gradient based 2d 3d rigid registration of fluoroscopic x ray to ct n.
Download
Skip this Video
Loading SlideShow in 5 Seconds..
Gradient-Based 2D/3D Rigid Registration of Fluoroscopic X-ray to CT PowerPoint Presentation
Download Presentation
Gradient-Based 2D/3D Rigid Registration of Fluoroscopic X-ray to CT

Loading in 2 Seconds...

play fullscreen
1 / 27

Gradient-Based 2D/3D Rigid Registration of Fluoroscopic X-ray to CT - PowerPoint PPT Presentation


  • 80 Views
  • Uploaded on

Gradient-Based 2D/3D Rigid Registration of Fluoroscopic X-ray to CT. Harel Livyatan Ziv Yaniv Leo Joskowicz. Boukhriss Isameddine DEA DISIC 2004. Plan. Buts et spécifications Classification des techniques Problématique Protocoles de recalage Algorithme Paramétrage

loader
I am the owner, or an agent authorized to act on behalf of the owner, of the copyrighted work described.
capcha
Download Presentation

PowerPoint Slideshow about 'Gradient-Based 2D/3D Rigid Registration of Fluoroscopic X-ray to CT' - zelenia-lewis


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.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript
gradient based 2d 3d rigid registration of fluoroscopic x ray to ct

Gradient-Based 2D/3D Rigid Registration of Fluoroscopic X-ray to CT

Harel Livyatan

Ziv Yaniv

Leo Joskowicz

Boukhriss Isameddine DEA DISIC 2004

slide2
Plan
  • Buts et spécifications
  • Classification des techniques
  • Problématique
  • Protocoles de recalage
  • Algorithme
  • Paramétrage
  • Expériences et résultats
  • Conclusion
buts et sp cifications
Buts et spécifications

Développer une méthode de recalage entre les images

X et les images CT

  • Exactitude : un taux d’erreur en moyenne entre 1 et 1.5 mm et entre 2 et 3 mm au pire des cas
  • Robustesse : réussite au premier test avec un taux de réussite=95%
  • Vitesse : le recalage doit prendre au max 1 mn
  • Interactivité : simple et minime pendant les phases interopératives et préopératoires
probl matique
Problématique
  • Il s’agit de trouver la transformation rigide qui relie le model préopératoire de CT et les images X (prises juste avant l’opération) 
  • Cette transformation peut être trouvée par un trackeur de position et un système interopératoire de raffinement des prises des images X
classification des techniques

GRADIENT-BASED

La méthode

3

Less Data

1

2

5

4

6

More Data

Point/

Point

Point/

Surface

Contour/

Surface

Surface/

Surface

ROIs/

ROIs

Image/

Image

INTENSITY-BASED

GEOMETRY-BASED

Classification des techniques
  • Algorithmes à base géométrique
  • Algorithmes à base d’intensité
protocoles de recalage
Protocoles de recalage
  • On obtient off-line 3 structures de données des images CT :
  • Un maillage surfacique de l’organe
  • Un octree de sphère englobbante appliqué à ce maillage
  • Gradient du modèle 3D
  • On prend 2-5 images X
  • Calcul de
bounding sphere octree3
Bounding sphere octree

Smallest bounding sphere

8 fils pour chaque nœud

bounding sphere octree4
Bounding sphere octree

Successive smallest bounding sphere approximation of a proximal femur surface mesh

algorithme
Algorithme

L’algorithme se divise en 3 étapes. Les deux premières

étapes sont basées sur des travaux précédents :

  • Estimation de la position initiale
  • Recalage grossier sur les contours de l’organe 
  • Recalage par projection du gradient sur les pixels de contour
estimation de la position initiale
Estimation de la position initiale

Elle peut se faire par différents moyens:

  • Précisions cliniques
  • Points marqueurs (chirurgien)
  • Marquer des points sur la surface des données CT et les tracker sur les images X par un suiveur de point
  • ! Quelle que soit la méthode : l’estimation est entre 10 et 20 mm et entre 5 à 15° par rapport à la position finale
recalage sur les contours de l organe
Recalage sur les contours de l’organe 
  • Cette opération réduit la distance entre le maillagesurfaciquesphérique de l’organe et l’échantillon des points de contour des images X
  • Le contour de l’organe des images X est extrait avec l’algorithme de segmentation live-wire
  • Cette opération de recalage est réalisée grâce à l’algorithme ICP : iterative closest point
algorithme de segmentation live wire
Algorithme de segmentation live-wire

Choix d’un chemin dans un graphe parmi tous les graphes associés à tous les pixels

