La présentation est en train de télécharger. S'il vous plaît, attendez

La présentation est en train de télécharger. S'il vous plaît, attendez

1Philippe Ciuciu SHFJ/CEAESIEA 28/11/05 Approche statistique semi- paramétrique du recalage iconique dimages Philippe Ciuciu (CEA/SHFJ)

Présentations similaires


Présentation au sujet: "1Philippe Ciuciu SHFJ/CEAESIEA 28/11/05 Approche statistique semi- paramétrique du recalage iconique dimages Philippe Ciuciu (CEA/SHFJ)"— Transcription de la présentation:

1 1Philippe Ciuciu SHFJ/CEAESIEA 28/11/05 Approche statistique semi- paramétrique du recalage iconique dimages Philippe Ciuciu (CEA/SHFJ)

2 2Philippe Ciuciu SHFJ/CEAESIEA 28/11/05 Cours préparé à partir de la thèse dAlexis Roche (CEA/SHFJ)

3 3Philippe Ciuciu SHFJ/CEAESIEA 28/11/05 Plan Introduction Méthode du rapport de corrélation Recalage par inférence statistique Recalage non-rigide multimodal

4 4Philippe Ciuciu SHFJ/CEAESIEA 28/11/05 Le recalage dimages Trouver la transformation géométrique qui aligne « au mieux » les voxels homologues

5 5Philippe Ciuciu SHFJ/CEAESIEA 28/11/05 Exemples de recalage -Correction dun mouvement rigide -Fusion monomodale, multimodale -Estimation de déformations -Fusion inter-sujets -etc.

6 6Philippe Ciuciu SHFJ/CEAESIEA 28/11/05 Formulation générale (Brown, 92) Étant données deux images I et J, Mesure de similarité Espace de recherche (rigide, affine, élastique,…) Algorithme doptimisation

7 7Philippe Ciuciu SHFJ/CEAESIEA 28/11/05 Construction dune 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 8Philippe Ciuciu SHFJ/CEAESIEA 28/11/05 Exemple intuitif Comment recaler ces deux images ?

9 9Philippe Ciuciu SHFJ/CEAESIEA 28/11/05 Détection des primitives (ici, points de forte courbure) Mesure: par exemple, Approche géométrique/iconique

10 10Philippe Ciuciu SHFJ/CEAESIEA 28/11/05 Détection des primitives (ici, points de forte courbure) Mesure: par exemple, Approche géométrique/iconique

11 11Philippe Ciuciu SHFJ/CEAESIEA 28/11/05 Segmentation facultative… Mesure: par ex., T Interpolation: Approche géométrique/iconique

12 12Philippe Ciuciu SHFJ/CEAESIEA 28/11/05 T 1 =Id Segmentation facultative… Mesure: par ex., Approche géométrique/iconique

13 13Philippe Ciuciu SHFJ/CEAESIEA 28/11/05 T2T2 Recouvrement partiel Approche géométrique/iconique Segmentation facultative… Mesure: par ex.,

14 14Philippe Ciuciu SHFJ/CEAESIEA 28/11/05 Notion dhistogramme conjoint i j Image source Image cible ikik jkjk

15 15Philippe Ciuciu SHFJ/CEAESIEA 28/11/05 Relation supposée Somme des différences au carré Somme des différences en valeur absolue Mesures de différence dimages [Buzug 1997] Mesures adaptées Conservation de l'intensité Intensité de limage J Intensité de limage I Classification des mesures iconiques Histogramme conjoint

16 16Philippe Ciuciu SHFJ/CEAESIEA 28/11/05 Classification des mesures iconiques Relation supposée Intensité de limage J Intensité de limage I Affine Mesures adaptées Coefficient de corrélation [Brown 1992] Histogramme conjoint

17 17Philippe Ciuciu SHFJ/CEAESIEA 28/11/05 Relation supposée Critère de Woods (1993) Variantes Woods [Ardekani 1995; Alpert 1996; Nikou 1997] Rapport de corrélation [Roche, 1998] Intensité de limage J Intensité de limage I Fonctionnelle Mesures adaptées Classification des mesures iconiques Histogramme conjoint

18 18Philippe Ciuciu SHFJ/CEAESIEA 28/11/05 Entropie conjointe [Hill 1995; Collignon 1995] Information mutuelle [Collignon 1995; Viola 1995] Information mutuelle normalisée [Studholme 1998] Intensité de limage J Intensité de limage I Redondance Mesures adaptées Classification des mesures iconiques Relation supposée Histogramme conjoint

19 19Philippe Ciuciu SHFJ/CEAESIEA 28/11/05 Plan Introduction Méthode du rapport de corrélation Recalage par inférence statistique Recalage non-rigide multimodal

20 20Philippe Ciuciu SHFJ/CEAESIEA 28/11/05 Coefficient de corrélation Information mutuelle - Spécifique monomodal + Robuste + Générale - Peu robuste Motivation: une mesure intermédiaire entre…

21 21Philippe Ciuciu SHFJ/CEAESIEA 28/11/05 Coefficient de corrélation Erreur quadratique de régression linéaire Normalisation (recouvrement partiel) Motivation: une mesure intermédiaire entre…

22 22Philippe Ciuciu SHFJ/CEAESIEA 28/11/05 Régression non-linéaire aux moindres carrés intensité en J intensité en I Espace de recherche vectoriel = problème linéaire polynômes, B-splines, fonctions constantes par morceaux...

