[论文解读] Non-rigid image registration using spatially region-weighted correlation ratio and GPU-acceleration

Lun Gong, Cheng Zhang+5 more|arXiv (Cornell University)|Apr 13, 2018

Medical Image Segmentation Techniques参考文献 34被引用 3

一句话总结

该论文提出了一种新颖的相似性度量方法——空间区域加权相关比率（SRWCR），用于非刚性医学图像配准，通过三次B样条建模整合空间信息，以在强度变化和噪声条件下提升配准精度。该方法通过解析梯度计算与GPU加速并行化实现高性能，优于最先进的方法，在4D-CT、OCT和PET/CT扫描等多种数据集上表现优异。

ABSTRACT

Objective: Non-rigid image registration with high accuracy and efficiency is still a challenging task for medical image analysis. In this work, we present the spatially region-weighted correlation ratio (SRWCR) as a novel similarity measure to improve the registration performance. Methods: SRWCR is rigorously deduced from a three-dimension joint probability density function combining the intensity channels with an extra spatial information channel. SRWCR estimates the optimal functional dependence between the intensities for each spatial bin, in which the spatial distribution modeled by a cubic B-spline function is used to differentiate the contribution of voxels. We also analytically derive the gradient of SRWCR with respect to the transformation parameters and optimize it using a quasi-Newton approach. Furthermore, we propose a GPU-based parallel mechanism to accelerate the computation of SRWCR and its derivatives. Results: The experiments on synthetic images, public 4-D thoracic computed tomography (CT) dataset, retinal optical coherence tomography (OCT) data, and clinical CT and positron emission tomography (PET) images confirm that SRWCR significantly outperforms some state-of-the-art techniques such as spatially encoded mutual information and Robust PaTch-based cOrrelation Ration. Conclusion: This study demonstrates the advantages of SRWCR in tackling the practical difficulties due to distinct intensity changes, serious speckle noise, or different imaging modalities. Significance: The proposed registration framework might be more reliable to correct the non-rigid deformations and more potential for clinical applications.

研究动机与目标

• 解决在强度变化和噪声条件下实现高精度、高效非刚性图像配准的挑战。
• 克服现有相似性度量方法（如互信息和相关比率）在处理复杂强度分布和空间依赖性方面的局限性。
• 开发一种通过B样条空间加权显式建模空间上下文的相似性度量方法。
• 通过GPU加速计算SRWCR及其梯度，实现实时性能。
• 在包括CT、PET和OCT在内的多种临床成像模态上验证该方法。

提出的方法

• SRWCR源自结合了强度值与空间坐标的三维联合概率密度函数。
• 利用三次B样条函数对空间信息进行建模，为体素贡献分配区域特定权重。
• 该方法估计移动图像与固定图像在每个空间区间内强度之间的函数依赖关系，从而提高对强度非均匀性的鲁棒性。
• 推导了SRWCR相对于变换参数的解析梯度，以支持通过拟牛顿法进行优化。
• 设计了基于GPU的并行计算框架，以加速SRWCR评估与梯度计算。
• 该框架支持多分辨率配准，实现空间区间与变换参数间高效计算。

实验结果

研究问题

• RQ1 一种整合空间上下文的相似性度量是否能提升在强度变化和噪声条件下的非刚性图像配准精度？
• RQ2 在多模态和噪声场景下，SRWCR与最先进的方法（如空间编码互信息和鲁棒Patch基相关比率）相比表现如何？
• RQ3 GPU加速在保持高配准精度的前提下，能在多大程度上减少计算时间？
• RQ4 在低强度对比度区域，引入空间B样条加权是否能增强相关比率的鲁棒性？
• RQ5 SRWCR是否能在包括CT、PET和OCT在内的多种成像模态上实现良好泛化？

主要发现

• SRWCR在合成图像和临床4D-CT数据集上显著优于空间编码互信息和鲁棒Patch基相关比率。
• 在存在严重斑点噪声和强度非均匀性的情况下，该方法在视网膜OCT和临床PET/CT扫描中均实现了更优的配准精度。
• GPU加速将计算时间减少数个数量级，实现了3D体数据的近实时配准。
• SRWCR的解析梯度相比有限差分近似，能实现更快的拟牛顿优化收敛速度。
• 通过三次B样条的空间加权能有效区分体素贡献，提升形变区域的定位精度与鲁棒性。
• 该框架在多种成像模态中表现出强大的泛化能力，包括低对比度和高噪声图像。