Ugrás a tartalomhoz

Orvosi képfeldolgozás

Emri Miklós (2011)

Debreceni Egyetem

5. fejezet - Térbeli standardizálás, képregisztráció

5. fejezet - Térbeli standardizálás, képregisztráció

A tomográfiás vizsgálatok individuális vagy populáció-szintű kiértékelése a legösszetettebb képfeldolgozási feladatok közé tartozik. Pl. az rCBF- vagy az akkumulációs képek képelem-szintű analíziséhez (kivonás, átlagolás, statisztikai analízis) biztosítani kell a különböző vizsgálatok képanyagainak anatómiai illeszkedését1. Individuális vizsgálatsorozat képi adatainak feldolgozása esetében ehhez elegendő, ha csupán az ú.n. elmozdulás-korrekciót végzik el, a populáció szintű analízis esetében emellett az agyatlasz-technika alkalmazására is szükség van. Az elmozdulás-korrekció és az agyatlasz-technika a multimodalitású orvosi képfeldolgozás egyik legdinamikusabban fejlődő területéhez, a képregisztráció témakörhöz tartozik. Ezt a képfeldolgozási technológiát az irodalomban a registration, co-registration, image correlation, image matching, image fusion kulcsszavakkal jelölik.

A képregisztrációs feladat

A regisztrációs feladat megoldása két lépésből áll:

  • először meg kell határozni egy olyan térbeli transzformációt, melynek segítségével egy tomográfiás vizsgálat képanyaga egy referencia vizsgálat képanyagával „anatómiailag azonos térbeli helyzetbe” hozható.

  • A második lépés a meghatározott transzformáció alkalmazása.

Transzformáció-típusok

Típusa szerint a térbeli transzformáció lehet merev-test-, affin-, perspektivikus- és szabad (vagy görbe vonalú) transzformáció. A merevtest transzformáció csak egy eltolást és egy forgatást jelent, azaz méret- és formatartó. Ugyanazon személy azonos vagy különböző modalitású képeinek regisztrációja (intra-subject registration) során mindig merev-test transzformációt kell meghatározni. A transzformáció affin, ha a párhuzamos vonalakat párhuzamos vonalakká alakítja, és perspektivikus, ha csak annyi teljesül, hogy a leképezés után az egyenesek egyenesek maradnak. Amennyiben ez a feltétel nem teljesül, akkor szabad vagy görbe vonalú transzformációról beszélünk. A nem merevtest transzformációkat az agyatlasz-technikában alkalmazzák, ahol az a cél, hogy a különböző vizsgálati személyek képanyagait azonos méretre és formára hozzák, hiszen csak így biztosítható az anatómiai illeszkedés. A merevtest-, affin- és perspektivikus 3D transzformációk egységes matematikai formalizmussal kezelhetők, aminek a lényege az, hogy minden 3D transzformáció felbontható négy elemi transzformációra: eltolásra, forgatásra, skálázásra és torzításra. Minden elemi transzformáció három paraméterrel jellemezhető, így az irodalomban, valamint a regisztrációs szoftverek alkalmazása során a transzformációkat gyakran a paraméterek számával jellemezik (merevtest: 6-paraméteres; merevtest és skálázás: 9‑paraméteres; merevtest, skálázás és torzítás: 12-paraméteres). A görbe vonalú transzformációk jelölésére nincs ilyen egységes formalizmus. Egy transzformáció globális, ha az egész képre alkalmazzuk és lokális, ha hatását csupán a kép egy részletére (képelem, vagy a képelem szűkebb környezetére) korlátozzuk. Az irodalomban a globális helyett a lineáris, a lokális helyett pedig a nem-lineáris jelző használata az elterjedtebb.

Regisztrációs módszerek

Landmark módszer

Pont-alapú regisztráció során az anatómiailag ekvivalens pontpárok (landmark) illesztése a feladat. Ennek a módszernek az alapgondolata az, hogy a regisztrálandó képeken olyan pontpárokat határoznak meg, melyeknek az elemei a két képen azonos anatómiai helyeket jelölnek. A pontpárok így két azonos számosságú ponthalmazt határoznak meg: az egyik halmaz a referencia-képhez, a másik pedig a transzformálandó képhez tartozik. A pontok külső- vagy belső pontok lehetnek. Külső pontoknak nevezzük a fejrögzítő rendszerhez vagy a koponyacsonthoz rögzített, és a detektorrendszer által érzékelhető marker geometriai helyét. A belső pont a tomográfiás képen, szakember által, egy szoftver segítségével kijelölhető pont. Ennél a módszernél a transzformáció a két ponthalmaz térbeli illesztésével határozható meg, ami a tömegközéppontok és a főtengelyek illesztésére vagy a pont-koordinátákból felállított lineáris egyenletrendszer algebrai megoldására vezethető vissza (Collins 1995, Ding 1993, Evans 1989, 1991, 1996, Harmon 1994, Henri 1992, Hill 1991a, 1991b, Maguire 1991, Meyer 1995, Rubinstein 1996). A ponthalmazok illesztésével 6-12 paraméteres transzformációk is meghatározhatók, azaz a landmark alapú regisztráció felhasználható egy személy különböző vizsgálatainak illesztésére, és alkalmazható az agyatlasz-technikában is. A külső pontok használata technikailag bonyolult feladat (pl. CT-PET- vagy MRI-PET-regisztráció esetében), mert a markereket reprodukálható módon kell elhelyezni. A belső pontok módszerének alkalmazása viszont időigényes, még megfelelő tapasztalattal rendelkező szakember is csak véges pontossággal tudja (pl. a butanol PET-képen és egy MRI-képen) az anatómiailag azonos helyeket megjelölni. Amennyiben a pontok elhelyezésének bizonytalansága 5 mm, akkor minimum 15 pontpár kijelölésére van szükség ahhoz, hogy a két kép illeszkedésének pontatlansága kisebb legyen mint 5 mm (Evans 1994, Neelin 1993).

