Academic Journal
On Two Algorithms for Multi-Modality Image Registration Based on Gaussian Curvature and Application to Medical Images
| Τίτλος: | On Two Algorithms for Multi-Modality Image Registration Based on Gaussian Curvature and Application to Medical Images |
|---|---|
| Συγγραφείς: | Nasra Begum, Noor Badshah, Mazlinda Ibrahim, Muniba Ashfaq, Nasru Minallah, Hadia Atta |
| Πηγή: | IEEE Access, Vol 9, Pp 10586-10603 (2021) |
| Στοιχεία εκδότη: | Institute of Electrical and Electronics Engineers (IEEE), 2021. |
| Έτος έκδοσης: | 2021 |
| Θεματικοί όροι: | normalized gradient field (NGF), Artificial intelligence, Shape Matching, Geometry, 02 engineering and technology, Image Segmentation, Pattern recognition (psychology), Quantum mechanics, multi-modality images, 03 medical and health sciences, 0302 clinical medicine, Shape Matching and Object Recognition, Image (mathematics), FOS: Mathematics, 0202 electrical engineering, electronic engineering, information engineering, Image Segmentation Techniques, Regularization (linguistics), Similarity (geometry), Image registration, Curvature, Physics, mutual information (MI), Gaussian curvature (GC), Deformable Image Registration, Robust Line and Curve Detection using Hough Transform, Computer science, TK1-9971, Mutual information, Algorithm, Computer Science, Physical Sciences, Gaussian, Medical Image Analysis, Image Annotation, Computer vision, Electrical engineering. Electronics. Nuclear engineering, Computer Vision and Pattern Recognition, Jaccard index, T1-T2 MR images, Mathematics |
| Περιγραφή: | L'enregistrement d'images multimodales est l'un des problèmes difficiles du traitement d'images de nos jours. Dans cet article, deux nouveaux modèles d'enregistrement non rigides sont proposés pour les images multimodales. Dans le modèle 1, l'information mutuelle du modèle et des images de référence est utilisée comme terme d'ajustement des données avec la régularisation de la courbure gaussienne. Cette approche peut ne pas donner de résultats satisfaisants dans les images bruyantes ou les images ayant un champ de polarisation. Pour surmonter cet inconvénient, le modèle 2 est proposé qui est basé sur un gradient normalisé des images de modèle et de référence en tant que terme d'ajustement de données au lieu d'informations mutuelles. Pour obtenir les meilleures transformations, les deux modèles sont minimisés en utilisant la méthode lagrangienne augmentée. Les modèles proposés peuvent enregistrer des images multimodales sans affecter les bords et d'autres détails fins importants et sont également testés sur diverses images médicales telles que (IRM T1-T2, IRM PD pondérée-T2) des images bruyantes et synthétiques. Les modèles proposés sont également testés sur un ensemble de données Brainweb gratuit bien connu, où ils ont produit des résultats satisfaisants. À partir des résultats expérimentaux, on peut observer que le modèle basé sur le champ de gradient normalisé donne de meilleurs résultats que le modèle basé sur l'information mutuelle. La comparaison est effectuée qualitativement et quantitativement par le biais du coefficient de similarité Jaccard. El registro de imágenes multimodales es uno de los problemas desafiantes en el procesamiento de imágenes en la actualidad. En este trabajo, se proponen dos nuevos modelos de registro no rígidos para imágenes multimodales. En el modelo 1, la información mutua de la plantilla y las imágenes de referencia se utiliza como término de ajuste de datos con regularización de curvatura gaussiana. Este enfoque puede no dar resultados satisfactorios en imágenes ruidosas o imágenes con campo de sesgo. Para superar este inconveniente, se propone el modelo 2 que se basa en el gradiente normalizado de imágenes de plantilla y de referencia como un término de ajuste de datos en lugar de información mutua. Para obtener las mejores