В прошлый раз мы совершили небольшую экскурсию по хронологии радиологии, чтобы взглянуть на взаимосвязь между эволюцией технологий визуализации и соответствующим развитием регистрации медицинских изображений. Цифровая радиология укоренилась с введением в клиническую практику компьютерной томографии в 1971 году, и, несмотря на введение клинической МРТ в 1980 году, только в начале 1990-х годов, когда ПЭТ достигла совершеннолетия, полезность регистрации изображений стала очевидной. Сегодня мы рассмотрим пару ранних алгоритмов.

В кроличью нору алгоритмов

После того, как Общество ядерной медицины, теперь называемое Обществом ядерной медицины и молекулярной визуализации, объявило о широком распространении ПЭТ для визуализации метаболических процессов в 1991 г. [1], потребовалось всего около года, чтобы появились первые статьи, описывающие методы регистрации ПЭТ-изображений. приходят [2], [3]. Среди первых работ Woods et al. упоминает изменение более старого метода сопоставления фасок, который был впервые описан для медицинской визуализации в 1977 году в контексте обнаружения объектов (в основном ребер) [4], [5].

Сопоставление фасок, также известное как итерация ближайших точек для тех, кто работает с облаками точек, основано на интуиции, согласно которой при наличии двух наборов граничных точек (или контуров) наилучшее совпадение должно минимизировать среднее расстояние между всеми точками в одном наборе и их соответствующая ближайшая точка в другом наборе. Сопоставление фасок эффективно с точки зрения вычислений, поскольку оно касается только двух наборов точек, а не всех пикселей изображения. Однако сопоставление фасок требует извлечения указанных точек, что обычно требует некоторого вмешательства человека. Кроме того, раздражающие факторы реального мира, такие как зашумленные данные, выбросы и ловушки локальных минимумов во время оптимизации, снижают вероятность успешной регистрации (также известной как область конвергенции) до 80–90% в типичных клинических условиях и даже меньше в общем случае [6]. .

Напротив, для одномодальной ПЭТ-регистрации головного мозга Woods et al. использовали стратегию интенсивности вокселя при ключевом предположении, что интенсивность пикселя на одном изображении сильно и, как правило, линейно связана со значением соответствующего пикселя на другом изображении. Этот метод использует некоторые преимущества анатомической информации, представленной в изображениях, за счет вычислительных затрат, связанных со всеми вокселами изображения. Вудс и др. Вскоре после этого эта стратегия расширилась до регистрации головного мозга с помощью ПЭТ-МРТ, рассматривая каждый уровень серого МРТ отдельно, хотя МРТ пришлось редактировать, чтобы исключить все области, не относящиеся к мозгу [7]. Несмотря на это серьезное предостережение, эта настройка позволила установить нелинейные отношения интенсивности и намекнула на концепцию взаимозависимости между изображениями, что привело к формальной связи с теорией информации в 1995 году.

Регистрация медицинских изображений — это эклектичная область. Даже на этом раннем этапе мы видели заимствование таких идей, как сопоставление фасок, из искусственного интеллекта 1970-х годов, возвращаясь к понятиям из теории информации, восходящей к 1940-м годам. У нас еще есть пара десятилетий, прежде чем мы сможем увидеть, как Autofuse творит историю, так что следите за обновлениями в части 3.

использованная литература

  1. Вагнер Х. Н. Клиническая ПЭТ: ее время пришло. Дж. Нукл. Мед. 32, 561–564 (1991).
  2. Цзян, Х., Холтон, К. С. и Робб, Р. А. Регистрация мультимодальных трехмерных медицинских изображений путем сопоставления фасок. в (ред. Acharya, RS, Cogswell, CJ & Goldgof, DB) 356–366 (1992). дои: 10.1117/12.59565
  3. Вудс, Р. П., Черри, С. Р. и Мацциотта, Дж. К. Быстрый автоматизированный алгоритм для выравнивания и повторного нарезки ПЭТ-изображений. J Comput Assist Tomogr 16, 620–633 (1992).
  4. Х. Г. Барроу, Дж. М. Тененбаум, Р. К. Боллес и Х.К. Волк. Параметрическое соответствие и сопоставление фасок: два метода сопоставления изображений. В проц. 5-я Международная объединенная конференция по искусственному интеллекту, стр. 659–663, 1977 г.
  5. М. Брейс, К., Кулик, Дж. и В. Чаллис, Т. Автоматическое обнаружение ребер на рентгенограммах грудной клетки. в материалах 5-й международной объединенной конференции по искусственному интеллекту — том 2, стр. 697–698 (1977).
  6. Цин Ю. и Канаде Т. Корреляционный подход к надежной регистрации набора точек. в Computer Vision-ECCV 2004 558–569 (Springer Berlin Heidelberg, 2004).
  7. Вудс, Р. П., Мацциотта, Дж. К. и Черри, С. Р. Регистрация МРТ-ПЭТ с автоматическим алгоритмом. J Comput Assist Tomogr 17, 536–546 (1993).
  8. Кармен К. Йодер (18 декабря 2013 г.). Основные методы анализа данных ПЭТ, позитронно-эмиссионная томография — последние разработки в области приборостроения, исследований и клинической онкологической практики, Sandro Misciagna, IntechOpen, DOI: 10.5772/57126. Доступно по адресу: https://www.intechopen.com/books/positron-emission-tomography-recent-developments-in-instrumentation-research-and-clinical-oncological-practice/basic-pet-data-analysis-techniques.