(Dijkstra)

iterative closest point
Iterative Closest Point
  • Soit p un ensemble de points et X une surface de référence
  • K=0 et P(0)=P
  • Calcul de l’ensemble Y(k), « projection » de P(k) sur X
  • Calcul de q(k) =[qR|qT]T qui met en correspondance P avec Y(k)
  • Calcul de P(k+1)= q(k)(P)
  • Arrêt si la convergence est satisfaisante sinon incrémenter K et revenir à l’étape 2
iterative closest point1
Iterative Closest Point

Exemple d’exécution de l’algorithme ICP

projection du gradient
Projection du gradient

Quand les images CT sont alignées avec l’anatomie réelle, les rayons X passent à travers les pixels du contour sont tangents à la surface de l’organe

Ces rayons passent par des maximalocaux du module du gradient volumique

optimisation
Optimisation

Soit T une matrice de transformation 6D

E

analyse
Analyse
  • Calculer le gradient en volume des images CT en sur -échantillonnant dans une résolution de 0.5 mm3
  • Extraire les pixels du contour de chaque image X et construire l’ensemble des rayons qui passent à travers ces pixels(Canny)
  • Appliquer après la méthode du Downhill simplex sur la fonction E

!Le calcul est fait en échantillonnant chaque rayon dans des intervalles de 1mm.

param trage

Category

Parameter Description

Default value

1. 3D model

Marching Cubes iso-value

1200

Sphere Tree maximal depth

7

2. Livewire

# of points input by user

6-10

200

# of contour points per image

3. ICP

Max # of iterations

1000

4. Fluoro X-ray images

Gaussian mask(,)

(0,1)

Lower threshold

Lower 5% of grad. mag.

Upper threshold

Upper 10% of grad. mag.

Min contour length

30 pixels

# of images

3-5

5. CT volume

Gaussian mask(,)

(0,1/1024)

Ray sampling interval

1mm

6. Downhill simplex optimisation

Contraction

0.5

Expansion

2

Reflection

1

Max. # of iterations

5000

Intenal Simplex delta threshold

10-3

External Simplex delta threshold

10-3

Paramétrage
exp riences
Expériences
  • Les expériences ont été réalisées dans plusieurs situations :
    • Simulation avec des données cliniques Ct et des images simulées X
    • Des expériences in-vitro avec des organes secs
    • Des expériences sur des cadavres
    • Sur les organes suivants : fémur humain, vertèbre, bassin et hanche d’agneau
  • Le calcul s’est fait sur un PC windows XP 2.4 GHZ avec 1GB de RAM.
slide24

Résultats

Model CT

Position initiale et finale de recalage

slide25

Data set

Step

Final sTRE

ΔxΔy Δz Δx ΔyΔz

(mm) (degree)

Time

(secs)

Simulation

1. real pelvis

Initial

Coarse

fine

9.5

1.7

0.5

5.3 3.5 4.8 0.8 1.2 1.3

2.7 1.3 2.4 0.6 0.7 0.6

0.2 0.3 0.2 0.1 0.1 0.2

5.3

139.9

In-vitro

2. dry vertebra

3. dry femur

Initial

Coarse

Fine

Initial

Coarse

Fine

9.6

3.6

0.5

9.8

2.3

1.3

3.7 6.4 4.5 3.1 3.9 3.1

3.5 3.7 3.5 3.5 3.5 1.9

0.5 0.1 0.4 0.2 0.1 0.2

3.9 4.6 4.8 6.6 4.2 4.6

1.6 1.3 1.4 3.1 1.0 3.2

0.3 0.7 0.9 1.2 0.6 1.4

4.6

268.9

3.8

58.3

Cadaver

4. lamb hip

5. human pelvis

Initial

Coarse

Fine

Initial

Coarse

Fine

9.8

2.1

1.4

9.8

6.5

1.7

5.0 5.6 5.0 1.9 0.9 1.7

4.1 1.5 4.1 4.1 4.1 8.0

4.8 1.3 1.9 4.4 0.5 3.7

4.4 5.0 6.5 1.8 1.2 0.5

5.5 2.9 5.5 5.5 5.5 2.5

2.0 0.4 0.3 0.7 0.1 0.4

24.2

36.4

4.7

153.4

Résultats

tude comparative
Étude comparative
  • Comme la technique géométrique elle est basée sur les pixels de contour
  • Cependant elle ne dépend pas de la segmentation
  • Comme la technique à base d’intensité, elle utilise sélectivement toutes les données CT sans segmentation
  • Cependant elle définie automatiquement les ROIs ce qui accélère le calcul.
conclusion et perspectives
Conclusion et perspectives
  • La convergence de cette technique croit avec chaque étape mais devient plus lourde à chaque passage
  • L’une des perspectives est d’intégrer cette technique dans un système totalement automatique pour la navigation et le positionnement des organes à traiter