual Information: Applications to CLARITY Mouse Brain Images.

Kwame S. Kutten, Nicolas Charon+5 more|arXiv (Cornell University)|Dec 1, 2016

Medical Image Segmentation Techniques参考文献 32被引用 4

一句话总结

本文提出了一种基于互信息的LDDMM（MI-LDDMM）框架，通过用互信息替代传统的SSD匹配项，增强了多模态脑图像配准对强度变化的鲁棒性。在CLARITY小鼠脑图像上的应用表明，MI-LDDMM在对齐具有不同灰度分布的图像时优于SSD-LDDMM，而级联多尺度方法则加速了收敛并减少了运行时间。

ABSTRACT

Large Deformation Diffeomorphic Metric Mapping (LDDMM) is a widely used deformable registration algorithm for computing smooth invertible maps between various types of anatomical shapes such as landmarks, curves, surfaces or images. In this work, we specifically focus on the case of images and adopt an optimal control point of view so as to extend the original LDDMM with Sum of Squared Differences (SSD) matching term to a framework more robust to intensity variations, which is critical for cross-modality registration. We implement a mutual information based LDDMM (MI-LDDMM) algorithm and demonstrate its superiority to SSD-LDDMM in aligning 2D phantoms with differing intensity profiles. This algorithm is then used to register CLARITY mouse brain images to a standard mouse atlas despite their differences in grayscale values. We complement the approach by showing how a cascaded multi-scale method improves the optimization while reducing the run time of the algorithm.

研究动机与目标

• 为解决多模态图像配准中的强度变化问题，特别是在神经影像学应用中的挑战。
• 提高CLARITY小鼠脑图像的配准精度，这些图像与标准图谱存在显著的灰度差异。
• 通过整合互信息作为更鲁棒的相似性度量，将LDDMM框架从传统的均方差（SSD）扩展至更广泛的应用。
• 通过级联多尺度优化策略提升计算效率。

提出的方法

• 采用最优控制框架，将基于互信息作为相似性度量的LDDMM配准问题形式化。
• 在标准LDDMM中用基于互信息的成本函数替代SSD匹配项，以提高对强度非均匀性的鲁棒性。
• 将配准问题形式化为变分最优控制问题，最小化形变能量与基于互信息的相似性组合。
• 通过在粗尺度初始化配准，再在细尺度上逐步优化，实现级联多尺度方法以加速收敛。
• 采用微分同胚变换模型，确保图像间映射的平滑性和可逆性。
• 使用基于伴随状态法推导的梯度优化方法来最小化代价函数。

实验结果

研究问题

• RQ1 在CLARITY小鼠脑图像的多模态图像配准中，互信息是否能相比SSD提升配准精度？
• RQ2 MI-LDDMM框架在具有不同强度分布的2D模拟图像上的表现如何？
• RQ3 级联多尺度策略在多大程度上减少了运行时间，同时保持配准精度？
• RQ4 在将CLARITY图像与具有不同灰度强度的标准小鼠图谱对齐时，MI-LDDMM是否比SSD-LDDMM更具鲁棒性？

主要发现

• MI-LDDMM在对齐具有不同强度分布的2D模拟图像时表现优于SSD-LDDMM，证实了其对强度变化的鲁棒性。
• MI-LDDMM算法成功地将CLARITY小鼠脑图像与标准小鼠图谱配准，尽管两者存在显著的灰度差异。
• 级联多尺度方法显著缩短了优化运行时间，同时保持了高配准精度。
• 使用互信息作为相似性度量使跨模态配准更加可靠，而基于SSD的方法则可能失败或产生次优结果。