Geometriai képletek illesztését használó eljárások

A szegmentációs előkészítést igénylő regisztrációs módszerek a regisztrálandó képekből valamilyen eljárással kiemelt képletek, struktúrák illesztésével határozzák meg a keresett transzformációt. A képletek általában felületek (koponyacsont, agyfelszín) vagy vonalak (AC-PC2 egyenes, hemiszfériumok határa egy metszeti képen, corpus-callosum körvonala). A kijelölés történhet automatikus és interaktív eljárásokkal vagy ezek kombinációjával (Gueziec 1992, Thirion 1994). Számos ilyen elven működő algoritmust és programot dolgoztak ki elsősorban a merevtest transzformációt igénylő diagnosztikai regisztrációs célokra (Chen 1987, Collington 1993, Gee 1994, 1995, Grimson 1996, Pelizzari 1989, Wang 1996), de léteznek olyan eljárások is, amelyekben a kiemelt struktúrák illesztésénél deformációt is megengednek (Bajcsy 1983, Bronielsen 1995, MacDonald 1994, Thirion 1996). A deformációs modellen alapuló eljárások templát3 alapú módszerek, az illesztés során csak a transzformálandó képen kell a szegmentációs feladatot megoldani (Davatzikos 1996, Sandor 1994, Taubin 1993). Léteznek azonban olyan deformációs algoritmusok is melyek nem igénylik ezt az előkészítést (Gueziec 1993, MacDonald 1994).

Volumetrikus eljárások

Képelem-analízisen alapulú regisztrációs algoritmusoknak nevezzük azokat az eljárásokat, amelyekben a transzformáció megkereséséhez közvetlenül a voxelek4 (összességének) adatait használják fel, tehát a regisztrációs folyamat nem igényel speciális előkészítést. Az egyszerűbb módszerek a voxel-hez rendelt értékek alapján meghatározott tömegközéppontok és főtengelyek segítségével számítják ki a keresett transzformációt (Aplert 1990, Dong 1996, Ettinger 1994, Wang 1994). Ezek az algoritmusok egyszerűek, gyorsak, de nem adnak precíz eredményt, mivel a voxelekhez rendelt értékek helyett csak néhány származtatott adat alapján számolnak (redukciós algoritmusok). A teljes képanyagot voxelenként felhasználó módszerek fejlesztésével napjainkban is több képfeldolgozó laboratóriumban és kutatóhelyen foglalkoznak. Az ilyen algoritmusok egy olyan hasonlósági függvényt definiálnak, amely maximumát vagy minimumát a regisztrálandó képek illeszkedése estén veszi fel. Ennek megfelelően az egyes módszereket az alkalmazott hasonlósági függvény alapján lehet csoportosítani: Hányados-kép varianciájának minimalizálása (minimization of varience of intensity ratios: Ardekani 1994, Hill 1993, Minoshima 1992, Studholme 1995, , Venot 1983, Woods 1993). Voxelértékek 1D- és 2D eloszlásából számított statisztikai paraméterek (pl. szórás) minimalizálása (histogram clustering, minimization of histogram dispersion: Collington 1995, Hill 1994, Lehmann 1996) Különbség-képek közel nulla értékű képelem-számának maximalizálása (stochastic- and deterministic sign changes: Hua 1993, Hoh 1993, Perault 1995, Venot 1994) Voxelérték-eloszlások kölcsönösségi információjának (relatív entrópia) maximalizálása (maximization of mutual information: Collington 1995, Maes 1997, Studholme 1996, Viola 1995, Wells 1995, 1996, West 1997). Fourier-transzformált képek kereszt-korrelációjának maximalizálása (Fourier domain based cross-correltion: Chen 1993, Lehmann 1996, Wang 1996). Voxel-értékek kereszt-korrelációjának maximalizálása (cross-correlation of original images: Banerjee 1994, Collins 1994a, 1994b, 1995, Hill 1993, Junck 1990, Lehmann 1996, Moseley 1994, Maintz 1994, 1996a, 1996b, Rizzo 1991, van den Elsen, 1995)

