Уточнение результатов метода Coherent Point Drift на примере задач цефалометрии

 
Код статьиS013234740000681-4-1
DOI10.31857/S013234740000681-4
Тип публикации Статья
Статус публикации Опубликовано
Авторы
Аффилиация: ННГУ им. Н.И. Лобачевского
Адрес: Российская Федерация, Нижний Новгород
Аффилиация: Институт информационных технологий, математики и механики, ННГУ им. Н.И. Лобачевского
Адрес: Российская Федерация, Нижний Новгород
Аффилиация: Институт информационных технологий, математики и механики, ННГУ им. Н.И. Лобачевского
Адрес: Российская Федерация, Нижний Новгород
Название журналаПрограммирование
ВыпускВыпуск 4
Страницы55-66
Аннотация

Рассматривается задача персонализации трехмерной атлас-модели (шаблона) исследуемого органа по данным трехмерного исследования пациента, важная для современной цифровой медицины. Шаблон должен быть представлен множеством точек Y и размечен ключевыми для модели точками. Персонализация шаблона выполняется путем нежесткого совмещения (registration) множества Y с множеством точек X, представляющих томограмму пациента. Наиболее популярным сегодня методом решения задачи нежесткого совмещения является метод Coherent Point Drift (CPD). В данной работе предложен и исследован подход существенно уточняющий результат CPD в задаче автоматического детектирования цефалометрических точек (ЦТ) черепа. Построенный алгоритм остается устойчивым при наличии существенных деформаций черепа. Традиционным для трехмернойцефалометрии является применение геометрического дескриптора ЦТ, уточняющего положение точки на костной поверхности. Однако результат применения дескриптора сильно зависит от точности реконструкции его анатомического базиса. В предложенном подходе эта проблема решается путем уточнения базиса геометрических дескрипторов, опорными элементами которого являются плоскости орбиталей и франкфуртская (глазнично-ушная) горизонталь. Для этого в шаблон Y включаются дополнительно размеченные точки орбиталей YO. После совмещения Y и X методом CPD положение плоскостей орбиталей уточняется решением задачи линейной регрессии на подмножествах YO для левой и для правой орбитали. Исследованы случаи уточнения с использованием регуляризации Тихонова (ридж-регрессии) и без нее. Исследовано влияние увеличения мощности множества точек X относительно Y на точность совмещения. Установлено, что условие |X| < |Y| отрицательно сказывается на точности, и сказывается тем более, чем меньше мощность X относительно Y. Уточнение ЦТ по геометрическому дескриптору выполняется на данных томограммы в зоне вокруг ЦТ, полученной методом CPD. Размеры зоны по трем координатам определяются анатомической областью определения геометрического дескриптора конкретной ЦТ. Мерой качества алгоритма является евклидово расстояние между размеченными вручную и найденными автоматическиточками. Шаблон Y для алгоритма построен на черепе, деформированном травмой. Алгоритм проверен количественно на регистрации ЦТ орбиталей и скул по данным четырех томограмм, также имеющих деформации черепа. Ключевой особенностью и источником высокой точности подхода является использование для уточнения линейной регрессии с регуляризацией Тихонова. В результате, 81.25% найденных точек лежат в радиусе 2 мм от искомых точек, и 100% — в радиусе 4 мм.  

Ключевые слова
Источник финансированияИсследование выполнено при финансовой поддержке РФФИ в рамках научного проекта № 18-37-00383.
Получено01.10.2018
Дата публикации07.10.2018
Кол-во символов2616
Цитировать   Скачать pdf Для скачивания PDF необходимо авторизоваться
Размещенный ниже текст является ознакомительной версией и может не соответствовать печатной.

всего просмотров: 1279

Оценка читателей: голосов 0

1. Myronenko A., Song X., Carreira-Perpinan M.A. Non-rigid point set registration: Coherent Point Drift / NIPS 2007 Proceedings, pp. 1009–1016.

2. Myronenko A., Song X. Point set registration: Coherent point drift, IEEE transactions on pattern analysis and machine intelligence, 2010, vol. 32, no. 12, pp. 2262–2275.

3. Jacobson A., Jacobson R.L. Radiographic Cephalometry: From Basics to Videoimaging, Quintessence Pub., 1995, pp. 53–63.

4. Yue W., Yin D., Li C., Wang G., Xu T. Automated 2-D cephalometric analysis on X-ray images by a model-based approach, IEEE Trans Biomed Eng 2006, vol. 53, no. 8, pp. 1615–1623.

