1 / 46

Approche statistique semi-paramétrique du recalage iconique d’images

Approche statistique semi-paramétrique du recalage iconique d’images. Philippe Ciuciu (CEA/SHFJ) ciuciu@shfj.cea.fr http://www.madic.org/people/ciuciu. Cours préparé à partir de la thèse d’Alexis Roche (CEA/SHFJ) http://www.madic.org/people/roche. Plan. Introduction

randy
Download Presentation

Approche statistique semi-paramétrique du recalage iconique d’images

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Approche statistique semi-paramétrique du recalage iconique d’images Philippe Ciuciu(CEA/SHFJ) ciuciu@shfj.cea.fr http://www.madic.org/people/ciuciu

  2. Cours préparé à partir de la thèse d’Alexis Roche (CEA/SHFJ) http://www.madic.org/people/roche

  3. Plan • Introduction • Méthode du rapport de corrélation • Recalage par inférence statistique • Recalage non-rigide multimodal

  4. Le recalage d’images Trouver la transformation géométrique qui aligne « au mieux » les voxels homologues

  5. Exemples de recalage • Correction d’un mouvement rigide • Fusion monomodale, multimodale • Estimation de déformations • Fusion inter-sujets • etc.

  6. Algorithme d’optimisation Mesure de similarité Espace de recherche (rigide, affine, élastique,…) Formulation générale (Brown, 92) • Étant données deux images I et J,

  7. Construction d’une mesure de similarité • Approche géométrique • Détection de primitives géométriques (points, lignes, surfaces,… graphes relationnels) • Critère de distance entre ces primitives • Approche iconique • Comparaison directe des intensités

  8. Exemple intuitif • Comment recaler ces deux images ?

  9. Mesure: par exemple, Approche géométrique/iconique Détection des primitives (ici, points de forte courbure)

  10. Mesure: par exemple, Approche géométrique/iconique Détection des primitives (ici, points de forte courbure)

  11. Interpolation: T Approche géométrique/iconique Segmentation facultative… Mesure: par ex.,

  12. Mesure: par ex., T1 =Id Approche géométrique/iconique Segmentation facultative…

  13. Recouvrement partiel Mesure: par ex., T2 Approche géométrique/iconique Segmentation facultative…

  14. Notion d’histogramme conjoint a j Image cible b jk i ik Image source

  15. Intensité de l’image I Intensité de l’image J Classification des mesures iconiques • Relation supposée Histogramme conjoint Conservation de l'intensité • Mesures adaptées Somme des différences au carré Somme des différences en valeur absolue Mesures de différence d’images [Buzug 1997]

  16. Intensité de l’image I Intensité de l’image J Classification des mesures iconiques • Relation supposée Histogramme conjoint Affine • Mesures adaptées Coefficient de corrélation [Brown 1992]

  17. Intensité de l’image I Intensité de l’image J Classification des mesures iconiques • Relation supposée Histogramme conjoint Fonctionnelle • Mesures adaptées Critère de Woods (1993) Variantes Woods [Ardekani 1995; Alpert 1996; Nikou 1997] Rapport de corrélation [Roche, 1998]

  18. Intensité de l’image I Intensité de l’image J Classification des mesures iconiques Histogramme conjoint • Relation supposée Redondance • Mesures adaptées Entropie conjointe [Hill 1995; Collignon 1995] Information mutuelle [Collignon 1995; Viola 1995] Information mutuelle normalisée [Studholme 1998]

  19. Plan • Introduction • Méthode du rapport de corrélation • Recalage par inférence statistique • Recalage non-rigide multimodal

  20. Spécifique monomodal • + Robuste + Générale - Peu robuste Motivation: une mesure intermédiaire entre… • Coefficient de corrélation • Information mutuelle

  21. Erreur quadratique de régression linéaire Normalisation (recouvrement partiel) Motivation: une mesure intermédiaire entre… • Coefficient de corrélation

  22. Espace de recherche vectoriel = problème linéaire intensité en I polynômes, B-splines, fonctions constantes par morceaux... intensité en J Régression non-linéaire aux moindres carrés

  23. Généralisations du rapport de corrélation • Métrique d’ordre supérieur • Métrique robuste (M-estimateur d’échelle)

  24. Validation: base « Vanderbilt » • 8 patients: scanner, TEP, IRM (T1, T2, DP) • Recalages rigides IRM{T1, T2, DP} / scanner, TEP • « Vérités terrain » connues • 5 mesures de similarité testées: RC (L2), RC (L1), RC (Geman), IM, Woods

  25. Résultats recalage : IRM / scanner

  26. Résultats: IRM / TEP

  27. Plan • Introduction • Méthode du rapport de corrélation • Recalage par inférence statistique • Recalage non-rigide multimodal

  28. Dictionnaire de mesures Problème de recalage • Construire les mesures de similarité en fonction d'hypothèses de dépendance Motivation • Renverser l’approche classique

  29. Transfo. spatiale Modèle d’acquisition Image I Transfo. spatiale Modèle d’acquisition Image I A priori anatomique Scène S A priori anatomique Scène S Modèle d’acquisition Image J Modèle d’acquisition Image J Recalage par inférence statistique • Modèle de dépendance inter-images • Fonction de vraisemblance • Inférence par maximum de vraisemblance

  30. Recalage par inférence statistique • Hypothèse: les processus S, I|S et J|S sont • Stationnaires • Spatialement indépendants • Fonction de vraisemblance • Problème: estimer la distribution conjointe p(i,j)

  31. Estimation de la densité conjointe • Approche paramétrique: modèle de mélange • Approche non-paramétrique: méthode de Parzen • Approche semi-paramétrique: ajustement local sur un voisinage

  32. Approche semi-paramétrique • Plus flexible que l’approche paramétrique • Meilleur compromis biais/variance que Parzen • Continuum de mesures englobant l’existant • Coefficient de corrélation: • Rapport de corrélation: • Information mutuelle:

  33. Exemple: recalage rigide scanner / IRM

  34. Estimation de la densité conjointe • Histogramme conjoint

  35. Estimation de la densité conjointe • Mélange de gaussiennes

  36. Estimation de la densité conjointe • L’approche paramétrique permet une segmentation a posteriori

  37. Estimation de la densité conjointe • Ajustement localement quadratique

  38. Estimation de la densité conjointe • Méthode de Parzen

  39. Plan • Introduction • Méthode du rapport de corrélation • Recalage par inférence statistique • Recalage non-rigide multimodal

  40. Stabilisateur Recalage iconique non-rigide • S’apparente au flux optique (Horn &Schunk, 81) • Nécessité de la régularisation spatiale • Formulation classique

  41. Flux optique monomodal : exemple

  42. Recalage multimodal non-rigide • Flux optique multimodal • L’estimation semi-paramétrique de la distribution p(i,j) permet de se ramener au flux optique standard

  43. Correction d'intensité Ajustement local quadratique Image J corrigée Image J Image I Flux optique standard Transformation spatiale Recalage multimodal non-rigide • Algorithme itératif

  44. géométrie + intensité Fusion inter-sujets T1 DP

  45. géométrie + intensité Fusion inter-sujets Vue sagitale T1 DP

  46. Conclusion • Méthodologie générale pour le recalage d’images • Algorithmes originaux • Méthode du rapport de corrélation • Recalage non-rigide multimodal

More Related