Az automatikus, nem-lineáris regisztrációs módszerek a lineáris térbeli transzformációval már illesztett képek lokális különbözőségeit korrigálják, helyi deformációs eljárások segítségével. A lokális deformáció meghatározható a képpontok közvetlen közelében detektálható élek, felületelemek, intenzitás-változások (intenzitás gradiensek) közötti különbségek alapján. A geometriai módszerek elsősorban a szegmentációval kiemelt felületeket és éleket illesztik egymáshoz (Collins 1992, 1994, Leclerc 1991, Metaxas 1992, Nastar 1993 Terzoupulos 1990,). A képpontonként vagy képpont-csoportonként alkalmazandó transzformáció-sokaság (deformációs mező) meghatározására ígéretes lehetőséget jelentenek a nerual-network alapú eljárások (Gosthasby 1999, Kosugi 1993). Elterjedésük, fejlődésük az orvosi képfeldolgozás számára elérhető informatikai rendszerek számítási kapacitásának függvénye. A legújabb módszerek közé tartozik a végeselem alapú, deformációs algoritmusok alkalmazása az MRI-képek illesztése során (Ferrant 1999, Schnabel 2003).

Térbeli standardizálás

A térbeli standardizálás elsősorban abban különbözik a diagnosztikai célú képregisztrációtól, hogy ebben az esetben a referencia-képanyag mindig egy ismert, az agyatlasz-program számára megfelelően előkészített képi adatbázis. Az irodalomban erre az adathalmazra a „template” vagy a „brain atlas”5 kulcsszavakat használják. A legelső, széleskörűen elterjedt, de még nem digitális agyatlaszhoz egy proporcionális koordináta-rendszer határoztak meg. (Talairach 1983). A Talairach-féle koordináta-rendszer kezdőpontja az anterior comissure (AC) pont. Az y tengelyt az AC-PC egyenes, az y-z síkot a hemiszfériumokat elválasztó sík jelöli ki. A z tengely az y tengelyt az AC pontban merőlegesen metsző (és az y-z síkra illeszkedő) egyenes, az x tengely pedig az AC ponton áthaladó, az y-z síkra merőleges egyenes. A skála azért proporcionális, mert az agyi struktúrákat nem a mm-ben megadott x, y, z koordinátákkal, hanem az agyat befogó téglatestbeli relatív helyzetükkel azonosítják. Ennek oka az, hogy az atlasz készítői számára még nem volt elérhető a megfelelő számítástechnikai háttér, azaz az anatómiai struktúrák azonosításához nem lehetett igénybe venni a digitális képfeldolgozás eszköztárát. A Talairach–féle atlasz egy olyan könyv formájában jelent meg, amelyben a metszetképeket egy átlagosnak tekintett egészséges, 60-éves férfi post-mortem nyert, teljes agyi metszetei alapján rajzolták meg. A jelenlegi digitális atlaszok már in vivo vizsgálatok alapján az individuális jellegzetességek kizárásával készülnek, a populáció-szintű képfeldolgozás eszköztárának felhasználásával. Egy ilyen szoftver-csomag legfontosabb eleme az a regisztrációs program, amely segítségével az atlasz kialakításába bevont tomográfiás képek egységes formára és méretre transzformálhatók. A Talairach-féle módszer digitális változata a Human Brain Atlas (HBA), amelyet a Karolinska Institute Division of Human Brain Research szakemberei dolgoztak ki (Roland 1994). A HBA templátja egy konkrétan kiválasztott agy6 post-mortem nyert metszeteinek digitalizált képsorozatából felépített, 3D képmátrixból, és a metszeteken berajzolt, agyi régiórendszerből áll. Az agyatlaszhoz tartozó interaktív szoftver7 segítségével e régiórendszer tetszőleges elemeit lineáris és nem-lineáris transzformációs lépések sorozatával lehet az individuális MRI-, PET- vagy SPECT-képhez igazítani. A térbeli standardizálás ezután a transzformációs sorozat inverzeinek felhasználásával végezhető el. Az első populáció-szintű digitális agyatlaszt a Montreal Neurological Institute (MNI) Brain Imaging Center-ben dolgozták ki 305 fiatal egészséges személy (239 férfi, 66 nő, átlagéletkor: 23,44,1 év) T1-súlyozott MRI-képei alapján (Evans 1993,1994). Az individuális MRI-képeket egy interaktív szoftver segítségével meghatározott, lineáris transzformáció alkalmazásával képezték le a Talairach-féle koordináta-rendszerbe. A transzformált képeket voxel-intenzitás szempontjából normalizálták, majd e normalizált képek képelemenkénti átlagolásával elkészítették a montreali agyatlasz templátját. Ehhez a digitális agyatlaszhoz olyan automatikus, regisztrációs programokat dolgoztak ki, amelyek segítségével az individuális MRI-képek templáthoz történő illesztése lineáris- és nem-lineáris transzformációval, automatikusan megoldható (Collins 1993, 1995). A PET-képek templáthoz illesztése ebben a csomagban az MRI-képek standardizálásával és az MRI-PET- regisztráció segítségével oldható meg.