5. Chu C. et al. Fully automatic cephalometric x-ray landmark detection using random forest regression and sparse shape composition, Proc. ISBI 2014: Automatic Cephalometric X-Ray Landmark Detection Challenge, 2014. 8 p.

6. Wang C.-W. Evaluation and Comparison of Anatomical Landmark Detection Methods for Cephalometric X-Ray Images: A Grand Challenge, IEEE Transactions on Medical Imaging, 2015, 11 p.

7. Swennen G.R.J., Schutyser F., Hausamen J.-E. Three-Dimensional Cephalometry / A Color Atlas and Manual. Springer-Verlag, Berlin, Heidelberg, 2006, pp. 116–185.

8. Shahidi S, Bahrampour E, Soltanimehr E, Zamani A, Oshagh M, Moattari M, Mehdizadeh A. The accuracy of a designed software for automated localization of craniofacial landmarks on CBCT images, BMC Med. Imaging, 2014, vol. 14, no. 1, pp. 1471–2342.

9. Gupta A., Kharbanda O.P., Sardana V., Balachandran R., Sardana H.K. A knowledgebased algorithm for automatic detection of cephalometric landmarks on CBCT images, International journal of computer assisted radiology and surgery, 2015 1 November, vol. 10, no. 11, pp. 1737–1752.

10. Koch M. et al. (2013) Towards Deformable Shape Modeling of the Left Atrium Using Non-Rigid Coherent Point Drift Registration. Meinzer HP (eds) Bildverarbeitung fur die Medizin 2013. Informatik aktuell. Springer, Berlin, Heidelberg, 2013, pp. 332–337.

11. Delavari M., Foruzan A.H., Chen Y.-W. Improvement of statistical shapemodels for soft tissues using modified-coherent point drift, IFAC-PapersOnLine, 2015, vol. 48, pp. 36–41.

12. Peng L., Li G., Xiao M., Xie L. Robust CPD Algorithm for Non-Rigid Point Set Registration Based on Structure Information, Public Library of Science (PLOS) One, Feb 2016, vol. 11, no. 2, pp. 1–17.

13. Mansoory M.S., Allahverdy A., Jafari A.H. Mitral Valve Prolapse Classification from an Echocardiography Sequence using Coherent Point Drift Method based on Fractal Dimension, Journal of Biomedical Physics and Engineering, 2016.

14. Ravikumar N., Gooya A., Frangi A.F. and Taylor Z.A. Generalised coherent point drift for group-wise registration of multi-dimensional point sets, International Conference on Medical Image Computing and Computer-Assisted Intervention. Medical Image Computing and Computer Assisted Intervention — MICCAI 2017 , September 11–13, 2017, Quebec City, QC, Canada. Lecture Notes in Computer Science (10433). Springer, pp. 309–316.

15. Gadomski P.J. Measuring Glacier Surface Velocities With LiDAR: A Comparison of Three-Dimensional Change Detection Methods / Master’s thesis, University of Houston, Geosensing Systems Engineering and Sciences. (December 2016). https://www.researchgate.net/publication/ /315773214_Measuring_Glacier_Surface_ _Velocities_With_LiDAR_A_Comparison_of_ _Three-Dimensional_Change_ Detection_ _Methods

16. Сенюкова О.В., Зубов А.Ю. Полная анатомическая разметка изображений магнитнорезонансной томографии головного мозга с помощью сопоставления с несколькими атласами // Программирование, 2016, № 6, c. 35–41.

17. Хвостиков А.В., Крылов А.С., Камалов Ю.Р. Текстурный анализ ультразвуковых изображений для диагностирования фиброза печени // Программирование, 2015, № 5, c. 39–46.

18. Тихонов А.Н. О некорректных задачах линейной алгебры и устойчивом методе их решения // Доклады Академии наук СССР, 1965, т. 163, № 3, c. 97–102.

19. Lindeberg T. Scale Selection Properties of Generalized Scale-Space Interest Point Detectors, J. Math. Imaging Vis., 2013, vol. 46, no. 2, pp. 177–210.

20. Харинов М.В. Кластеризация пикселей для сегментации цветового изображения // Программирование, 2015, № 5, c. 20–30.

21. Гарилов Н.И., Турлапов В.Е. Новый подход к разработке алгоритмов объемного рендеринга на основе измерения качества визуализации // Программирование. 2014, № 4, c. 23–36.

22. Мамаев Н.В., Лукин А.С., Юрин Д.В. HeNLMLA: Локально-адаптивный алгоритм нелокального среднего на основе разложения по функциям Эрмита // Программирование, 2014, № 4, c. 46–54.

Система Orphus

Загрузка...
Вверх