[论文解读] MRI-PET Registration with Automated Algorithm in Pre-clinical Studies

Nathanael L. Baisa, Stéphanie Bricq+1 more|arXiv (Cornell University)|May 19, 2017

Medical Imaging Techniques and Applications参考文献 9被引用 3

一句话总结

本论文提出了一种用于小动物临床前研究的全自动MRI-PET配准方法，采用主成分分析（PCA）初始化的全局仿射配准，随后进行局部B样条变换，显著提升了非PCA初始化方法的配准精度。该方法在脑和肾脏数据集上实现了亚毫米级靶点配准误差（TRE），在速度和精度上均优于人工初始化方法。

ABSTRACT

Magnetic Resonance Imaging (MRI) and Positron Emission Tomography (PET) automatic 3-D registration is implemented and validated for small animal image volumes so that the high-resolution anatomical MRI information can be fused with the low spatial resolution of functional PET information for the localization of lesion that is currently in high demand in the study of tumor of cancer (oncology) and its corresponding preparation of pharmaceutical drugs. Though many registration algorithms are developed and applied on human brain volumes, these methods may not be as efficient on small animal datasets due to lack of intensity information and often the high anisotropy in voxel dimensions. Therefore, a fully automatic registration algorithm which can register not only assumably rigid small animal volumes such as brain but also deformable organs such as kidney, cardiac and chest is developed using a combination of global affine and local B-spline transformation models in which mutual information is used as a similarity criterion. The global affine registration uses a multi-resolution pyramid on image volumes of 3 levels whereas in local B-spline registration, a multi-resolution scheme is applied on the B-spline grid of 2 levels on the finest resolution of the image volumes in which only the transform itself is affected rather than the image volumes. Since mutual information lacks sufficient spatial information, PCA is used to inject it by estimating initial translation and rotation parameters. It is computationally efficient since it is implemented using C++ and ITK library, and is qualitatively and quantitatively shown that this PCA-initialized global registration followed by local registration is in close agreement with expert manual registration and outperforms the one without PCA initialization tested on small animal brain and kidney.

研究动机与目标

• 解决小动物临床前研究中多模态图像配准的挑战，因标准人类图像算法在高各向异性和低对比度情况下失效。
• 开发一种鲁棒的全自动配准流程，无需预处理步骤，可同时处理刚性器官（如脑）和非刚性器官（如肾、心）。
• 通过引入主成分分析（PCA）估计互信息优化的初始平移与旋转参数，提升配准精度与收敛速度。
• 在多样化的动物小样本数据集（包括脑和肾）上验证该方法，证明其在不同解剖结构间的泛化能力。
• 提供计算高效的解决方案，采用C++与ITK实现，适用于高通量肿瘤学与药物开发研究。

提出的方法

• 对图像体积分级使用三级多分辨率金字塔，以提升收敛性并降低噪声敏感性，用于全局仿射配准。
• 采用互信息作为MRI与PET图像间的相似性度量，并使用Parzen窗密度估计法计算联合概率密度。
• 通过EM算法选取3D空间位置后应用主成分分析（PCA），以估计初始变换参数（平移与旋转），改善配准初始化效果。
• 采用两级多分辨率B样条网格实现局部非刚性配准，通过空间自适应变形对全局配准进行精细化调整。
• 按顺序应用配准流程：PCA初始化的全局仿射配准，随后进行局部B样条优化，全部基于ITK库实现。
• 采用无梯度优化算法，以互信息作为代价函数，最小化模态间差异。

实验结果

研究问题

• RQ1 与非初始化方法相比，PCA初始化的全局仿射配准是否能提升小动物MRI-PET配准的收敛性与精度？
• RQ2 全局仿射与局部B样条变换的结合在配准小动物刚性器官（如脑）与非刚性器官（如肾）方面效果如何？
• RQ3 所提出方法在无需预分割或掩膜处理的情况下，能否显著降低靶点配准误差（TRE）？
• RQ4 该方法在小动物研究中常见的高度各向异性MRI图像与噪声PET图像上的表现如何？
• RQ5 该算法是否能在无需模态特异性调优的情况下，实现对多种解剖结构（如脑、肾、胸腔）的可靠配准？

主要发现

• PCA初始化的全局仿射配准将平均靶点配准误差（TRE）降低至0.56 mm（脑部为0.38 mm），显著优于非PCA初始化方法（分别为1.07 mm与1.23 mm）。
• 在全局配准基础上增加局部B样条配准后，脑部TRE进一步降低最多达15%，肾脏TRE降低最多达25%。
• 采用PCA初始化的配准收敛更快，脑部配准迭代次数更少（42次 vs. 46次），耗时更短（36秒 vs. 40秒）。
• 在单模态MRI-MRI配准（脑与肾）中，PCA初始化方法实现了亚毫米级TRE（脑部0.07 mm，肾部0.15 mm），表明其在同模态配准中具有高精度。
• 互信息（MI）质量度量在PCA初始化后有所提升（如脑部为-0.408，无PCA时为-0.402），表明配准后图像相似性更高。
• 该算法成功配准了高度各向异性的数据集（如脑部MRI体素尺寸为0.156×0.156×1.8 mm³）与噪声较大的PET扫描（体素尺寸为0.387×0.387×0.775 mm³），表现出对图像质量变化的强鲁棒性。