[论文解读] Higher-Order Momentum Distributions and Locally Affine LDDMM Registration

Stefan Sommer, Mads Nielsen+2 more|arXiv (Cornell University)|Dec 14, 2011

Medical Image Segmentation Techniques参考文献 33被引用 27

一句话总结

本文在LDDMM框架中引入高阶动量分布，通过一阶动量建模局部仿射变换，实现非刚性形变的稀疏、可解释参数化。该方法仅需五个控制点即可实现精确的图像配准，并直接将形变参数与临床相关的体积变化（如阿尔茨海默病中的脑室扩张）关联起来。

ABSTRACT

To achieve sparse parametrizations that allows intuitive analysis, we aim to represent deformation with a basis containing interpretable elements, and we wish to use elements that have the description capacity to represent the deformation compactly. To accomplish this, we introduce in this paper higher-order momentum distributions in the LDDMM registration framework. While the zeroth order moments previously used in LDDMM only describe local displacement, the first-order momenta that are proposed here represent a basis that allows local description of affine transformations and subsequent compact description of non-translational movement in a globally non-rigid deformation. The resulting representation contains directly interpretable information from both mathematical and modeling perspectives. We develop the mathematical construction of the registration framework with higher-order momenta, we show the implications for sparse image registration and deformation description, and we provide examples of how the parametrization enables registration with a very low number of parameters. The capacity and interpretability of the parametrization using higher-order momenta lead to natural modeling of articulated movement, and the method promises to be useful for quantifying ventricle expansion and progressing atrophy during Alzheimer's disease.

研究动机与目标

• 开发医学图像配准中非刚性形变的稀疏、可解释参数化方法。
• 将LDDMM框架从零阶动量（局部平移）扩展至包含建模局部仿射变换的一阶动量。
• 以最少的控制点实现复杂形变（尤其是非平移运动，如脑室扩张）的紧凑表示。
• 直接将配准参数与可测量的生物学变化（如组织萎缩和体积变化）关联。
• 提升纵向神经影像研究中形变模型的可解释性与临床相关性。

提出的方法

• 在LDDMM框架中引入高阶动量分布，使用一阶动量表示局部仿射变换。
• 采用具有偏导数再生性质的再生核希尔伯特空间（RKHS）来建模动量分布。
• 通过变分法推导EPDiff演化方程，实现梯度信息的前向与后向传播。
• 使用包含一阶信息（如雅可比行列式和散度）的相似性度量来引导配准。
• 采用低维参数化方法，通过形变原子（控制点）紧凑表示复杂形变。
• 基于前向与后向变分方程设计匹配算法，以优化形变参数。

实验结果

研究问题

• RQ1 与零阶动量相比，LDDMM中的高阶动量是否能实现更紧凑且可解释的非刚性形变表示？
• RQ2 一阶动量在多大程度上能有效建模局部仿射变换，并捕捉如脑室扩张等非平移运动？
• RQ3 形变参数在多大程度上能直接编码临床有意义的度量（如体积变化，例如雅可比行列式和散度）？
• RQ4 使用高阶动量是否能仅通过极少的控制点（如五个）实现精确的图像配准？
• RQ5 在相似性度量中引入一阶信息在多大程度上提升了配准精度与可解释性？

主要发现

• 该方法仅在脑室区域放置五个形变原子即可实现精确的图像配准，从而以最少参数检测脑室扩张。
• 形变原子处的雅可比行列式对数与一阶动量的散度直接相关，证实参数编码了体积变化。
• 痴呆患者（1–4期）的基线-随访配准结果显示，1.5至3年内对数雅可比值持续上升，表明脑室扩张呈进行性发展。
• 一阶动量的散度可直接从配准参数中提取，从而实现对局部扩张或收缩的直接解释。
• 由于参数空间维度较低，可将正则化设为零而不会导致非微分同胚结果。
• 该方法实现了对关节运动或非均匀形变（如脑萎缩）的直接、可解释建模，具有强临床相关性。