transformaciones, ambos modelos se minimizan utilizando el Método Lagrangiano Aumentado. Los modelos propuestos pueden registrar imágenes de multimodalidad sin afectar los bordes y otros detalles finos importantes y también se prueban en varias imágenes médicas como imágenes ruidosas y sintéticas (resonancia magnética T1-T2, resonancia magnética PD ponderada-T2). Los modelos propuestos también se prueban en un conocido conjunto de datos gratuitos de Brainweb, donde produjeron resultados satisfactorios. A partir de los resultados experimentales, se puede observar que el modelo basado en campo de gradiente normalizado da mejores resultados que el modelo basado en información mutua. La comparación se realiza cualitativa y cuantitativamente a través del Coeficiente de Similitud de Jaccard. Registration of multi-modal images is one of the challenging problems in image processing nowadays. In this paper, two novel non-rigid registration models are proposed for multi-modality images. In model 1, mutual information of the template and reference images is used as data fitting term with Gaussian curvature regularization. This approach may not give satisfactory results in noisy images or images having bias field. To overcome this drawback, model 2 is proposed which is based on normalized gradient of both template and reference images as a data fitting term instead of mutual information. To get best transformations, both the models are minimized by using Augmented Lagrangian Method. The proposed models can register multi-modality images without effecting edges and other important fine details and are also tested on various medical images like (T1-T2 MRI, PD weighted-T2 MRI) noisy and synthetic images. The proposed models are also tested on a well known free available Brainweb dataset, where they produced satisfactory results. From experimental results, it can be observed that normalized gradient field based model gives better results than mutual information based model. Comparison is done qualitatively and quantitatively through Jaccard Similarity Coefficient. يعد تسجيل الصور متعددة الوسائط إحدى المشكلات الصعبة في معالجة الصور في الوقت الحاضر. في هذه الورقة، يتم اقتراح نموذجين جديدين للتسجيل غير جامدين للصور متعددة الأنماط. في النموذج 1، يتم استخدام المعلومات المتبادلة للقالب والصور المرجعية كمصطلح لتركيب البيانات مع تنظيم الانحناء الغاوسي. قد لا يعطي هذا النهج نتائج مرضية في الصور الصاخبة أو الصور التي تحتوي على مجال تحيز. للتغلب على هذا العيب، يُقترح النموذج 2 الذي يعتمد على التدرج الطبيعي لكل من القالب والصور المرجعية كمصطلح لتركيب البيانات بدلاً من المعلومات المتبادلة. للحصول على أفضل التحولات، يتم تقليل كلا النموذجين باستخدام طريقة لاغرانج المعززة. يمكن للنماذج المقترحة تسجيل صور متعددة الأنماط دون التأثير على الحواف وغيرها من التفاصيل الدقيقة المهمة ويتم اختبارها أيضًا على صور طبية مختلفة مثل (T1 - T2 MRI، PD weighted - T2 MRI) الصور الصاخبة والاصطناعية. يتم اختبار النماذج المقترحة أيضًا على مجموعة بيانات Brainweb مجانية معروفة جيدًا، حيث أسفرت عن نتائج مرضية. من النتائج التجريبية، يمكن ملاحظة أن النموذج القائم على مجال التدرج الطبيعي يعطي نتائج أفضل من النموذج القائم على المعلومات المتبادلة. تتم المقارنة نوعيًا وكميًا من خلال معامل تشابه جاكار. |
| Τύπος εγγράφου: | Article Other literature type |
| ISSN: | 2169-3536 |
| DOI: | 10.1109/access.2021.3050651 |
| DOI: | 10.60692/hqgky-bm322 |
| DOI: | 10.60692/0kp29-kzm57 |
| Σύνδεσμος πρόσβασης: | https://ieeexplore.ieee.org/ielx7/6287639/9312710/09319137.pdf https://doaj.org/article/a0a674f6cd84499c97adbae40a746dfc https://dblp.uni-trier.de/db/journals/access/access9.html#BegumBIAMA21 https://ieeexplore.ieee.org/document/9319137/ https://doi.org/10.1109/ACCESS.2021.3050651 |
| Rights: | CC BY CC BY NC ND |
| Αριθμός Καταχώρησης: | edsair.doi.dedup.....ebf59183fb8cf42b50cc4afe05ec504c |
| Βάση Δεδομένων: | OpenAIRE |
| ISSN: | 21693536 |
|---|---|
| DOI: | 10.1109/access.2021.3050651 |