23 23Philippe Ciuciu SHFJ/CEAESIEA 28/11/05 Généralisations du rapport de corrélation Métrique dordre supérieur Métrique robuste (M-estimateur déchelle)

24 24Philippe Ciuciu SHFJ/CEAESIEA 28/11/05 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 (L 2 ), RC (L 1 ), RC (Geman), IM, Woods

25 25Philippe Ciuciu SHFJ/CEAESIEA 28/11/05 Résultats recalage : IRM / scanner

26 26Philippe Ciuciu SHFJ/CEAESIEA 28/11/05 Résultats: IRM / TEP

27 27Philippe Ciuciu SHFJ/CEAESIEA 28/11/05 Plan Introduction Méthode du rapport de corrélation Recalage par inférence statistique Recalage non-rigide multimodal

28 28Philippe Ciuciu SHFJ/CEAESIEA 28/11/05 Motivation Renverser lapproche classique Dictionnaire de mesuresProblème de recalage è Construire les mesures de similarité en fonction d'hypothèses de dépendance

29 29Philippe Ciuciu SHFJ/CEAESIEA 28/11/05 Recalage par inférence statistique Modèle de dépendance inter-images Scène S Modèle dacquisition Image I Image J Transfo. spatiale Modèle dacquisition A priori anatomique Inférence par maximum de vraisemblance Scène S Modèle dacquisition Image I Image J Transfo. spatiale Modèle dacquisition A priori anatomique Fonction de vraisemblance

30 30Philippe Ciuciu SHFJ/CEAESIEA 28/11/05 Recalage par inférence statistique Hypothèse: les processus S, I|S et J|S sont –Stationnaires –Spatialement indépendants Problème: estimer la distribution conjointe p(i,j) è Fonction de vraisemblance

31 31Philippe Ciuciu SHFJ/CEAESIEA 28/11/05 Approche paramétrique: modèle de mélange Estimation de la densité conjointe Approche non-paramétrique: méthode de Parzen Approche semi-paramétrique: ajustement local sur un voisinage

32 32Philippe Ciuciu SHFJ/CEAESIEA 28/11/05 Plus flexible que lapproche paramétrique Approche semi-paramétrique Continuum de mesures englobant lexistant Coefficient de corrélation: Rapport de corrélation: Information mutuelle: Meilleur compromis biais/variance que Parzen

33 33Philippe Ciuciu SHFJ/CEAESIEA 28/11/05 Exemple: recalage rigide scanner / IRM

34 34Philippe Ciuciu SHFJ/CEAESIEA 28/11/05 Estimation de la densité conjointe Histogramme conjoint

35 35Philippe Ciuciu SHFJ/CEAESIEA 28/11/05 Estimation de la densité conjointe Mélange de gaussiennes

36 36Philippe Ciuciu SHFJ/CEAESIEA 28/11/05 Lapproche paramétrique permet une segmentation a posteriori Estimation de la densité conjointe

37 37Philippe Ciuciu SHFJ/CEAESIEA 28/11/05 Estimation de la densité conjointe Ajustement localement quadratique

38 38Philippe Ciuciu SHFJ/CEAESIEA 28/11/05 Méthode de Parzen Estimation de la densité conjointe

39 39Philippe Ciuciu SHFJ/CEAESIEA 28/11/05 Plan Introduction Méthode du rapport de corrélation Recalage par inférence statistique Recalage non-rigide multimodal

40 40Philippe Ciuciu SHFJ/CEAESIEA 28/11/05 Recalage iconique non-rigide Formulation classique Stabilisateur Sapparente au flux optique (Horn &Schunk, 81) Nécessité de la régularisation spatiale

41 41Philippe Ciuciu SHFJ/CEAESIEA 28/11/05 Flux optique monomodal : exemple

42 42Philippe Ciuciu SHFJ/CEAESIEA 28/11/05 Recalage multimodal non-rigide Flux optique multimodal Lestimation semi-paramétrique de la distribution p(i,j) permet de se ramener au flux optique standard

43 43Philippe Ciuciu SHFJ/CEAESIEA 28/11/05 Image JImage I Image J corrigée Correction d'intensité Transformation spatiale Flux optique standard Ajustement local quadratique Algorithme itératif Recalage multimodal non-rigide

44 44Philippe Ciuciu SHFJ/CEAESIEA 28/11/05 Exemple: fusion T1/DP inter-sujets IRM-DPIRM-T1 (après recalage affine)

45 45Philippe Ciuciu SHFJ/CEAESIEA 28/11/05 DPT1 géométrie+ intensité Fusion inter-sujets

46 46Philippe Ciuciu SHFJ/CEAESIEA 28/11/05 DPT1 géométrie+ intensité Vue sagitale Fusion inter-sujets

47 47Philippe Ciuciu SHFJ/CEAESIEA 28/11/05 Conclusion Méthodologie générale pour le recalage dimages Algorithmes originaux Méthode du rapport de corrélation Recalage non-rigide multimodal


Télécharger ppt "1Philippe Ciuciu SHFJ/CEAESIEA 28/11/05 Approche statistique semi- paramétrique du recalage iconique dimages Philippe Ciuciu (CEA/SHFJ)"

Présentations similaires


Annonces Google