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

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

A Pyramid Approach to Subpixel Registration Based on Intensity

Présentations similaires


Présentation au sujet: "A Pyramid Approach to Subpixel Registration Based on Intensity"— Transcription de la présentation:

1 A Pyramid Approach to Subpixel Registration Based on Intensity
Auteurs Philippe Thevenaz, Urs E. Ruttimann, and Michael Unser Senior Member IEEE Présentation LE BLEVEC Yann

2 Plan de l'exposé Introduction 1. Vue d’ensemble 2. Méthode déployée
2.1. Recalage 2.2. Optimisation avec Marquardt-Levenberg 2.3. Modèle d’interpolation 2.4. Approche pyramidale 3. Résultats expérimentaux Conclusion

3 Vue d’ensemble Problématique
Détecter les différences entre 2 images médicales Patients différents Même patient à différents moments Recalage d’image 2D ou 3D PET (Positron Emission Tomography) fMRI (functional Magnetic Resonance Imaging) Différences minimes Sous pixels -> interpolation Nombreuses transformations: globales

4 Vue d’ensemble Exemples
PET fMRI

5 Plan de l'exposé Introduction 1. Vue d’ensemble 2. Méthode déployée
2.1. Recalage 2.2. Optimisation avec Marquardt-Levenberg 2.3. Modèle d’interpolation 2.4. Approche pyramidale 3. Résultats expérimentaux Conclusion

6 Méthode déployée En quelques mots…
Modèle de déformation Transformations affines 3D globales Possibilité d’ajouter un facteur d’échelle ou ajuster le contraste Utilisation d’une variante de l’algorithme de Marquardt-Levenberg Optimisation pour modèles non linéaire Modèle d’interpolation utilise un spline d’ordre 3 Approche pyramidale Résolution allant du grossier au fin

7 Méthode déployée Critère de recherche
Le recalage une image référence avec une image test utilise le critère suivant: Avec fR: image référence; fT: image test : la transformée de l’image test en utilisant p q : la dimension de l’espace Minimisation est fonction de p

8 Méthode déployée Transformations
Transformations affines Transformations homomorphiques

9 Méthode déployée Algorithme Marquardt-Levenberg (ML)
La fonction à minimiser équivaut à: Se rapprocher du p optimal en modifiant p à chaque itération Ce problème revient à résoudre le système linéaire: α: Matrice de courbure (1/2 * Hessien) ß: -1/2 * gradient du résidu

10 Méthode déployée Algorithme Marquardt-Levenberg (ML)
Calcul du gradient du critère

11 Méthode déployée Algorithme ML
Calcul de la matrice de courbure: 2eme terme non significatif d’ou

12 Méthode déployée Algorithme ML
Rôle de λ Amélioration de p, utilisation de l’inversion du hessien Dégradation de p, modification de p dans le sens oppose du gradient avec le poids λ (méthode des plus fortes pentes)

13 Méthode déployée Algorithme Marquardt-Levenberg modifié
Astuce: L’algorithme de base cherche à calculer On préférera Travail à partir d’un point fixe Ne pas recalculer les 2 matrices (matrice de courbure et gradient) à chaque itération

14 Méthode déployée Critères d’arrêt de l’itération
Critère de recherche inférieur à un certain seuil Gain en précision d’une itération à la suivante inférieure à un second seuil Evolution des paramètres d’une itération à la suivante Tant qu’un paramètre change, on continue

15 Méthode déployée Interpolation
Modèle d’interpolation choisi: Spline cubique: n=3 Proche de la fonction sinc pour un coût moindre

16 Méthode déployée Approche pyramidale
Multi résolution Multiplication des itérations à faible résolution Augmentation de la résolution pour affiner le résultat Effet lissant de la diminution de résolution Moins de probabilité de tomber sur un minimum local Propagation des paramètres entre les niveaux Gradient et hessien calculés à chaque niveau Paramètres de transformation modifiés par transformation géométrique

17 Plan de l'exposé Introduction 1. Vue d’ensemble 2. Méthode déployée
2.1. Recalage 2.2. Optimisation avec Marquardt-Levenberg 2.3. Modèle d’interpolation 2.4. Approche pyramidale 3. Résultats expérimentaux Conclusion

18 Résultats expérimentaux Conditions initiales
Objectif: Comparer ML avec ML* en terme de vitesse et précision Images MRI avec une résolution 256 x 256 Application de transformations aléatoires Cas idéaux Cas bruités

19 Résultats expérimentaux Cas idéal (1/2)
Evolution du temps de calcul et de la précision en fonction de la résolution

20 Résultats expérimentaux Cas idéal (2/2)
Comparaison entre ML1, ML3 et ML*3 ML* 3 aussi précis que ML 3 avec un temps de calcul largement inférieur

21 Résultats expérimentaux Cas bruité
Influence du bruit sur les performances de ML*

22 Conclusions Succès de la méthode proposée
Efficacité Rapidité Grand classique de la mise en correspondance Article très complet Début présente un état de l’art dans le domaine du recalage Explication complète du modèle théorique Expérimentations bien menées

23 QUESTIONS ?


Télécharger ppt "A Pyramid Approach to Subpixel Registration Based on Intensity"

Présentations similaires


Annonces Google